Commercio quantitativo - pagina 23

[MetaQuotes]

Trading sulla volatilità: fare trading sull'indice della paura VIX

Trading sulla volatilità: fare trading sull'indice della paura VIX

La sessione è iniziata con l'ospite e il relatore ospite che hanno fornito un ordine del giorno per il webinar, che mirava a migliorare la comprensione dei partecipanti della volatilità nei mercati finanziari. Hanno iniziato definendo la volatilità e la sua associazione con il VIX, noto anche come "indice della paura". Il relatore ha approfondito i diversi tipi di VIX e derivati basati su VIX, facendo luce sul loro significato nel trading. La sessione ha incluso anche un approccio pratico al trading del VIX e si è conclusa con una sessione di domande e risposte per rispondere a qualsiasi domanda del pubblico.

Per illustrare il concetto di volatilità, l'host ha utilizzato Tesla come esempio di azione altamente volatile, spiegando come i suoi rendimenti giornalieri oscillano tra -20% e +20%. Questo livello di volatilità lo rende un asset rischioso da gestire. Il conduttore ha sottolineato che il semplice guardare il grafico dei prezzi di un asset non fornisce un'idea chiara della sua volatilità. Invece, sono i rendimenti giornalieri che offrono una migliore indicazione della volatilità di un asset.

Il video ha esplorato ulteriormente l'applicazione della volatilità oltre il trading di opzioni e la sua utilità nel prendere decisioni sull'acquisto di attività nel loro insieme. L'oratore ha classificato la volatilità in base all'entità delle fluttuazioni di un asset, che vanno dalla volatilità alta a quella bassa. È stato effettuato un confronto tra Tesla e l'S&P 500, con l'S&P 500 notevolmente inferiore in termini di volatilità. Sono stati discussi vari metodi di misurazione della volatilità, tra cui deviazione standard e beta, che forniscono valori storici di volatilità. È stato introdotto il concetto di volatilità implicita, che rappresenta l'aspettativa del mercato dei movimenti futuri di un'attività senza specificare la direzione di tali movimenti.

Il webinar si è quindi concentrato sulla spiegazione del calcolo del VIX, o indice di volatilità, e sul suo utilizzo della volatilità implicita da diversi tipi di opzioni su indici per valutare il potenziale di bruschi cambiamenti. Il VIX è comunemente indicato come "indice della paura" ed è rappresentato graficamente in relazione all'S&P 500. Sebbene il VIX in genere miri a rimanere basso, eventi imprevisti possono causarne un picco, portando a un aumento della paura nel mercato. Il calcolo effettivo del VIX è condotto dal CBOE, fornendo ai trader le cifre di cui hanno bisogno per tracciare il viaggio del VIX e la sua relazione con l'indice sottostante. Nel complesso, il VIX funge da strumento essenziale per i trader che cercano di mitigare il rischio nel mercato.

Il relatore ha ulteriormente discusso la relazione tra il VIX e l'S&P 500, sottolineando che il VIX riflette l'aspettativa di volatilità del mercato nel futuro dell'indice e come reagisce durante i periodi di incertezza quando l'S&P 500 subisce un calo. Il relatore ha citato esempi come la guerra commerciale USA-Cina e la pandemia di COVID-19 per illustrare la correlazione tra il VIX e l'S&P 500. Mentre il VIX si sforza di rimanere basso, eventi inaspettati possono portare a un forte aumento della volatilità. Tuttavia, man mano che i trader elaborano nuove informazioni e l'incertezza diminuisce, anche la volatilità diminuisce.

Il concetto di indice della paura o VIX è stato introdotto come misura della paura dei trader riguardo alle notizie negative che hanno un impatto sul mercato. È stato evidenziato che il VIX non è limitato all'S&P 500 ma può essere applicato ad altre aree geografiche, come la borsa australiana, le azioni dell'Eurozona e l'indice Hang Seng, nonché ad altre classi di attività come materie prime e valute. La necessità del VIX nasce perché i trader possono avere aspettative sulla volatilità del mercato, ma non è l'unico fattore nel determinare le decisioni di trading poiché anche le opzioni greche svolgono un ruolo. Pertanto, il VIX funge da strumento per i trader per negoziare opzioni in base alla volatilità del mercato. Sebbene il VIX stesso non disponga di uno strumento di trading, i derivati come futures e opzioni consentono la stima della volatilità futura, facilitando le strategie di trading.

Sono stati discussi i diversi tipi di futures sul VIX disponibili per il trading, inclusi quelli standard, mese vicino, mese prossimo, mese lontano e scadenze settimanali. Il video ha evidenziato che mentre i futures VIX possono essere costosi, ci sono mini-futures disponibili a un decimo del valore, fornendo un'opzione più accessibile per i trader. Inoltre, gli ETF VIX (Exchange-Traded Funds) sono stati introdotti come alternativa al trading di futures VIX. Questi ETF traggono il loro valore dai futures VIX e offrono diverse opzioni in base alle preferenze dei trader. Gli ETF VIX a breve termine, come VIXY, tracciano i futures del mese prossimo e del mese prossimo, mentre gli ETF VIX a medio termine, come VIXM, tracciano i futures a medio termine. Sono stati menzionati anche gli ETF VIX inversi, come SVXY, poiché si muovono nella direzione opposta rispetto ai futures VIX, aumentando di valore quando i futures diminuiscono. I trader possono scegliere tra questi vari tipi di futures VIX ed ETF in base alle loro prospettive di mercato e strategie di trading.

Andando avanti, il video ha esplorato altri derivati basati su VIX, inclusi VIX ETF e VIX ETN (Exchange-Traded Notes). È stato spiegato che gli ETF VIX hanno futures VIX sottostanti, fornendo esposizione alla volatilità del mercato. D'altra parte, gli ETN VIX sono stati evidenziati come privi di un asset sottostante. L'oratore ha menzionato il popolare VXX come esempio di VIX ETN. È stato sottolineato che il trading di derivati basati su VIX comporta dei rischi ed è fondamentale che i trader comprendano questi rischi prima di intraprendere tali attività di trading. Le strategie di test e backtesting in un ambiente di trading cartaceo sono state raccomandate prima di fare trading con capitale reale. Gli ETN, in particolare, comportano il rischio dell'emittente, il che significa che se la società che emette gli ETN non adempie ai propri obblighi, il capitale degli investitori potrebbe essere a rischio. Inoltre, è stato notato che i futures VIX hanno un effetto contango che introduce determinati rischi e considerazioni per i trader.

Il relatore ha approfondito l'argomento della convergenza dei futures VIX mentre si avvicinano alla data di scadenza. Hanno spiegato che con l'avvicinarsi della data di scadenza, i prezzi dei futures VIX tendono a convergere. È stato sottolineato che essere dalla parte giusta del commercio prima di questa convergenza è fondamentale per i trader coinvolti nel trading di futures VIX. Il video ha quindi introdotto una semplice strategia basata sul VIX che prevede l'utilizzo del VIX per coprire un portafoglio durante i periodi di calo andando long sui futures VIX. Questa strategia è stata testata e si è scoperto che produce rendimenti tre volte superiori tra il 2011 e il 2021 se combinata con un portafoglio dell'S&P 500. L'importanza di testare le idee e metterle in pratica in un ambiente di trading cartaceo è stata sottolineata come mezzo per acquisire fiducia prima di implementarle in scenari di trading reali.

Gli host del webinar hanno condiviso informazioni su un corso che hanno sviluppato chiamato "Strategie di trading sulla volatilità per principianti". Il corso si concentra sull'insegnamento ai trader di vari metodi per misurare la volatilità, tra cui ATR (Average True Range), deviazione standard, VIX e beta. Hanno sottolineato l'importanza di dotarsi degli strumenti e delle conoscenze giusti per fare trading senza timore di volatilità. I padroni di casa hanno affermato che il corso è attualmente disponibile con uno sconto del 67% per un periodo di tempo limitato. Inoltre, ai partecipanti al webinar è stato offerto un ulteriore sconto del 10% sul corso utilizzando il codice coupon VTS10. I conduttori hanno anche colto l'occasione per rispondere ad alcune domande del pubblico, comprese le domande sull'attenzione al mercato statunitense durante l'analisi del VIX e se il VIX funge da indicatore anticipatore o ritardato dei movimenti dei prezzi.

Il relatore ha inoltre spiegato la reazione quasi istantanea del VIX all'S&P 500. Sebbene l'intervallo specifico del VIX non sia stato discusso, è stato notato che la volatilità a 30 giorni è annualizzata e rientra in un intervallo compreso tra 0 e 100. Il relatore ha evidenziato diverse fasi del VIX, come la fase medio-bassa che va da 10 a 20 e la fase media da 20 a 25. Il relatore ha riconosciuto che la pastorizia, o la tendenza dei partecipanti al mercato ad agire collettivamente, può avere un impatto sul VIX. Il video menzionava anche la disponibilità di opzioni future per l'India VIX, sebbene la liquidità in tali opzioni sia limitata a causa degli elevati requisiti patrimoniali.

Durante la sessione di domande e risposte, il video ha affrontato diverse domande relative alla volatilità del trading e al VIX. Una domanda riguardava la possibilità di negoziare derivati basati su VIX pur avendo sede in India. La risposta ha indicato che sebbene si tratti di una pratica emergente, alcune piattaforme di trading consentono il trading di derivati basati su VIX in India. Un'altra domanda ha sollevato l'idea di includere il sentimento delle notizie come parametro aggiuntivo nei modelli di prezzo delle opzioni. Il relatore ha spiegato che il VIX appartiene a una classe di attività diversa e non utilizza gli stessi modelli delle altre opzioni. Tuttavia, il video ha riconosciuto che l'analisi del sentiment può svolgere un ruolo nella comprensione delle dinamiche di mercato. Inoltre, il video menzionava brevemente UVIX e SVIX come attività sottostanti che possono essere trattate in modo simile ad altre attività quando si considerano le strategie di trading.

La discussione si è quindi spostata sulle regole di una strategia di portafoglio combinata, menzionata in precedenza nel video. Il relatore ha spiegato i criteri per le regole di ingresso e uscita in questa strategia. La regola di ingresso si concentra sul comportamento dell'S&P 500, dove se è in calo, i trader possono riservare capitale per andare long sul VIX. È stato notato che il VIX generalmente sale quando l'S&P 500 scende. D'altra parte, la regola di uscita considera il comportamento dell'S&P 500 per determinare se è passato da un mercato ribassista e se l'economia nel suo complesso sta andando bene, indicando un mercato rialzista. Ai trader è stato consigliato di valutare le condizioni del mercato prima di prendere decisioni sull'entrata o l'uscita dalle negoziazioni.

Il webinar ha fornito approfondimenti dettagliati sul trading di volatilità, con un'enfasi particolare sul VIX come indicatore chiave. Ha trattato argomenti come la comprensione della volatilità, la misurazione e la classificazione della volatilità, il calcolo del VIX, diversi tipi di derivati basati sul VIX e le strategie per il trading della volatilità. I padroni di casa hanno anche offerto un corso sulle strategie di trading di volatilità per principianti, incoraggiando i trader a dotarsi delle conoscenze e degli strumenti necessari per navigare con fiducia nel mercato. Il webinar si è concluso con una sessione interattiva di domande e risposte, rispondendo a varie domande del pubblico e fornendo ulteriore chiarezza sugli argomenti discussi.

• 00:00:00 L'ospite e il relatore ospite forniscono un ordine del giorno per la sessione, iniziando con la definizione e la comprensione della volatilità nei mercati finanziari. L'oratore continua a spiegare perché il VIX viene definito "indice della paura" e i diversi tipi di VIX e derivati basati su VIX. La sessione include anche un approccio pratico al trading sul VIX prima di terminare con una sessione di domande e risposte. L'host descrive come le persone associano la volatilità a sostanze chimiche o liquidi instabili e spiega come si applica al trading.
  
  
• 00:05:00 Tesla è un buon esempio di azione altamente volatile, con fluttuazioni dei rendimenti giornalieri comprese tra -20% e +20%. Questa forte fluttuazione lo rende un asset rischioso da gestire. Tuttavia, guardare solo il grafico dei prezzi non fornisce un'idea chiara di quanto sia volatile un asset. Sono i rendimenti giornalieri che danno una migliore indicazione della volatilità di un asset.
  
  
• 00:10:00 Il video discute l'uso della volatilità oltre il semplice trading di opzioni e come può essere utile nel prendere decisioni sull'opportunità di acquistare un asset nel suo complesso. Il video spiega che la volatilità può essere classificata in base a quanto oscilla un asset, da alta a bassa volatilità. L'S&P 500 viene utilizzato come confronto con Tesla, poiché ha una volatilità notevolmente inferiore. Il video discute i metodi utilizzati per misurare la volatilità, inclusa la deviazione standard e il beta, che forniscono valori storici di volatilità. Viene inoltre introdotto il concetto di volatilità implicita, che è l'aspettativa del mercato di quanto si muoverà un asset in futuro, ma non fornisce un'idea di quale direzione sarà quella mossa.
  
  
• 00:15:00 Una chiara comprensione di come viene calcolato il VIX, o indice di volatilità, e di come utilizza la volatilità implicita di diversi tipi di opzioni su indici per dare un'idea di quanto possano essere bruschi i cambiamenti. Il VIX viene spesso definito "indice della paura" ed è rappresentato graficamente in relazione all'S&P 500. Il VIX in genere cerca di rimanere basso, ma eventi imprevisti possono farlo salire, da qui l'aspetto della paura. Il duro lavoro alla base del calcolo del VIX è svolto dal CBOE, che fornisce le cifre ai trader, consentendo loro di concentrarsi sul viaggio del VIX e sulla sua relazione con l'indice sottostante. Nel complesso, il VIX è uno strumento importante per i trader che cercano di mitigare il rischio nel mercato.
  
  
• 00:20:00 Il relatore discute la relazione tra il VIX, noto anche come indice della paura, e l'S&P 500. Spiegano che il VIX è l'aspettativa del mercato di quanto sarà volatile l'indice in futuro e come reagirà quando l'S&P 500 scende a causa dell'incertezza. L'oratore utilizza diversi esempi, come la guerra commerciale USA-Cina e la pandemia di COVID-19, per dimostrare la correlazione tra i due. Chiariscono che il VIX cerca di rimanere basso ma può subire un forte aumento a causa di eventi imprevisti, con conseguente aumento della volatilità. Tuttavia, man mano che i trader elaborano nuove informazioni, il livello di incertezza diminuisce, così come la volatilità.
  
