Commercio quantitativo - pagina 21

 

Strategie di trading ad alta frequenza



Strategie di trading ad alta frequenza

Grazie per avermi invitato oggi a presentare il mio documento sulle strategie di trading ad alta frequenza. Mi chiamo Amy Kwan e vengo dall'Università di Sydney. Questo articolo è scritto in collaborazione con Michael Goldstein del Babson College e Richard Phillip, anche lui dell'Università di Sydney.

Lo scopo di questo documento è contribuire al dibattito in corso tra le autorità di regolamentazione, i partecipanti al mercato e gli accademici in merito all'impatto del trading ad alta frequenza (HFT) sui mercati finanziari. Abbiamo ascoltato diversi punti di vista su questo argomento, inclusa la presentazione di Sean e la discussione di ieri sera.

Mentre ci sono opinioni diverse su HFT, alcune persone, come Michael Lewis, l'autore del libro "Flash Boys", sostengono che il mercato azionario statunitense è diventato un sistema di classe basato sulla velocità, dove pochi privilegiati pagano per nanosecondi di vantaggio mentre altri rimangono inconsapevoli del valore di questi minuscoli intervalli di tempo. D'altra parte, i sostenitori di HFT, come Ray Katsuyama, affermano che gli HFT possono raccogliere segnali di trading e trarre vantaggio dagli investitori regolari.

Le prime prove accademiche generalmente supportavano il trading HFT e algoritmico, poiché si riteneva che aumentasse la liquidità e migliorasse le tradizionali misure di qualità del mercato come la riduzione degli spread, l'aumento della profondità e la riduzione della volatilità a breve termine. Tuttavia, studi più recenti hanno riscontrato alcuni aspetti negativi dell'HFT. Ad esempio, gli HFT possono anticipare il flusso degli ordini di altri investitori ed estrarre rendite dalle forze di mercato.

Inoltre, studi recenti, come quelli di Banker, Blending, Courageous e Canorkey, indicano che gli HFT inizialmente commerciano controvento, ma poi commerciano con vento man mano che un grande commercio avanza. Per illustrare questo, consideriamo uno scenario in cui un grande fondo pensione vuole acquistare azioni Apple. Gli HFT, dopo aver rilevato questo scambio, possono competere con l'istituto per operare nella stessa direzione, poiché anticipano il futuro aumento dei prezzi dovuto alla pressione degli acquisti.

Sebbene vi sia una certa comprensione degli effetti dell'HFT, la letteratura rimane poco chiara su come gli HFT commercino effettivamente e influenzino i mercati finanziari. La maggior parte delle prove esistenti si basa su esecuzioni commerciali e si sa poco sul comportamento di invio degli ordini in Australia.

Per colmare questa lacuna, il nostro studio esamina direttamente le strategie di trading HFT analizzando i dati del portafoglio ordini limite completo. Abbiamo accesso a informazioni dettagliate su ordini, modifiche, cancellazioni e negoziazioni per i primi 100 titoli dell'ASX. Classificando i trader in società HFT, trader istituzionali e broker al dettaglio, miriamo a comprendere il loro comportamento e l'impatto sulle dinamiche di mercato.

I nostri risultati principali rivelano che gli HFT eccellono nel monitoraggio del portafoglio ordini e nel trading sugli squilibri. Quando c'è una maggiore domanda di acquisto o vendita di azioni, gli HFT hanno più successo nel capitalizzare queste informazioni rispetto ad altre categorie di trader. Inoltre, osserviamo che gli HFT forniscono liquidità sul lato fisso del portafoglio ordini, anche quando non è necessario, mentre i non HFT soffrono di un accesso limitato al portafoglio ordini a causa del comportamento di trading strategico degli HFT.

Esaminiamo anche l'introduzione di un feed di dati più veloce chiamato "it" e scopriamo che gli HFT diventano ancora più efficaci nel loro trading strategico dopo la sua implementazione. Tuttavia, gli ordini non HFT vengono esclusi dal registro degli ordini limite, con conseguente riduzione delle possibilità di esecuzione riuscita per questi trader.

In conclusione, il nostro studio contribuisce alla comprensione delle strategie di trading HFT analizzando i dati del portafoglio ordini limite completo. Scopriamo che gli HFT superano le altre categorie di trader nel monitoraggio del portafoglio ordini e nel trading sugli squilibri. L'introduzione di un feed di dati più veloce migliora ulteriormente il loro vantaggio commerciale. Questi risultati fanno luce su come gli HFT influenzano le dinamiche di mercato e forniscono preziose informazioni per le autorità di regolamentazione, i partecipanti al mercato e gli accademici.

Grazie ancora per l'opportunità di presentare la nostra ricerca.

High frequency trading strategies
High frequency trading strategies
  • 2017.02.05
  • www.youtube.com
Speaker : Amy Kwan7th Emerging Markets Finance Conference, 201613th - 17th December 2016
 

Ciamac Moallemi: trading ad alta frequenza e microstruttura del mercato



Ciamac Moallemi: trading ad alta frequenza e microstruttura del mercato

Parte dello scopo della mia presentazione è quello di familiarizzare le persone con la ricerca condotta dai membri della facoltà. Prima di approfondire l'argomento principale, vorrei fornire alcuni retroscena sul mio lavoro di matematico applicato. Circa la metà del mio tempo è dedicata all'esplorazione di problemi di controllo stocastico, che implicano decisioni nel tempo in presenza di incertezza. Questi problemi matematici astratti pongono sfide significative ma sono fondamentali, poiché molti problemi di ingegneria e di business condividono caratteristiche simili. L'altra metà della mia ricerca si concentra sull'aspetto più applicato dei problemi di controllo stocastico nel campo dell'ingegneria finanziaria.

Attingendo alla mia precedente esperienza come gestore di hedge fund, ho un particolare interesse per il trading ottimale, la microstruttura del mercato e il trading ad alta frequenza nei mercati finanziari. Oggi discuterò di questi argomenti per fornire approfondimenti sulle complessità dei moderni mercati elettronici. Per apprezzare le questioni in questione, è fondamentale comprendere le caratteristiche principali dei mercati azionari statunitensi, che si sono notevolmente evoluti negli ultimi cinque-dieci anni.

In primo luogo, il commercio elettronico domina il mercato, rendendo l'immagine tradizionale dei trader sul pavimento della Borsa di New York in gran parte irrilevante. Il trading ora avviene principalmente sui computer, con il commercio elettronico che è il principale meccanismo di scambio. Un altro cambiamento notevole è il decentramento o la frammentazione del commercio. In passato, un determinato titolo veniva scambiato prevalentemente sul Nasdaq o sulla Borsa di New York. Tuttavia, ora ci sono più borse, ognuna delle quali rappresenta una percentuale sostanziale del trading azionario.

Queste borse sono organizzate come libri di ordini con limite elettronico, in cui i partecipanti al mercato possono inviare ordini di acquisto e vendita con prezzi specificati. Quando i prezzi si intersecano, le negoziazioni vengono eseguite. Ciò è in contrasto con il mercato storico dei rivenditori o la struttura del mercato specializzato della Borsa di New York. Inoltre, circa il 30% delle negoziazioni avviene in sedi alternative come reti di attraversamento elettronico, dark pool e internalizzazione, contribuendo ulteriormente alla natura decentralizzata del trading.

Una delle caratteristiche più sorprendenti dei mercati moderni è la crescente automazione dei partecipanti. In precedenza, un commerciante umano gestiva ordini di grandi dimensioni, ma ora gli algoritmi e il trading ad alta frequenza hanno preso il sopravvento. Il trading algoritmico consente agli investitori di tagliare e tagliare grandi ordini nel tempo e attraverso gli scambi, mentre i trader ad alta frequenza, spesso classificati come market maker, forniscono liquidità. Queste recenti tendenze hanno reso il mercato più complesso e hanno portato a interazioni imprevedibili tra trader algoritmici e trader ad alta frequenza.

Questi sviluppi hanno sollevato questioni importanti sia a livello politico che per i singoli partecipanti. I responsabili politici e le autorità di regolamentazione devono valutare i vantaggi e gli svantaggi dell'attuale complessa struttura di mercato. Devono anche affrontare questioni come il verificarsi di eventi come il famoso flash crash del 6 maggio 2010, in cui i prezzi di mercato sono scesi in modo significativo in pochi minuti a causa di un'interazione patologica tra un trader algoritmico e trader ad alta frequenza.

A livello di singolo partecipante, i problemi decisionali devono essere affrontati. Data la complessità e l'imprevedibilità del mercato, i partecipanti devono determinare l'approccio più efficace per le loro strategie di trading. È in questo contesto che ho condotto ricerche su due problemi specifici relativi al trading ad alta frequenza e alla microstruttura del mercato: comprendere l'importanza della latenza ed esaminare il ruolo delle dark pool nei mercati.

La latenza si riferisce al ritardo tra la presa di una decisione commerciale e la sua esecuzione. La capacità di fare trading rapidamente con bassa latenza è diventata sempre più importante. Per valutare il valore e il costo associati alla latenza, è necessario valutarne l'importanza nelle decisioni di trading. Nel corso degli anni, la latenza nei mercati azionari statunitensi è diminuita drasticamente, con scambi che ora avvengono in microsecondi. Questo progresso tecnologico è stato guidato dalla domanda dei trader ad alta frequenza e di altri che cercano un'esecuzione più rapida.

Comprendere l'importanza della latenza solleva ulteriori domande. La bassa latenza è utile per prendere decisioni con le informazioni più recenti? Essere più veloci dei concorrenti offre un vantaggio nell'ottenere profitti? Inoltre, le regole e l'organizzazione degli scambi spesso danno la priorità all'ingresso anticipato, creando vantaggi per i trader con connessioni a bassa latenza. Ciò solleva preoccupazioni circa l'equità e la parità di accesso alle opportunità di mercato.

Per rispondere a queste domande, la mia ricerca prevede lo sviluppo di modelli matematici che catturino le dinamiche del trading ad alta frequenza e l'impatto della latenza sulle strategie di trading. Simulando diversi scenari e analizzando i risultati, miro a fornire informazioni sull'equilibrio ottimale tra velocità e precisione nelle decisioni di trading. Questa ricerca può aiutare i partecipanti al mercato, come gli hedge fund o gli investitori istituzionali, a progettare i loro algoritmi e le loro infrastrutture di trading per massimizzare le loro prestazioni in un ambiente altamente competitivo.

Un'altra area della mia ricerca si concentra sul ruolo delle dark pool nei mercati moderni. Le dark pool sono sedi di trading private che consentono ai partecipanti di eseguire operazioni di grandi dimensioni in modo anonimo, lontano dal mercato pubblico. Queste sedi alternative hanno guadagnato popolarità grazie al loro potenziale per ridurre al minimo l'impatto sul mercato e migliorare la qualità dell'esecuzione per gli investitori istituzionali con volumi di negoziazione significativi.

Tuttavia, l'ascesa delle dark pool ha sollevato preoccupazioni sulla trasparenza e l'equità del mercato. I critici sostengono che la mancanza di trasparenza in queste sedi può creare asimmetria informativa e avere un impatto negativo sulla scoperta dei prezzi. Inoltre, ci sono stati casi in cui i trader ad alta frequenza sfruttano la mancanza di trasparenza pre-negoziazione nelle dark pool a proprio vantaggio.

Nella mia ricerca, indago sull'impatto dei dark pool sulla liquidità del mercato, sulla formazione dei prezzi e sul comportamento dei partecipanti al mercato. Sviluppando modelli matematici e conducendo analisi empiriche, miro a comprendere i vantaggi e gli svantaggi associati al dark pool trading. Questa ricerca può contribuire al dibattito in corso sulla regolamentazione e la supervisione dei dark pool e aiutare i partecipanti al mercato a prendere decisioni informate sulle loro strategie di trading.

In conclusione, la mia presentazione di oggi fornisce una panoramica della mia ricerca nel campo dell'ingegneria finanziaria, concentrandosi in particolare sul trading ad alta frequenza, sulla microstruttura del mercato, sulla latenza e sui dark pool. Approfondendo questi argomenti, intendo far luce sulle complessità dei moderni mercati elettronici e sulle sfide che presentano per i partecipanti al mercato e le autorità di regolamentazione. Attraverso modelli matematici, simulazioni e analisi empiriche, la mia ricerca mira a fornire spunti preziosi e contribuire alle discussioni e agli sviluppi in corso nel campo dei mercati finanziari.

Inoltre, un altro aspetto della mia ricerca ruota intorno all'impatto delle politiche di regolamentazione sui mercati finanziari. Gli organismi di regolamentazione svolgono un ruolo cruciale nel garantire l'integrità del mercato, la stabilità e la protezione degli investitori. Tuttavia, la progettazione e l'attuazione delle normative possono avere conseguenze indesiderate e influire sulle dinamiche di mercato.

Un'area di interesse della mia ricerca è l'esame delle reazioni del mercato agli annunci normativi. Analizzando i dati storici e conducendo studi sugli eventi, indago su come i partecipanti al mercato, come trader e investitori, adeguano le loro strategie e posizioni in risposta ai cambiamenti normativi. Questa ricerca aiuta a comprendere gli effetti immediati ea lungo termine delle normative sulla liquidità del mercato, la volatilità e l'efficienza complessiva.

Inoltre, esploro l'efficacia di diverse misure normative nel raggiungimento degli obiettivi prefissati. Ad esempio, studio l'impatto degli interruttori di circuito, che sono meccanismi progettati per interrompere temporaneamente le negoziazioni durante movimenti di mercato estremi, sulla stabilità del mercato. Analizzando i dati storici di mercato e conducendo simulazioni, valuto se gli interruttori di circuito prevengono o esacerbano efficacemente i crolli del mercato.

Un'altra area di interesse è l'esame della normativa volta a ridurre il rischio sistemico nei mercati finanziari. Ciò comporta l'analisi dell'impatto di misure quali i requisiti patrimoniali, gli stress test e le restrizioni al trading per conto proprio da parte delle banche. Studiando gli effetti di queste normative sulla stabilità del sistema finanziario, intendo fornire approfondimenti sulla loro efficacia e sulle potenziali conseguenze indesiderate.

Inoltre, esploro anche l'intersezione tra tecnologia e regolamentazione, in particolare nel contesto di tecnologie emergenti come blockchain e criptovalute. Queste tecnologie presentano sfide e opportunità uniche per le autorità di regolamentazione, in quanto possono interrompere i sistemi finanziari tradizionali e introdurre nuovi rischi. La mia ricerca in questo settore si concentra sulla comprensione delle implicazioni normative di queste tecnologie e sull'esplorazione di potenziali quadri che possono favorire l'innovazione garantendo al contempo l'integrità del mercato e la protezione degli investitori.

La mia ricerca in ingegneria finanziaria comprende un'ampia gamma di argomenti, tra cui l'impatto delle politiche normative, le reazioni del mercato ai cambiamenti normativi e l'intersezione tra tecnologia e regolamentazione. Attraverso analisi rigorose, modelli matematici e studi empirici, mi sforzo di fornire preziose informazioni sul funzionamento dei mercati finanziari e contribuire allo sviluppo di quadri normativi efficaci e ben informati.

Ciamac Moallemi: High-Frequency Trading and Market Microstructure
Ciamac Moallemi: High-Frequency Trading and Market Microstructure
  • 2012.11.19
  • www.youtube.com
On November 13, 2012, Ciamac Moallemi, Associate Professor of Decision, Risk, and Operations at Columbia Business School, presented High-Frequency Trading an...
 

Kent Daniel: Slancio dei prezzi



Kent Daniel: Slancio dei prezzi

Sono lieto di essere qui e vorrei ringraziare tutti per essere venuti. È bello vedere tutti così entusiasti di questo argomento. Oggi parlerò di una specifica strategia quantitativa comunemente utilizzata dagli hedge fund. Questa strategia è spesso implementata con una leva significativa e integra gli argomenti che il professor Sunnah Reyes e il professor Wong hanno affrontato. Il mio obiettivo è introdurre il concetto di investimento quantitativo e fornire approfondimenti su questa particolare strategia.

Inoltre, sto conducendo ricerche per comprendere i fattori alla base del momentum dei prezzi e il verificarsi di questo fenomeno nei mercati. Sostengo che il mercato non è del tutto efficiente, principalmente a causa dell'imperfetta elaborazione delle informazioni da parte degli investitori. Pertanto, approfondirò la caratterizzazione dello slancio e offrirò alcune riflessioni sulle sue cause sottostanti.

Di recente, mi sono imbattuto in un articolo sulla rivista Bloomberg con Cliff Asness, una figura di spicco nel settore. La sua azienda ha affrontato sfide in passato, principalmente a causa dello slancio. Lo trovo particolarmente rilevante per la nostra discussione di oggi. In effetti, Asness e la sua azienda non hanno rinunciato allo slancio. Hanno persino lanciato un fondo comune chiamato AQR Momentum Fund, oltre ai loro sforzi di hedge fund.

AQR, sia con i loro fondi comuni di investimento che con gli hedge fund, utilizza regole matematiche per costruire portafogli diversificati con un orientamento specifico. Nel caso dello slancio, si concentrano sull'investimento nei vincitori e sulla vendita dei perdenti. Oggi esplorerò questa strategia in modo più dettagliato. Tuttavia, prima di entrare nello specifico, voglio condividere alcune intuizioni tratte da un documento di ricerca di Asness, Moskowitz e Patterson. Il documento esamina la presenza di momentum in diverse asset class.

Secondo le loro scoperte, lo slancio ha storicamente ottenuto buoni risultati in varie regioni, tra cui Stati Uniti, Regno Unito ed Europa continentale. Tuttavia, non ha prodotto gli stessi risultati positivi in Giappone. Inoltre, la ricerca esplora lo slancio nella selezione dei paesi azionari, nella selezione dei paesi obbligazionari, nella valuta estera e nelle materie prime, con diversi gradi di successo in ciascuna area.

Quindi, cosa spinge lo slancio? Sulla base del mio lavoro preliminare e delle mie teorie, la spiegazione più convincente ruota attorno all'elaborazione delle informazioni da parte degli investitori. Quando gli investitori ricevono nuove informazioni, tendono a mostrare un pregiudizio sullo status quo, supponendo che le cose rimarranno relativamente invariate. Sebbene prevedano un certo movimento dei prezzi in risposta alle informazioni, non ne comprendono appieno l'impatto. Di conseguenza, il prezzo si muove leggermente, ma ci vuole tempo, spesso circa un anno, perché le informazioni si riflettano completamente nei prezzi.

Nel contesto dei mercati finanziari, se osservi un movimento di prezzo legato alle informazioni, è probabile che lo slancio continui. Questa persistenza nel movimento dei prezzi è in linea con il concetto di slancio in fisica, dove un oggetto che si muove a una certa velocità in una particolare direzione tende a continuare a muoversi a meno che una forza esterna non agisca su di esso.

Ora, esploriamo come costruire una strategia momentum. Supponiamo di voler implementare una semplice strategia di momentum simile all'approccio di AQR. Ecco una guida dettagliata: a partire dall'inizio di un mese specifico, calcola i rendimenti mensili di tutti i titoli quotati su NYSE, Amex e NASDAQ negli ultimi 12 mesi fino a un mese fa. Classifica le azioni in base ai loro rendimenti e identifica il 10% superiore come vincitore e il 10% inferiore come perdente. Costruisci un portafoglio comprendente i vincitori, ponderati in base alla loro capitalizzazione di mercato. Allo stesso modo, stabilisci un portafoglio long-short vendendo allo scoperto un valore di $ 1 delle azioni perdenti. Ribilancia il portafoglio all'inizio di ogni mese aggiornando i rendimenti e le classifiche del periodo di formazione.

Questa strategia si traduce in un portafoglio con turnover relativamente basso poiché è probabile che i rendimenti recenti siano simili. Tuttavia, estendendo il periodo di tempo a 12 mesi, i rendimenti iniziano a divergere in modo significativo.

Ora, valutiamo la performance di questa strategia dal 1949 al 2007. Investire in Buoni del Tesoro ha un extrarendimento medio del 16,5% all'anno, che è abbastanza consistente. Ciò indica che la strategia di slancio di acquistare vincitori e vendere perdenti è stata molto redditizia a lungo termine.

Ora, potresti chiederti se questo extra rendimento è coerente in diversi periodi di tempo. Per esaminarlo, suddividiamo i dati in diversi decenni e vediamo come si comporta lo slancio. Ecco i rendimenti in eccesso per ogni decennio:

  • Anni '50: 13,5%
  • Anni '60: 14,7%
  • Anni '70: 14,3%
  • Anni '80: 13,7%
  • Anni '90: 9,4%
  • Anni 2000: 13,1%

Come puoi vedere, lo slancio ha prodotto rendimenti in eccesso positivi in ogni decennio, anche se l'entità varia. Vale la pena notare che gli anni '90 hanno avuto un extrarendimento relativamente inferiore rispetto ad altri decenni, ma è stato comunque positivo.

Quindi, perché lo slancio persiste come strategia redditizia? Una spiegazione è che gli investitori tendono a reagire in modo insufficiente alle nuove informazioni, causando un lento aggiustamento dei prezzi. Di conseguenza, le azioni che hanno registrato rendimenti positivi continuano a sovraperformare perché i loro prezzi non riflettono pienamente tutte le informazioni disponibili. Questo aggiustamento ritardato offre agli investitori l'opportunità di acquisire profitti cavalcando lo slancio.

È importante ricordare che mentre lo slancio ha mostrato una redditività costante, ciò non significa che sia privo di rischi. Come ogni strategia di investimento, comporta una serie di rischi e sfide. Le condizioni di mercato possono cambiare e le performance passate non sono garanzia di risultati futuri. Pertanto, un'analisi approfondita, la gestione del rischio e il monitoraggio continuo sono fondamentali quando si implementa un approccio di investimento basato sul momentum.

In conclusione, la strategia del momentum, che prevede l'acquisto di vincitori e la vendita di perdenti, ha storicamente generato rendimenti in eccesso significativi nei mercati finanziari. Nonostante le variazioni dei rendimenti nei diversi decenni, lo slancio è rimasto nel complesso una strategia redditizia. Tuttavia, gli investitori dovrebbero prestare attenzione e considerare vari fattori prima di incorporare questa strategia nel loro approccio di investimento.

Kent Daniel: Price Momentum
Kent Daniel: Price Momentum
  • 2011.07.15
  • www.youtube.com
On November 9, 2010, Kent Daniel, professor of Finance and Economics at Columbia Business School, presented Price Momentum. The presentation was part of the ...
 

Trading algoritmico e Machine Learning



Trading algoritmico e Machine Learning

Ok, grazie, Costas, per avermi ospitato. Vorrei anche esprimere la mia gratitudine a Eric per il suo discorso perspicace, che fornisce un contesto prezioso per la discussione che presenterò. Oggi mi concentrerò sulle esperienze di operare dall'altra parte di questi scambi e trattare con trader ad alta frequenza (HFT) e altre controparti. Voglio chiarire che il mio discorso non riguarderà esplicitamente la teoria dei giochi, poiché Costas mi ha assicurato che è accettabile. Tuttavia, approfondirò gli aspetti pratici, attingendo alla mia esperienza di lavoro con un gruppo di trading quantitativo a Wall Street negli ultimi 12 anni.

Innanzitutto, vorrei estendere un ringraziamento speciale al mio partner commerciale, By Vaca, che è coautore di tutto il lavoro di cui parlerò. Le nostre ricerche e intuizioni sono emerse da contesti commerciali proprietari all'interno del nostro gruppo commerciale. Gli aspetti che evidenzierò sono gli elementi non proprietari che troviamo scientificamente interessanti nel tempo.

Wall Street è senza dubbio un luogo intrigante, sia dal punto di vista tecnologico che sociale. Ha assistito a cambiamenti significativi dovuti all'automazione e all'abbondanza di dati. Queste trasformazioni hanno dato origine a numerose sfide commerciali, che richiedono un approccio basato sull'apprendimento, in particolare sull'apprendimento automatico. Con enormi quantità di dati disponibili su scala temporale e spaziale al di là della comprensione umana, gli algoritmi sono diventati indispensabili nel trading. Questi algoritmi devono essere adattivi e addestrati su dati storici, inclusi dati recenti, per prendere decisioni di trading sensate.

Nella mia presentazione, delineerò tre specifiche aree problematiche che sorgono nel trading algoritmico all'interno dei moderni mercati elettronici. Queste vignette o case study fanno luce sulle sfide algoritmiche e offrono suggerimenti su come affrontarle utilizzando nuove tecniche.

I primi due problemi riguardano l'esecuzione ottimizzata. Quando si esegue uno scambio, sia che si tratti di acquistare o vendere un volume specifico di azioni, c'è un compromesso tra immediatezza e prezzo. Si può scegliere di eseguire rapidamente l'operazione, incidendo sui prezzi ma possibilmente capitalizzando vantaggi informativi fugaci. D'altra parte, si può adottare un approccio più tranquillo, consentendo al mercato di convergere verso il prezzo desiderato per una durata maggiore. Approfondirò questi compromessi e presenterò casi specifici che dimostrano le sfide affrontate nei mercati elettronici.

Il terzo problema riguarda le versioni algoritmiche dell'ottimizzazione classica del portafoglio, come l'ottimizzazione media-varianza. Ciò comporta la detenzione di un portafoglio diversificato che massimizza i rendimenti tenendo conto del rischio o della volatilità. Sebbene di natura algoritmica, questo problema si collega ai tradizionali approcci di ottimizzazione del portafoglio.

Vale la pena notare che la continua asta di ordini a doppio limite, come descritto in precedenza da Eric, funge da sfondo per queste sfide. L'immagine del flash crash e il libro di Michael Lewis sul trading ad alta frequenza sottolineano i tempi interessanti e dinamici che viviamo attualmente a Wall Street. Sebbene non intenda esprimere un giudizio morale su alcuna attività di trading, incluso il trading ad alta frequenza, intendo chiarire le sfide algoritmiche affrontate nei moderni mercati elettronici dal punto di vista di un gruppo di trading quantitativo che opera all'interno di un tradizionale quadro di trading di azioni statistiche.

Il nostro gruppo commerciale è specializzato nella negoziazione di azioni, sia lunghe che corte, che comprende un'ampia gamma di strumenti liquidi nei mercati nazionali e internazionali. Per coprire le nostre posizioni, utilizziamo esclusivamente futures, evitando derivati complessi. Nonostante il trading in mercati e strumenti relativamente semplici, la crescente automazione e disponibilità di dati su Wall Street ha introdotto una moltitudine di problemi di trading che richiedono un approccio di apprendimento, spesso utilizzando l'apprendimento automatico.

A proposito, voglio dire che un esempio di ciò è che spesso si osserva che quando un analista aggiorna la propria opinione su un titolo, altri analisti tendono ad aggiornare la propria opinione sullo stesso titolo in rapida successione. Quindi, è necessario determinare se si tratta effettivamente di notizie fresche o semplicemente il risultato di altre notizie di base che entrano nel mercato. In tali casi, potrebbe non essere consigliabile negoziare sulla base di queste informazioni.

Ora, per quanto riguarda la tua domanda sul perché non diamo tempo alle domande alla fine e invece vogliamo acquistare il volume rimanente, ci sono due risposte a questo. In primo luogo, se siamo un broker come Bank of America con un trading desk algoritmico, eseguiamo operazioni in base alle direttive del cliente. Ci forniscono istruzioni su quante azioni acquistare entro un determinato periodo di tempo. Non chiediamo conferme durante il processo. In secondo luogo, abbiamo ottimizzato le nostre strategie per determinare il giusto volume da acquistare in base alle informazioni disponibili. Questo volume è solitamente il massimo che possiamo scambiare senza influire in modo significativo sul prezzo del titolo. Sebbene sia possibile implementare l'approccio da te suggerito, preferiamo ridurre al minimo il numero di parametri coinvolti per semplificare il processo decisionale nel complesso mondo del trading.

Per quanto riguarda il processo di test, conduciamo test dal vivo nei sei mesi successivi allo studio. Questo ci consente di valutare le prestazioni del modello in condizioni di mercato reali. Tuttavia, il modello stesso utilizza i dati storici durante la fase di test.

Quando si tratta di spiegare le nostre politiche alle persone, ci affidiamo principalmente a un approccio empirico piuttosto che all'osservazione. In questo particolare problema, è chiaro cosa costituisce un comportamento sensato. La sfida sorge quando si ha a che fare con strategie che funzionano bene senza una chiara comprensione del motivo per cui funzionano. In questi casi, a volte affrontiamo il problema da una prospettiva antropologica, cercando di capire le ragioni dietro la consistente redditività di certi traffici.

Riconosciamo che la complessità di ciò che apprendiamo pone sfide in termini di interpretazione. Mentre possiamo identificare un potere predittivo coerente in alcune variabili di stato, comprendere le ragioni sottostanti a livello granulare è estremamente difficile. La natura microstrutturale dei mercati finanziari, specialmente nel trading ad alta frequenza, comporta volumi e velocità di dati che superano la normale comprensione umana. Pertanto, ci concentriamo su un'attenta formazione e metodologie di test per garantire prestazioni costanti.

Nei nostri esperimenti, abbiamo esplorato varie caratteristiche del portafoglio ordini e il loro impatto sulla performance. Ad esempio, incorporare lo spread denaro-lettera nello spazio statale si è rivelato prezioso per ottimizzare l'esecuzione delle negoziazioni. Tuttavia, non tutte le funzionalità offrono lo stesso vantaggio e alcune variabili possono persino avere effetti negativi sulle prestazioni a causa dell'overfitting. Selezionando le funzionalità più informative, abbiamo ottenuto un ulteriore miglioramento del 13% oltre al miglioramento del 35% ottenuto attraverso approcci teorici del controllo.

Abbiamo valutato sperimentalmente una soluzione, anche se al momento non ho il tempo di approfondire i dettagli. Tuttavia, posso fornire una spiegazione semplificata della liquidità utilizzando un modello a fumetti. Diverse dark pool, che sono sedi di negoziazione alternative, mostrano diverse proprietà di liquidità in momenti diversi e per titoli diversi.

Quando emerge una nuova borsa, che si tratti di un portafoglio ordini limite o di un dark pool, spesso cerca di affermarsi nel mercato offrendo trattamenti preferenziali, sconti o commissioni per una particolare classe di azioni. Si promuovono come il dark pool preferito per il trading di specifici tipi di azioni. Di conseguenza, i trader interessati a quei titoli sono attratti da quello specifico dark pool, creando liquidità. Al contrario, altri dark pool potrebbero avere profili di liquidità diversi e potrebbero non attrarre altrettante attività di trading.

Per visualizzare questo concetto, immagina che ogni dark pool abbia un profilo di liquidità univoco per un determinato titolo, rappresentato da una distribuzione di probabilità stazionaria. L'asse x rappresenta il numero di azioni, mentre l'asse y rappresenta la probabilità di trovare azioni disponibili per l'esecuzione in ogni fase temporale discreta. Quando inviamo il nostro ordine di negoziazione a un dark pool, da questa distribuzione viene estratto un numero (i), che indica il volume delle controparti disposte a negoziare in quella specifica fase temporale. Il volume eseguito è determinato dal minimo del volume prelevato (s) e del volume richiesto (vns), garantendo se necessario l'esecuzione parziale.

Ora, potresti chiederti come la curva di liquidità possa non diminuire quando si verifica un'esecuzione parziale. La curva di liquidità rappresenta semplicemente la probabilità di trovare volume disponibile all'interno di un certo intervallo. Mostra che i volumi più piccoli hanno maggiori probabilità di essere disponibili per l'esecuzione, mentre i volumi più grandi hanno meno probabilità. L'esecuzione parziale significa semplicemente che il volume eseguito è inferiore al volume richiesto, ma non influisce sulla forma complessiva della curva di liquidità.

La proliferazione delle dark pool è un fenomeno interessante. Solleva interrogativi sull'equilibrio del mercato e sulla concorrenza tra queste sedi. Rimane incerto se il mercato alla fine si consoliderà, portando al predominio di alcuni dark pool. Dinamiche simili sono state osservate nelle aste doppie continue poiché la deregolamentazione dei mercati finanziari ha consentito a più borse di operare contemporaneamente. Il panorama normativo e la capacità delle startup di proporre nuovi meccanismi contribuiscono alla complessità della struttura del mercato.

Considerando la connessione tra questa ricerca e l'articolo di Eric, possiamo esplorare l'interazione tra diverse strutture di mercato, algoritmi e il loro impatto sulla stabilità e frammentazione del mercato. Simulando scenari che coinvolgono più attori utilizzando algoritmi simili, possiamo indagare sui risultati computazionali e studiare come la struttura del mercato e la diversità degli algoritmi influenzano i prezzi e altre preoccupazioni normative. Questa combinazione di sforzi di ricerca potrebbe fornire preziose informazioni sulla complessa relazione tra struttura del mercato, trading algoritmico e stabilità del mercato.

Inoltre, possiamo approfondire questioni più sofisticate, come l'interazione tra diversi algoritmi e strutture di mercato e come modellano le dinamiche di mercato. Esaminando vari scenari di mercato, possiamo analizzare l'idoneità di diverse strutture di mercato e algoritmi per raggiungere la stabilità e affrontare i problemi di frammentazione.

L'evoluzione dei mercati finanziari ha portato all'automazione di alcuni aspetti, spesso sostituendo utili elementi umani. Tuttavia, sono stati introdotti nuovi meccanismi elettronici per replicare e migliorare la funzionalità. Comprendere queste dinamiche e adattare le nostre strategie di conseguenza ci consente di navigare tra le complessità dei mercati finanziari moderni.

Il mio discorso farà luce sulle sfide algoritmiche inerenti al trading nei moderni mercati finanziari elettronici. I tre casi di studio che presenterò evidenziano le complessità e i compromessi affrontati nell'esecuzione ottimizzata e nell'ottimizzazione algoritmica del portafoglio. Mentre i limiti di tempo possono impedirmi di coprire completamente tutti gli argomenti, spero di fornire preziose informazioni su queste aree.

Mentre le simulazioni e le analisi computazionali offrono strade per comprendere i potenziali risultati del trading algoritmico, è essenziale trovare un equilibrio tra modellazione astratta e rilevanza nel mondo reale. La sfida sta nell'identificare quali dettagli sono cruciali e quali possono essere tranquillamente trascurati senza sacrificare la rilevanza pratica, specialmente nel panorama complesso e in continua evoluzione dei mercati finanziari.

Algorithmic Trading and Machine Learning
Algorithmic Trading and Machine Learning
  • 2015.11.20
  • www.youtube.com
Michael Kearns, University of PennsylvaniaAlgorithmic Game Theory and Practicehttps://simons.berkeley.edu/talks/michael-kearns-2015-11-19
 

Il design degli scambi finanziari: alcune questioni aperte all'intersezione tra Econ e CS



Il design degli scambi finanziari: alcune questioni aperte all'intersezione tra Econ e CS

Grazie mille Kostas. Questo discorso sarà un po' non convenzionale per me, ma spero che sia in linea con lo spirito di questa conferenza e il tema delle direzioni aperte. È collegato al design degli scambi finanziari, in particolare al design prevalente noto come portafoglio ordini a limite continuo. Inizierò discutendo un documento su cui ho lavorato di recente con Peter Crampton e John Shimm, che evidenzia un difetto economico nell'attuale progettazione degli scambi finanziari. Questo difetto, sosteniamo, contribuisce agli aspetti negativi del trading ad alta frequenza.

La prima parte del discorso coprirà questo documento, che potrebbe essere familiare ad alcuni di voi ma probabilmente non alla maggior parte. Presenta un caso economico per un approccio alternativo chiamato trading a tempo discreto o frequenti aste batch. Il nostro documento suggerisce che il portafoglio ordini con limite continuo, sebbene ampiamente utilizzato in tutto il mondo, soffre di un difetto strutturale che porta a vari problemi associati al trading ad alta frequenza. Presenterò una versione condensata e accessibile di questa parte, poiché è stata presentata più volte in precedenza.

La seconda e la terza parte dell'intervento approfondiranno le questioni aperte e le direzioni di ricerca relative alla progettazione degli scambi finanziari. Queste aree di indagine si trovano all'intersezione tra economia e informatica. Nelle sezioni successive, discuterò una parte di due pagine alla fine del documento del Quarterly Journal of Economics che presenta un argomento qualitativo, privo di teoremi o dati, per i vantaggi computazionali del trading a tempo discreto rispetto all'attuale struttura del mercato . Questa discussione solleverà numerose domande e mirerà a stimolare ulteriori esplorazioni.

Sebbene le ultime parti del discorso siano meno formali di quelle a cui sono abituato, credo che siano cruciali per sollevare questioni aperte e stabilire un'agenda per la ricerca futura. Ciò è in linea con lo scopo di questa conferenza, che incoraggia l'esplorazione delle intersezioni tra economia e informatica e suggerisce indicazioni fruttuose per future ricerche.

Ora, approfondiamo il caso economico del trading a tempo discreto e i suoi vantaggi rispetto al portafoglio ordini a limite continuo, che spiegherò in modo più dettagliato. Il portafoglio ordini a limite continuo è un disegno di mercato che elabora ogni giorno trilioni di dollari di attività economica. Funziona sulla base di ordini limite, che specificano il prezzo, la quantità e la direzione (acquisto o vendita) di un titolo. I partecipanti al mercato possono inviare, annullare o modificare gli ordini limite durante il giorno e questi messaggi vengono inviati alla borsa.

Il commercio si verifica quando una nuova richiesta corrisponde agli ordini esistenti nel libro degli ordini limite. Ad esempio, una richiesta di acquisto con un prezzo uguale o superiore a un'offerta di vendita in sospeso risulterebbe in uno scambio. Questo è il funzionamento di base del portafoglio ordini a limite continuo.