  
• 00:25:00 Viene introdotto il concetto di indice della paura o VIX come misura di quanto i trader temono le notizie negative che interessano il mercato. Il VIX non è applicabile solo all'S&P 500, ma può essere applicato anche ad altre aree geografiche come la borsa australiana, le azioni dell'Eurozona e l'indice Hang Seng e persino ad altre classi di attività come materie prime e valute. La necessità del VIX nasce perché i trader possono avere aspettative sulla volatilità del mercato, ma non sarà l'unico fattore nel determinare le decisioni di trading poiché anche le opzioni greche tengono conto. In quanto tale, il VIX funge da strumento per i trader per negoziare opzioni in base alla volatilità del mercato e, sebbene VIX non abbia strumenti di trading, dispone di derivati che consentono la stima della volatilità futura per facilitare il trading. Questi derivati includono futures e opzioni.
  
  
• 00:30:00 Il relatore spiega i diversi tipi di futures VIX disponibili per il trading, che includono scadenze standard, mese vicino, mese prossimo e mese lontano, nonché scadenze settimanali. Mentre i futures VIX possono essere costosi, ci sono mini-futures disponibili a un decimo del valore. Inoltre, gli ETF VIX possono essere utilizzati come alternativa e derivano il loro valore dai futures VIX. Gli ETF VIX a breve termine, come VIXY, tracciano i futures del mese prossimo e del mese prossimo, mentre gli ETF VIX a medio termine, come VIXM, tracciano i futures a medio termine. L'oratore menziona anche gli ETF VIX inversi, come SVXY, che sono completamente inversi ai futures VIX e aumentano di valore quando i futures diminuiscono. In definitiva, i trader possono utilizzare questi diversi tipi di futures VIX ed ETF a seconda della loro visione del mercato.
  
  
• 00:35:00 Vengono discussi i diversi tipi di derivati basati su VIX, compresi gli ETF VIX e le note negoziate in borsa VIX (ETN). Gli ETF VIX hanno futures VIX sottostanti, mentre gli ETN VIX non hanno sottostante. Il VXX è un esempio di un popolare VIX ETN. Tuttavia, è importante notare che ci sono dei rischi con i derivati basati su VIX ed è essenziale comprenderli prima di fare trading. Si consiglia di testare e testare le strategie prima di fare trading con capitale reale. Gli ETN comportano il rischio dell'emittente, il che significa che se la società che emette gli ETN non può mantenere la sua promessa, il capitale dell'investitore è in gioco. Inoltre, i futures VIX hanno un effetto contango che può portare a rischi.
  
  
• 00:40:00 Il relatore discute la convergenza dei prezzi dei futures VIX man mano che si avvicinano alla loro data di scadenza e l'importanza di essere dalla parte giusta del trade prima di negoziare futures VIX. Quindi spiegano una semplice strategia basata sul VIX, che prevede l'utilizzo del VIX per coprire un portafoglio durante i periodi di calo andando long sui futures VIX. Questa strategia è stata testata in un corso sul trading di volatilità e ha portato a rendimenti tre volte superiori tra il 2011 e il 2021, utilizzando un portafoglio combinato di futures S&P 500 e VIX. L'oratore sottolinea la necessità di testare le idee e provarle in un ambiente di trading cartaceo prima di fare trading alla cieca.
  
  
• 00:45:00 Gli host del webinar discutono di un corso che hanno sviluppato chiamato "Strategie di trading sulla volatilità per principianti", incentrato sull'insegnamento ai trader come misurare la volatilità utilizzando vari metodi come ATR, deviazione standard, VIX e beta. Sottolineano l'importanza di disporre degli strumenti e delle conoscenze giusti per fare trading senza temere la volatilità. Il corso è disponibile con uno sconto del 67% per un periodo di tempo limitato e i partecipanti al webinar ricevono uno sconto aggiuntivo del 10% con il codice coupon VTS10. Gli host rispondono anche ad alcune domande del pubblico, incluso il motivo per cui si concentrano sul mercato statunitense durante l'analisi del VIX e se il VIX è un indicatore anticipatore o ritardato dei movimenti dei prezzi.
  
  
• 00:50:00 L'oratore spiega che il VIX ha una reazione quasi istantanea all'S&P 500. L'intervallo del VIX non viene discusso, poiché la volatilità a 30 giorni è annualizzata e mostrata, ma va da 0 a 100. Il VIX tende ad avere una fase diversa tra 10 e 20, che è la fase bassa e media, e tra 20 e 25, che è la fase media. Inoltre, la pastorizia può avere un impatto sul VIX e ci sono opzioni future per l'India VIX, ma non c'è molta liquidità a causa degli elevati requisiti di capitale.
  
  
• 00:55:00 Il video discute varie questioni relative alla volatilità del trading e al VIX. Una domanda riguarda la possibilità di fare trading su derivati basati su VIX mentre ci si trova in India, e la risposta suggerisce che alcune piattaforme di trading lo consentono, sebbene sia ancora una pratica emergente. Un'altra domanda chiede se il sentimento delle notizie può essere incluso come parametro aggiuntivo nei modelli di prezzo delle opzioni. La risposta rileva che il VIX è una classe di attività diversa e non utilizza gli stessi modelli delle altre opzioni. Inoltre, il video discute le attività sottostanti di UVIX e SVIX e suggerisce che possono essere trattate come altre attività da considerare per le strategie di trading. Infine, una domanda affronta le regole per la strategia di portafoglio combinata, che prevede la riservazione di una parte del capitale e il reinvestimento quando l'S&P 500 declina.
  
  
• 01:00:00 Il relatore spiega i criteri per le regole di entrata e uscita in una strategia di portafoglio combinata. La regola di ingresso si basa sul comportamento dell'S&P 500; se è in calo, un trader può riservare del capitale per andare long sul VIX. Il VIX generalmente sale quando l'S&P 500 scende. La regola di uscita, d'altra parte, esamina il comportamento dell'S&P 500 per determinare se è fuori dal mercato ribassista e se l'economia sta andando bene (indicando un mercato rialzista). L'oratore risponde anche a una domanda sul fatto che il VIX segua l'S&P 500 o viceversa, spiegando che il VIX deriva il suo valore dall'S&P 500 e generalmente lo segue, ma i trader possono prendere decisioni basate sui livelli del VIX che possono influenzare l'indice.

[MetaQuotes]

Big Data e il futuro degli investimenti al dettaglio

Big Data e il futuro degli investimenti al dettaglio

I mercati finanziari generano enormi quantità di dati ogni giorno. In questo webinar, il relatore discuterà dell'importanza di lavorare con esso nel contesto degli investimenti e del trading. Spiegherà anche come possiamo sfruttarlo per adattarlo a diversi stili di investimento. Nel processo, spiegherà come coltivare le conoscenze e le competenze necessarie per prosperare e prosperare in questo campo.

00:00 - Introduzione

04:00 - Dichiarazione di non responsabilità

05:44 - Ordine del giorno

11:04 - Dati

14:31 - Big dati

20:01 - L'alba dell'analisi dei dati

23:29 - Panorama attuale del trading e degli investimenti

23:36 - Approccio classico all'analisi dei dati

27:43 - Analisi moderna dei dati

31:29 - Perché e come viene utilizzata l'analisi nei mercati finanziari

37:00 - Tipi di dati

43:58 - Sfide per gli investitori al dettaglio

52:38 - Domande e risposte

[MetaQuotes]

Pairs Trading in Brasile e Short Straddle nei mercati USA [Algo Trading Projects]

Pairs Trading in Brasile e Short Straddle nei mercati USA [Algo Trading Projects]

Il webinar inizia con l'ospite che presenta il Dr. Luis Guidas, un alumni EPAT, che presenta il suo progetto sul trading di coppie nei mercati azionari brasiliani. Il Dr. Guidas è uno sviluppatore di software esperto nel settore delle carte di pagamento e membro della facoltà che insegna compilatori e linguaggi di programmazione presso l'Universidade Federal Fluminense. Ha lavorato a lungo su algoritmi crittografici, protocolli di comunicazione di sicurezza e transazioni elettroniche sicure. Dopo aver completato il programma EPAT nel luglio 2021, è attualmente responsabile dell'analisi quantitativa presso oCam Brasile.

Il Dr. Guidas inizia introducendo il concetto di arbitraggio statistico, che implica l'utilizzo di modelli statistici per trovare coppie di asset che neutralizzano il rischio reciproco. Spiega come le coppie cointegrate possono essere utilizzate per creare una serie temporale stazionaria con media e varianza costanti. Per illustrare ciò, utilizza l'esempio di due ETF che replicano lo stesso indice, che sono quasi perfettamente cointegrati e creano uno spread orizzontale con media e varianza costanti. Afferma che questo processo prevede un periodo di formazione e un periodo di prova per testare a ritroso la strategia.

Successivamente, il Dr. Guidas approfondisce il processo di scambio di coppie e il modo in cui utilizzano una strategia di scambio di bande di Bollinger. Selezionano ticker e settori, trovano coppie quantitative e calcolano il rapporto di copertura per creare il loro spread. Per ogni coppia, calcolano lo spread e adottano una strategia di trading che inverte la media, acquistando quando lo spread è al di sotto della media e vendendo quando è al di sopra della media. Discute anche l'uso dello stop-loss negli algoritmi di ritorno alla media e sottolinea che quando il prezzo si discosta ulteriormente dalla media, aumenta la probabilità che ritorni alla media.

L'oratore introduce una strategia chiamata stop time, che comporta l'uscita da uno spread trade dopo un certo numero di giorni se non si chiude, aiutando a prevenire le perdite. Forniscono un esempio di una strategia della banda di Bollinger per il trading di coppie in Brasile, mostrando la sua redditività su un periodo di un anno. Tuttavia, a causa dei dati limitati, menzionano la distorsione che potrebbe derivare dall'utilizzo solo di società esistenti nel periodo di tempo corrente. Per far fronte a questo, hanno incorporato un altro periodo di formazione dal 2018 al 2020, che ha portato a un numero maggiore di coppie a causa dell'emergere di nuove aziende e settori.

Il Dr. Guidas condivide approfondimenti sulla loro esperienza con il trading di coppie in Brasile e discute la loro metodologia. Semplificano l'analisi dello spread e determinano la durata ideale del periodo di media mobile semplice esaminando l'emivita dello spread. Sottolineano inoltre le sfide affrontate durante il trading nel mercato azionario brasiliano, in particolare la sua liquidità, che limita il numero di coppie valide dopo aver analizzato le prime 100 società. Il relatore fornisce metriche sulle prestazioni, ma riconosce la necessità di miglioramenti e suggerisce approcci come l'ottimizzazione degli iperparametri, i controlli di stazionarietà e l'unione di piccoli settori. Raccomandano di leggere la letteratura sull'argomento, menzionando in particolare i libri del Dr. Chang e del Dr. Hippish.

Durante la sessione di domande e risposte, la dottoressa Grace risponde alle domande del pubblico in merito alle strategie presentate nel video. Spiega che il periodo delle bande di Bollinger è un iperparametro che può essere impostato dinamicamente sulla base di un test della griglia dei periodi di emivita dello spread. Alla domanda sull'utilizzo delle bande di Bollinger per straddles e strangles, suggerisce di chiedere approfondimenti agli esperti di derivati poiché si tratta di operazioni strutturate. La dottoressa Grace affronta anche la questione degli scambi di ripristino non medi e suggerisce di rendere le serie non reversibili che ripristinano la media calcolando il loro primo momento. Un'altra domanda riguarda la correlazione tra Indice Futuro VINFUT e BOVA11, a cui raccomanda di studiare la relazione tra i due per le decisioni di trading.

Successivamente, il Dr. Lewis Elton condivide la sua esperienza con il programma Quantum Trading EPAD e come ha soddisfatto le sue aspettative nel capire perché l'analisi tecnica non sempre funziona nel trading. Sottolinea l'importanza di studiare e seguire corsi per acquisire conoscenza e sconsiglia di tentare di ricreare da solo la conoscenza dell'umanità. Il webinar annuncia anche il lancio del loro primo corso contra in portoghese sul momentum trading.

Siddharth Bhatia prende la parola per discutere di short straddle nei mercati statunitensi. Spiega che uno short straddle comporta la vendita di una chiamata e la messa in quantità uguali al denaro e la realizzazione di un profitto se l'asset sottostante si muove meno del livello di strike venduto. Sebbene la strategia sia pubblicizzata come una strategia di trading sul reddito, Bhatia avverte che le potenziali perdite possono essere molto maggiori dei profitti, specialmente durante i periodi di volatilità del mercato. Cita casi di aziende che sono state spazzate via durante periodi come la pandemia COVID a causa di operazioni a cavallo corto.

L'oratore condivide la propria esperienza con il backtesting di una strategia di short straddle trading utilizzando un approccio meccanico. Hanno venduto 100 unità di straddle at-the-money all'inizio di ogni periodo DTE (Days to Expiry) e hanno mantenuto le posizioni fino alla scadenza senza implementare stop loss o punti di ingresso e uscita sfumati. Hanno condotto il backtesting utilizzando due set di dati, uno con copertura delta e l'altro senza copertura, e hanno utilizzato due diverse versioni con 7 DTE e 60 DTE per coprire diversi periodi di tempo. Hanno recuperato i dati necessari per il backtesting tramite l'API RATS e li hanno elaborati utilizzando i panda Python per ottenere prezzi di acquisto e vendita. Tuttavia, il relatore sottolinea la sfida della creazione del frame di dati, poiché ogni riga richiedeva un'attenzione individuale per garantire la precisione.

Il relatore procede a discutere i risultati del backtest delle strategie di short straddle trading sia nel mercato brasiliano che in quello statunitense. Rivelano che la strategia ha funzionato male in entrambi i mercati, con conseguenti ribassi significativi e un indice di Sharpe basso. Sebbene la copertura delta abbia contribuito a ridurre la deviazione standard del P&L (profitti e perdite), non ha trasformato operazioni perdenti in operazioni redditizie. Il relatore osserva che gli ordini stop-loss sono cruciali in questo tipo di trading e cita documenti accademici che suggeriscono l'uso di filtri di ingresso basati sull'indice VIX e sulla struttura a termine dei futures VIX. La strategia short straddle è considerata redditizia ma rischiosa, poiché richiede una gestione efficace delle perdite attraverso vari metodi.