Tuttavia, la nostra ricerca suggerisce che questo modello di mercato presenta difetti intrinseci. Uno dei problemi principali è ciò che chiamiamo "sniping". Quando si verifica un cambiamento nelle informazioni o nei segnali pubblici, le società commerciali impegnate nella fornitura di liquidità adeguano di conseguenza le loro quotazioni. Annullano le loro offerte o richieste precedenti e le sostituiscono con nuove che riflettono le informazioni aggiornate. Ora, supponiamo che io sia una di queste società commerciali che aggiusta le mie quotazioni. Allo stesso tempo, anche altri, come Thomas, inviano messaggi alla borsa per negoziare alle vecchie quotazioni prima che vengano sostituite.

Poiché il mercato elabora questi messaggi in tempo continuo e in un ordine seriale, diventa casuale quale messaggio raggiunga per primo lo scambio. Se più società di trading reagiscono contemporaneamente alle nuove informazioni, c'è la possibilità che una richiesta di Thomas o di qualsiasi altro partecipante venga elaborata prima della mia, consentendo loro di negoziare al vecchio prezzo. Questo fenomeno di sniping è problematico e crea diverse implicazioni.

In primo luogo, consente opportunità di arbitraggio meccanico basate su informazioni pubbliche simmetriche, cosa che non dovrebbe accadere in un mercato efficiente. In secondo luogo, i profitti derivanti da tali opportunità di arbitraggio vanno a scapito della fornitura di liquidità. Mentre i cecchini eseguono con successo operazioni a vecchi prezzi, le società commerciali di approvvigionamento di liquidità esitano ad adeguare rapidamente le loro quotazioni. Questa esitazione deriva dalla paura di essere presi di mira e di perdere potenziali profitti. Di conseguenza, il mercato diventa meno efficiente poiché i fornitori di liquidità diventano meno disposti ad aggiornare le loro quotazioni in risposta a nuove informazioni.

Un altro problema con il portafoglio ordini con limite continuo è il potenziale di anticipazione degli ordini. In questo scenario, i trader osservano l'arrivo di nuovi ordini limite e adeguano preventivamente le loro quotazioni in previsione di scambi futuri. Questo comportamento può portare a un effetto a cascata, in cui i trader aggiustano costantemente le loro quotazioni in risposta l'una all'altra, creando volatilità e instabilità non necessarie nel mercato.

Per affrontare questi difetti, il nostro articolo propone un modello di mercato alternativo noto come negoziazione a tempo discreto o aste frequenti in lotti. In questo progetto, invece di elaborare gli ordini in tempo continuo, il mercato opera in intervalli di tempo discreti o lotti. Durante ogni lotto, i partecipanti al mercato possono inviare i loro ordini limite e, alla fine del lotto, il mercato si chiude e le negoziazioni vengono eseguite a un unico prezzo uniforme.

Introducendo il trading a tempo discreto, eliminiamo i problemi di sniping e anticipazione degli ordini. Poiché tutti gli ordini inviati all'interno di un batch vengono elaborati contemporaneamente, non vi è casualità nell'esecuzione dell'ordine. I trader possono essere certi che i loro ordini verranno eseguiti allo stesso prezzo degli altri partecipanti all'interno dello stesso lotto, garantendo equità e riducendo l'incentivo allo sniping.

Inoltre, le frequenti aste batch promuovono la stabilità e riducono l'inutile volatilità del mercato. I trader non hanno più bisogno di adeguare costantemente le loro quotazioni in risposta a ogni ordine in arrivo. Possono invece concentrarsi sull'analisi delle informazioni e prendere decisioni di trading informate, sapendo che i loro ordini verranno eseguiti alla fine del batch a un prezzo equo.

Investire nei mercati finanziari richiede spesso un certo tempo di attesa prima che le transazioni abbiano luogo. Persone diverse possono avere opinioni diverse sul fatto che questo tempo di attesa sia un costo significativo o insignificante. Ad esempio, se sei leggermente più veloce di me nell'eseguire operazioni, come essere un milionesimo di secondo più veloce, potrebbe darti un vantaggio nell'agire su eventi di notizie entro quel lasso di tempo. D'altra parte, potrei perdere l'opportunità di agire a causa della mia velocità leggermente inferiore. Questo vantaggio di velocità è spesso misurato dal rapporto tra il differenziale di velocità (Delta) e l'intervallo batch (tau) in un mercato continuo.

In un mercato discreto, se sei leggermente più veloce di me, puoi sempre "snipermi" in un intervallo di tempo specifico (Delta su tau) a causa della concorrenza basata sull'asta. Tuttavia, se tu e molti altri trader siete tutti leggermente più veloci di me, dovremmo competere in un'asta per fare trading con me invece di competere solo sulla base della velocità. Ciò solleva la questione se diversi mercati adottino questo approccio dell'orologio sincronizzato in modo uniforme o se ci siano sfide pratiche coinvolte.

È importante notare che nell'attuale mercato continuo, la legge del prezzo unico viene costantemente violata perché le variazioni di prezzo non si verificano simultaneamente in diverse borse. Questa violazione non è facilmente rilevabile con l'osservazione umana o con i dati di ricerca disponibili. Tuttavia, se più borse adottassero contemporaneamente frequenti aste batch, sarebbe possibile rilevare più facilmente le violazioni della legge del prezzo unico. Ciò non significa necessariamente che un approccio sia migliore o peggiore, ma piuttosto che i dati fornirebbero informazioni più chiare.

Se un singolo scambio dovesse passare a un mercato discreto mentre altri rimanessero continui, tale scambio eliminerebbe l'arbitraggio di latenza e rimuoverebbe una tassa sulla fornitura di liquidità. In senso economico, questo potrebbe dare un vantaggio allo scambio di mercato discreto nel tempo. Tuttavia, ci sono sfide per il lancio di un nuovo mercato, ambiguità normative e interessi acquisiti dagli scambi esistenti che beneficiano dell'attuale struttura del mercato.

Per quanto riguarda la proposta di IEX di introdurre la latenza in ogni ordine mantenendo uno scambio di tempo continuo, funziona ritardando gli ordini in entrata e in uscita di un intervallo di tempo specifico. IEX monitora i cambiamenti nel mercato in una frazione di secondo e regola i prezzi di conseguenza. Tuttavia, un potenziale punto debole nel loro design è che si basa sull'accesso alle informazioni sui prezzi da fonti esterne. Ciò solleva interrogativi sul fatto che l'approccio di IEX contribuisca alla scoperta dei prezzi o si basi semplicemente su informazioni provenienti da altrove.

D'altra parte, l'introduzione di ritardi casuali a tutti gli ordini potrebbe non affrontare efficacemente lo sniping e può portare a un traffico di messaggi infinito. Sebbene siano state proposte diverse idee per affrontare il problema, molte di esse si sono rivelate inefficaci quando analizzate. Al contrario, il nostro articolo propone di rendere il tempo discreto e l'elaborazione in batch come soluzione al difetto nella progettazione del mercato, che crea rendite dalle informazioni pubbliche e incoraggia una corsa alla velocità.

Un aspetto che discutiamo nel documento sono i vantaggi computazionali del trading a tempo discreto. I moderni mercati finanziari hanno dovuto affrontare vari problemi computazionali, come flash crash e problemi di cambio. Il tempo discreto offre semplicità computazionale rispetto al tempo continuo e offre vantaggi specifici per scambi, trader algoritmici e regolatori.

Per gli scambi, l'elaborazione a tempo continuo può portare a problemi di arretrato, in cui gli algoritmi sono incerti sullo stato degli ordini e del mercato durante i periodi di alta attività. Al contrario, le aste batch a tempo discreto possono essere elaborate in modo più efficiente e forniscono un cuscinetto di tempo rispetto al tempo di elaborazione nel caso peggiore. Ciò riduce l'incertezza e i problemi di arretrato affrontati dagli scambi.

Il tempo discreto semplifica anche l'elaborazione dei messaggi per gli scambi, eliminando la necessità di dare priorità alla diffusione di diversi tipi di messaggi. Ciò riduce la possibilità di sfruttare l'asimmetria informativa. Inoltre, il tempo discreto semplifica l'ambiente di programmazione per gli scambi, riducendo potenzialmente il verificarsi di anomalie e migliorando la stabilità complessiva del sistema.

Un altro vantaggio computazionale del trading a tempo discreto è che semplifica l'analisi e la modellazione delle strategie algoritmiche. Nei mercati a tempo continuo, i trader algoritmici affrontano la sfida di ottimizzare la loro risposta ai dati in arrivo in tempo reale. Devono prendere decisioni rapidamente tenendo conto delle mutevoli condizioni di mercato. Questo compromesso tra velocità e intelligenza è un problema complesso da risolvere.

Tuttavia, nel trading a tempo discreto, l'elaborazione batch dei dati consente ai trader algoritmici di avere un intervallo fisso per analizzare e prendere decisioni. Ad esempio, se l'intervallo batch è impostato su 100 millisecondi, i trader possono concedersi il lusso di dedicare i primi 100 millisecondi a un'analisi approfondita senza la pressione dell'esecuzione immediata. Ciò può portare a processi decisionali più sofisticati e accurati.

Le domande di ricerca derivano da questo vantaggio computazionale. In che modo i trader algoritmici possono trovare il giusto equilibrio tra velocità e intelligenza nel loro processo decisionale? Ci sono esternalità negative associate a favorire la velocità rispetto all'intelligenza nel mercato? Il framework a tempo discreto migliora l'accuratezza della formazione dei prezzi rispetto al trading a tempo continuo?

Per le autorità di regolamentazione, il trading a tempo discreto offre il vantaggio di una traccia cartacea più pulita. Nei mercati a tempo continuo, la sincronizzazione degli orologi e l'adeguamento dei timestamp possono introdurre complessità nella ricostruzione della sequenza degli eventi. Diventa difficile determinare l'ordine cronologico delle azioni nei diversi mercati. Al contrario, il trading a tempo discreto semplifica questo processo, rendendo più facile stabilire una registrazione chiara e accurata dell'attività di mercato.

I potenziali vantaggi di una traccia cartacea pulita nel trading a tempo discreto sono una questione aperta. Intuitivamente, un'attività di mercato ben documentata e facilmente rintracciabile può migliorare la trasparenza e la responsabilità. Può rafforzare la sorveglianza del mercato e aiutare le autorità di regolamentazione a identificare e affrontare in modo più efficace le pratiche commerciali manipolative o illegali.

La nostra ricerca mette in evidenza i difetti economici nella progettazione prevalente del libro degli ordini a limite continuo e presenta un approccio alternativo chiamato trading a tempo discreto o aste batch frequenti. Questo design alternativo affronta questioni come lo sniping e l'anticipazione degli ordini, promuovendo l'equità, la stabilità e l'efficienza negli scambi finanziari. Esplorando queste domande aperte e le direzioni di ricerca, miriamo a stimolare ulteriori indagini sulla progettazione degli scambi finanziari, collegando i campi dell'economia e dell'informatica per migliorare la funzionalità e le prestazioni del mercato.

Il trading a tempo discreto offre diversi vantaggi computazionali rispetto al trading a tempo continuo. Semplifica l'elaborazione dei messaggi per gli scambi, riduce i colli di bottiglia computazionali e consente strategie algoritmiche più sofisticate. Fornisce inoltre una traccia cartacea più pulita per le autorità di regolamentazione, migliorando la sorveglianza e la trasparenza del mercato. Tuttavia, sono necessarie ulteriori ricerche per esplorare le implicazioni e i potenziali svantaggi del trading a tempo discreto nella pratica.

The Design of Financial Exchanges: Some Open Questions at the Intersection of Econ and CS
The Design of Financial Exchanges: Some Open Questions at the Intersection of Econ and CS
  • 2015.11.20
  • www.youtube.com
Eric Budish, University of ChicagoAlgorithmic Game Theory and Practicehttps://simons.berkeley.edu/talks/eric-budish-2015-11-19
 

ChatGPT e Machine Learning nel trading



ChatGPT e Machine Learning nel trading

Il relatore approfondisce l'argomento dell'utilizzo di modelli di elaborazione del linguaggio naturale (NLP) come ChatGPT nel settore del trading, sottolineando la loro capacità di analizzare e comprendere fonti di testo come articoli di notizie, post sui social media e rendiconti finanziari. Nello specifico, ChatGPT, un potente modello linguistico, è adatto per analizzare grandi quantità di dati finanziari e generare risposte dal suono naturale, consentendo ai trader di impegnarsi in conversazioni sulle opportunità di trading.

La comunità finanziaria nutre grandi aspettative per ChatGPT, anticipando il suo contributo allo sviluppo e all'ottimizzazione delle strategie di trading. Il presentatore chiarisce ulteriormente le distinzioni tra intelligenza artificiale (AI), machine learning (ML) e deep learning, sottolineando che l'apprendimento automatico è un sottoinsieme dell'IA che impiega tecniche per insegnare alle macchine a simulare il comportamento umano e prendere decisioni intelligenti.

Andando avanti, il presentatore discute il flusso di lavoro tipico del ML nel trading. Spiegano che il machine learning consente alle macchine di apprendere dai dati e fare previsioni, seguendo una serie di passaggi. Inizialmente, i dati vengono raccolti e pre-elaborati per garantirne la qualità e la pertinenza. Successivamente, le funzionalità sono progettate per convertire i dati grezzi in attributi significativi che le macchine possono comprendere. I dati vengono quindi suddivisi in set di addestramento e test e viene costruito un modello utilizzando algoritmi ML. Infine, il modello viene testato su nuovi dati e, se funziona in modo soddisfacente, può essere utilizzato per fare previsioni, facilitando il processo di trading.

Per illustrare l'applicazione del machine learning, il relatore fornisce un esempio di previsione dei prezzi alti e bassi di un asset, come l'oro, per il giorno di negoziazione successivo. Questa previsione può aiutare notevolmente i trader a prendere decisioni informate e migliorare le loro strategie di trading.

Inoltre, il presentatore esplora come ChatGPT può fungere da strumento prezioso per risolvere problemi di trading, come la creazione di un modello di regressione lineare per prevedere i prezzi dell'oro. Confrontano l'approccio di ChatGPT con un approccio quantitativo più completo, che prevede la raccolta dei dati, la pulizia, la creazione del modello, lo sviluppo della pipeline, il trading dal vivo e il miglioramento continuo. Viene condiviso un esempio di notebook con codice di regressione di machine learning, che delinea i quattro passaggi chiave coinvolti nella risoluzione del problema: preparazione dei dati, preelaborazione, previsione dei prezzi e analisi della strategia e delle prestazioni. Mentre ChatGPT può aiutare nella generazione di idee, il relatore sottolinea la necessità di una comprensione sfumata di ogni concetto e di un'attenta considerazione per evitare errori.

Vengono affrontati anche i limiti e i rischi associati all'utilizzo di ChatGPT nel trading algoritmico basato su ML. Il relatore evidenzia le potenziali sfide, tra cui la mancanza di competenze di dominio, dati di formazione limitati e problemi di interpretabilità. Mettono in guardia dal fare affidamento esclusivamente su ChatGPT per le decisioni di trading e sottolineano l'importanza di condurre controlli di accuratezza in diversi periodi finanziari.

Inoltre, il presentatore discute i risultati di un sondaggio condotto sulla capacità di ChatGPT di generare codice in modo accurato. La maggior parte del pubblico (74%) identifica correttamente che ChatGPT può fornire una ragionevole precisione ma non è adatto per attività di programmazione complesse che richiedono competenze di dominio. Per illustrare il processo, il relatore dimostra come suddividere i dati in set di addestramento e test utilizzando il codice Python generato da ChatGPT. Sottolineano la corretta sequenza dei dati, in particolare nel contesto dei dati delle serie temporali nel trading.

La valutazione degli algoritmi di trading basati su ML attraverso il backtesting e l'analisi della strategia è evidenziata come un passaggio cruciale nella valutazione delle loro prestazioni. Il relatore sottolinea la necessità di un'analisi approfondita utilizzando varie metriche come l'indice di Sharpe, i rendimenti annualizzati e la volatilità dei rendimenti per ottenere informazioni sugli scambi e sulla performance complessiva. Un confronto tra i rendimenti di un algoritmo di trading e una strategia buy-and-hold viene mostrato come primo passo nella valutazione dell'efficacia dell'algoritmo.

Inoltre, il presentatore condivide un esempio di una strategia di trading redditizia e sottolinea l'importanza della visualizzazione e dell'analisi dei dati nel processo di trading. L'analisi della strategia, inclusi i rendimenti annuali e i rendimenti cumulativi, è fondamentale per valutare il successo di una strategia.

Cambiando marcia, il presentatore affronta i limiti dell'utilizzo di GPT per l'analisi finanziaria nel trading. Il pubblico ha precedentemente partecipato a un sondaggio, con la maggioranza che ha espresso l'opinione che una ragionevole accuratezza richieda il controllo dei fatti e che GPT potrebbe non essere adatto per l'analisi finanziaria. Per illustrare questa limitazione, il relatore chiede a GPT di confrontare i rendiconti finanziari annuali di Apple e Microsoft per il 2020. Tuttavia, GPT fornisce una risposta imprecisa, evidenziando i suoi limiti come modello generatore che manca di esperienza nel dominio. Il presentatore sottolinea l'importanza di acquisire conoscenze relative alla finanza, leggere libri e verificare i fatti prima di applicare algoritmi ML, come GPT, al trading.

Riconoscendo l'importanza della conoscenza relativa al dominio in finanza, il presentatore suggerisce di seguire corsi per acquisire competenze. Questa competenza consente ai trader di utilizzare meglio gli strumenti di machine learning come ChatGPT. A supporto di ciò, il presentatore offre l'accesso gratuito a quattro taccuini di un corso di formazione sul commercio con l'apprendimento automatico, consentendo agli spettatori di acquisire una comprensione più profonda del codice e della sua applicazione.

Durante la sessione di domande e risposte, sorge una domanda comune sulla capacità di ChatGPT di tenere il passo con i cambiamenti quotidiani dei mercati finanziari. Il presentatore chiarisce che come modello linguistico, l'efficacia di ChatGPT è limitata dai dati su cui è stato addestrato e non si aggiorna quotidianamente. Rimanere aggiornati con gli ultimi dati di mercato è essenziale per utilizzare efficacemente ChatGPT o qualsiasi modello di machine learning in ambito finanziario.

I relatori rispondono a varie altre domande del pubblico, fornendo informazioni utili. Informano il pubblico che la sessione registrata verrà condivisa tramite e-mail e sul proprio canale YouTube per riferimenti futuri. Discutono anche della disponibilità di un notebook per le prossime 24 ore e spiegano il concetto di pipeline nell'apprendimento automatico.

Viene sollevata una domanda specifica relativa alla conversione del codice Python vettorializzato in un formato distribuibile in una libreria di trading dal vivo. I relatori spiegano che mentre ChatGPT può aiutare nella conversione del codice, la definizione dei trigger di evento è ancora necessaria. Inoltre, menzionano che Chargeability 3.5 non fornisce informazioni per l'anno 2022.

Per concludere, i relatori discutono di una strategia di trading che utilizza le previsioni di massimo e minimo del giorno successivo, che è stata ottimizzata utilizzando tecniche di apprendimento automatico. Sottolineano le applicazioni del deep learning nel trading, come la previsione di serie temporali, l'ottimizzazione del portafoglio e la gestione del rischio. Il deep learning, insieme all'apprendimento per rinforzo, può migliorare le prestazioni delle strategie di trading consentendo agli agenti di imparare dagli errori attraverso premi e punizioni.

Il presentatore sottolinea che l'esperienza e l'intuizione del dominio rimangono fondamentali per un utilizzo affidabile dell'apprendimento automatico nel trading. Sebbene strumenti come ChatGPT possano aiutare ad analizzare i dati storici e valutare la probabilità di successo nelle negoziazioni future, non dovrebbero essere affidati esclusivamente a loro. Viene sottolineata l'importanza di acquisire conoscenze relative al dominio, verificare i fatti e rimanere continuamente aggiornati sugli ultimi dati di mercato per garantire un processo decisionale accurato e informato nel settore del trading.

  • 00:00:00 Gli algoritmi ML possono comprendere le tendenze e i modelli del mercato e quindi utilizzare tali informazioni per prevedere i futuri movimenti del mercato. Per aiutare in questo processo, vengono spesso utilizzati algoritmi di apprendimento automatico, ed è qui che entra in gioco ChatGPT. ChatGPT è uno strumento di elaborazione del linguaggio naturale che può aiutare i trader ad analizzare grandi quantità di dati finanziari e fornire approfondimenti sulle tendenze del mercato. Tuttavia, l'utilizzo di ChatGPT comporta una serie di sfide e rischi, che verranno discussi più avanti nella presentazione. Nel complesso, ML e ChatGPT hanno rivoluzionato il settore del trading consentendo previsioni più accurate e un processo decisionale più informato.

  • 00:05:00 Il relatore discute l'uso di modelli di elaborazione del linguaggio naturale (NLP) come ChatGPT nel settore del trading. Questi modelli sono in grado di analizzare e comprendere fonti di testo come articoli di notizie, post sui social media e rendiconti finanziari. ChatGPT, un modello di linguaggio di grandi dimensioni, è particolarmente adatto per l'analisi di tali dati e può generare risposte dal suono naturale alle richieste di testo, rendendo possibile impegnarsi in conversazioni sulle opportunità di trading. La comunità finanziaria ha grandi aspettative per ChatGPT, poiché dovrebbe aiutare a sviluppare e ottimizzare le strategie di trading. Il relatore spiega anche le differenze tra intelligenza artificiale, apprendimento automatico e apprendimento profondo, con l'apprendimento automatico che è una raccolta di tecniche utilizzate nell'IA per insegnare alle macchine a simulare il comportamento umano e prendere decisioni intelligenti.

  • 00:10:00 Il relatore discute di come l'apprendimento automatico (ML) può essere utilizzato per il trading e descrive il flusso di lavoro tipico del ML nel trading. Spiegano che il machine learning è un sottoinsieme dell'intelligenza artificiale (AI) che consente alle macchine di apprendere dai dati e fare previsioni. Per applicare il machine learning, i dati vengono prima raccolti e pre-elaborati, quindi le funzionalità vengono progettate per convertire i dati grezzi in attributi comprensibili a una macchina. I dati vengono quindi modificati, suddivisi in set di addestramento e test e integrati in un modello. Infine, il modello viene testato su nuovi dati e, se soddisfacenti, possono essere fatte previsioni. Il relatore in seguito fornisce un esempio dell'utilizzo di ML per prevedere il massimo e il minimo di un asset come l'oro per il giorno di negoziazione successivo, che può aiutare a facilitare il processo di negoziazione.

  • 00:15:00 Il relatore discute di come ChatGPT può essere utilizzato come ausilio nella risoluzione di problemi come la creazione di un modello di regressione lineare per prevedere i prezzi dell'oro per il giorno successivo. Confrontano l'approccio di ChatGPT con un approccio quantitativo più professionale, che include la raccolta e la pulizia dei dati, la creazione di modelli e pipeline, il controllo dell'AP dei dati, il trading dal vivo e l'implementazione in produzione durante il miglioramento continuo. Mostrano anche un esempio di un taccuino del codice di regressione di machine learning e spiegano le quattro parti della risoluzione del problema: preparazione dei dati, preelaborazione, previsione dei prezzi e analisi della strategia e delle prestazioni. Il relatore osserva che mentre ChatGPT può essere utilizzato per la generazione di idee, è importante comprendere ogni concetto in dettaglio ed essere sfumato nell'approccio per evitare errori. Discutono anche dell'uso di ChatGPT per generare codice e lanciare un sondaggio.

  • 00:20:00 L'oratore discute le risposte del pubblico a un sondaggio riguardante la capacità di ChargeGPT di generare codice in modo accurato. La maggior parte del pubblico (74%) sceglie correttamente che ChargeGPT può fornire una precisione ragionevole ma non è adatto per attività di programmazione complesse che richiedono competenze di dominio. Il relatore procede quindi a dimostrare come suddividere i dati in un set di treni e test utilizzando il codice Python generato da ChargeGPT e mostra come i dati devono essere correttamente sequenziati per i dati delle serie temporali nel trading.

  • 00:25:00 Il relatore discute l'importanza di valutare le prestazioni di un algoritmo di trading basato sull'apprendimento automatico eseguendo backtest e analisi della strategia. Spiegano che ciò richiede un'analisi dettagliata delle prestazioni della strategia e l'uso di varie metriche come il rapporto netto, i rendimenti annualizzati e la volatilità dei rendimenti per ottenere informazioni sulle negoziazioni e sulle prestazioni. Il relatore mostra anche un esempio di come confrontare il rendimento di un algoritmo di trading con una strategia buy-and-hold come primo passo per capire se l'algoritmo di trading sta funzionando bene.

  • 00:30:00 Il relatore discute i risultati dell'applicazione di algoritmi di apprendimento automatico alle strategie di trading e sottolinea l'importanza di visualizzare e analizzare i dati. Presentano una strategia redditizia ed evidenziano la necessità di analisi della strategia, come il rendimento annuale e i rendimenti cumulativi. Il relatore passa quindi alle sfide e ai rischi associati all'utilizzo di ChatGPT per il trading di algoritmi basati su ML, rilevando limitazioni come la mancanza di esperienza nel dominio, dati di formazione limitati e problemi di interpretabilità. Mettono in guardia dal fare affidamento esclusivamente su ChatGPT per le decisioni di trading e sottolineano l'importanza dei controlli di accuratezza per diversi periodi finanziari.

  • 00:35:00 Il relatore discute i limiti dell'utilizzo del modello linguistico GPT per l'analisi finanziaria nel trading. Il pubblico ha precedentemente partecipato a un sondaggio e la maggioranza ritiene che una ragionevole accuratezza richieda il controllo dei fatti e che GPT potrebbe non essere adatto per l'analisi finanziaria. Il relatore dimostra questa limitazione chiedendo a GPT di confrontare i bilanci annuali di Apple e Microsoft per il 2020, il che ha portato a una risposta imprecisa. L'oratore sottolinea che GPT è un modello generatore e manca di competenze nel dominio, il che potrebbe portare a conclusioni o suggerimenti errati. Pertanto, il relatore consiglia di leggere più libri, acquisire conoscenze relative alla finanza e verificare i fatti prima di applicare gli algoritmi ML per il trading.

  • 00:40:00 Il presentatore sottolinea l'importanza di avere conoscenze relative al dominio quando si applica l'apprendimento automatico nella finanza. Suggerisce di seguire corsi per acquisire questa competenza, che può consentire un migliore utilizzo di strumenti di apprendimento automatico come ChatGPT. Il presentatore fornisce inoltre l'accesso gratuito a quattro taccuini da un corso di formazione sul trading con l'apprendimento automatico per consentire agli spettatori di comprendere meglio il codice. Durante la sessione di domande e risposte, è stata sollevata una domanda comune sul fatto che ChatGPT sia in grado di tenere il passo con i cambiamenti quotidiani dei mercati finanziari. Il relatore chiarisce che come modello linguistico è valido solo quanto i dati su cui è addestrato e non viene aggiornato quotidianamente. Per un uso efficace di ChatGPT o di qualsiasi modello di apprendimento automatico in ambito finanziario, è essenziale rimanere aggiornati sugli ultimi dati di mercato.

  • 00:45:00 Gli oratori rispondono a varie domande del pubblico. Spiegano che la sessione registrata verrà condivisa tramite e-mail e sul loro canale YouTube. Discutono anche della disponibilità di un notebook per le prossime 24 ore e della definizione di una pipeline in machine learning. I relatori rispondono a una domanda sulla conversione del codice Python vettorializzato in uno che può essere distribuito in una libreria per il trading dal vivo. Viene spiegato che mentre Charge può aiutare a convertire il codice, è comunque necessario definire i trigger di evento. I relatori menzionano anche che Chargeability 3.5 non fornisce informazioni per il 2022. Infine, i relatori parlano di una strategia di trading che utilizza i massimi e i minimi del giorno successivo e di come è stata ottimizzata utilizzando l'apprendimento automatico.

  • 00:50:00 Il relatore spiega le applicazioni del deep learning nel trading, tra cui la previsione di serie temporali, l'ottimizzazione dei portafogli e la gestione del rischio. Descrivono come il deep learning crea determinati agenti che imparano dagli errori attraverso premi e punizioni e come una combinazione di deep learning e apprendimento per rinforzo può essere utilizzata per migliorare le prestazioni delle strategie di trading. Il relatore sottolinea che la chiave per utilizzare in modo affidabile l'apprendimento automatico nel trading è l'esperienza e l'intuizione del dominio e che strumenti come ChatGPT possono essere utilizzati per analizzare i dati storici e fornire approfondimenti sulla probabilità di successo nelle operazioni future.

  • 00:55:00 Il relatore spiega che l'utilizzo dell'addebito da solo potrebbe non essere l'approccio migliore per determinare la rischiosità delle negoziazioni, in quanto richiede una profonda comprensione del dominio stesso. È importante acquisire conoscenza e comprensione del dominio prima di affidarsi a qualsiasi strumento o codice per risolvere il problema. Menzionano anche la differenza tra due corsi di trading e rispondono a una domanda sulla conversione del codice specifico della piattaforma di trading in Python. Mentre l'addebito può aiutare nella conversione del linguaggio di programmazione generico, potrebbe non essere utile nelle conversioni di codice specifiche della piattaforma.
ChatGPT and Machine Learning in Trading
ChatGPT and Machine Learning in Trading
  • 2023.03.22
  • www.youtube.com
This session discusses the basics, uses & needs of ChatGPT and machine learning in trading. Attendees will learn how to integrate ChatGPT and machine learnin...
 

Comprensione del comportamento del mercato finanziario: il ruolo di più categorie di dati



Comprensione del comportamento del mercato finanziario: il ruolo di più categorie di dati

L'host inizia il webinar introducendo l'argomento della comprensione del comportamento dei mercati finanziari e il ruolo di più categorie di dati. I relatori, tra cui il professor Gotham Mitra, il dottor Ernest Chan e il dottor Mateo Campoloni, vengono presentati come esperti con una vasta esperienza nel commercio e nelle carriere accademiche. Il webinar mira a esplorare come i dati di varie categorie svolgano un ruolo cruciale nella comprensione e nella previsione del comportamento dei mercati finanziari, un argomento che ha acquisito crescente importanza negli ultimi tempi. Si dice che la sessione fa parte del certificato in Sentimentalysis and Alternative Data for Finance offerto da Opticks Systems e QuantInsti.

Il primo relatore sottolinea l'importanza dei dati per comprendere il comportamento dei mercati finanziari. Mentre all'inizio erano disponibili solo dati limitati come i prezzi di mercato, gli ordini di acquisto e di vendita e la profondità del libro, ora c'è un'ampia gamma di categorie di dati da considerare. Questi includono dati di notizie, dati sul sentimento dei media e dati alternativi. Nonostante l'ipotesi di mercato efficiente, che suggerisce che i mercati alla fine incorporano tutte le informazioni, ci sono ancora inefficienze a breve termine nel mercato. Pertanto, i dati svolgono un ruolo cruciale nella scoperta di nuovo alfa e nell'affrontare due problemi principali del mercato: la pianificazione del portafoglio e il controllo del rischio. Il relatore sottolinea inoltre la crescente importanza dell'intelligenza artificiale (AI) e dell'apprendimento automatico nella gestione dei dati.

Il relatore successivo introduce il concetto di investimento causale, che implica l'esame delle relazioni causali tra diversi predittori e variabili target, piuttosto che analizzare esclusivamente le correlazioni statistiche. Utilizzando dati alternativi come l'attività sulle opzioni, gli investitori possono ottenere informazioni sulle cause alla base dei movimenti dei prezzi e migliorare l'accuratezza delle loro strategie di trading. Viene citato un esempio della strategia di ritorno alla media, sottolineando l'importanza di capire perché occasionalmente fallisce. Attraverso l'uso di dati alternativi per scoprire le cause dei movimenti dei prezzi, gli investitori possono prendere decisioni più informate su quando applicare le loro strategie.

L'importanza dei dati per gli operatori di mercato, in particolare dei dati alternativi, è discussa dal relatore successivo. I dati alternativi si riferiscono a qualsiasi dato che non sia già uno standard del settore e forma un ecosistema in continua espansione con nuovi attori e fornitori di dati che emergono continuamente. Questi dati possono provenire da vari canali come transazioni con carta di credito, immagini satellitari, dati di dispositivi mobili, dati meteorologici e altro. Il relatore menziona anche l'uso di strumenti di elaborazione del linguaggio naturale per analizzare documenti testuali e generare indicatori di sentiment, che possono essere preziosi per gli investitori nel completare le loro strategie di investimento.

Il processo di utilizzo di dati alternativi nelle strategie di investimento è descritto dal relatore successivo. Implica l'identificazione di nuove fonti di informazioni, l'incorporazione e la trasformazione dei dati non strutturati in set di dati strutturati. Dopo aver sviluppato una strategia di investimento, la convalida diventa un passaggio cruciale che richiede la comprensione dell'affidabilità dei dati e della significatività statistica dei risultati. Il relatore sottolinea l'importanza di non affidarsi esclusivamente a dati alternativi e di considerare anche i dati di mercato durante la creazione di modelli.

I relatori approfondiscono l'importanza dei dati alternativi nel catturare le tendenze del mercato e le sfide legate al backtesting di tali dati. Mentre i trader tecnici in precedenza si affidavano a metriche semplici come la media mobile a 120 giorni, ora c'è una spinta per incorporare una gamma più ampia di categorie di dati per comprendere le cause del rendimento. Tuttavia, poiché i dati alternativi sono relativamente nuovi, ci sono dubbi su come eseguirne il backtest e sulla loro coerenza nel tempo. Comprendere l'impatto delle strategie di investimento richiede di valutare la stabilità del sistema per quanto riguarda le fluttuazioni casuali.

I relatori discutono dell'uso di piattaforme di dati alternative come Bloomberg Icon e Reuters Quantum da parte dei trader per sviluppare solide strategie di investimento. Sebbene queste piattaforme abbiano i propri modelli per quantificare varie forme di dati come sentiment e notizie, i relatori raccomandano ai trader di creare i propri modelli. Viene evidenziata l'importanza di utilizzare le API per ricevere input di dati alternativi e viene menzionato il valore di siti Web organizzati come Credit Suisse nell'analisi degli annunci aziendali. Infine, i relatori osservano che approcci ristretti e specializzati possono essere molto efficaci nell'analizzare il comportamento del mercato.

I relatori passano a discutere i vari strumenti e siti Web che possono essere utilizzati per comprendere il comportamento delle diverse classi di attività nel mercato finanziario e come monitorare il mercato in base allo stile di investimento e all'orizzonte temporale. Pur riconoscendo che non esiste una soluzione valida per tutti, suggeriscono che le informazioni qualitative da siti Web come Bloomberg possono essere utili a questo proposito. Sottolineano inoltre l'importanza di comprendere il sentimento e fonti di dati alternative come microblog e chat room. Tuttavia, osservano che non è necessariamente garantito che diventare un esperto in queste aree porterebbe a una migliore carriera nel mercato finanziario.

L'oratore spiega quindi la differenza tra lo sviluppo di strategie di trading avanzate per grandi fondi rispetto a strategie semplici per trader indipendenti. Si dice che le tecniche complesse possono essere più adatte per chi cerca lavoro presso grandi fondi, mentre si consiglia ai trader indipendenti di iniziare con una strategia di nicchia che potrebbe non interessare le istituzioni. Questo approccio li aiuta a evitare i costi elevati associati a feed di dati complessi. Il relatore sottolinea inoltre il crescente interesse per le nuove fonti di dati per il trading, rendendolo un campo rilevante da apprendere e perseguire. Dicono anche che utilizzano personalmente dati alternativi in una certa misura nella gestione dei loro fondi e assistono i clienti nell'implementazione di moduli basati sull'apprendimento automatico e sull'elaborazione del linguaggio naturale o nella convalida delle proprie strategie utilizzando set di dati.

Durante la sessione di domande e risposte, viene sollevata una domanda su Twitter che vende segni di spunta blu e se gli account verificati avrebbero più peso nell'elaborazione del linguaggio naturale (NLP). Inizialmente, i relatori hanno difficoltà a comprendere la domanda, ma in seguito ammettono di non essere qualificati per rispondere. La discussione si sposta quindi sulle tradizionali fonti di dati finanziari adatte a principianti e studenti, con Bloomberg e Definitive menzionate come potenziali opzioni. Si suggerisce che i fornitori di dati possano offrire set di dati gratuiti con un certo livello di interazione.

Il relatore discute successivamente l'uso di fonti di dati alternative per l'analisi dei mercati finanziari, citando in particolare la società DGLT, che raccoglie dati da fonti di notizie globali e locali. Pur riconoscendo lo sforzo necessario per filtrare le informazioni rilevanti, si osserva che i dati raccolti possono fornire una prospettiva storica sul comportamento del mercato risalente al 1800. Alla domanda se i dati alternativi debbano essere utilizzati come unica fonte o per la convalida accanto ai dati tradizionali, il relatore afferma che non esiste una regola generale e dipende dalla strategia specifica utilizzata. Tuttavia, sottolineano che i dati di mercato rimangono il driver principale e che non si dovrebbe fare affidamento esclusivamente su dati alternativi.