Durante la sessione di domande e risposte, il relatore risponde a diverse domande degli spettatori. Una domanda riguarda il motivo per cui le posizioni per la strategia non sono coperte alla fine della giornata. L'oratore spiega che la pratica comune è quella di coprire una volta al giorno alla chiusura del mercato in quanto aiuta a ridurre la deviazione standard di profitti e perdite e minimizzare la volatilità a lungo termine. Tuttavia, sottolineano che le tecniche di copertura sono soggette a test e ricerca. Il relatore tocca anche argomenti come il calcolo del CAGR (tasso di crescita annuale composto), i costi di transazione e i vantaggi di mantenere posizioni da sette a dieci giorni invece della vendita giornaliera nella strategia short straddle. Inoltre, sottolineano l'importanza della precedente esperienza nel trading manuale e non algoritmico, poiché prepara i trader alla volatilità del mercato e all'accettazione di perdite a breve termine.

I relatori continuano a rispondere alle domande del pubblico, rispondendo a domande relative al trading di coppie in Brasile e short straddle nei mercati statunitensi. Un ascoltatore chiede se dovrebbero prendere un long straddle se il VIX è intorno a 20, cosa che l'oratore sconsiglia, osservando che di solito comporterebbe una perdita e suggerisce di accorciare l'indice se il VIX è superiore a 20. Un'altra domanda riguarda riconciliare strategie di ingresso opposte quando il VIX è superiore a 30. La raccomandazione è di essere sempre brevi e ignorare il suggerimento di backwardation. I relatori ricevono anche domande sui consigli sui libri, con uno dei relatori che raccomanda vivamente i tre libri di Eun Sinclair.

Il relatore condivide quindi la propria esperienza con il programma ePAD di Quantum City, evidenziando come ha contribuito a colmare le lacune nella loro conoscenza della codifica e dei concetti di trading algoritmico. Sottolineano l'importanza di studiare e diventare uno studente dei mercati. L'oratore incoraggia i nuovi arrivati ad aprire conti demo e acquisire esperienza nell'incassare perdite nel mercato, sottolineando che padroneggiare un'abilità richiede approfondire e seguire più corsi. Sottolineano che il programma ePAD di Quantum City è un ottimo punto di partenza per coloro che cercano di migliorare la loro comprensione dei mercati. Il relatore fa eco ai consigli del Dr. Luis Guidas sull'importanza di studiare e imparare continuamente dal mercato.

Mentre il webinar volge al termine, gli host esprimono la loro gratitudine al Dr. Luiz per aver condiviso le sue preziose intuizioni sul trading di coppie in Brasile. Estendono inoltre il loro apprezzamento al pubblico per la partecipazione attiva al webinar e per aver fornito suggerimenti per argomenti futuri. I padroni di casa riconoscono le sfide legate al lancio di un corso di portoghese, ma esprimono il loro entusiasmo per i numerosi sviluppi in atto all'interno della loro comunità. Incoraggiano il pubblico a condividere il proprio feedback attraverso un sondaggio, consentendo loro di raccogliere preziosi input e idee per sessioni future.

Con caloroso apprezzamento, i padroni di casa salutano il Dr. Luiz e il pubblico, esprimendo il loro entusiasmo per i prossimi webinar e il loro impegno a fornire preziose conoscenze e approfondimenti alla comunità commerciale. Non vedono l'ora di esplorare nuovi argomenti, condividere competenze e promuovere un ambiente di apprendimento fiorente per tutti i partecipanti.

Il webinar ha offerto una panoramica completa del trading di coppie nei mercati azionari brasiliani e delle sfide associate alle strategie di short straddle trading nei mercati statunitensi. I relatori hanno condiviso le loro esperienze, strategie e intuizioni, incoraggiando l'apprendimento e la ricerca continui per navigare in modo efficace nel panorama dinamico del trading.

• 00:00:00 L'ospite presenta il Dr. Luis Guidas, un ex-alunno EPAT che presenta il suo progetto sul trading di coppie nei mercati azionari brasiliani. Il Dr. Guidas ha una vasta esperienza nello sviluppo di software, in particolare nel settore delle carte di pagamento. È anche un membro della facoltà che insegna compilatori e linguaggi di programmazione presso l'Universidade Federal Fluminense. Il Dr. Guidas ha utilizzato un approccio innovativo alla risoluzione dei problemi nella sua carriera di sviluppatore di software e ha lavorato a lungo su algoritmi crittografici, protocolli di comunicazione di sicurezza e transazioni elettroniche sicure. Attualmente è il capo dell'analisi quantitativa presso oCam Brazil dopo aver completato il programma EPAT nel luglio 2021.
  
  
• 00:05:00 Il relatore introduce il concetto di arbitraggio statistico, che è un tipo di trading in cui un trader utilizza modelli statistici per trovare coppie di asset che neutralizzano il rischio reciproco. Il relatore spiega come le coppie co-integrate possono essere utilizzate per produrre una serie temporale stazionaria, che ha una media e una varianza costanti. Usano l'esempio di due ETF che replicano lo stesso indice, che sono quasi perfettamente co-integrati e producono uno spread orizzontale che ha una media e una varianza costanti. Il relatore spiega che questo processo prevede un periodo di formazione e un periodo di prova e viene utilizzato per testare a ritroso la strategia.
  
  
• 00:10:00 Il relatore spiega il processo di scambio di coppie e come viene utilizzata una strategia di scambio di bande di Bollinger. Selezionano ticker e settori e trovano coppie quantitative per ottenere il rapporto di copertura da combinare per creare il loro spread. Per ogni coppia, calcolano lo spread e utilizzano una strategia di trading di ritorno alla media che prevede l'acquisto quando lo spread è al di sotto della media e la vendita quando è al di sopra della media. Il relatore discute anche dell'uso dello stop-loss negli algoritmi di ripristino della media e del motivo per cui potrebbe non essere un buon approccio poiché più il prezzo si allontana dalla media, maggiore è la probabilità che torni alla media.
  
  
• 00:15:00 L'oratore discute una strategia chiamata stop time, che comporta l'uscita da una transazione per uno spread trade dopo un certo numero di giorni se non si chiude, il che può aiutare a prevenire le perdite. Condividono anche un esempio di una strategia della banda di Bollinger per il trading di coppie in Brasile e di come realizza un profitto decente con una transazione di un anno. Tuttavia, a causa dei dati limitati, il relatore ha dovuto utilizzare società esistenti nel periodo di tempo corrente, il che potrebbe causare errori nei risultati del test retrospettivo. Pertanto, hanno utilizzato anche un altro periodo di formazione dal 2018 al 2020 con nuovi dati, che ha portato a un numero maggiore di coppie a causa dell'emergere di nuove aziende e settori.
  
  
• 00:20:00 Il relatore discute la loro esperienza con il trading di coppie in Brasile e fornisce approfondimenti sulla loro metodologia. Parlano dell'utilizzo di un approccio semplificato per analizzare lo spread e l'emivita del commercio per determinare la durata del periodo di media mobile semplice ideale. Sottolineano inoltre le sfide affrontate durante il trading nel mercato azionario brasiliano a causa della sua liquidità, spiegando come solo poche coppie siano sopravvissute dopo aver analizzato le prime 100 società. Il relatore condivide alcune metriche delle prestazioni, ma riconosce che c'è sempre spazio per miglioramenti e suggerisce l'ottimizzazione degli iperparametri, i controlli di stazionarietà e l'unione di piccoli settori come possibili approcci. Raccomandano di leggere la letteratura sull'argomento, in particolare i libri del Dr. Chang e del Dr. Hippish.
  
  
• 00:25:00 Il presentatore risponde a diverse domande del pubblico sulle strategie presentate nel video. Alla domanda sul periodo delle bande di Bollinger, spiega che si tratta di un iperparametro che può essere impostato dinamicamente sulla base di un test della griglia dei periodi di emivita dello spread. In risposta alla domanda se le bande di Bollinger possono essere utilizzate per straddle e strangle, osserva che si tratta di operazioni strutturate con derivati e suggerisce che lavorare con esperti di derivati può fornire approfondimenti migliori. Spiega anche che quando le negoziazioni non sono più invertite, chiude la posizione e suggerisce che invece del pair trading, le serie non reversibili possono essere ripristinate calcolando il loro primo momento. Infine, alla domanda sulla correlazione tra Indice Futuro VINFUT e BOVA11, raccomanda
  studiare la relazione tra i due e utilizzare tali informazioni per le decisioni di trading.
  
  
• 00:30:00 Il relatore parla della sua esperienza con il programma Quantum Trading EPAD e di come ha soddisfatto le sue aspettative nel capire perché l'analisi tecnica non sempre funziona nel trading. Raccomanda di studiare e seguire corsi per acquisire conoscenza e di non essere così arrogante da cercare di ricreare da solo la conoscenza dell'umanità. Il webinar annuncia anche il lancio del loro primo corso contra in portoghese sul momentum trading.
  
  
• 00:35:00 Siddharth Bhatia parla di short straddle nei mercati statunitensi. Gli short straddle comportano la vendita di una chiamata e la messa in quantità uguali al denaro e il guadagno se il sottostante si muove al di sotto del livello del muro venduto. La strategia ha dimostrato di essere redditizia e viene venduta come strategia di trading sul reddito, ma Bhatia avverte che le perdite sono molto maggiori dei profitti, specialmente durante i periodi di volatilità del mercato. Avverte che gli short straddle possono portare a enormi perdite e menziona le aziende che sono state spazzate via durante periodi come la pandemia di COVID.
  
  
• 00:40:00 L'oratore parla di uno short straddle trade e della loro esperienza nel backtesting utilizzando una strategia meccanica in cui hanno venduto 100 unità al money straddle all'inizio di ogni periodo DTE e detenute fino alla scadenza, senza stop loss o voci sfumate o esce. Hanno utilizzato due set, uno con copertura delta e l'altro senza copertura, e due diverse versioni con 7 DTE e 60 DTE per campionare periodi diversi. Hanno utilizzato l'API RATS per recuperare i dati per i loro backtest e hanno utilizzato i panda Python per elaborare i dati per ottenere prezzi di acquisto e vendita. La vera sfida del progetto è stata la creazione del frame di dati poiché ogni riga richiedeva un'attenzione individuale per garantire che i dati fossero corretti. Dopo il backtesting, hanno ottenuto i risultati ed è evidente che il DT settimanale senza copertura delta ha subito grandi ribassi.
  
  
• 00:45:00 Il relatore discute i risultati del backtesting delle strategie di short straddle trading nei mercati brasiliano e statunitense. La strategia ha funzionato male in entrambi i mercati, con un drawdown significativo e un rapporto sharp basso. La copertura delta ha contribuito a ridurre la deviazione standard del P&L, ma non ha reso redditizio un trade in perdita. Il relatore osserva che gli ordini stop-loss sono obbligatori per questo tipo di trading e cita anche documenti accademici che suggeriscono l'uso di filtri di ingresso basati sull'indice VIX e sulla struttura a termine dei futures VIX. La strategia è considerata redditizia ma rischiosa, richiedendo la gestione delle perdite attraverso vari metodi.
  
  
• 00:50:00 L'oratore risponde a diverse domande degli spettatori, incluso il motivo per cui le posizioni per la strategia non sono coperte alla fine della giornata. Spiega che il modo più semplice e comune per coprire è farlo una volta al giorno alla chiusura perché aiuta a ridurre la deviazione standard P&L e minimizzare la volatilità nel lungo periodo. Tuttavia, afferma che le tecniche di copertura sono soggette a test e ricerche. Il relatore menziona anche il calcolo del CAGR, i costi di transazione e i vantaggi di mantenere posizioni da sette a dieci giorni invece di venderle quotidianamente nella strategia short straddle. Inoltre, sottolinea l'importanza di avere una precedente esperienza nel trading manuale e non algoritmico, in quanto prepara i trader alla volatilità del mercato e all'accettazione delle perdite a breve termine.
  
  
• 00:55:00 I relatori rispondono ad altre domande del pubblico sul trading di coppie in Brasile e sugli short straddle nei mercati statunitensi. Un ascoltatore ha chiesto se potevano prendere un long straddle se VIX è intorno a 20, a cui la risposta è stata che di solito si tradurrebbe in una perdita, ed è meglio accorciare l'indice se il mix è superiore a 20. Un'altra domanda riguardava come riconciliare strategie di ingresso opposte mentre si entra in operazioni quando il VIX è superiore a 30. La raccomandazione qui era di essere sempre brevi e ignorare il suggerimento di backwardation. I relatori hanno anche ricevuto domande sui consigli sui libri, con i tre libri di Eun Sinclair altamente raccomandati da uno dei relatori.
  
  
• 01:00:00 Il relatore discute la sua esperienza con il programma ePAD di Quantum City e come lo ha aiutato a colmare le lacune nelle sue conoscenze sui concetti di programmazione e trading algoritmico. Sottolinea l'importanza di studiare ed essere uno studente dei mercati e consiglia ai nuovi arrivati di aprire conti demo e acquisire esperienza nell'incassare perdite nel mercato. Dice anche che padroneggiare un'abilità richiede di approfondire e seguire più corsi, e che il programma ePAD di Quantum City è un ottimo punto di partenza. Il relatore fa eco al consiglio del Dr. Luis Gide sull'importanza di studiare ed essere uno studente dei mercati.
  
  
• 01:05:00 I padroni di casa ringraziano il Dr. Luiz per aver condiviso la sua esperienza sul trading di coppie in Brasile, oltre a ringraziare il pubblico per aver partecipato e suggerito argomenti futuri per i webinar. I padroni di casa menzionano la sfida di iniziare un corso di portoghese, ma sono entusiasti delle molte cose che accadono nella loro comunità. Incoraggiano il pubblico a condividere il proprio feedback attraverso un sondaggio, suggerendo argomenti per sessioni future. I padroni di casa esprimono il loro apprezzamento e salutano il Dr. Luiz e il pubblico.