Il relatore conclude il webinar discutendo l'uso di dati alternativi nei mercati finanziari e come utilizzare l'apprendimento automatico per analizzare tali dati. Sottolineano la necessità di inserire più tipi di dati, inclusi prezzi e dati fondamentali, negli algoritmi predittivi di machine learning. Tuttavia, sottolineano anche che i dati alternativi da soli non possono fungere da unico driver e dovrebbero essere combinati con l'input dei prezzi di mercato. Il pubblico è incoraggiato a rispondere a qualsiasi ulteriore domanda possa avere.

  • 00:00:00 Il conduttore introduce l'argomento del webinar, ovvero la comprensione del comportamento dei mercati finanziari e il ruolo di molteplici categorie di dati. I relatori includono il professor Gotham Mitra, il dottor Ernest Chan e il dottor Mateo Campoloni, che hanno una vasta esperienza nel commercio e nelle carriere accademiche. L'obiettivo principale del webinar è esplorare come i dati di più categorie svolgano un ruolo cruciale nella comprensione e nella previsione del comportamento del mercato finanziario, che è diventato sempre più importante negli ultimi tempi. La sessione fa parte del certificato in Sentimentalysis and Alternative Data for Finance offerto da Opticks Systems e QuantInsti.

  • 00:05:00 Il relatore discute l'importanza dei dati nella comprensione del comportamento dei mercati finanziari. Mentre all'inizio gli unici dati disponibili erano i prezzi di mercato, gli ordini di acquisto e vendita e la profondità del libro, ora ci sono molte più categorie di dati, inclusi dati di notizie, dati sul sentimento dei media e dati alternativi. Nonostante l'ipotesi di mercato efficiente, che afferma che i mercati alla fine digeriscono tutte le informazioni, ci sono ancora inefficienze di mercato a breve termine. Di conseguenza, i dati sono importanti per trovare nuovo alfa e affrontare due problemi principali del mercato: la pianificazione del portafoglio e il controllo del rischio. Il relatore osserva inoltre che l'intelligenza artificiale e l'apprendimento automatico contribuiscono ai dati della conoscenza sta diventando sempre più importante nella scena dei dati.

  • 00:10:00 Il relatore discute il concetto di investimento causale, che implica l'osservazione delle relazioni causali tra diversi predittori e variabili target, piuttosto che analizzare semplicemente le correlazioni statistiche. Con l'uso di dati alternativi, come l'attività sulle opzioni, gli investitori possono comprendere le cause alla base dei movimenti dei prezzi e utilizzare queste informazioni per migliorare l'accuratezza delle loro strategie di trading. L'oratore cita l'esempio della strategia di ritorno alla media e l'importanza di capire perché a volte fallisce. Utilizzando dati alternativi per scoprire le cause dei movimenti dei prezzi, gli investitori possono prendere decisioni più informate su quando eseguire le proprie strategie.

  • 00:15:00 Il relatore discute l'importanza dei dati per gli operatori di mercato, in particolare i dati alternativi, che si riferiscono a qualsiasi dato che non sia già uno standard di settore. I dati alternativi sono un ecosistema in costante crescita con nuovi attori e fornitori di set di dati che emergono costantemente. Questi dati possono provenire da una varietà di fonti come transazioni con carta di credito, immagini satellitari, dati di dispositivi mobili, dati meteorologici e altro ancora. Il relatore menziona anche l'uso di strumenti di elaborazione del linguaggio naturale per elaborare documenti testuali e creare indicatori di sentiment che possono essere utilizzati dagli investitori per integrare le loro strategie di investimento.

  • 00:20:00 Il relatore descrive il processo di utilizzo di dati alternativi nelle strategie di investimento, che comporta la ricerca di nuove fonti di informazioni, l'incorporamento delle informazioni e la loro trasformazione da set di dati non strutturati a set di dati strutturati. Dopo aver creato una strategia di investimento, il passaggio cruciale è la convalida, che richiede la comprensione dell'affidabilità dei dati e di quanto siano statisticamente significativi i risultati. Inoltre, è importante non affidarsi esclusivamente a dati alternativi e considerare anche i dati di mercato durante la creazione dei modelli.

  • 00:25:00 I relatori discutono dell'importanza dei dati alternativi per catturare le tendenze del mercato e delle difficoltà derivanti dal backtesting dei dati. Mentre in precedenza i trader tecnici si affidavano a metriche semplici come la media mobile a 120 giorni, ora c'è una spinta per includere una gamma di diverse categorie di dati per comprendere le cause dei rendimenti. Tuttavia, i dati alternativi sono proprio questo perché non esistevano in passato, c'è una questione di come eseguirne il backtest e quanto siano coerenti nel tempo. I relatori sottolineano che la comprensione dell'effetto delle strategie di investimento richiede di valutare la stabilità del sistema rispetto alle fluttuazioni casuali.

  • 00:30:00 I relatori discutono dell'uso di piattaforme di dati alternative come Bloomberg Icon e Reuters Quantum da parte dei trader per creare solide strategie di investimento. Sebbene queste piattaforme dispongano di propri modelli per quantificare varie forme di dati come dati di sentiment e dati di notizie, si consiglia ai trader di creare i propri modelli. Inoltre, i relatori parlano dell'importanza di utilizzare le API per ricevere input di dati alternativi e del valore dell'utilizzo di siti Web organizzati come Credit Suisse per analizzare gli annunci aziendali. Infine, i relatori osservano che approcci ristretti e specializzati possono essere molto efficaci nell'analizzare il comportamento del mercato.

  • 00:35:00 I relatori discutono dei vari strumenti e siti Web che possono essere utilizzati per comprendere il comportamento delle diverse classi di attività nel mercato finanziario, nonché di come seguire il mercato in base allo stile di investimento e all'orizzonte temporale. Sebbene non esista una soluzione valida per tutti, le informazioni qualitative da siti Web come Boomberg possono essere utili. I relatori parlano anche dell'importanza di comprendere il sentimento e dati alternativi come microblog e chat room. Tuttavia, non è chiaro se diventare un esperto in queste aree porterebbe necessariamente a una migliore carriera nel mercato finanziario.

  • 00:40:00 Il relatore spiega la differenza tra lo sviluppo di strategie di trading avanzate per grandi fondi e strategie semplici per trader indipendenti. Mentre le tecniche complesse possono essere più adatte per chi cerca lavoro presso grandi fondi, è meglio che i trader indipendenti inizino con una strategia di nicchia che potrebbe non interessare le istituzioni ed evitino i costi elevati associati a feed di dati complessi. Il relatore osserva inoltre che vi è un crescente interesse per le nuove fonti di dati per il trading, rendendolo un campo rilevante da apprendere e perseguire. Dicono anche che utilizzano dati alternativi in una certa misura nella gestione dei loro fondi e aiutano anche i clienti a implementare l'apprendimento automatico e i moduli basati sull'elaborazione del linguaggio naturale o a convalidare le proprie strategie utilizzando set di dati.

  • 00:45:00 Viene posta una domanda su Twitter che vende segni di spunta blu e se gli account verificati sarebbero o meno ponderati maggiormente nell'elaborazione del linguaggio naturale (NLP). I relatori inizialmente hanno difficoltà a comprendere la domanda e in seguito ammettono di non essere qualificati per rispondere. La discussione si sposta quindi sulle tradizionali fonti di dati finanziari per principianti e studenti, con Bloomberg e Definitive citati come potenziali opzioni, e il suggerimento che i fornitori di dati possano offrire set di dati gratuiti con una certa quantità di interazione.

  • 00:50:00 Il relatore discute l'uso di fonti di dati alternative per l'analisi dei mercati finanziari, menzionando in particolare la società DGLT che raccoglie dati da fonti di notizie globali e locali. Anche se filtrare le informazioni necessarie può richiedere molto lavoro, i dati raccolti possono risalire addirittura al 1800, fornendo una prospettiva storica sul comportamento del mercato. Alla domanda se i dati alternativi debbano essere utilizzati come unica fonte o per la convalida accanto ai dati tradizionali, il relatore afferma che non esiste una regola generale e dipende dalla strategia specifica utilizzata. Tuttavia, il relatore sottolinea che i dati di mercato sono fondamentali e che non si dovrebbe fare affidamento esclusivamente su dati alternativi.

  • 00:55:00 Il relatore discute l'uso di dati alternativi nei mercati finanziari e come l'apprendimento automatico potrebbe essere utilizzato per analizzare questi dati. Osserva che più tipi di dati, inclusi prezzi e dati fondamentali, dovrebbero essere inseriti nell'algoritmo predittivo di machine learning. Tuttavia, afferma anche che i dati alternativi non possono essere utilizzati come driver autonomo e devono essere abbinati all'input del prezzo di mercato. Il relatore conclude il webinar e incoraggia gli spettatori a rispondere a qualsiasi domanda possano avere.
Understanding Financial Market Behaviour: The role of multiple categories of data
Understanding Financial Market Behaviour: The role of multiple categories of data
  • 2023.03.02
  • www.youtube.com
Financial markets are influenced by news, (micro) blogs and other categories of online streaming data. These sources of information reach financial market pa...
 

Introduzione al Quantitative Factor Investing



Introduzione al Quantitative Factor Investing

Questo video introduce il concetto di investimento fattoriale quantitativo e la sua classificazione in diversi fattori, tra cui valore, momentum, qualità e dimensione. Il relatore spiega che il factor investing implica la selezione di titoli sulla base di fattori specifici che dovrebbero guidare i rendimenti e farlo per lunghi periodi di tempo. Il video copre diversi metodi quantitativi che possono essere utilizzati per applicare l'investimento fattoriale quantitativo, tra cui analisi statistiche, modellazione fattoriale, apprendimento automatico, modelli di ottimizzazione, analisi di serie temporali, modelli di rischio e simulazione montagoriale. Il relatore discute inoltre i vantaggi dell'utilizzo del factor investing quantitativo e del processo di selezione e combinazione dei fattori, oltre a rispondere a domande relative all'argomento, comprese le fonti di dati e l'idoneità per il trading a media/alta frequenza.

Nel webinar, Varun Kumar, analista quantitativo di QuantInsti, fornisce un'introduzione completa al fattore di investimento quantitativo. Inizia spiegando il concetto di fattori, che sono fonti ampie e persistenti di rischio e rendimento che guidano gli investitori verso rendimenti quantificabili. Alcuni fattori comuni includono valore, momentum, qualità, dimensione e volatilità. Kumar si concentra sul fattore qualità come esempio, che comporta investimenti in società con caratteristiche di alta qualità. Indici finanziari come il rendimento del capitale proprio e la redditività del tasso di crescita vengono utilizzati per quantificare la qualità di un'azienda. I titoli con rapporti elevati e margini elevati sono considerati di alta qualità, mentre quelli con rapporti e margini inferiori sono considerati di bassa qualità. I dati storici mostrano che i portafogli costituiti da azioni di alta qualità hanno generato rendimenti extra per lunghi periodi di tempo.

Kumar approfondisce quindi la classificazione dei fattori nell'investimento quantitativo dei fattori. I fattori sono classificati in sette tipi, inclusi fattori macro, fattori basati sullo stile, fattori settoriali, fattori basati su fattori ESG, fattori basati sul sentiment, fattori basati sulla liquidità e fattori tecnici. Fornisce approfondimenti su come funziona ciascuno di questi fattori e su come possono essere utilizzati per costruire portafogli di fattori. Per illustrare ciò, presenta esempi di strategie costruite utilizzando fattori macroeconomici e basati sullo stile. Queste strategie comportano l'utilizzo di variabili come la crescita del PIL, il tasso di inflazione, il tasso di interesse e il rendimento del capitale proprio per selezionare le azioni e costruire un portafoglio. Kumar sottolinea inoltre l'importanza di considerare fattori come un più elevato rendimento del capitale proprio e un basso rapporto debito/capitale proprio quando si selezionano le azioni per un portafoglio.

Il webinar esplora ulteriormente vari fattori che possono essere incorporati nelle strategie di investimento fattoriale quantitativo, inclusi fattori di stile, matrice settoriale, criteri ESG, sentiment, liquidità e indicatori tecnici. Kumar spiega come questi fattori possono essere utilizzati per sviluppare un quadro logico per la costruzione di portafogli e fornisce esempi reali di strategie che possono essere implementate utilizzando questi fattori. Accenna brevemente ai criteri ESG, che sta per criteri ambientali, sociali e di governance, e al loro ruolo nel valutare le società in base al loro impatto sulla società e sull'ambiente.

Viene anche discusso l'utilizzo di modelli matematici e analisi statistiche nell'investimento quantitativo dei fattori. Kumar sottolinea che questi metodi aiutano a eliminare i pregiudizi emotivi dalle decisioni di investimento e consentono l'esplorazione di fattori meno intuitivi. Descrive i sette metodi quantitativi più comunemente usati in questo campo, tra cui analisi statistica, modellazione fattoriale, apprendimento automatico, modelli di ottimizzazione, analisi di serie temporali, modelli di rischio e simulazioni Monte Carlo. Il video evidenzia come l'analisi statistica può essere impiegata per identificare modelli e correlazioni tra titoli e fattori.

Nel webinar vengono esplorati i vantaggi del factor investing quantitativo nella costruzione e gestione di portafogli di investimento. Un vantaggio chiave è la capacità di simulare condizioni di mercato estreme, che aiuta gli investitori a comprendere meglio i limiti dei loro portafogli. Il relatore sottolinea le differenze di approccio tra l'investimento fattoriale tradizionale e quantitativo, utilizzando un caso di studio di un portafoglio azionario a grande capitalizzazione con bassi rapporti prezzo/utili. Mentre l'investimento tradizionale implica l'identificazione dei fattori, la determinazione dell'universo delle azioni a grande capitalizzazione e il calcolo dei fattori per ciascun titolo prima di ordinarli in base ai rapporti P/E, l'investimento quantitativo dei fattori impiega la raccolta dei dati, la pre-elaborazione e la selezione delle caratteristiche. Viene creato un modello per prevedere i prezzi delle azioni in base alle funzionalità selezionate.

Viene spiegato il processo di investimento fattoriale quantitativo, sottolineando l'importanza di costruire modelli accurati per prevedere i prezzi delle azioni sulla base di caratteristiche specifiche. Il relatore sottolinea che questo approccio è basato sui dati e più obiettivo rispetto al tradizionale investimento fattoriale, consentendo un'analisi più accurata e affidabile. Per selezionare i migliori fattori per l'investimento, i fattori dovrebbero essere persistenti, lavorare su diversi mercati e settori, essere robusti alle varie condizioni di mercato, non eccessivamente sensibili ai cambiamenti nell'etica del mercato e possedere sufficiente liquidità e capacità.

Il webinar copre anche la combinazione di fattori nell'investimento fattoriale quantitativo. Vengono discussi cinque metodi comunemente utilizzati, tra cui l'uguale peso e il punteggio dei fattori, in cui ogni fattore viene valutato in base alla sua performance storica e viene presa una media ponderata per ottenere un punteggio complessivo. Viene evidenziata l'importanza della combinazione dei fattori, in quanto riduce il rischio di portafoglio, aumenta la diversificazione e minimizza la volatilità della performance. Il relatore delinea cinque caratteristiche chiave di un fattore migliore, tra cui essere supportato da prove empiriche, avere un fondamento economico o finanziario, offrire opportunità di investimento a lungo termine, essere investibile ed essere intuitivo e ampiamente accettato.

L'oratore prosegue discutendo diversi metodi per combinare i fattori nell'investimento quantitativo. Uno di questi metodi è l'analisi delle componenti principali (PCA), che combina più fattori in un insieme più piccolo di componenti non correlati. Questo approccio riduce il numero di fattori e risolve il problema dei fattori correlati, noti anche come multicollinearità. Un altro metodo è il factor tilting, che comporta la regolazione dei pesi o delle allocazioni in un portafoglio per enfatizzare un particolare fattore. Questa tecnica offre flessibilità e consente agli investitori di mirare a fattori specifici. Inoltre, l'apprendimento automatico può essere sfruttato per selezionare o combinare i fattori in base alle loro prestazioni storiche, acquisendo in modo efficace le relazioni non lineari. Il relatore sottolinea l'importanza di usare cautela quando si utilizzano algoritmi di deep learning, in quanto richiedono notevoli quantità di dati e possono essere soggetti a overfitting. Si consiglia di combinarli con metodi statistici tradizionali per ottenere risultati ottimali.

Inoltre, il relatore risponde alle domande del pubblico relative al fattore di investimento quantitativo. Le domande coprono vari argomenti, come l'utilizzo dell'azione dei prezzi e dei grafici a lungo termine come fattori per investire, dove il relatore suggerisce che può essere utilizzato come fattore tecnico definendolo in modo appropriato e studiando la sua performance storica. Viene spiegata la distinzione tra fattori negoziati e non negoziati, con un esempio di immobili come fattore non negoziato a causa della difficoltà nel determinare la liquidità. Il focus del factor investing quantitativo è principalmente sui fattori scambiati, poiché i loro dati sono facilmente accessibili e consentono il backtesting. Il relatore fornisce anche approfondimenti per determinare se un'azienda è più focalizzata sul valore o sulla crescita, suggerendo tecniche come l'utilizzo del rapporto prezzo/utili per definire le azioni di valore.

La discussione continua con l'esplorazione di diversi algoritmi utilizzati nel fattore di investimento quantitativo. Vengono menzionati algoritmi come le reti neurali ricorrenti (RNN) e la memoria a lungo termine (LSTM), la cui rilevanza dipende dal tipo di dati analizzati. Le tecniche di deep learning possono essere impiegate per combinare i fattori e determinare i pesi ottimali per ciascun fattore, con conseguente miglioramento delle prestazioni del portafoglio. Il relatore offre consigli sulle strategie dei fattori di backtesting e sottolinea l'importanza di testare il loro significato statistico su più set di dati e mercati. Viene anche menzionato l'uso delle bande di Bollinger come indicatore tecnico per identificare i mercati laterali.

Infine, il webinar si conclude con una sessione finale di domande e risposte, in cui il relatore risponde a ulteriori domande da parte del pubblico. Le domande includono il ruolo degli algoritmi di deep learning nella selezione dei settori industriali, evidenziando varie opzioni come alberi decisionali, reti neurali e foreste casuali. Si sottolinea che la selezione dell'algoritmo dipende dall'attività specifica e dal set di dati a portata di mano. Il relatore ribadisce l'importanza di utilizzare con cautela gli algoritmi di deep learning a causa dei loro requisiti di dati e del potenziale di overfitting. Il pubblico è ringraziato per la partecipazione e incoraggiato a fornire un feedback sulla sessione.

  • 00:00:00 Varun Kumar, analista quantitativo di QuantInsti, introduce il concetto di investimento fattoriale quantitativo e la sua classificazione in diversi fattori come valore, momentum, qualità e dimensione. Spiega che l'investimento fattoriale implica la selezione di titoli sulla base di fattori specifici che dovrebbero guidare i rendimenti, e questi fattori sono fonti di rischio e rendimento tecnicamente ampie e persistenti. Il webinar copre diversi metodi quantitativi che possono essere utilizzati per applicare l'investimento fattoriale quantitativo e le differenze tra l'investimento fattoriale generale e l'investimento fattoriale quantitativo. La sessione si conclude con un caso di studio sulla selezione dei fattori migliori e una discussione su come combinare i fattori.