[MetaQuotes]

Certificato in analisi del sentiment e dati alternativi per la finanza - CSAF™ [SESSIONE INFO GRATUITA]

Certificato in analisi del sentiment e dati alternativi per la finanza - CSAF™ [SESSIONE INFO GRATUITA]

Gli host del webinar iniziano introducendo il programma CSAF (Certificate in Sentiment Analysis and Alternative Data for Finance). Sottolineano che il programma è guidato da due docenti esperti, il professor Gautam Mitra e la professoressa Christina Alvin Sayer. Il programma si estende su cinque mesi e comprende una serie di lezioni volte a fornire sia la teoria di base che casi d'uso pratici presentati da docenti ospiti che sono professionisti nel settore finanziario.

Gli host forniscono una panoramica dei moduli del programma, a partire dai primi due moduli che si concentrano sulle basi del sentimento e dei dati sul sentimento. I moduli 3 e 4 approfondiscono fonti di dati alternative e la loro rilevanza per la previsione e la modellazione finanziaria, inclusi i dati satellitari ed e-mail, nonché l'analisi del testo. Il corso copre anche le basi della modellazione, vari modelli finanziari e l'applicazione dei dati sul sentiment ad aree come la gestione del rischio, l'ottimizzazione del portafoglio e il trading automatizzato. Inoltre, c'è un modulo specificamente dedicato ai dati alternativi, sottolineando il ruolo dell'intelligenza artificiale, dell'apprendimento automatico e dei modelli quantitativi nell'analisi del sentiment.

Ad arricchire ulteriormente il webinar, vengono presentati due ospiti speciali, Amit Arora e Abhijit Desai, che sono alumni CSAF. Condividono le loro esperienze nel seguire la versione precedente del corso chiamato EPAT NSA. Amit spiega come l'orientamento pratico del corso lo abbia aiutato a sviluppare le proprie idee di trading, portandolo a dedicare più tempo al trading vero e proprio, che ha prodotto risultati migliori del previsto. Abhijit sottolinea l'importanza dell'impegno, della dedizione e della curiosità per ottenere il massimo dal corso.

Il webinar include anche discussioni con varie persone che hanno sperimentato il programma CSAF. Condividono le loro sfide e i loro successi nella comprensione e nell'applicazione dell'analisi del sentiment e dei dati alternativi nelle loro strategie di trading. I relatori rispondono alle domande del pubblico, coprendo argomenti come la combinazione di sentiment e trading di volatilità, il significato dei dati alternativi, l'importanza della certificazione negli investimenti e nel trading, l'inclusione dell'analisi del sentiment nelle strategie di trading e la notifica in tempo reale delle notizie in commercio.

Durante il webinar, i relatori sottolineano l'importanza dell'apprendimento strutturato attraverso corsi di certificazione come CSAF per sviluppare una prospettiva e un approccio globale. Sottolineano l'importanza di comprendere i mercati e i modelli finanziari nell'applicazione efficace dell'analisi del sentiment e dei dati alternativi. I relatori sottolineano anche l'applicazione pratica della conoscenza, l'uso di quadri quantitativi e il valore dei casi di studio nel mostrare l'uso dei dati sul sentimento.

I conduttori esprimono la loro gratitudine al pubblico per aver partecipato al webinar e essersi attivamente impegnati con le informazioni sul programma CSAF. Incoraggiano gli spettatori a fornire il loro feedback e le loro domande attraverso un sondaggio e ringraziano i relatori e gli altri per i loro contributi al successo del webinar. I padroni di casa esprimono il loro piacere nel condividere le conoscenze e il loro impegno a promuovere un ambiente di apprendimento per tutti i partecipanti.

• 00:00:00 Gli host del webinar introducono il programma CSAF, che sta per Certificate in Sentiment Analysis and Alternative Data for Finance. Il programma è guidato da due docenti esperti: il professor Gautam Mitra e la professoressa Christina Alvin Sayer. Il programma CSAF offre lezioni che durano più di cinque mesi, coprendo sia lezioni di base per la presentazione della teoria che lezioni di casi d'uso tenute da docenti ospiti che sono professionisti nel settore finanziario. I padroni di casa menzionano anche che ci sarà una sessione di domande e risposte alla fine del webinar e presenteranno due ospiti speciali, Amit Arora e Abhijit Desai, che condivideranno le loro esperienze come alumni CSAF.
  
  
• 00:05:00 Il relatore descrive un programma Certificate in Sentiment Analysis and Alternative Data for Finance e i suoi moduli, che si concentrano sull'insegnamento ai partecipanti del sentiment, dei suoi vari tipi e dell'utilizzo di dati alternativi. I moduli sono forniti da membri della facoltà principale e membri della facoltà ospite, come Antonio Gerni e Classifying Ironing, che condividono la loro conoscenza pratica della finanza e dell'analisi del sentimento. Il programma include anche nove lezioni di base che aiutano a spiegare i concetti in modo più dettagliato. Le lezioni sono supportate da dispense e, al termine del programma, viene sostenuto un esame.
  
  
• 00:10:00 Christina fornisce una panoramica del programma CSAF (Certificate in Sentiment Analysis and Alternative Data for Finance), evidenziando i moduli chiave del corso. I primi due moduli si concentrano sull'insegnamento delle basi del sentimento e dei dati sul sentimento. Passando ai moduli 3 e 4, il corso approfondisce le fonti di dati alternative e la loro rilevanza per la previsione e la modellazione finanziaria, inclusi i dati satellitari ed e-mail e l'analisi del testo. Il corso copre anche le basi e i framework di modellazione, vari modelli finanziari e come i dati sul sentiment possono essere applicati alla gestione del rischio, all'ottimizzazione del portafoglio e al trading automatizzato. Infine, il corso include un modulo sui dati alternativi e sottolinea il ruolo dell'intelligenza artificiale, dell'apprendimento automatico e dei modelli quantitativi nell'analisi del sentiment.
  
  
• 00:15:00 Un alunno di nome Amit condivide la sua esperienza nel seguire la versione precedente del corso chiamato EPAT NSA. Si è iscritto al corso per interesse e non si aspettava molto da esso, ma l'orientamento pratico del corso lo ha aiutato a sviluppare le proprie idee di trading. Dopo aver terminato il corso, si è allontanato dalla consulenza attiva sulla gestione del cambiamento e ha dedicato più tempo allo sviluppo delle proprie idee. Negli ultimi tre mesi ha dedicato la maggior parte del suo tempo al trading vero e proprio, ei risultati sono stati migliori del previsto. Anche un altro alunno di nome Avirup condivide la sua esperienza e sottolinea l'importanza dell'impegno, della dedizione e della curiosità per ottenere il massimo dal corso.
  
  
• 00:20:00 Diverse persone discutono delle loro esperienze con il corso CSAF (Certificate in Sentiment Analysis and Alternative Data for Finance). Un individuo spiega che stavano cercando qualcosa di stimolante in termini di trading di algoritmi e hanno scoperto che i dati e le notizie sul sentiment sono difficili da analizzare e distinguere quale conoscenza è utile per fare soldi. Tuttavia, il corso li ha aiutati a comprendere Python ea sviluppare i propri modelli. Il linguaggio utilizzato per i moduli di machine learning è principalmente Python, con alcune persone che usano anche R. Anche il webinar è stato registrato e verrà condiviso con i partecipanti registrati che non hanno potuto partecipare.
  
  
• 00:25:00 I relatori discutono del primer, che è un insieme di aree tematiche necessarie per avere un background per applicare l'analisi del sentiment o alcuni dati al trading. Include informazioni sulle autorità relative alla previsione delle anomalie o su come eseguire la misurazione delle prestazioni. Il primer non ha una durata prefissata in quanto viene consegnato agli studenti prima dell'inizio del corso. Ogni modulo, invece, ha una durata di circa tre ore per lezione del sabato, a cui si affiancano gli appunti delle lezioni. Le lezioni sui casi d'uso variano in durata da una a due ore e includono sessioni di domande e risposte con docenti ospiti. In risposta alla domanda di uno spettatore sulla necessità dell'analisi del sentimento per il trading, i relatori spiegano che l'analisi del sentimento può aiutare a trovare fonti di alfa o ottenere ritorni sugli investimenti, anche se l'efficienza del mercato alla fine assimila tutto il sentimento e le notizie.
  
  
• 00:30:00 I relatori discutono di come l'analisi del sentiment fornisca dati preziosi per le decisioni di trading grazie alla sua capacità di analizzare rapidamente e quantitativamente le notizie che hanno un impatto sulle attività di mercato. Notano che l'analisi del sentiment è diventata sempre più importante con l'abbondanza di dati disponibili da fonti come Twitter e altri social media. I relatori affrontano anche la questione del tipo di fonti di dati generalmente utilizzate per l'analisi del sentiment e menzionano che i notiziari e le piattaforme di social media sono fonti comuni, ma che l'utilizzo di questi dati richiede l'autorizzazione dei fornitori. Toccano anche l'argomento dell'utilizzo dei grafici di Vader per l'analisi del sentimento.
  
  
• 00:35:00 I relatori discutono dell'analisi dei sentimenti e dell'elaborazione del linguaggio naturale in relazione all'analisi finanziaria. Spiegano come i dati sul sentiment, che sono già stati analizzati e calcolati dai fornitori di sentiment, possono essere utilizzati in modo quantitativo per ottimizzare i portafogli e prendere decisioni di asset allocation. Citano anche i principali attori del settore come Bloomberg e Graffiti che forniscono tali dati. I relatori mettono in guardia dall'usare l'elaborazione del linguaggio naturale esclusivamente per scopi commerciali e sottolineano l'importanza di comprendere i mercati finanziari per utilizzare efficacemente l'analisi dei dati. In risposta a una domanda sul perseguire una carriera nell'analisi dei dati o nell'intelligenza artificiale, i relatori sottolineano la necessità di avere una forte comprensione dei mercati e dei modelli finanziari per applicare l'analisi dei dati in modo efficace.
  
  
• 00:40:00 I relatori rispondono alle domande degli spettatori. La prima domanda riguarda la combinazione di sentimenti e trading di volatilità e, sebbene non sia trattata direttamente nel corso, gli istruttori forniscono strumenti e metodi per raggiungere questo obiettivo. Dicono che il trading coinvolto in questo indice, o equivalente in altri mercati, è un argomento importante, ma è nel dominio della ricerca all'avanguardia. La domanda successiva chiede cosa si intende per dati alternativi, che i relatori spiegano è una nuova area di crescita nel mercato, riferendosi ai dati forniti dai partecipanti al mercato che influenzano il mercato, come i dati sul sentiment o le notizie. Aggiungono che i dati satellitari, le caselle di posta elettronica e gli ordini di aziende come Amazon o fornitori di pizze sono tutti esempi di dati alternativi.
  
  
• 00:45:00 I relatori discutono dell'importanza della certificazione negli investimenti e nel trading. Sebbene sia utile imparare da tutte le fonti, l'apprendimento strutturato attraverso corsi di certificazione è necessario per sviluppare una prospettiva e un approccio che l'apprendimento non strutturato non può fornire. Tuttavia, le società commerciali non fanno sempre affidamento sul certificato stesso. Affrontano anche una domanda sull'importanza delle notizie politiche quotidiane e di altre notizie nel trading. Sebbene la conoscenza tecnica sia importante, stare al passo con gli eventi attuali può offrire ai trader una migliore comprensione delle tendenze del mercato e aiutarli a prendere decisioni più informate.
  
  
• 00:50:00 I relatori discutono dell'inclusione dell'analisi del sentiment nelle strategie di trading. Spiegano che mentre l'analisi tecnica e il trading sono ben noti, anche l'effetto delle notizie e del sentiment viene preso in considerazione in varie strategie. I trader informati prendono le notizie e le analizzano prima di utilizzare la discrezione per fare scambi, mentre i trader rumorosi reagiscono immediatamente alle notizie. Suggeriscono inoltre che la combinazione di diversi modelli e informazioni, inclusa l'analisi del sentiment, può portare a decisioni più informate. Quando si tratta di sentiment individuale, il fornitore di sentiment può avere un pool di persone rilevanti per il mercato ed è spesso utile filtrare i professionisti del mercato finanziario per l'analisi del sentiment dei social media.
  
  
• 00:55:00 I relatori spiegano se il corso copre la notifica in tempo reale di notizie e comunicati stampa, che è importante nel trading automatico o sistematico. Spiegano che mentre l'arrivo delle notizie è cruciale nell'analisi del sentiment e può influenzare rapidamente i rendimenti, non può dominare una strategia di trading. Il corso è orientato all'applicazione e pratico, ma anche la teoria fondamentale è importante per fornire un modo strutturato di rappresentare le informazioni. I relatori sottolineano l'uso di quadri quantitativi e studi di casi interessanti per evidenziare l'uso dei dati sul sentiment.
  
  
• 01:00:00 I relatori discutono di come il rigore accademico possa essere applicato al trading e di come il corso CSAF si differenzia dal corso EPAT. Il corso EPAT copre l'apprendimento automatico e le competenze di Python, ma il corso CSAF aggiunge ulteriori conoscenze nell'analisi del sentiment e dati alternativi nel contesto di casi d'uso e casi di studio. I relatori rispondono anche a un'ultima domanda su come il corso CSAF possa beneficiare qualcuno che ha già seguito il corso EPAT, con Amit e Abhijit che sottolineano che il corso CSAF si basa sulle basi fornite dal corso EPAT e fornisce ulteriori conoscenze e competenze per sviluppare proficui idee commerciali. La sessione si conclude con un promemoria per porre eventuali domande aggiuntive nel sondaggio e un ringraziamento ai relatori per il loro tempo.
  
  
• 01:05:00 I relatori esprimono la loro gratitudine al pubblico per aver partecipato alla sessione informativa sul programma Certificate in Sentiment Analysis and Alternative Data for Finance (CSAF). Incoraggiano gli spettatori a esprimere le loro domande e preoccupazioni sul programma e ringraziano tutti per la loro partecipazione. I relatori concludono il video ringraziandosi a vicenda per averlo reso un successo ed esprimono il loro piacere nel condividere la conoscenza con gli altri.
  

[MetaQuotes]

Come impostare il trading automatico

Come impostare il trading automatico

Durante la presentazione, il relatore approfondisce i vantaggi del trading automatico e le ragioni per cui l'automazione è necessaria. Sottolineano che il trading automatizzato consente ai trader di gestire un numero maggiore di asset contemporaneamente ed eseguire operazioni in base a regole predefinite. Questo approccio aiuta a ridurre il rischio di errori ed elimina il trading guidato dalle emozioni. Il relatore sottolinea che l'automazione semplifica il processo effettuando automaticamente gli ordini una volta soddisfatte le regole specificate, eliminando qualsiasi ritardo. Inoltre, spiegano che l'automazione libera tempo e risorse dei trader, consentendo loro di concentrarsi sullo sviluppo di migliori strategie di trading.