  • 00:05:00 Il video fornisce un'introduzione al fattore di investimento quantitativo e spiega cosa sono i fattori. I fattori sono fonti ampie e persistenti di rischio e rendimento e guidano gli investitori verso un particolare rendimento quantificabile. I fattori comuni includono valore, momentum, qualità, dimensione e volatilità. Per illustrare, il video si concentra sul fattore qualità, che comporta l'investimento in società con caratteristiche di alta qualità. La qualità di un'azienda viene quantificata utilizzando una combinazione di indicatori finanziari, come il rendimento del capitale proprio e la redditività del tasso di crescita. Uno stock di alta qualità avrebbe rapporti alti e margini elevati, mentre titoli di bassa qualità avrebbero rapporti più bassi e margini bassi. È quindi possibile creare un portafoglio con una combinazione di azioni di alta qualità, che storicamente hanno generato rendimenti extra per lunghi periodi di tempo. I fattori dovrebbero essere ampi e persistenti, generando rendimenti rispettivamente su un'ampia gamma di attività e su lunghi periodi di tempo.

  • 00:10:00 Il relatore discute la classificazione dei fattori nell'investimento quantitativo. I fattori sono classificati in sette tipi, inclusi fattori macro, fattori basati sullo stile, fattori settoriali, fattori basati su fattori ESG, fattori basati sul sentiment, fattori basati sulla liquidità e fattori tecnici. Spiegano come funzionano questi fattori e come possono essere utilizzati per creare un portafoglio di fattori. Forniscono esempi di strategie costruite utilizzando fattori macroeconomici e basati sullo stile, che implicano l'utilizzo di variabili come la crescita del PIL, il tasso di inflazione, il tasso di interesse e il rendimento del capitale proprio per selezionare le azioni e creare un portafoglio. Il gestore di hedge fund utilizza due criteri per selezionare le azioni e creare un portafoglio: rendimento più elevato del capitale proprio e basso rapporto debito/capitale proprio.

  • 00:15:00 Il relatore discute vari fattori che possono essere utilizzati nelle strategie di investimento fattoriale quantitativo. Questi fattori includono fattori di stile, matrice settoriale, criteri ESG, sentiment, liquidità e indicatori tecnici. Il relatore spiega come questi fattori possono essere utilizzati per creare una logica per un portafoglio e fornisce esempi di strategie che possono essere implementate utilizzando questi fattori. Il relatore spiega anche brevemente i criteri ESG, che sta per criteri ambientali, sociali e di governance, e come le organizzazioni lo utilizzano per valutare le aziende in base al loro impatto sulla società e sull'ambiente. Infine, il relatore pone una domanda sui criteri ESG e afferma che ne discuteranno ulteriormente nelle prossime sezioni.

  • 00:20:00 Il video discute il fattore di investimento quantitativo e il suo uso di modelli matematici e analisi statistiche per identificare i fattori e la loro relazione con le azioni. Questi metodi consentono la rimozione dei pregiudizi emotivi dalle decisioni di investimento e la capacità di esplorare fattori meno intuitivi. Il video elenca anche i sette metodi quantitativi più comunemente utilizzati, tra cui l'analisi statistica, la modellazione fattoriale, l'apprendimento automatico, i modelli di ottimizzazione, l'analisi delle serie temporali, i modelli di rischio e la simulazione montagoriale. Infine, il video tocca brevemente l'uso dell'analisi statistica per identificare modelli e correlazioni tra titoli e fattori.

  • 00:25:00 Il video introduce l'investimento fattoriale quantitativo, che prevede l'utilizzo di analisi statistiche per determinare la risposta di un titolo a determinati fattori. Queste informazioni vengono quindi utilizzate per progettare un portafoglio, con più denaro che va in azioni che rispondono in modo più deciso ai fattori identificati. Le tecniche di apprendimento automatico sono anche discusse come un modo per scoprire e combinare fattori e fare previsioni sulle prestazioni future. L'analisi delle serie temporali può essere utilizzata per analizzare i dati storici e identificare le tendenze dei rendimenti, mentre i modelli di rischio e le simulazioni Monte Carlo possono aiutare nella gestione del rischio. Le tecniche di ottimizzazione vengono utilizzate per costruire portafogli e massimizzare l'esposizione dei fattori riducendo al minimo il rischio e i costi di transazione.

  • 00:30:00 Il video esplora i diversi vantaggi dell'utilizzo del factor investing quantitativo nella costruzione e gestione di portafogli di investimento. Un vantaggio chiave è la capacità di simulare condizioni di mercato estreme per essere in grado di comprendere appieno i limiti di un portafoglio. Il video evidenzia anche le principali differenze di approccio tra l'investimento fattoriale tradizionale e quello quantitativo, utilizzando un caso di studio di un portafoglio azionario a grande capitalizzazione con bassi rapporti prezzo/utili. L'approccio tradizionale comporta l'identificazione del fattore e la determinazione dell'universo dei titoli a grande capitalizzazione prima di calcolare il fattore per ogni titolo e ordinarli dal rapporto P/E più basso a quello più alto. Al contrario, l'approccio quantitativo del fattore di investimento utilizza la raccolta dei dati, la pre-elaborazione e la selezione delle caratteristiche prima di costruire un modello per prevedere i prezzi delle azioni in base alle caratteristiche.

  • 00:35:00 Il relatore spiega il processo di investimento fattoriale quantitativo, che comporta la costruzione di un modello per prevedere i prezzi delle azioni sulla base di caratteristiche specifiche e la valutazione dell'accuratezza del modello prima di costruire un portafoglio. Questo approccio è basato sui dati e più obiettivo rispetto al tradizionale investimento fattoriale, che consente un'analisi più soggettiva. Il vantaggio principale dell'utilizzo del fattore di investimento quantitativo è che fornisce un'analisi più accurata e affidabile dei dati. Per selezionare i migliori fattori per l'investimento, i fattori dovrebbero essere persistenti, lavorare su diversi mercati e settori, essere robusti alle diverse condizioni di mercato, non eccessivamente sensibili ai cambiamenti nell'etica del mercato e investibili con sufficiente liquidità e capacità.

  • 00:40:00 L'istruttore discute le cinque caratteristiche chiave di un fattore migliore che includono: essere supportato da prove empiriche, avere basi economiche o finanziarie, offrire opportunità di investimento a lungo termine, essere investibile ed essere intuitivo e ampiamente accettato. È importante combinare i fattori poiché riduce il rischio di portafoglio, aumenta la diversificazione e riduce la volatilità della performance. Esistono cinque metodi comunemente usati per combinare i fattori, tra cui l'uguale peso e il punteggio Factor, in cui ogni fattore viene valutato in base alla sua performance storica e viene presa una media ponderata per ottenere un punteggio complessivo. L'istruttore sottolinea che un buon portafoglio non solo genera rendimenti elevati, ma si comporta anche con stabilità su più cicli e diverse dinamiche di mercato.

  • 00:45:00 Il relatore discute diversi metodi per combinare i fattori nell'investimento fattoriale quantitativo. Uno di questi metodi è PCA (analisi dei componenti principali) che combina più fattori in un insieme più piccolo di componenti non correlati. Ciò riduce il numero di fattori e rimuove il problema dei fattori correlati, noto come multicolinearità. Un altro metodo è il factor tilting, che comporta l'adeguamento dei pesi o delle allocazioni in un portafoglio a un particolare fattore. Questo è flessibile e può essere utilizzato per mirare a fattori specifici. Infine, l'apprendimento automatico può essere utilizzato per selezionare o combinare fattori basati sulle prestazioni storiche, acquisendo relazioni non lineari. L'oratore invita quindi le domande del pubblico e condivide alcune offerte per i partecipanti.

  • 00:50:00 Il relatore risponde a diverse domande relative all'investimento quantitativo dei fattori. La prima domanda riguarda l'utilizzo dell'azione dei prezzi e dei grafici a lungo termine come fattore per investire, a cui il relatore risponde che può essere utilizzato come fattore tecnico definendolo correttamente e studiandone l'andamento storico. La seconda domanda è se la capitalizzazione è un fattore, a cui l'oratore dice che la dimensione è un fattore, e la capitalizzazione può essere utilizzata come uno dei fattori per determinare una strategia a seconda delle condizioni di mercato. L'oratore risponde anche a una domanda su dove ottenere i dati, citando siti Web come Yahoo Finance e API a pagamento come Alpha Vantage. Infine, il relatore risponde a una domanda su come utilizzare il factor investing quantitativo nel trading a media/alta frequenza, affermando che il factor investing è più adatto agli investitori a lungo termine.

  • 00:55:00 Gli algoritmi sono particolarmente utili per selezionare i settori industriali. Esistono vari algoritmi di deep learning che possono essere utilizzati per questo scopo, come alberi decisionali, reti neurali e foreste casuali. Dipende dall'attività specifica e dal set di dati a portata di mano. Tuttavia, è importante notare che gli algoritmi di deep learning devono essere utilizzati con cautela in quanto richiedono grandi quantità di dati e possono essere soggetti a overfitting. Si consiglia di utilizzarli in combinazione con metodi statistici tradizionali per ottenere risultati ottimali.

  • 01:00:00 Il relatore discute i diversi algoritmi utilizzati negli investimenti in fattori quantitativi, come RNN e LSTM, e come dipendono dal tipo di dati analizzati. Il deep learning può essere utilizzato per combinare i fattori e determinare i pesi per dare a ciascun fattore prestazioni ottimali. Il relatore fornisce anche consigli sul backtesting di una strategia fattoriale e sul test della sua significatività statistica su più set di dati e mercati. Suggeriscono di utilizzare le bande di Bollinger come indicatore tecnico per identificare i mercati laterali. Viene anche spiegata la differenza tra fattori scambiati e non scambiati, con fattori scambiati basati su titoli negoziati pubblicamente e fattori non scambiati che non possono essere catturati nei mercati pubblici.

  • 01:05:00 Il relatore discute la differenza tra fattori scambiati e non scambiati, usando il settore immobiliare come esempio di fattore non scambiato perché la liquidità non può essere facilmente determinata. Il focus del factor investing quantitativo è sui fattori scambiati, poiché i dati sono facilmente accessibili e pubblici, rendendo possibile il backtest. Il relatore risponde anche a una domanda degli spettatori su come determinare se un'azienda è più focalizzata sul valore o sulla crescita, suggerendo tecniche come l'utilizzo del rapporto prezzo/utili per definire le azioni di valore. Infine, il pubblico viene ringraziato per la partecipazione e incoraggiato a fornire un feedback sulla sessione.
Introduction to Quantitative Factor Investing
Introduction to Quantitative Factor Investing
  • 2023.02.28
  • www.youtube.com
This session covers the concept of factor investing and different types of factor investing strategies including a discussion of passive vs active investing ...
 

Apprendimento automatico per il trading di opzioni



Apprendimento automatico per il trading di opzioni

Nel webinar sull'apprendimento automatico per il trading di opzioni, il relatore, Varun Kumar Patula, inizia fornendo un'introduzione all'apprendimento automatico e al suo scopo fondamentale. Spiega che gli algoritmi di apprendimento automatico vengono utilizzati per analizzare i dati e scoprire schemi che potrebbero passare inosservati agli esseri umani. Varun distingue tra intelligenza artificiale, apprendimento automatico e apprendimento profondo, sottolineando che l'apprendimento automatico è un sottoinsieme dell'intelligenza artificiale incentrato sull'addestramento di modelli per fare previsioni o decisioni basate sui dati. Classifica ulteriormente l'apprendimento automatico in tre tipi: apprendimento supervisionato, apprendimento non supervisionato e apprendimento per rinforzo, ciascuno con le proprie caratteristiche e applicazioni.

Il relatore approfondisce quindi l'applicazione dell'apprendimento automatico nel trading di opzioni, un obiettivo chiave del webinar. Il trading di opzioni comporta l'acquisto o la vendita di contratti di opzione, che conferiscono al detentore il diritto di acquistare o vendere un'attività a un prezzo specificato entro un determinato periodo di tempo. Varun evidenzia l'elevato rischio connesso al trading di opzioni e spiega come l'apprendimento automatico può migliorare l'accuratezza dell'analisi, riducendo così il rischio. Elabora le varie applicazioni dell'apprendimento automatico nel trading di opzioni, comprese le opzioni di prezzo, la progettazione di strategie di trading, il calcolo della volatilità e la previsione della volatilità implicita. Queste applicazioni mirano a migliorare il processo decisionale e aumentare la redditività nel trading di opzioni.

Per comprendere la necessità dell'apprendimento automatico nel trading di opzioni, vengono discussi i limiti dei modelli tradizionali come il modello Black-Scholes. Il modello Black-Scholes presuppone un tasso e una volatilità privi di rischio costanti, che potrebbero non essere veritieri negli scenari del mondo reale. Varun cita modelli alternativi come il modello German Candy e il modello Heston, che hanno i propri limiti e requisiti dei parametri di input. La soluzione proposta consiste nell'utilizzare l'apprendimento automatico in sostituzione o in combinazione di questi modelli, in quanto consente un insieme ampliato di funzionalità e parametri di input. I modelli di machine learning possono prendere in considerazione fattori come la volatilità implicita o realizzata, i tassi di interesse e altre caratteristiche rilevanti per determinare il prezzo equo delle opzioni. Ciò consente prezzi più accurati, selezione dei prezzi di esercizio e strategie di copertura. Varun sottolinea che la ricerca empirica indica che i modelli di deep learning con più livelli nascosti, come il modello perceptron multistrato, superano il modello di Black-Scholes, in particolare per le opzioni che sono decisamente out of the money o at the money.

Il webinar procede esplorando l'ottimizzazione delle decisioni di trading utilizzando modelli di apprendimento automatico per strategie di opzioni. Il processo generale prevede l'analisi del sentimento rialzista o ribassista dell'attività sottostante e la selezione di una strategia adeguata di conseguenza. Tuttavia, molte strategie di opzioni hanno distorto le distribuzioni di rischio-rendimento, rendendo necessaria un'analisi più raffinata. L'apprendimento automatico può migliorare questa analisi considerando caratteristiche come i rendimenti passati, lo slancio e la volatilità per fornire approfondimenti sull'asset sottostante. Queste caratteristiche vengono quindi inserite in un modello di apprendimento automatico per classificare il prossimo periodo di trading come rialzista o ribassista. Il video tocca anche le caratteristiche utilizzate nei dati dell'indice SP500 e sottolinea l'importanza dell'analisi delle caratteristiche nelle decisioni sulla strategia delle opzioni.

Successivamente, il relatore si concentra sulla costruzione di modelli di apprendimento automatico per le decisioni di trading sugli spread delle opzioni verticali. Spiegano che i parametri di input rimangono gli stessi dell'esempio precedente, in cui viene utilizzato un classificatore dell'albero delle decisioni per classificare il giorno di negoziazione successivo come rialzista o ribassista. Per trarre vantaggio dalle opzioni, vengono introdotti spread come spread call rialzisti o spread put ribassisti, in quanto limitano il rischio. I modelli di apprendimento automatico vengono combinati per prevedere l'intervallo di negoziazione e la volatilità del contratto. Sfruttando questi modelli combinati, i trader possono determinare le impostazioni ottimali per gli spread verticali nelle loro strategie di trading prevedendo la volatilità implicita, che è fondamentale nel trading di opzioni.

Un'altra applicazione dell'apprendimento automatico nel trading di opzioni è prevedere la volatilità implicita e prendere decisioni calcolate sulle strategie di opzione. Inserendo la volatilità storica implicita e altre caratteristiche rilevanti nei modelli di apprendimento automatico, i trader possono prevedere la volatilità e selezionare strategie appropriate come short straddle o short strangle. Il relatore condivide un caso di studio in cui è stato creato un modello di apprendimento automatico per prevedere la strategia di opzione più adatta sulla base di un elenco di strategie e funzionalità di input, inclusi i dati sottostanti e i dati delle opzioni. Progettando un universo strategico ed espandendo lo studio per includere diversi contratti, i trader possono utilizzare l'apprendimento automatico per creare e selezionare la migliore strategia che si allinea ai loro obiettivi di trading.

Nel webinar, il relatore descrive come hanno creato 27 diverse strategie per il trading di opzioni esplorando varie combinazioni di posizioni e contratti. Per perfezionare le strategie, le hanno filtrate fino a 20 eliminando le combinazioni che non avevano una posizione in un caller o che si basavano su combinazioni poco pratiche come gli short straddle. Per determinare quale di queste 20 strategie fornirebbe il massimo rendimento, il relatore ha utilizzato un modello di apprendimento automatico, in particolare un modello di memoria a lungo termine (LSTM). Questo modello incorporava funzionalità di input da attività, opzioni e volatilità sottostanti e utilizzava un sistema di classificazione multiclasse per identificare la strategia ottimale per l'implementazione.

Il video fa anche luce sulle caratteristiche relative ai gradi di opzione e alla struttura della rete neurale utilizzata per il modello LSTM. Addestrando il modello su circa 10 anni di dati, ha generato etichette strategiche basate sulle funzionalità di input. I risultati hanno dimostrato che il modello di machine learning ha sovraperformato l'asset sottostante nel tempo. Per migliorare l'accuratezza della previsione dei modelli di machine learning per le opzioni, il relatore raccomanda diverse best practice. Questi includono l'utilizzo dei livelli di probabilità per la messa a punto, l'utilizzo di più modelli di visione, l'implementazione della tecnica del classificatore di voto e lo sfruttamento dell'output di più classificatori per addestrare un altro modello di apprendimento automatico per una maggiore precisione e redditività.

Inoltre, il relatore esplora i metodi per migliorare le prestazioni dei modelli di classificazione nel trading di opzioni. Questi metodi implicano l'utilizzo di livelli di probabilità, l'impiego di tecniche di ensemble combinando più classificatori e l'utilizzo di modelli di apprendimento automatico per aggregare gli output di diversi modelli. L'importanza dell'ottimizzazione degli iperparametri e delle tecniche di convalida incrociata è sottolineata per ottenere una maggiore precisione nei modelli. L'oratore sottolinea anche l'importanza del commercio di carta prima di implementare una strategia con denaro reale. Questa pratica consente ai trader di identificare e affrontare eventuali problemi o sfide pratiche prima di rischiare il capitale effettivo.

Durante la sessione di domande e risposte che segue, il relatore risponde alle domande dei partecipanti. Le domande riguardano vari argomenti, tra cui le prestazioni della strategia di apprendimento automatico per il trading di opzioni, la metodologia utilizzata per selezionare le funzionalità per il modello, i vantaggi dell'apprendimento automatico rispetto agli indicatori tecnici esistenti, il calcolo dell'importanza delle funzionalità e il periodo di detenzione appropriato per lo SPY (Standard & Poor's 500 Index). Il relatore chiarisce che la performance della strategia non è dovuta esclusivamente alla direzione del mercato nel 2020, poiché i dati utilizzati per il modello risalgono al 2010 e comprendono periodi oltre il 2020. Spiegano che il trading di opzioni richiede un'analisi più complessa, considerando fattori come l'opzione Greci e volatilità implicita, rendendo l'apprendimento automatico uno strumento prezioso. La selezione delle funzionalità per il modello si basa su una combinazione di esperienza di trading e processo decisionale informato.

Verso la fine del webinar, il relatore discute i prerequisiti per il corso di accompagnamento, raccomandando una conoscenza preliminare dell'apprendimento automatico e dei corsi correlati per massimizzarne i vantaggi. Sebbene il corso si concentri principalmente sulla creazione di modelli di apprendimento automatico per il trading di opzioni S&P 500, i concetti possono essere adattati e applicati ad altri contratti con ulteriore formazione e personalizzazione. Il corso non fornisce un modello di apprendimento automatico predefinito, ma fornisce ai partecipanti le conoscenze e le competenze necessarie per costruire i propri modelli.

Il webinar fornisce una panoramica completa dell'applicazione dell'apprendimento automatico nel trading di opzioni. Copre le basi dell'apprendimento automatico, le sue distinzioni da altri campi correlati e i tre tipi di algoritmi di apprendimento automatico. Il webinar sottolinea la necessità dell'apprendimento automatico nel trading di opzioni grazie alla sua capacità di migliorare l'accuratezza dell'analisi e mitigare il rischio. Vengono discusse varie applicazioni dell'apprendimento automatico nel trading di opzioni, comprese le opzioni di prezzo, la progettazione di strategie di trading e la previsione della volatilità implicita. Il webinar esplora anche la costruzione di modelli di apprendimento automatico per spread di opzioni verticali e l'ottimizzazione delle decisioni di trading.

  • 00:00:00 Il relatore, Varun Kumar Patula, introduce l'agenda del webinar sull'apprendimento automatico per il trading di opzioni. Inizia con una breve introduzione all'apprendimento automatico e al suo scopo principale di utilizzare algoritmi di apprendimento automatico per comprendere o analizzare i dati e trovare schemi interni che gli esseri umani in genere mancano. Varun spiega quindi le differenze tra intelligenza artificiale, machine learning e deep learning. Nota inoltre che esistono tre tipi di algoritmi di apprendimento automatico: apprendimento supervisionato, apprendimento non supervisionato e apprendimento per rinforzo. Infine, sottolinea la necessità dell'applicazione dell'apprendimento automatico nel trading di opzioni e si tuffa nelle principali applicazioni che sono sia nella ricerca che nella pratica, nonché le migliori pratiche da tenere a mente quando si applicano le tecniche di apprendimento automatico per il trading di opzioni.

  • 00:05:00 Il relatore introduce il concetto di apprendimento automatico e la sua applicazione in vari campi, in particolare nei servizi finanziari come il trading algoritmico, la gestione del portafoglio e il rilevamento delle frodi. Il focus di questo webinar è sull'applicazione dell'apprendimento automatico per il trading di opzioni. Il relatore spiega che il trading di opzioni comporta l'acquisto o la vendita di contratti di opzioni, che offrono la scelta di acquistare o vendere a un determinato prezzo stabilito e un debito specifico. I trader utilizzano il trading di opzioni per copertura, generazione di reddito o speculazione. Il relatore evidenzia l'elevato rischio connesso al trading di opzioni e spiega come l'apprendimento automatico può aumentare l'accuratezza dell'analisi, riducendo così il rischio. L'apprendimento automatico viene utilizzato nelle opzioni di prezzo, nella progettazione di strategie di trading, nel calcolo della volatilità e nella previsione della volatilità implicita di un'opzione. La sezione si conclude discutendo i limiti del modello Black-Scholes comunemente usato.

  • 00:10:00 Vengono discussi i limiti del modello Black-Scholes, come l'ipotesi di tasso privo di rischio e volatilità costanti, insieme ad altri modelli come il modello German Candy e il modello Heston, che hanno i propri limiti per quanto riguarda i parametri di input. La soluzione proposta è quella di implementare l'apprendimento automatico in sostituzione o combinazione di questi modelli poiché l'apprendimento automatico consente un aumento del set di funzionalità e dei parametri di input estesi, a differenza dei modelli tradizionali. Il modello ML può identificare il prezzo equo delle opzioni utilizzando la volatilità implicita o realizzata, i tassi di interesse e altre caratteristiche come input, consentendo la determinazione del prezzo, la selezione del prezzo di esercizio e le applicazioni di copertura. La ricerca empirica mostra che il modello con le migliori prestazioni è il modello di deep learning con più livelli nascosti, il modello perceptron multistrato, che supera il modello di Black-Scholes, soprattutto quando è fuori dai soldi o ai soldi.

  • 00:15:00 Il video illustra come utilizzare l'apprendimento automatico per ottimizzare le decisioni di trading utilizzando strategie di stato delle opzioni. Il processo generale per un trader prevede l'analisi dell'asset sottostante e la decisione se è rialzista o ribassista e, in base a ciò, la selezione di una strategia. Tuttavia, molte strategie di opzioni sono altamente rischiose con un'inclinazione nella distribuzione rischio-rendimento, quindi l'implementazione dell'apprendimento automatico può migliorare l'analisi dell'asset sottostante e fornire una migliore analisi del sentiment. Lo schema per la costruzione di un'architettura ML prevede l'utilizzo di modelli ML per eseguire analisi del sentiment o prevedere l'asset sottostante. Funzionalità come i rendimenti passati, lo slancio e la volatilità vengono utilizzate per fornire informazioni sull'asset e queste vengono inserite nel modello di apprendimento automatico per classificare se il prossimo periodo di negoziazione sarà rialzista o ribassista. Il video illustra anche le funzionalità utilizzate nei dati dell'indice SP500 e l'importanza dell'analisi delle funzionalità.

  • 00:20:00 Il relatore discute la costruzione di modelli di apprendimento automatico per le decisioni di trading sugli spread delle opzioni verticali. I parametri di input rimangono gli stessi dell'esempio precedente, in cui viene utilizzato un classificatore ad albero delle decisioni per classificare il giorno di negoziazione successivo come rialzista o ribassista. Per trarre vantaggio dalle opzioni, vengono introdotti spread, come spread call rialzisti o spread put ribassisti, dove il rischio è limitato. L'idea di combinare i modelli di apprendimento automatico entra in gioco quando un modello prevede l'intervallo di negoziazione e un altro modello prevede se il contratto sarà altamente volatile o basso. Utilizzando le combinazioni di questi modelli, un trader può decidere le impostazioni ottimali di spread verticale per le strategie di trading, prevedendo anche la volatilità implicita, che è particolarmente importante per il trading di opzioni.

  • 00:25:00 Il relatore spiega come i modelli di apprendimento automatico possono essere utilizzati nel trading di opzioni prevedendo la volatilità implicita e prendendo decisioni calcolate su quale strategia adottare. Inserendo la volatilità implicita storica e altre caratteristiche come input per i modelli di apprendimento automatico, i trader possono prevedere la volatilità e assumere posizioni di conseguenza con strategie come short straddle o short strangle. Il relatore descrive quindi un caso di studio in cui è stato creato un modello di apprendimento automatico per prevedere quale strategia di opzioni implementare in base a un elenco di strategie e funzionalità di input come dati sottostanti e dati di opzioni. Progettando l'universo della strategia ed espandendo lo studio per includere diversi contratti, i trader possono utilizzare l'apprendimento automatico per creare e scegliere la migliore strategia per le loro esigenze di trading.

  • 00:30:00 Il relatore spiega come hanno creato 27 diverse strategie per il trading di opzioni utilizzando varie combinazioni di posizioni e contratti. Hanno filtrato queste strategie fino a 20 rimuovendo le combinazioni che non includevano una posizione in un chiamante o si basavano su combinazioni poco pratiche come gli short straddle. Hanno quindi utilizzato un modello di apprendimento automatico, in particolare un modello di memoria a breve termine lungo, per determinare quale di queste 20 strategie avrebbe fornito i massimi rendimenti. Il modello ha preso le caratteristiche di input da attività, opzioni e volatilità sottostanti e ha utilizzato un sistema di classificazione multiclasse per determinare la migliore strategia da implementare.

  • 00:35:00 Il video illustra l'uso di alcune funzionalità relative ai gradi delle opzioni e la struttura della rete neurale utilizzata per il modello LSTM. Il modello viene addestrato su circa 10 anni di dati e fornisce etichette strategiche basate sulle funzionalità di input. I risultati mostrano che nel tempo sovraperforma l'asset sottostante. Le migliori pratiche suggerite per una migliore previsione dei modelli di machine learning per le opzioni includono l'utilizzo dei livelli di probabilità per la messa a punto, l'utilizzo di più modelli di visione, l'utilizzo della tecnica del classificatore di voto e l'assegnazione dell'output di più classificatori a un altro modello ML per una migliore precisione e redditività.

  • 00:40:00 Il relatore discute i metodi per migliorare le prestazioni di un modello di classificazione per il trading di opzioni come l'utilizzo dei livelli di probabilità, la moltiplicazione degli alberi, la combinazione di diversi classificatori attraverso tecniche eque della classe operaia e l'utilizzo di un modello di apprendimento automatico per prendere l'output di più modelli come input. Il relatore sottolinea inoltre l'importanza dell'ottimizzazione degli iperparametri e delle tecniche di convalida incrociata per una maggiore precisione. Inoltre, viene evidenziata l'importanza del commercio di carta prima di implementare una strategia in quanto consente di identificare eventuali problemi pratici prima di utilizzare denaro reale. Segue una sessione di domande e risposte, con un partecipante che chiede informazioni sull'esperienza del relatore.

  • 00:45:00 Il relatore discute l'uso di Delta nel trading di opzioni, affermando che può essere una strategia redditizia a seconda della capacità di rischio-rendimento e degli asset sottostanti nel portafoglio. Mettono in guardia dal fare affidamento esclusivamente su una strategia di copertura Delta e suggeriscono di utilizzarla insieme ad altre strategie. Il relatore affronta anche domande sull'utilizzo di modelli che non corrispondono ai prezzi di mercato, sul calcolo dell'importanza delle funzionalità e sul periodo di detenzione per lo SPY. Spiegano come calcolare l'importanza delle caratteristiche e affermano che è possibile utilizzare diversi periodi di detenzione per prevedere l'attività sottostante.

  • 00:50:00 Il relatore risponde alle domande degli spettatori relative alle prestazioni della strategia di apprendimento automatico per il trading di opzioni e alla metodologia utilizzata per arrivare alle funzionalità del modello. Spiegano che la performance della strategia non è dovuta esclusivamente alla direzione del mercato nel 2020, poiché i dati utilizzati per il modello risalgono al 2010 e vanno oltre il 2020. Alla domanda sui vantaggi dell'apprendimento automatico rispetto agli indicatori tecnici esistenti, il relatore sottolinea che il trading di opzioni richiede un'analisi più complessa dei dati, comprese le opzioni greche e la volatilità implicita, rendendo l'apprendimento automatico uno strumento prezioso. Infine, il relatore spiega che le caratteristiche del modello sono state selezionate sulla base di una combinazione di esperienza nel trading e decisioni informate.

  • 00:55:00 Il relatore discute i vari fattori che contribuiscono a prendere decisioni di trading informate utilizzando l'apprendimento automatico, come i rendimenti passati e gli indicatori tecnici. Menzionano anche l'uso di funzionalità comunemente utilizzate da trader e broker manuali. In risposta a una domanda sul modello LSTM, spiegano che mentre i risultati attuali si basano su dati giornalieri, anche gli algoritmi di trading ad alta o media frequenza possono utilizzare dati tick-by-tick. Un'altra domanda riguarda il numero di scambi nel set di formazione, a cui spiegano che dipende dal caso e il rapporto era 70:30. Infine, distinguono tra la fusione e l'impilamento dei modelli Ensemble e spiegano come la fusione implica l'acquisizione degli output di più modelli per addestrare un nuovo modello.

  • 01:00:00 Il corso copre le basi dell'apprendimento automatico e la sua applicazione al trading di opzioni. Il corso si concentra sulla creazione di modelli di machine learning specifici per il trading di opzioni SP500, ma i concetti possono essere applicati ad altri contratti con ulteriore formazione e messa a punto. Il corso non fornisce un modello di apprendimento automatico pronto all'uso, ma fornisce le conoscenze e le competenze necessarie per costruirne uno.

  • 01:05:00 In questa sezione, il relatore discute i prerequisiti per il corso e afferma che una conoscenza preliminare dell'apprendimento automatico e dei corsi correlati sarebbe utile per ottenere il massimo da questo corso. Il relatore prende atto anche delle numerose domande pervenute e assicura al pubblico che ad esse verrà data risposta al termine del webinar attraverso un sondaggio. Il webinar si conclude con il relatore che ringrazia il pubblico e lo incoraggia a fornire feedback per migliorare le sessioni future.
Machine Learning for Options Trading | Options Trading Strategies
Machine Learning for Options Trading | Options Trading Strategies
  • 2023.01.19
  • www.youtube.com
This session explains the application of machine learning for options trading. It covers the process of creating options trading strategies using machine lea...
 

Allocazione delle attività di portafoglio con ML e ottimizzazione per azioni da dividendi | Progetto Algo Trading



Allocazione delle attività di portafoglio con ML e ottimizzazione per azioni da dividendi | Progetto Algo Trading

La prima presentazione all'evento è tenuta da Raimondo Mourinho, un ingegnere indipendente di intelligenza artificiale e big data noto per il suo lavoro con piccole e medie imprese in Italia, fornendo soluzioni di intelligenza artificiale per varie funzioni aziendali. Mourinho crede nella combinazione di tecniche di apprendimento automatico, statistiche e probabilità per creare sistemi di trading avanzati. Nella sua presentazione, condivide il suo framework pratico e scalabile per lo sviluppo di modelli di machine learning nell'asset allocation del portafoglio.

Mourinho inizia introducendo i componenti chiave necessari per progettare un tale sistema. Sottolinea l'importanza di adottare una mentalità di portafoglio, utilizzando modelli di apprendimento automatico per convertire le idee in strategie attuabili e sfruttando la potenza delle capacità multi-cpu, multi-core e GPU. Questi ingredienti costituiscono il fondamento della sua struttura. Pur menzionando brevemente la necessità di un'infrastruttura al momento della messa in funzione, si concentra sui blocchi elementari del framework per il trading a frequenza medio-bassa, riconoscendo che la parte finale del framework esula dallo scopo della presentazione.

Il relatore approfondisce quindi le competenze necessarie per costruire un solido framework per l'allocazione delle risorse del portafoglio utilizzando l'apprendimento automatico e l'ottimizzazione per le azioni con dividendi in Python. Sottolinea la necessità di una profonda comprensione delle tecniche di portfolio, della programmazione orientata agli oggetti, delle tecniche di multi-elaborazione e della programmazione asincrona. Inoltre, l'esperienza negli strumenti di ottimizzazione degli iperparametri, nel linguaggio SQL e nella tecnologia Docker è ritenuta preziosa. Mourinho procede spiegando il primo passaggio del framework, che prevede l'ottimizzazione di un database per le serie temporali, la preelaborazione dei dati, la gestione dei dati mancanti e dei valori anomali, la normalizzazione dei dati e l'esecuzione della selezione degli asset all'interno dell'universo degli asset designati.

La presentazione passa a discutere la fase di generazione alfa, che corrisponde alla terminologia dell'apprendimento automatico per la generazione di segnali di trading. Mourinho sottolinea che durante questa fase, i trader incorporano le loro idee utilizzando vari indicatori, analisi del sentiment e modelli econometrici. Il passaggio successivo prevede la selezione delle caratteristiche, in cui le caratteristiche ridondanti, come le caratteristiche costanti e quasi costanti, le caratteristiche non stazionarie e le caratteristiche linearmente correlate, vengono rimosse utilizzando un metodo basato sul rango. Inoltre, cita l'utilizzo della differenziazione frazionaria, una tecnica che mantiene la stazionarietà desiderata preservando le informazioni cruciali all'interno delle caratteristiche. Questi miglioramenti sono parte integrante del framework di Mourinho per l'asset allocation del portafoglio utilizzando l'apprendimento automatico e l'ottimizzazione per le azioni con dividendi.

Il ribilanciamento, che include la selezione delle risorse e l'allocazione del peso, è spiegato in dettaglio nella pipeline di apprendimento. Mourinho utilizza lo slancio trasversale, basato sulla forza relativa tra gli asset, per la selezione degli asset. Per l'allocazione del peso, combina tecniche tradizionali come l'algoritmo della linea critica, il portafoglio a volatilità inversa e il portafoglio a ponderazione uguale con modelli di apprendimento automatico come la parità di rischio gerarchica e il contributo di rischio uguale gerarchico. Il relatore mostra i risultati della simulazione e valuta le prestazioni utilizzando dati storici. Cita anche la sua intenzione di migliorare ulteriormente il portafoglio incorporando tecniche come la strategia Drunken Monkey e la convalida incrociata eliminata combinatoria. Inoltre, Mourinho sottolinea l'importanza di un'efficace gestione del denaro quando si applicano queste tecniche a scenari di trading dal vivo.

Per affrontare la stima della variabilità dei parametri, Mourinho consiglia di utilizzare tecniche come la simulazione Monte Carlo e il bootstrap. Presenta i risultati della sua analisi, concentrandosi sulla ricchezza terminale e sui percentili di prelievo massimo. Il relatore sottolinea l'importanza di rimanere guidati dai dati e di non attaccarsi eccessivamente a specifiche idee di trading. Consiglia inoltre di mitigare il rischio idiosincratico impiegando tecniche diverse ed evitando l'overfitting selezionando sistemi più semplici con prestazioni comparabili. Infine, sottolinea la necessità di monitorare e adeguare continuamente i sistemi di trading dal vivo a causa della natura non stazionaria dei dati delle serie temporali.

Durante la sessione di domande e risposte, Mourinho risponde a diverse domande del pubblico. Un partecipante chiede informazioni sul passaggio più critico della pipeline, al quale Mourinho sottolinea che la pre-elaborazione dei dati è essenziale e richiede tempo. Un'altra domanda riguarda la normalizzazione dei dati e Mourinho suggerisce la pratica comune di sottrarre la media e dividere per la deviazione standard nella maggior parte dei casi. Per quanto riguarda la rimozione della correlazione lineare utilizzando l'analisi delle componenti principali (PCA), ne riconosce la possibilità, ma mette in guardia sulla potenziale perdita di significato nelle caratteristiche e suggerisce di considerare modelli come lo Sharpe Ratio per interpretare i risultati in modo efficace.