L'oratore affronta un malinteso comune sull'automazione che sostituisce completamente l'intervento umano. Sottolineano l'importanza di analizzare regolarmente le prestazioni di sofisticati sistemi di trading automatizzati per apportare modifiche alla strategia di trading quando necessario. Sottolineano che l'automazione consente ai trader di esplorare altre attività o risorse che potrebbero non aver tentato manualmente. La presentazione passa quindi a discutere le tre fasi essenziali del trading: acquisizione dei dati, analisi (che può essere basata su regole o discrezionale) ed esecuzione delle negoziazioni.

Per automatizzare una parte del processo di negoziazione, il relatore consiglia di utilizzare i dati e la codifica per recuperare i dati storici per le risorse preferite. Dicono che Google Finance ha integrato la sua API in Fogli Google, consentendo agli utenti di recuperare facilmente i dati specificando parametri come il simbolo del ticker, le date di inizio e di fine e il tipo di dati. Questi dati raccolti possono essere utilizzati per creare grafici dei prezzi, eseguire calcoli (ad esempio, generare indicatori personalizzati o calcolare variazioni percentuali) e automatizzare il processo di raccolta dei dati, semplificando le strategie di trading.

Una dimostrazione nel video mostra il processo di backtesting di una strategia di trading utilizzando l'indicatore Relative Strength Index (RSI) sui dati passati. Il valore RSI, compreso tra 0 e 100, determina l'azione intrapresa. Se il valore RSI è inferiore a 30, indicando che l'asset è ipervenduto, diventa attraente per gli acquirenti, spingendoli ad acquistare l'asset. Un valore compreso tra 30 e 70 suggerisce nessuna azione, mentre un valore superiore a 70 indica che l'asset è ipercomprato, provocando una svendita. Il relatore convalida l'efficacia di queste regole automatizzando il backtest sui dati passati, utilizzando la programmazione visiva su un set di dati azionari statunitensi.

Il relatore introduce la piattaforma Blue Shift per il trading automatico, che offre funzionalità come backtesting, trading cartaceo e trading dal vivo. Sottolineano che la piattaforma fornisce opzioni di programmazione visiva che non richiedono conoscenze di codifica. Il relatore dimostra l'impostazione di una strategia di trading utilizzando l'indicatore RSI e spiega le condizioni per assumere posizioni lunghe e corte. Infine, presentano i risultati del backtest, che mostrano un rendimento del 14%, un indice di Sharpe di 1,22 e un drawdown massimo di meno 13%. Nel complesso, Blue Shift è elogiato come una piattaforma user-friendly per la creazione e il test di strategie di trading automatizzato.

Il relatore passa a discutere il processo di implementazione di una strategia di trading automatizzato nel trading dal vivo. Raccomandano di iniziare con il paper trading, che utilizza dati in tempo reale ma non denaro reale, per osservare le prestazioni della strategia nell'attuale contesto di mercato. L'oratore guida il pubblico attraverso le fasi di impostazione del trading cartaceo e della transizione al trading dal vivo, inclusa la selezione di un broker, la determinazione dell'allocazione del capitale e la conferma degli ordini. Sottolineano l'importanza di monitorare regolarmente le prestazioni della strategia e apportare le modifiche necessarie. Il relatore menziona anche che le sessioni precedenti riguardanti il trading dal vivo utilizzando altre piattaforme sono disponibili sul loro canale YouTube.

Sebbene non tutti i broker offrano API per il trading automatizzato, il relatore evidenzia Interactive Brokers come una piattaforma disponibile nella maggior parte delle regioni, fornendo supporto API. Dicono che l'utilizzo di un bridge IBridge Py con Interactive Brokers consente l'automazione degli scambi da qualsiasi parte del mondo, inclusa Singapore. Il relatore osserva che mentre è possibile ottenere dati per le azioni NSE, è essenziale trovare il simbolo ticker appropriato e utilizzare Yahoo Finance per accedere ai dati storici necessari.

L'oratore spiega che i dati a livello di minuto non sono ampiamente disponibili gratuitamente e sottolinea che i requisiti dei dati diventano più esigenti a quel livello. Per ottenere dati a livello di minuto, il relatore suggerisce di aprire un conto con un broker come Interactive Brokers. Tuttavia, menzionano che, a seconda della geografia e del broker scelto, potrebbe essere richiesta una commissione. Il relatore accenna brevemente alla funzione di frequenza degli scambi e invita il pubblico a consultare la documentazione di Blue Shift per ulteriori informazioni sulla creazione di una strategia di trading. Sottolineano inoltre l'importanza di stabilire livelli di stop-loss quando si sviluppa una strategia di trading.

Andando avanti, l'oratore discute l'importanza di impostare livelli di stop loss appropriati per diversi tipi di asset. Raccomandano di utilizzare diversi valori di stop loss in base alla volatilità degli asset, con stop loss più elevati per gli asset che subiscono fluttuazioni di prezzo significative, come Tesla. Il relatore osserva inoltre che la determinazione dei valori ideali per alfa e beta dipende dagli obiettivi del trader e dal periodo di tempo desiderato per ottenere una percentuale specifica di profitto. Inoltre, rispondono a domande riguardanti l'automazione del trading nei mercati indiani, il monitoraggio delle strategie e la creazione di strategie di opzioni utilizzando la piattaforma. Infine, il relatore sottolinea l'importanza di rimanere vigili durante eventi di mercato imprevisti e determinare se sospendere il trading o continuare in base alla capacità della strategia di resistere alla volatilità.

L'oratore si espande ulteriormente sull'automazione nel trading e su come funziona. Spiegano che l'automazione è disponibile per i mercati indiani attraverso la piattaforma Blueshift, che facilita le strategie di backtesting e il trading dal vivo attraverso partnership con vari broker. Sottolineando l'importanza di avere regole predefinite nel trading, il relatore sottolinea il valore di testare queste regole attraverso il backtesting e il paper trading, che utilizza denaro virtuale per valutare le prestazioni della strategia nelle attuali condizioni di mercato. Il relatore menziona anche che l'apprendimento automatico può essere applicato nel trading ed è supportato da Blueshift per lo sviluppo di strategie di trading.

Affrontando la possibilità del trading automatizzato sui dispositivi mobili, il relatore riconosce che mentre le piattaforme basate su dispositivi mobili potrebbero non essere ricche di funzionalità come le piattaforme basate sul Web, il trading automatizzato sui telefoni cellulari potrebbe diventare più diffuso man mano che il settore si sposta verso soluzioni basate su cloud . Suggeriscono che i principianti inizino in piccolo e gradualmente espandano le loro conoscenze imparando di più e stabilendo una regola o strategia di trading. Il relatore sottolinea che Blue Shift, una piattaforma di apprendimento, backtesting e trading, è completamente gratuita e può essere utilizzata per sperimentare strategie di trading. Rispondono anche alle domande riguardanti le funzionalità della piattaforma e menzionano i piani per aggiungere altri broker in futuro. Infine, l'oratore risponde a una domanda sul trading automatico di Bitcoin su qualsiasi piattaforma.

Per quanto riguarda il supporto del broker per il trading automatico, il relatore chiarisce che non tutti i broker offrono questa funzionalità e gli utenti dovrebbero verificare se la piattaforma scelta la supporta. Spiegano che il settore si sta spostando sempre più verso il trading automatizzato, con la maggior parte degli ordini eseguiti con l'assistenza di sistemi di trading automatizzati. In termini di combinazione di apprendimento automatico, reti neurali e intelligenza artificiale per il trading algoritmico, il relatore descrive il processo di addestramento e test dei dati su un modello di apprendimento automatico e sfruttando l'output previsto per il trading algoritmico. Infine, rispondono a una domanda di un professionista che lavora, osservando che il trading automatico può aiutare i professionisti a gestire le attività di trading riducendo al minimo il tempo davanti allo schermo, consentendo loro di concentrarsi sulle esigenze del proprio lavoro.

Il relatore ribadisce che l'automazione di una strategia di trading è fattibile per i professionisti che lavorano, ma è fondamentale rivedere periodicamente le prestazioni del sistema automatizzato poiché le condizioni di mercato possono cambiare. Suggeriscono che mentre è possibile creare una strategia di trading senza imparare Python o qualsiasi linguaggio di programmazione utilizzando varie piattaforme, le strategie avanzate possono richiedere competenza in Python o altri linguaggi di programmazione. L'oratore rassicura il pubblico che imparare Python non è così impegnativo come potrebbe sembrare e può fornire un ulteriore vantaggio. Sottolineano l'importanza di valutare regolarmente le prestazioni per modificare la strategia di conseguenza.

Infine, il relatore invita il pubblico a compilare un sondaggio per eventuali domande senza risposta e lo incoraggia ad approfittare di un'offerta a tempo limitato, prevedendo uno sconto del 70% e un ulteriore sconto del 25% per l'iscrizione a tutti i corsi. Esprimono gratitudine per il supporto ricevuto e assicurano al pubblico il loro impegno a organizzare più webinar in futuro. L'oratore chiede suggerimenti su potenziali argomenti per pianificare sessioni migliori che soddisfino gli interessi e le esigenze del pubblico. Concludendo la presentazione, il relatore porge calorosi auguri per un felice Holi ed esprime apprezzamento a tutti i partecipanti per la loro partecipazione alla sessione.

• 00:00:00 Il relatore discute i vantaggi del trading automatizzato e perché è necessaria l'automazione. Con l'automazione, i trader possono gestire un numero maggiore di asset in parallelo ed eseguire operazioni in base a regole predeterminate, riducendo il rischio di errori ed evitando il trading guidato dalle emozioni. Il processo è semplificato in quanto il sistema effettua l'ordine automaticamente una volta soddisfatte le regole, evitando qualsiasi ritardo. Inoltre, il relatore spiega che l'automazione può liberare tempo e risorse affinché i trader possano concentrarsi sullo sviluppo di migliori strategie di trading.
  
  
• 00:05:00 Il relatore discute il malinteso sull'automazione che elimina completamente l'intervento umano e sottolinea l'importanza di analizzare regolarmente le prestazioni di sofisticati sistemi di trading automatizzati per adattare la strategia di trading quando necessario. L'uso dell'automazione consente ai trader di concentrarsi su altre attività o risorse che altrimenti non avrebbero provato manualmente. Il relatore passa quindi a discutere le tre fasi del trading, a partire dall'acquisizione dei dati, seguita dall'analisi, che può essere basata su regole o discrezionale, e infine dall'esecuzione delle negoziazioni.
  
  
• 00:10:00 Se desideri automatizzare parte del tuo processo di trading, puoi utilizzare i dati e la codifica per recuperare i dati storici delle tue risorse preferite. Google Finance ha integrato la propria API in Fogli Google, semplificando il recupero dei dati semplicemente digitando parametri come il simbolo del ticker, le date di inizio e di fine e il tipo di dati. Questi dati possono quindi essere utilizzati per creare grafici dei prezzi o eseguire calcoli, come creare i propri indicatori o calcolare le variazioni percentuali. Con questo strumento, i trader possono automatizzare il loro processo di raccolta dei dati e semplificare le loro strategie di trading.
  
  
• 00:15:00 Il video mostra come eseguire il backtest o provare una strategia di trading utilizzando l'indicatore Relative Strength Index (RSI) sui dati passati. Il valore RSI è compreso tra 0 e 100 e, a seconda del suo valore, viene intrapresa un'azione diversa. Se il valore RSI è inferiore a 30, significa che l'asset viene venduto da molte persone, rendendo il prezzo interessante per gli acquirenti, quindi acquistano l'asset. Se il valore RSI è compreso tra 30 e 70, non viene intrapresa alcuna azione e se il valore RSI è superiore a 70, significa che le persone hanno acquistato l'asset, spingendo il livello del prezzo in alto, quindi è un buon momento per uscire dal commercio vendere il bene. L'efficacia di queste regole viene quindi verificata automatizzando i test retrospettivi sui dati passati utilizzando la programmazione visiva su un set di dati azionari statunitensi.
  
  
• 00:20:00 Il relatore discute dell'utilizzo della piattaforma Blue Shift per il trading automatizzato, che consente agli utenti di eseguire backtest, scambi di carta e go live. La piattaforma offre una programmazione visiva che non richiede codifica. L'oratore dimostra l'impostazione di una strategia di trading utilizzando l'indicatore RSI e spiega le condizioni lunghe e corte. Infine, mostra i risultati del backtest, che offrono un rendimento del 14 percento, uno Sharpe ratio di 1,22 e un drawdown massimo di meno 13. Nel complesso, Blue Shift è una piattaforma user-friendly per creare e testare strategie di trading automatizzato.
  
  
• 00:25:00 Il relatore discute il processo di attivazione di una strategia di trading automatizzata. Raccomanda di iniziare con il trading cartaceo, utilizzando dati in tempo reale ma non denaro reale, per vedere come si comporta la strategia nell'attuale contesto di mercato. L'oratore illustra il processo di impostazione del trading cartaceo e quindi l'attivazione dal vivo, inclusa la selezione di un broker, l'impostazione del capitale e la conferma degli ordini. Sottolinea l'importanza di monitorare regolarmente le prestazioni della strategia e di adeguarsi secondo necessità. L'oratore menziona anche che ci sono sessioni precedenti disponibili sul loro canale YouTube che coprono il trading dal vivo utilizzando altre piattaforme.
  
  
• 00:30:00 Sebbene non tutti i broker offrano API, Interactive Brokers è una piattaforma disponibile quasi ovunque e offre API per il trading automatico. Un bridge IBridge Py può essere utilizzato con Interactive Brokers per automatizzare le negoziazioni da qualsiasi parte del mondo, inclusa Singapore. È importante notare che è anche possibile ottenere dati per le azioni NSE, ma è necessario cercare il simbolo ticker appropriato e utilizzare Yahoo Finance per ottenere i dati storici necessari.
  
  
• 00:35:00 L'oratore spiega come i dati a livello di minuti non siano ampiamente disponibili gratuitamente e che i requisiti dei dati diventino elevati a quel livello. Suggerisce di aprire un conto con un broker come Interactive Brokers per ottenere dati a livello di minuto, ma menziona che potrebbe essere richiesta una commissione a seconda della geografia e del broker scelto. L'oratore tocca brevemente la funzione della frequenza di trading e raccomanda la documentazione Blue Shift per ulteriori informazioni sulla creazione di una strategia di trading. Chiariscono inoltre che Blue Shift può essere utilizzato per la programmazione visiva o la codifica e che i livelli di stop loss dovrebbero essere impostati durante la creazione di una strategia di trading.
  
  
• 00:40:00 Il relatore discute l'importanza di impostare livelli di stop loss appropriati per diversi tipi di asset. Raccomanda di utilizzare stop loss diversi per asset diversi in base alla loro volatilità, con stop loss più elevati per asset con tassi di fluttuazione elevati come Tesla. Il relatore osserva inoltre che i valori ideali per alfa e beta dipendono dagli obiettivi del trader e dal periodo di tempo in cui desidera ottenere una determinata percentuale di profitto. Inoltre, il relatore risponde a domande sull'automazione del trading nei mercati indiani, sul monitoraggio delle strategie e sulla capacità di creare strategie di opzioni con la piattaforma. Infine, il relatore sottolinea l'importanza di rimanere vigili in caso di eventi di mercato imprevisti e di determinare se interrompere del tutto le negoziazioni o continuare in base alla capacità della strategia di resistere alla volatilità.
  
  
• 00:45:00 Il relatore parla dell'automazione nel trading e di come funziona. Spiegano che l'automazione è disponibile per i mercati indiani attraverso la piattaforma Blueshift, che consente agli utenti di eseguire il backtest delle strategie e del pay-per-trade o del commercio dal vivo attraverso partnership con vari broker. Il relatore sottolinea l'importanza di avere determinate regole nel trading e di poterle testare attraverso il backtesting e il paper trading, che utilizza denaro virtuale per vedere come si comporta la strategia nel mercato attuale. Il relatore menziona anche che l'apprendimento automatico può essere applicato nel trading ed è supportato da Blueshift per le strategie di trading.
  
  
• 00:50:00 Il relatore discute la possibilità di utilizzare il trading automatico su un telefono cellulare, osservando che mentre le piattaforme basate su dispositivi mobili non sono ricche di funzionalità come quelle basate sul Web, il trading automatico potrebbe presto arrivare sui telefoni cellulari poiché tutto si sta muovendo verso l'essere più basati sul cloud. L'oratore suggerisce che i principianti possono iniziare in piccolo e farsi strada imparando di più e mettendo in atto una regola o una strategia di trading. Il relatore menziona anche che Blue Shift, una piattaforma di apprendimento, backtesting e trading, è completamente gratuita e può essere utilizzata per provare strategie di trading. Inoltre, rispondono alle domande sulla piattaforma e notano che in futuro verranno aggiunti altri broker. Infine, l'oratore riconosce una domanda sull'utilizzo di qualsiasi piattaforma per il trading automatico di bitcoin.
  
  
• 00:55:00 Il relatore affronta la questione se il trading automatico è supportato da tutti i broker e chiarisce che non tutti i broker offrono supporto per il trading automatico e gli utenti dovranno verificare se la piattaforma utilizzata lo supporta. Il relatore osserva che il settore si sta in gran parte spostando verso il trading automatizzato, con la maggior parte degli ordini effettuati con l'aiuto di sistemi di trading automatizzati. Per quanto riguarda la combinazione di machine learning, reti neurali e intelligenza artificiale per il trading di algoritmi, il processo prevede l'addestramento e il test dei dati sul modello di machine learning, utilizzando l'output previsto per il trading di algoritmi. Infine, il relatore risponde a una domanda di un professionista che lavora e osserva che il trading automatico può essere utilizzato per aiutarli a concentrarsi sulle esigenze del proprio lavoro occupandosi delle attività di trading riducendo al minimo il tempo davanti allo schermo.
  
  
• 01:00:00 L'obiettivo è automatizzare la tua strategia di trading, è fattibile anche per i professionisti che lavorano. Tuttavia, è importante rivedere periodicamente le prestazioni del sistema automatizzato perché lo scenario può cambiare e ciò che ha funzionato prima potrebbe non funzionare ora. Mentre è possibile creare una strategia di trading senza imparare Python o qualsiasi linguaggio di programmazione utilizzando varie piattaforme, se vuoi mettere a punto o provare strategie più avanzate, potresti dover imparare Python o altri linguaggi di programmazione. Imparare Python può essere un ulteriore vantaggio e scoprirai che non è così difficile come la gente pensa che sia. In ogni caso, la revisione periodica della performance è essenziale per modificare la strategia di conseguenza.
  
  
• 01:05:00 Il relatore ricorda al pubblico di compilare un sondaggio per eventuali domande senza risposta e li incoraggia a sfruttare l'offerta a tempo limitato per uno sconto del 70% e un ulteriore 25% se si iscrivono a tutti i corsi. Esprimono gratitudine per il supporto e pianificano di continuare i webinar, chiedendo suggerimenti per argomenti futuri per pianificare sessioni migliori. Il relatore conclude augurando a tutti un felice Holi e ringraziando il pubblico per aver partecipato alla sessione.

[MetaQuotes]

Analisi quantitativa dei dati delle criptovalute

Analisi quantitativa dei dati delle criptovalute

In questa sessione informativa sull'analisi quantitativa dei dati per le criptovalute, la relatrice, Udisha Alook, si presenta come ricercatrice quantitativa presso il Quant Institute, specializzata in blockchain, Bitcoin, Ethereum e Ripple. Sottolinea l'importanza di condurre una due diligence prima di investire in criptovalute e delinea l'ordine del giorno della sessione.

Il relatore inizia fornendo una panoramica delle criptovalute, sottolineando che si tratta di valute digitali o virtuali protette dalla crittografia e prive di una forma fisica. Spiega che le criptovalute garantiscono la sicurezza attraverso la crittografia, operano in modo decentralizzato utilizzando la tecnologia blockchain ed eliminano il rischio di doppia spesa.

Successivamente, il relatore approfondisce gli argomenti principali che saranno trattati nella sessione. Afferma che la sessione esplorerà le principali criptovalute, discuterà su dove ottenere dati sulle criptovalute e fornirà approfondimenti sul trading nel mercato delle criptovalute. Il relatore sottolinea che l'obiettivo centrale sarà l'analisi dei dati per le principali criptovalute.

Andando avanti, l'oratore introduce Quantinsti, una società di trading quantitativo, e le sue offerte. Sottolinea il programma di certificazione professionale in Algorithmic Trading (EPAT), il certificato in Sentiment Analysis e Alternative Data for Finance (CSAF) e i corsi di autoapprendimento disponibili con Quantra. Inoltre, il relatore introduce BlueShift, una piattaforma basata su cloud per lo sviluppo di strategie, la ricerca, il backtesting, il paper trading e il live trading.

Tornando all'argomento principale delle criptovalute, il relatore discute le prime sei criptovalute in base alla loro capitalizzazione di mercato e fornisce una breve panoramica delle loro funzionalità. Bitcoin, la prima e più conosciuta criptovaluta, è citata come l'unica attualmente adottata come corso legale da El Salvador. Ethereum, al secondo posto in termini di capitalizzazione di mercato, è evidenziato per aver introdotto la funzionalità del contratto intelligente. Ripple, concepito come meccanismo intermedio di scambio, è menzionato come la sesta criptovaluta della lista. Il relatore introduce anche Binance Coin, che è passata alla propria blockchain, e Tether e USD Coin, monete stabili ancorate al dollaro USA che offrono funzionalità di criptovaluta con la stabilità delle valute fiat.

Per quanto riguarda le fonti di dati per le criptovalute, il relatore cita CryptoWatch e CoinAPI come fonti affidabili di dati storici sulle criptovalute. Fornisce anche un elenco delle principali piattaforme globali di trading di criptovalute, tra cui Binance, Coinbase, Etoro, Gemini e Kraken.

Proseguendo con la sessione, il relatore mette a confronto i prezzi di varie criptovalute e ne illustra l'andamento su scala logaritmica. Bitcoin emerge come la criptovaluta dominante in termini di prezzo, seguita da Ethereum e Binance Coin. Si nota che Ripple ha subito un calo delle prestazioni, mentre le monete stabili rimangono stabili a causa della loro natura. Il relatore calcola inoltre i rendimenti cumulativi, evidenziando che Binance Coin ha mostrato i rendimenti più alti, seguito da Ethereum e Bitcoin. La volatilità nelle prime quattro criptovalute è descritta come fluttuante in modo significativo, con picchi che si verificano durante determinati periodi, mentre le monete stabili mantengono costantemente la stabilità.

Il video si concentra quindi sull'analisi della volatilità e dei rischi associati agli investimenti in criptovalute. L'oratore osserva che i rendimenti delle criptovalute mostrano un'elevata curtosi, indicando la probabilità di rendimenti estremi, sia positivi che negativi. Ciò è attribuito al trading basato sullo slancio, in cui gli investitori tendono ad acquistare quando i prezzi salgono e vendono in preda al panico quando i prezzi scendono. I box plot dei rendimenti giornalieri sono presentati per dimostrare la presenza di numerosi valori anomali, a ulteriore supporto dell'idea che le criptovalute comportino un livello di rischio significativo. Le monete stabili, tuttavia, mostrano una minore volatilità.

Nel segmento successivo, il relatore esamina l'impatto della rimozione dei valori anomali sui valori mediani delle criptovalute popolari come Bitcoin, Ethereum, Binance Coin, Ripple, USD Coin e USDC. Le stablecoin vengono evidenziate in quanto progettate per mantenere un valore vicino a un dollaro USA, rendendole particolarmente appetibili per molti utenti. Ripple, d'altra parte, si distingue dalle altre criptovalute per la sua blockchain ad autorizzazione unica progettata per le istituzioni finanziarie. Il caso SEC in corso contro i fondatori di Ripple è menzionato come un fattore che ha causato fluttuazioni e incertezza per gli investitori.

Andando avanti, l'oratore raggruppa i fattori che influenzano le criptovalute in cinque categorie principali. Questi includono la legge della domanda e dell'offerta, che influisce sulla scarsità e sul valore delle criptovalute. Anche la percezione del valore, guidata dal sentimento del mercato e da quello degli investitori, gioca un ruolo significativo. I progressi tecnologici, come gli aggiornamenti ai protocolli blockchain e i miglioramenti nella scalabilità, possono influire sulle prestazioni delle criptovalute. Le normative e le politiche governative, inclusi i quadri legali e le azioni normative, hanno un impatto considerevole sul mercato delle criptovalute. Infine, il sentimento del mercato, modellato dalla copertura mediatica, dagli eventi politici e dalle tendenze generali del mercato, può influenzare notevolmente i prezzi delle criptovalute.

Il relatore esplora l'influenza dei media, degli eventi politici, dei cambiamenti normativi e delle modifiche alla blockchain sui prezzi delle criptovalute. Si evidenzia che la copertura di notizie positive o negative ha un impatto significativo sui prezzi delle criptovalute, in quanto può incoraggiare o dissuadere le persone dall'investire. Si nota anche l'approvazione di criptovalute da parte di società o individui rispettabili per aumentare la loro affidabilità e affidabilità. Gli eventi politici e i cambiamenti normativi, come le crisi economiche o gli interventi del governo, possono influenzare la fiducia degli investitori nella valuta tradizionale e spingerli verso le criptovalute. L'oratore menziona l'elevata correlazione tra varie criptovalute, in particolare con Bitcoin come criptovaluta dominante. Tuttavia, si osserva che le monete stabili non sono correlate alle criptovalute tradizionali, rendendole una classe di asset unica.

Il video discute ulteriormente il processo di scambio di criptovalute con valuta fiat. Viene spiegato che la maggior parte degli scambi supporta il trading delle principali criptovalute come Bitcoin ed Ethereum. Pertanto, è spesso necessario scambiare altcoin con una di queste principali criptovalute prima di convertirle in valuta fiat. Il video esplora anche le strategie di trading adatte alle criptovalute, comprese le strategie basate sull'indicatore di momentum e l'arbitraggio, sfruttando l'elevata volatilità del mercato. Vengono presentati esempi di codifica che utilizzano indicatori come il Relative Strength Index, la Moving Average Convergence Divergence e l'Awesome Oscillator per illustrare le strategie basate sul momentum.

Verso la fine della sessione, il relatore riassume i punti principali trattati e sottolinea il potenziale delle monete stabili per la diversificazione del portafoglio a causa della loro bassa volatilità e mancanza di correlazione con altre criptovalute. Vengono fornite risorse aggiuntive per l'apprendimento del trading algoritmico e della criptovaluta, inclusi libri e corsi gratuiti, nonché la piattaforma di ricerca e trading Blue Shift. Il relatore menziona l'Executive Program in Algorithmic Trading, su misura per le persone interessate ad avviare il proprio trading desk algoritmico o perseguire una carriera nel trading algoritmico con il tutoraggio di professionisti del settore. Viene inoltre evidenziata la disponibilità di sconti per prenotazioni anticipate per il programma.

Nella parte conclusiva, il relatore affronta diverse domande del pubblico relative a criptovaluta e blockchain. Viene discussa la fattibilità a lungo termine delle criptovalute senza supporto normativo, con il relatore che sottolinea che alcuni paesi hanno già approvato leggi che le regolano, trattandole come investimenti a lungo termine. Anche la crescente accettazione e lo sviluppo della tecnologia blockchain contribuiscono al comfort delle persone con le criptovalute. Il futuro della finanza decentralizzata (DeFi) è riconosciuto come uno spazio in evoluzione con vari concetti e tipi di arbitraggio ancora da esplorare. Il relatore sottolinea che il trading di criptovalute va oltre il data mining e gli indicatori tecnici, sottolineando l'importanza di comprendere la tecnologia blockchain e le sue applicazioni.

Inoltre, viene discusso il potenziale impatto delle imminenti normative statunitensi sul mercato delle criptovalute. Il relatore riconosce che il governo potrebbe regolamentare la blockchain negli Stati Uniti, ma sottolinea la sfida di controllare la natura decentralizzata della tecnologia. Pertanto, mentre le decisioni normative possono avere un impatto sui prezzi delle criptovalute, il controllo completo sul mercato può essere difficile da ottenere. Vengono affrontati anche il capitale minimo richiesto per il trading di criptovalute e il potenziale utilizzo di criptovalute nelle transazioni del mondo reale. Infine, vengono brevemente menzionati l'aumento delle valute digitali della banca centrale (CBDC) e il loro potenziale impatto sulla natura decentralizzata delle criptovalute.