Il relatore procede a discutere l'uso della PCA per la selezione delle caratteristiche e il suo potenziale impatto sull'interpretazione delle caratteristiche. Si consiglia agli aspiranti trader quantitativi e algoritmici di considerare EPAT (Executive Program in Algorithmic Trading) come un prezioso punto di partenza. Sottolineano che il programma offre obiettivi di apprendimento completi in linea con i requisiti del settore. Ai partecipanti al webinar viene offerta un'ammissione anticipata estesa al programma e possono prenotare una chiamata di consulenza del corso per capire come può aiutarli a raggiungere i loro obiettivi di carriera, sia che si tratti di stabilire un trading desk algoritmico o incorporare tecnologie e strumenti avanzati nel loro trading strategie.

Kurt Celestog, project manager presso Hong Kong Exchange and Clearing Limited, sale sul palco per condividere il suo progetto sulla gestione del portafoglio, che amplia la lezione di Jay Palmer sulla gestione quantitativa del portafoglio. Il progetto di Celestog si concentra sull'ottimizzazione del rendimento da dividendo attraverso la gestione del portafoglio. Il suo obiettivo è generare un flusso di reddito da dividendi regolare garantendo al contempo stabilità e crescita nei pagamenti dei dividendi, il tutto mantenendo il valore del portafoglio. Mira a superare l'indice di riferimento o l'ETF sia in termini di rendimento da dividendi che di rendimento del prezzo attraverso tecniche di gestione ottimale del portafoglio. Celestog ha affrontato la sfida di acquisire dati sui dividendi e ha sviluppato funzioni di web scraping per scaricarli. Ha diviso il set di dati in due parti, ciascuna delle quali copre dieci anni e comprende recessioni ed espansioni economiche.

Il relatore discute le sfide incontrate durante il processo di pulizia dei dati per l'ottimizzazione del portafoglio azionario dei dividendi. I dati ottenuti dal sito Web non erano puliti e richiedevano modifiche e normalizzazione per esprimere i dividendi in importi in dollari, in particolare con i dividendi anticipati inizialmente presentati come percentuali. I dati sui prezzi sono stati ricavati da Yahoo Finance e sono state calcolate metriche come il rendimento da dividendo annuale, la crescita dei dividendi e la crescita media. È stato derivato un rapporto composito per tutti i titoli selezionati per creare due portafogli: un portafoglio ugualmente ponderato e un portafoglio ottimizzato per il peso. Il relatore mirava ad analizzare se una singola ottimizzazione, seguita da un periodo di detenzione di dieci anni, avrebbe sovraperformato il benchmark e l'ETF.

Il relatore condivide quindi i risultati del progetto di ottimizzazione del portafoglio utilizzando tecniche di apprendimento automatico. I grafici presentati raffigurano bolle verdi nel quadrante in alto a sinistra, che rappresentano i cinque titoli con la metrica combinata più alta. Entrambi i portafogli ponderati in modo uguale e ponderato in modo ottimale hanno mostrato rendimenti medi e rendimenti da dividendi più elevati rispetto al benchmark. Tuttavia, nei dieci anni successivi, i titoli bancari e tecnologici hanno guadagnato maggiore popolarità, causando un calo della performance del portafoglio ottimizzato rispetto al benchmark. Per migliorare le prestazioni, il relatore ha sperimentato il ribilanciamento regolare dei portafogli e la selezione dei migliori cinque titoli in base alla metrica scelta. I portafogli ribilanciati hanno sovraperformato il benchmark e dimostrato un rendimento da dividendi più elevato.

Il relatore sottolinea come l'ottimizzazione del portafoglio e il regolare ribilanciamento possano portare a rendimenti da dividendi più elevati e sovraperformare gli indici di riferimento, in particolare con azioni con dividendi come i Real Estate Investment Trusts (REIT). Ribilanciando i portafogli ogni sei mesi ed esplorando diversi periodi di retrospettiva, l'oratore ha sovraperformato con successo l'indice in termini di rendimento da dividendo medio, crescita dei dividendi, rendimento e riduzioni inferiori. Tuttavia, riconoscono le sfide nell'ottenere e pulire i dati e notano che la funzione di riequilibrio può essere complessa, suggerendo l'uso della programmazione orientata agli oggetti per affrontare questa complessità. Nel complesso, il relatore sottolinea che l'ottimizzazione del portafoglio e il regolare ribilanciamento sono strumenti preziosi per gli investitori.

Il relatore sottolinea che il frequente ribilanciamento del portafoglio è fondamentale per ottenere una sovraperformance. Tuttavia, a causa della scarsa disponibilità di dati sui dividendi per le azioni con dividendi, è difficile ribilanciare più frequentemente di una o due volte l'anno. Il relatore sottolinea inoltre la necessità di ulteriori lavori sul progetto, tra cui l'esplorazione di diversi criteri di ottimizzazione, l'incorporazione di più titoli nel portafoglio per una maggiore diversificazione e lo svolgimento di approfonditi test retrospettivi. Suggeriscono di espandere l'universo delle letture e discutere l'impatto dei costi di transazione sulla performance del portafoglio.

Durante la sessione di domande e risposte, Celestog risponde alle domande del pubblico. Un partecipante chiede informazioni sulla performance del portafoglio con uguale ponderazione rispetto al portafoglio ottimizzato. Celestog spiega che il portafoglio a pari ponderazione ha generalmente ottenuto buoni risultati, ma il portafoglio ottimizzato ha prodotto rendimenti più elevati, a dimostrazione dell'efficacia delle tecniche di ottimizzazione del portafoglio. Un altro partecipante chiede informazioni sull'impatto dei costi di transazione sulla performance del portafoglio. Celestog riconosce che i costi di transazione possono avere un impatto significativo e suggerisce di incorporarli nel processo di ottimizzazione per ottenere una rappresentazione più accurata delle prestazioni del mondo reale. Menziona anche l'importanza di considerare lo slippage negli scenari di trading dal vivo e consiglia ai partecipanti di testare a fondo le proprie strategie utilizzando dati storici prima di implementarle nel trading dal vivo.

Nel complesso, le presentazioni del webinar hanno fatto luce sugli aspetti pratici dell'asset allocation del portafoglio utilizzando l'apprendimento automatico e le tecniche di ottimizzazione per le azioni con dividendi. I relatori hanno sottolineato l'importanza della preelaborazione dei dati, della selezione delle funzionalità, del ribilanciamento e del monitoraggio regolare per ottenere risultati positivi. Hanno anche sottolineato la necessità di apprendimento continuo, adattabilità ed esplorazione di diverse strategie per navigare nella natura dinamica dei mercati finanziari. Il pubblico ha acquisito preziose informazioni sulle sfide, le tecniche e i potenziali vantaggi dell'utilizzo dell'apprendimento automatico nella gestione del portfolio.

  • 00:00:00 La prima presentazione è sull'asset allocation di portafoglio presentata da Raimondo Mourinho. Mourinho è un ingegnere indipendente di intelligenza artificiale e big data che lavora con varie piccole e medie imprese in Italia per elaborare soluzioni end-to-end di intelligenza artificiale per le funzioni aziendali come marketing, risorse umane, vendite e produzione. Crede nella combinazione di tecniche di apprendimento automatico con statistiche e probabilità per progettare sistemi di trading superiori. Nella presentazione, Mourinho condivide il suo framework pratico e scalabile per lo sviluppo del machine learning nell'asset allocation del portafoglio.

  • 00:05:00 Il relatore introduce il framework scalabile per l'allocazione del peso del portafoglio e spiega gli ingredienti necessari per progettare un tale sistema. I tre ingredienti includono la progettazione di un sistema con una mentalità di portafoglio, l'utilizzo di modelli di machine learning per convertire le idee e lo sfruttamento delle capacità multi-cpu, multi-core e GPU. Il relatore condivide anche i blocchi elementari del framework per il trading a bassa-media frequenza e accenna brevemente alla necessità di un'infrastruttura quando va in diretta. L'oratore non copre l'ultima parte del quadro in quanto esula dallo scopo della presentazione.

  • 00:10:00 Il relatore discute le competenze necessarie per costruire un framework per l'asset allocation del portafoglio utilizzando l'apprendimento automatico e l'ottimizzazione per le azioni con dividendi in Python con le lezioni. Sono necessarie competenze come la conoscenza delle tecniche di portfolio, la programmazione orientata agli oggetti, le tecniche di multi-elaborazione e la programmazione asincrona. Importante è anche l'utilizzo di strumenti di ottimizzazione degli iperparametri, la conoscenza del linguaggio SQL e la tecnologia Docker. Il relatore passa quindi a discutere il primo passaggio del framework, che prevede l'ottimizzazione di un database per le serie temporali, la preelaborazione dei dati, la gestione dei dati mancanti e dei valori anomali, la normalizzazione dei dati e l'esecuzione della selezione delle risorse all'interno dell'universo delle risorse.

  • 00:15:00 Il relatore discute la fase di generazione alfa in termini di terminologia di apprendimento automatico, che è comunemente nota tra i trader come la fase di generazione alfa. Durante questa fase, il trader aggiunge tutte le idee che gli vengono in mente utilizzando vari indicatori, analisi del sentiment e modelli econometrici. Il passaggio successivo è la fase di selezione delle caratteristiche, in cui le caratteristiche non necessarie vengono rimosse, comprese le caratteristiche costanti e quasi costanti, le caratteristiche non stazionarie e le caratteristiche linearmente correlate utilizzando un metodo basato sul rango. L'oratore menziona anche l'uso della differenziazione frazionaria, che consente la stazionarietà desiderata pur mantenendo alcune informazioni all'interno della caratteristica stessa. Questi sono i miglioramenti su cui il relatore sta lavorando come parte del suo quadro per l'allocazione delle attività di portafoglio con ML e l'ottimizzazione per le azioni con dividendi.

  • 00:20:00 Il relatore spiega la fase di ribilanciamento della pipeline di apprendimento, che prevede la selezione degli asset e l'allocazione del peso. Per la selezione delle risorse, l'oratore utilizza lo slancio trasversale basato sulla forza relativa tra le risorse. Per l'allocazione del peso, vengono utilizzate tecniche tradizionali come l'algoritmo della linea critica, il portafoglio di volatilità inversa e il portafoglio ponderato uguale insieme a modelli di apprendimento automatico come parità di rischio gerarchico e contributo di rischio uguale gerarchico. Vengono mostrati i risultati delle simulazioni e il relatore valuta le prestazioni utilizzando dati storici. Il relatore prevede di migliorare il portafoglio aggiungendo tecniche come la strategia Drunken Monkey e la convalida incrociata eliminata combinatoria. Infine, il relatore sottolinea l'importanza della gestione del denaro quando si applicano queste tecniche al trading dal vivo.

  • 00:25:00 Il relatore discute l'importanza di stimare l'intervallo di variabilità dei parametri e suggerisce di utilizzare tecniche come la simulazione Monte Carlo e il bootstrap per raggiungere questo obiettivo. Presentano quindi i risultati della loro analisi concentrandosi sulla ricchezza terminale e sui percentili massimi di prelievo. Il relatore sottolinea la necessità di essere guidati dai dati e di non innamorarsi delle idee di trading. Raccomandano inoltre di mitigare il rischio idiosincratico utilizzando tecniche diverse ed evitando l'overfitting scegliendo sistemi più semplici con prestazioni comparabili. Infine, sottolineano la necessità di monitorare e adeguare i sistemi di trading dal vivo a causa della natura altamente non stazionaria delle serie temporali.

  • 00:30:00 I relatori discutono alcune domande del pubblico sull'allocazione delle attività di portafoglio utilizzando il machine learning e l'ottimizzazione per le azioni con dividendi. Un membro del pubblico chiede quale fase della pipeline meriti maggiore attenzione, a cui Raymond risponde che la pre-elaborazione dei dati è essenziale e la fase che richiede più tempo. Un'altra domanda riguarda la normalizzazione dei dati e Raymond suggerisce che la sottrazione della media e la divisione per la deviazione standard funziona bene nella maggior parte dei casi. Infine, alla domanda sulla rimozione della correlazione lineare utilizzando PCA, Raymond afferma che è possibile, ma avverte che potrebbe far perdere il significato della funzione e suggerisce di utilizzare modelli come Sharpe Ratio per spiegare i risultati.

  • 00:35:00 Il relatore discute l'uso della PCA per la selezione delle caratteristiche e la potenziale perdita di significato delle caratteristiche dopo l'applicazione della PCA. Consiglia agli aspiranti trader quantitativi e algoritmici di considerare EPAT come un ottimo inizio e afferma che il programma offre obiettivi di apprendimento completi in linea con le esigenze del settore. L'ammissione anticipata al programma è estesa ai partecipanti al webinar e possono prenotare una chiamata di consulenza del corso per capire come il programma può aiutare a raggiungere i loro obiettivi di carriera, incluso l'avvio di un trading desk algoritmico o l'applicazione di tecnologie e strumenti avanzati nelle loro strategie di trading.

  • 00:40:00 Kurt Celestog, project manager presso Hong Kong Exchange and Clearing Limited, condivide il suo progetto sulla gestione del portafoglio, che estende la lezione del gestore di portafoglio quantitativo di Jay Palmer all'ottimizzazione del rendimento dei dividendi attraverso la gestione del portafoglio. La sua motivazione è ottenere un flusso di reddito da dividendi regolare, garantendo al contempo che i pagamenti dei dividendi siano stabili e crescano nel tempo e che il valore del portafoglio non diminuisca nel tempo. Mira a battere l'indice di riferimento o l'ETF sia in termini di rendimento da dividendi che di rendimento del prezzo attraverso tecniche di gestione ottimale del portafoglio. Celestog ha affrontato la sfida di ottenere i dati sui dividendi e ha dovuto codificare le funzioni di web scraping per scaricarli e ha diviso il set di dati in due parti, di 10 anni ciascuna, che coprivano recessioni ed espansioni economiche.

  • 00:45:00 Il relatore discute le sfide affrontate nella pulizia dei dati per l'ottimizzazione del portafoglio azionario dei dividendi. I dati del sito Web non erano puliti, che dovevano essere modificati e normalizzati affinché i dividendi fossero espressi in importi in dollari con i dividendi anticipati in percentuale. I dati sui prezzi sono stati ottenuti da Yahoo Finance e dai dati sono state calcolate metriche come il rendimento del dividendo annuale, la crescita dei dividendi, la crescita media tra le altre metriche dei prezzi. È stato calcolato un rapporto composito per tutti i diversi titoli selezionati che è stato utilizzato per creare due portafogli, uno ugualmente ponderato e l'altro con peso ottimizzato. Il relatore ha voluto analizzare se una sola ottimizzazione, seguita dal mantenimento del portafoglio per dieci anni, avrebbe sovraperformato il benchmark e l'ETF.

  • 00:50:00 Il relatore discute i risultati dell'ottimizzazione del portfolio con il progetto di machine learning. Il quadrante in alto a sinistra dei grafici mostra bolle verdi che rappresentano i cinque titoli con la metrica combinata più alta. Il relatore ha calcolato i portafogli ponderati in modo uguale e ponderato in modo ottimale, entrambi con un rendimento medio e un rendimento da dividendi più elevati rispetto al benchmark. Tuttavia, nei successivi dieci anni, i titoli bancari e tecnologici sono diventati più popolari e il portafoglio ottimizzato ha iniziato a registrare prestazioni peggiori rispetto al benchmark. Il relatore ha cercato di migliorare le sue prestazioni ribilanciando ogni periodo e selezionando i migliori cinque titoli in base alla metrica scelta. I portafogli ribilanciati sovraperformano il benchmark e hanno un rendimento da dividendi più elevato.

  • 00:55:00 Il relatore discute di come l'ottimizzazione del portafoglio e il regolare ribilanciamento possano ottenere un rendimento da dividendi più elevato e sovraperformare gli indici di riferimento, in particolare con azioni con dividendi come i Real Estate Investment Trusts (REIT). Ribilanciando i portafogli ogni sei mesi e utilizzando diversi periodi di riferimento, il relatore è stato in grado di sovraperformare l'indice sia in termini di rendimento da dividendi medio, crescita dei dividendi, rendimento e minori riduzioni. Tuttavia, l'ottenimento e la pulizia dei dati si è rivelato impegnativo e la funzione di ribilanciamento era complessa, che poteva essere affrontata utilizzando la programmazione orientata agli oggetti. Nel complesso, il relatore suggerisce che l'ottimizzazione del portafoglio e il regolare ribilanciamento possono essere strumenti preziosi per gli investitori.

  • 01:00:00 Il relatore osserva che per ottenere una sovraperformance è necessario un frequente ribilanciamento del portafoglio, ma la scarsa frequenza dei dati sui dividendi per le azioni o le letture dei dividendi rende difficile ribilanciare più frequentemente di una o due volte l'anno. Il relatore sottolinea inoltre la necessità di ulteriori lavori sul progetto, come l'esplorazione di diversi criteri di ottimizzazione, l'aggiunta di più titoli al portafoglio per una maggiore diversificazione e il backtesting più esteso. Suggeriscono anche di estendere l'universo delle letture e degli stock e di mantenere un database personale a causa della storia limitata e del pregiudizio di sopravvivenza. Infine, rispondono alle domande del pubblico sulla regione di mercato limitata utilizzata nel progetto e sulla procedura di ottimizzazione del peso utilizzata.

  • 01:05:00 Il relatore discute di come i valori anomali possono influenzare i modelli di apprendimento automatico, in particolare la regressione lineare e le reti neurali. Questi modelli sono altamente sensibili ai valori anomali e, pertanto, il relatore consiglia di trattare i valori anomali utilizzando tecniche come intervalli interquartili, lazo e regressione della cresta. Tuttavia, suggerisce che i modelli lineari forniscono ancora i migliori risultati nel trading, quindi è importante trattare i valori anomali. Il relatore offre anche consigli su ciò che serve per diventare un algo trader, raccomandando un approccio multidisciplinare che includa la comprensione dei mercati, della microstruttura, delle capacità di codifica e dei concetti di apprendimento automatico.

  • 01:10:00 Il relatore discute l'importanza di imparare e capire come applicare i linguaggi di programmazione, come Python, per diversificare e gestire il proprio portafoglio di investimenti in modo efficace. Sottolineano i vantaggi di seguire un corso completo di trading algoritmico che copre le funzioni di mercato, la codifica e la gestione del rischio, anche per coloro che non intendono impegnarsi nel trading ad alta frequenza. L'intensità e la completezza del corso offrono qualcosa per tutti e forniscono una buona base per l'uso personale nella propria vita finanziaria. I relatori concludono con una discussione sui loro piani futuri e la richiesta di un'ulteriore esplorazione di argomenti relativi all'algo trading nelle prossime sessioni.
Portfolio Assets Allocation with ML and Optimization for Dividend Stocks | Algo Trading Project
Portfolio Assets Allocation with ML and Optimization for Dividend Stocks | Algo Trading Project
  • 2022.12.13
  • www.youtube.com
EPAT project presentations on “Portfolio Asset Allocation with Machine Learning: A Practical and Scalable Framework for Machine Learning Development” by two ...