Nelle osservazioni conclusive, i relatori sottolineano la crescente esplorazione della tecnologia blockchain per risolvere problemi come l'emissione di identità e la gestione della catena di approvvigionamento. Prevedono una forte domanda di sviluppatori blockchain in futuro a causa del continuo sviluppo nel campo. Viene evidenziato il vantaggio delle criptovalute, come la loro capacità di essere scambiate 24 ore su 24. Il pubblico è incoraggiato a fornire feedback e porre eventuali domande senza risposta per discussioni future.

Al termine della sessione, il relatore riassume i punti chiave, sottolineando la necessità di un'adeguata analisi dei dati e di tecniche quantitative per navigare nell'elevata volatilità delle criptovalute. L'analisi tecnica e quantitativa, insieme al backtesting, sono evidenziati come strumenti essenziali per mitigare il rischio. Il relatore affronta anche una questione relativa all'impatto degli interventi geopolitici sui mercati delle criptovalute, osservando che le decisioni del governo hanno un impatto, ma la natura decentralizzata delle criptovalute può portare le persone a rivolgersi a loro in situazioni in cui la fiducia nella valuta tradizionale o nel governo è bassa. Infine, vengono sottolineati i vantaggi delle monete stabili, in quanto offrono un valore più stabile e prevedibile rispetto ad altre criptovalute, rendendole più adatte alle transazioni quotidiane.

In risposta a una domanda sul potenziale impatto delle imminenti normative statunitensi sul mercato delle criptovalute, l'oratore riconosce la possibilità di una regolamentazione del governo, ma sottolinea le sfide nel controllo completo della natura decentralizzata delle criptovalute. Sebbene le normative possano influire sui prezzi delle criptovalute, l'oratore suggerisce che il controllo completo sul mercato potrebbe essere difficile da ottenere. Viene anche menzionata l'ascesa delle valute digitali della banca centrale (CBDC) e viene brevemente discusso il loro potenziale impatto sulla natura decentralizzata delle criptovalute.

Nella parte finale, i relatori discutono della crescente esplorazione della tecnologia blockchain per risolvere problemi del mondo reale come l'emissione di identità e la gestione della catena di approvvigionamento. Esprimono ottimismo sulla domanda futura di sviluppatori blockchain e sulla continua crescita del settore blockchain. Vengono evidenziati i vantaggi delle criptovalute, come la loro capacità di essere scambiate 24 ore su 24, 7 giorni su 7. Il pubblico è incoraggiato a fornire feedback e condividere eventuali domande rimanenti per le sessioni future.

La sessione condotta da Udisha Alook fornisce preziose informazioni sull'analisi quantitativa dei dati per le criptovalute. Sottolinea l'importanza della due diligence prima di investire, fornisce una panoramica delle criptovalute e delle loro funzionalità, esplora fonti di dati e piattaforme di trading, analizza i movimenti dei prezzi e la volatilità, discute i fattori che influenzano i prezzi delle criptovalute e risponde alle domande del pubblico relative a regolamenti, strategie di trading e il futuro delle criptovalute. La sessione funge da introduzione completa all'analisi quantitativa nel mercato delle criptovalute, fornendo ai partecipanti le conoscenze necessarie per prendere decisioni di investimento informate.

• 00:00:00 Il relatore introduce il tema dell'analisi quantitativa dei dati per le criptovalute. La sessione è condotta da Udisha Alook, che lavora come ricercatrice quantitativa presso il Quant Institute ed è esperta di blockchain, Bitcoin, Ethereum e Ripple. Il relatore sottolinea l'importanza della due diligence prima di investire in criptovalute e spiega l'ordine del giorno della sessione, che include una panoramica delle criptovalute, delle principali criptovalute e dove ottenere dati e scambiare criptovalute. La parte principale della sessione si concentra sull'analisi dei dati per le principali criptovalute.
  
  
• 00:05:00 Il video introduce la Quantitative Trading Firm, Quantinsti, e le sue varie offerte, tra cui il programma di certificazione professionale in Algorithmic Trading (EPAT), il certificato in Sentiment Analysis and Alternative Data for Finance (CSAF) e il self- corsi stimolati sotto Quantra. Inoltre, il video parla di BlueShift, una piattaforma di sviluppo strategico basata su cloud per la ricerca, il backtesting, il paper trading e il live trading. L'argomento principale del video sono le criptovalute, definite come valute digitali o virtuali protette dalla crittografia, senza alcun supporto fisico di esistenza. Le criptovalute sono sicure perché utilizzano la crittografia, sono decentralizzate attraverso la tecnologia blockchain ed evitano la doppia spesa.
  
  
• 00:10:00 Il relatore discute le prime sei criptovalute in termini di capitalizzazione di mercato e spiega brevemente le loro funzionalità. Bitcoin è la prima criptovaluta e l'unica che è stata adottata come moneta a corso legale da El Salvador. Ethereum è secondo a Bitcoin in termini di capitalizzazione di mercato e ha introdotto la funzionalità del contratto intelligente. Ripple, concepito come meccanismo intermedio di scambio, è il sesto della lista. Binance Coin, emesso dall'exchange Binance, è passato alla propria blockchain. Tether e USD Coin, entrambe monete stabili ancorate al dollaro USA, offrono la funzionalità delle criptovalute ma la stabilità delle valute fiat. L'oratore menziona anche che ci sono buone fonti di dati storici sulle criptovalute, come CryptoWatch e CoinAPI, ed elenca le principali piattaforme di trading di criptovalute globali come Binance, Coinbase, Etoro, Gemini e Kraken.
  
  
• 00:15:00 Il relatore confronta i prezzi di varie criptovalute e mostra come si comportano su scala logaritmica. Bitcoin domina tutte le altre criptovalute in termini di prezzi, seguito da Ethereum e Binance Coin. Ripple non sta andando bene e le monete stabili rimangono stabili a causa della loro natura. L'oratore calcola quindi i rendimenti cumulativi e mostra che Binance Coin ha i rendimenti più alti seguiti da Ethereum e Bitcoin. La volatilità delle prime quattro criptovalute è stata ovunque, con picchi in alcuni periodi, mentre le monete stabili rimangono stabili.
  
  
• 00:20:00 Il video analizza la volatilità e il rischio associati agli investimenti in criptovalute. Osserva che i rendimenti delle criptovalute hanno un'elevata curtosi, indicando che ci si possono aspettare rendimenti estremi, sia positivi che negativi. Ciò è dovuto al trading basato sul momentum, in cui gli investitori tendono ad acquistare quando i prezzi salgono e vendono nel panico quando i prezzi scendono. Il video mostra anche box plot dei rendimenti giornalieri delle criptovalute, che presentano numerosi valori anomali. Questi dati storici dimostrano che le criptovalute sono un investimento rischioso, sebbene le monete stabili siano meno rischiose.
  
  
• 00:25:00 Il relatore discute di come la rimozione dei valori anomali influisca sul valore mediano delle criptovalute popolari come Bitcoin, Ethereum, Finance Coin, Ripple, USD e USDC. Le monete stabili vengono create per mantenere il loro valore vicino a un dollaro USA, che è l'obiettivo principale per la maggior parte di queste monete stabili. Ripple, invece, si distingue dalle altre criptovalute perché è un diverso tipo di blockchain ovvero una blockchain di permessi pensata per le istituzioni finanziarie. L'oratore discute anche di come il caso SEC in corso contro i fondatori di Ripple abbia causato fluttuazioni e incertezza per gli investitori. Infine, il relatore raggruppa i fattori che influenzano le criptovalute in cinque fattori principali: la legge della domanda e dell'offerta, la percezione del valore, i progressi tecnologici, i regolamenti governativi e il sentimento del mercato.
  
  
• 00:30:00 Viene discussa l'influenza dei media, degli eventi politici, dei cambiamenti normativi e delle modifiche alla blockchain sui prezzi delle criptovalute. Si noti che i media hanno un impatto significativo sui prezzi delle criptovalute poiché le notizie positive possono incoraggiare le persone ad acquistare mentre la stampa negativa può scoraggiarle. Inoltre, l'approvazione delle criptovalute da parte di aziende o individui rispettabili può aumentare la loro affidabilità e affidabilità. Anche gli eventi politici e i cambiamenti normativi, come la crisi greca del 2015, possono influenzare la fiducia degli investitori nei governi e spingerli verso la criptovaluta. La correlazione tra varie criptovalute, come bitcoin ed ethereum, è alta, poiché la maggior parte delle criptovalute sono basate su blockchain e attingono pesantemente da bitcoin. Infine, si osserva che le monete stabili non sono correlate alle criptovalute tradizionali.
  
  
• 00:35:00 Il video discute il processo di scambio di criptovalute con valuta fiat. La maggior parte degli scambi supporta solo lo scambio delle principali criptovalute come Bitcoin ed Ethereum, rendendo necessario prima scambiare altcoin con una di queste principali criptovalute prima di scambiare con valuta fiat. Il video esplora anche le strategie di trading che potrebbero funzionare bene per le criptovalute, comprese le strategie basate sull'indicatore di momentum e l'arbitraggio dovuto alla volatilità delle criptovalute. Il video presenta la codifica per strategie basate sul momentum utilizzando indicatori come il Relative Strength Index, la Moving Average Convergence Divergence e l'Awesome Oscillator.
  
  
• 00:40:00 Il presentatore riassume i punti principali trattati nel video e sottolinea il potenziale delle monete stabili come buone candidate per la diversificazione del portafoglio a causa della loro bassa volatilità e mancanza di correlazione con altre criptovalute. Il presentatore fornisce anche risorse aggiuntive per coloro che sono interessati a saperne di più sul trading algoritmico e sulla criptovaluta, inclusi libri e corsi gratuiti, nonché una piattaforma di ricerca e trading chiamata Blue Shift. La sezione si conclude con una discussione sull'Executive Program in Algorithmic Trading, progettato per le persone che desiderano avviare il proprio trading desk algoritmico o sviluppare una carriera nel trading algoritmico con il tutoraggio di professionisti del settore. Gli sconti Early Bird sono attualmente disponibili.
  
  
• 00:45:00 Il relatore discute diverse questioni relative alla criptovaluta e alla blockchain. Alla domanda sulla fattibilità a lungo termine delle criptovalute senza supporto normativo, il relatore osserva che alcuni paesi, come Malta, hanno già approvato leggi che le regolano e le trattano come investimenti a lungo termine. Anche la tecnologia blockchain è cresciuta e ha guadagnato accettazione negli ultimi anni, rendendo le persone più a loro agio con le criptovalute. L'oratore ritiene che possa essere difficile controllare le criptovalute, ma i governi e le autorità di regolamentazione stanno adottando misure per regolamentarle. Alla domanda sul futuro della finanza decentralizzata, l'oratore riconosce che sta recuperando terreno, ma ci sono ancora diversi tipi di arbitraggio e altri concetti da considerare. Infine, alla domanda sul trading di criptovalute, l'oratore afferma che non si tratta solo di data mining e indicatori tecnici, ma implica anche la comprensione della tecnologia blockchain e dei suoi usi.
  
  
• 00:50:00 Il relatore discute l'importanza di condurre una corretta analisi dei dati prima di investire in criptovalute a causa della loro elevata volatilità. Sottolinea l'uso dell'analisi tecnica e quantitativa, nonché del backtesting, per mitigare il rischio. Il relatore affronta anche una questione riguardante l'impatto degli interventi geopolitici sui mercati delle criptovalute, sottolineando che le decisioni del governo hanno un impatto, ma la natura decentralizzata delle criptovalute significa che le persone possono rivolgersi a loro se la loro fiducia nella valuta tradizionale o nel governo è inferiore. Infine, il relatore discute i vantaggi delle monete stabili, che alleviano parte della volatilità associata alle criptovalute, rendendole più utili nelle transazioni quotidiane.
  
  
• 00:55:00 Il relatore discute il potenziale impatto delle imminenti normative statunitensi sul mercato delle criptovalute. Sebbene sia vero che il governo potrebbe regolamentare la blockchain negli Stati Uniti, potrebbe rivelarsi difficile controllare la natura decentralizzata della tecnologia. Di conseguenza, la decisione del governo sulla regolamentazione delle criptovalute potrebbe avere un impatto sul prezzo, ma potrebbe non controllarlo completamente. Il relatore tocca anche questioni riguardanti il capitale minimo richiesto per scambiare criptovalute e il potenziale per le criptovalute da utilizzare nelle transazioni del mondo reale. Infine, il relatore parla dell'ascesa delle valute digitali della banca centrale e del possibile impatto sulla natura decentralizzata delle criptovalute.
  
  
• 01:00:00 I relatori discutono della crescente esplorazione della tecnologia blockchain per risolvere problemi come l'emissione di identità e la gestione della catena di approvvigionamento. Credono che ci sia ancora molto sviluppo e lavoro da fare nello spazio blockchain e che ci sarà una buona domanda di sviluppatori blockchain. Le criptovalute possono essere scambiate 24 ore su 24, il che è uno dei loro vantaggi. I relatori incoraggiano inoltre il pubblico a fornire un feedback sulla sessione e menzionare eventuali domande senza risposta, a cui cercheranno di rispondere in futuro.

[MetaQuotes]

Introduzione pratica al trading quantitativo | Yale School of Management

Introduzione pratica al trading quantitativo | Yale School of Management

Nel seminario sul trading quantitativo introduttivo, il relatore approfondisce la creazione, la valutazione e l'implementazione di algoritmi di trading utilizzando esempi di codice. La sessione inizia introducendo il concetto di trading quantitativo, che prevede l'utilizzo di modelli matematici e statistici per identificare opportunità di trading ed eseguire operazioni. Vengono spiegati vari tipi di strategie di trading quantitativo, tra cui il momentum trading, i sistemi di trading di deviazione media, i modelli matematici, il trading ad alta frequenza e i sistemi di trading basati sulle notizie. Il relatore sottolinea che gli algoritmi non vengono utilizzati solo per il trading, ma anche per il market-making e per sfruttare le inefficienze dei prezzi per generare profitto.

Viene quindi spiegata la struttura di base di un sistema di trading quantitativo. Include la raccolta dei dati, la creazione di una strategia di trading, il backtesting, l'esecuzione e la gestione del rischio. I dati di prezzo, fondamentali, economici e di notizie sono comunemente usati per gli algoritmi di trading. L'analisi tecnica, statistica e matematica può essere impiegata per progettare regole di trading per la strategia. Il backtest consiste nel testare le regole sui dati storici per valutarne le prestazioni. L'esecuzione può essere manuale o automatica e la gestione del rischio è fondamentale per l'allocazione del capitale e l'impostazione di parametri di rischio come lo stop loss. Il relatore fornisce esempi dal vivo di strategie di trading quantitativo per illustrare questi concetti.

La strategia basata sulle tendenze viene evidenziata e per progettare l'algoritmo vengono utilizzati indicatori tecnici come la media mobile esponenziale (EMA), l'SM parabolico e l'oscillatore stocastico. Viene introdotta la piattaforma Contra, che offre video tutorial, esercizi interattivi ed esposizione pratica senza richiedere l'installazione di software. I moduli Python vengono importati per assistere nella creazione dell'algoritmo e i dati vengono importati da un file CSV per definire le regole di trading e monitorare le prestazioni della strategia. Il modulo TLA Python viene utilizzato per impostare i parametri per gli indicatori tecnici, semplificando il processo di progettazione.

L'istruttore spiega come definire le regole di trading e generare segnali di trading utilizzando indicatori tecnici come EMA, oscillatori stocastici veloci e lenti stocastici. Sono delineate cinque condizioni di trading per generare segnali di acquisto e sono state progettate anche regole di trading per le posizioni corte. Il passaggio successivo consiste nel backtest della strategia utilizzando un notebook Python per valutarne le prestazioni pratiche. Il grafico dei rendimenti della strategia dimostra che l'algoritmo inizialmente ha subito perdite, ma ha guadagnato slancio dal 2018, generando infine un profitto entro la fine del periodo di test. Viene introdotta BlueShift, una piattaforma che consente con facilità la ricerca, la costruzione e il backtesting di algoritmi.

Segue una dimostrazione di backtesting sulle azioni Bank of America utilizzando la piattaforma BlueShift. La piattaforma fornisce la manutenzione dei dati e una semplice riga di codice per l'importazione dei dati in Python. Gli indicatori e le regole di negoziazione sono definiti e le negoziazioni vengono eseguite automaticamente in base al soddisfacimento di condizioni lunghe e corte. Il backtest viene condotto da gennaio 2020 a ottobre 2021 con un capitale di $ 10.000 e la performance viene confrontata con il benchmark S&P 500. I risultati rivelano un ritorno sull'investimento del 113%. È possibile ottenere risultati dettagliati di backtest per analizzare i rendimenti mensili, le negoziazioni eseguite e il margine utilizzato, facilitando decisioni di trading migliori.

Il relatore dimostra come accedere a risultati completi di backtest sulla piattaforma BlueShift, comprese rappresentazioni visive delle metriche delle prestazioni come i rendimenti dell'algoritmo e le mappe termiche dei rendimenti mensili. Vengono analizzate le posizioni assunte dall'algoritmo e vengono esaminate le metriche chiave come il profitto totale dai lati lunghi e corti. I parametri di rischio e i limiti degli ordini possono essere configurati prima di implementare la strategia in tempo reale, tramite trading cartaceo o con capitale reale.

Viene spiegato il processo di selezione di un broker e di specifica dei parametri di capitale e algoritmo per il trading su carta utilizzando la piattaforma di trading BlueShift. Gli utenti possono scegliere tra varie opzioni come Alpaca per le azioni statunitensi, OANDA per il forex e Master Trust per il trading nei mercati indiani. Il relatore dimostra come BlueShift viene utilizzato per specificare la matrice di rischio con un limite di drawdown del 30% e limiti di ordine e dimensione rispettivamente di 1.000 e 10.000. Gli utenti hanno la flessibilità di optare per l'esecuzione automatica o il metodo di conferma con un clic in base alle loro preferenze. Una volta che l'utente fa clic su conferma, l'algoritmo inizia a funzionare e BlueShift stabilisce una connessione con la frazione commerciale di carta Alpaca. La dashboard aggiorna continuamente il capitale di trading, le negoziazioni, le posizioni e altre informazioni rilevanti in tempo reale.

Il relatore evidenzia due prodotti essenziali per il trading quantitativo: Conda e BlueShift. Conda viene utilizzato per ottenere dati da varie fonti, inclusi prezzi delle azioni, criptovalute, notizie e social media. Il corso spiega come accedere ai report fondamentali o estrarre i dati dei social media nei sistemi di trading utilizzando le API. BlueShift, il secondo prodotto, viene utilizzato per progettare e testare strategie, utilizzando modelli econometrici e analisi di serie temporali. Il corso fornisce esempi e codice per varie strategie di trading come strategie di trading di deviazione media, strategie di momentum trading e strategie di day trading. Inoltre, il corso copre "Gestione del portafoglio utilizzando la disparità gerarchica dell'apprendimento automatico" per facilitare la gestione del portafoglio e il controllo del rischio utilizzando metodi di apprendimento automatico. BlueShift consente il backtest delle strategie di trading su un'ampia gamma di set di dati.

Viene discussa la disponibilità di diversi set di dati per praticare il trading quantitativo, che comprende azioni statunitensi, criptovalute, forex, azioni indiane e dati immobiliari. Vengono spiegate le distribuzioni basate su cloud e desktop, con l'esecuzione basata su cloud gestita dal broker. L'integrazione basata su desktop può essere ottenuta utilizzando il software IBridgePy, che si collega a broker come Interactive Brokers o eTrade. Agli studenti partecipanti alla sessione viene offerto un codice per uno sconto del 60% su tutti i corsi disponibili sul sito ContraQuant. Il sito Web offre corsi adatti a principianti, trader intermedi e trader avanzati, che coprono un'ampia gamma di concetti come reti neurali, elaborazione del linguaggio naturale (NLP), strategie momentum, opzioni, futures e trading di coppie.

• 00:00:00 Viene discusso un seminario sul trading quantitativo introduttivo, che copre la creazione, la valutazione e l'implementazione di algoritmi di trading utilizzando esempi di codice. La sessione introduce i concetti di trading quantitativo, incluso l'uso di modelli matematici e statistici per identificare opportunità di trading ed eseguire operazioni. Vengono spiegati vari tipi di strategie di trading quantitativo, come il momentum trading, i sistemi di trading di deviazione media, i modelli matematici, il trading ad alta frequenza e i sistemi di trading basati sulle notizie. Infine, si segnala che gli algoritmi sono utilizzati anche nel market-making e per sfruttare le inefficienze dei prezzi per realizzare profitti.
  
  
• 00:05:00 Il relatore spiega la struttura di base di un sistema di trading quantitativo, che comprende la raccolta dei dati, la creazione di una strategia di trading, il backtesting, l'esecuzione e la gestione del rischio. I dati più comunemente utilizzati per gli algoritmi di trading sono i dati di prezzo, fondamentali, economici e di notizie. L'analisi tecnica, statistica e matematica può essere utilizzata per progettare regole di trading per la strategia. Nel backtesting, le regole vengono testate su dati storici per valutarne le prestazioni. L'esecuzione può essere manuale o automatica e la gestione del rischio aiuta con l'allocazione del capitale e l'impostazione di parametri di rischio come lo stop loss. Il relatore fornisce anche esempi dal vivo di strategie di trading quantitativo.
  
  
• 00:10:00 Il relatore discute la strategia basata sulle tendenze utilizzata nel trading quantitativo e come può essere progettata utilizzando indicatori tecnici come la media mobile esponenziale, l'SM parabolico e l'oscillatore stocastico sulla piattaforma Contra. La piattaforma offre tutorial video, esercizi interattivi ed esposizione pratica senza richiedere all'utente di installare alcun software. Il relatore importa i moduli Python per aiutare a creare l'algoritmo e importa i dati da un file CSV che viene utilizzato per definire le regole di trading e monitorare le prestazioni della strategia. I parametri dell'indicatore tecnico vengono impostati utilizzando il modulo TLA Python che facilita la progettazione di questi indicatori.
  
  
• 00:15:00 L'istruttore spiega come definire le regole di trading e generare segnali di trading utilizzando indicatori tecnici come EMA, oscillatori stocastici veloci e stocastici lenti. Descrivono cinque condizioni di trading che devono essere soddisfatte per generare un segnale di acquisto e progettano anche regole di trading per posizioni corte. Il passo successivo è eseguire il backtest della strategia per vedere come si comporta bene nella pratica, cosa che fanno usando un notebook Python. Il grafico dei rendimenti della strategia mostra che l'algoritmo ha registrato una perdita all'inizio del 2017, ma è aumentato dal 2018 e ha generato un profitto entro la fine del periodo di test. Introducono anche BlueShift, una piattaforma che consente agli utenti di ricercare, costruire e eseguire backtest di algoritmi con un semplice clic di un pulsante.
  
  
• 00:20:00 Assistiamo a una dimostrazione di backtesting sul titolo Bank of America utilizzando la piattaforma Blue Shift. La piattaforma fornisce la manutenzione dei dati e una semplice riga di codice per l'importazione dei dati in Python. Gli indicatori e le regole di negoziazione sono definiti e le negoziazioni vengono eseguite automaticamente in base al soddisfacimento di condizioni lunghe e corte. Il backtest viene eseguito da gennaio 2020 a ottobre 2021 con un capitale di $ 10.000 e la performance viene confrontata con il benchmark S&P 500. I risultati mostrano un ritorno sull'investimento del 113%. È possibile eseguire un backtest più approfondito per ottenere dettagli sui rendimenti mensili, sulle negoziazioni effettuate e sul margine utilizzato, consentendo decisioni di trading migliori.
  
  
• 00:25:00 Il relatore mostra come accedere ai risultati completi del backtest sulla piattaforma Blueshift, comprese le rappresentazioni visive delle metriche delle prestazioni come i rendimenti dell'algoritmo e le heat map dei rendimenti mensili. Spiegano anche come analizzare le posizioni assunte dall'algoritmo ed esaminare le metriche chiave come il profitto totale ottenuto dai lati lunghi e corti. Il relatore mostra quindi come configurare i parametri di rischio e i limiti degli ordini prima di implementare la strategia in tempo reale, tramite trading cartaceo o con capitale reale.
  
  
• 00:30:00 Il relatore spiega come selezionare un broker e specificare i parametri di capitale e algoritmo per il trading di carta utilizzando la piattaforma di trading BlueShift. L'utente può scegliere tra varie opzioni come Alpaca per le azioni statunitensi, OANDA per il forex e Master Trust per il trading nei mercati indiani. Il relatore dimostra come utilizzare BlueShift per specificare la matrice di rischio con un limite di drawdown del 30% e limiti di ordine e dimensione rispettivamente di 1.000 e 10.000. Gli utenti hanno la possibilità di eseguire automaticamente o il metodo di conferma con un clic in base alle loro preferenze. L'algoritmo inizia a funzionare quando l'utente fa clic su conferma e BlueShift inizia a connettersi con la frazione di scambio di carta Alpaca. La dashboard mostra il capitale di trading, le negoziazioni, le posizioni e gli aggiornamenti ogni millisecondo.
  
  
• 00:35:00 Il relatore discute i due prodotti da utilizzare per il trading quantitativo, Conda e Blueshift. Conda viene utilizzato per ottenere dati da varie fonti che vanno dai prezzi delle azioni e criptovaluta alle notizie e ai social media. Il corso descrive come accedere ai report fondamentali o estrarre i dati dei social media nei sistemi di trading utilizzando le API. Il secondo prodotto, Blueshift, serve per progettare e testare le strategie, utilizzando modelli econometrici e analisi di serie temporali. Il corso offre esempi e codice per varie strategie di trading come strategie di trading di divisione media, strategie di momentum trading e strategie di day trading. Inoltre, per eseguire la gestione del portafoglio e controllare il rischio, offrono "Gestione del portafoglio utilizzando la disparità gerarchica di apprendimento automatico" utilizzando metodi di apprendimento automatico. Blueshift consente il backtesting delle strategie di trading su un'ampia gamma di set di dati.
  
  
• 00:40:00 Il relatore discute i diversi set di dati disponibili per praticare il trading quantitativo, tra cui azioni statunitensi, criptovalute, forex, azioni indiane e dati immobiliari. Sono disponibili due tipi di distribuzioni, basate su cloud e basate su desktop, con l'esecuzione basata su cloud gestita dal broker. L'integrazione basata su desktop può essere eseguita utilizzando il software IBridgePy per connettersi a broker come Interactive Brokers o eTrade. Agli studenti che partecipano alla sessione viene dato un codice per uno sconto del 60% su tutti i corsi disponibili sul sito Web ContraQuant, che offre corsi adatti a trader principianti, intermedi e avanzati e copre una vasta gamma di concetti come reti neurali, PNL, strategie di momentum, trading di opzioni, futures e coppie.

[MetaQuotes]

Prevedi i prezzi giornalieri delle azioni e automatizza una strategia di trading giornaliera

Prevedi i prezzi giornalieri delle azioni e automatizza una strategia di trading giornaliera

Nel webinar introduttivo, l'host introduce l'argomento principale della sessione, ovvero la previsione dei prezzi delle azioni giornalieri e l'automazione di una strategia di day trading. La sessione comprende due presentazioni di progetti. La prima presentazione è di Renato Otto dal Regno Unito, che discute la previsione dei prezzi azionari giornalieri utilizzando un classificatore forestale casuale, indicatori tecnici e dati sul sentiment. Renato Otto viene presentato come una persona esperta coinvolta nello sviluppo di software e strumenti per l'analisi quantitativa e l'identificazione sistematica della manipolazione del mercato nel mercato energetico del Regno Unito.

Renato Otto condivide la motivazione alla base del completamento del progetto, spiegando che è stata un'opportunità per consolidare le sue conoscenze di programmazione Python, ingegneria dei dati e apprendimento automatico in un progetto end-to-end. Il progetto mirava a migliorare le sue capacità ed esplorare il potere dell'apprendimento automatico e dell'elaborazione del linguaggio naturale nel trading. Inoltre, l'obiettivo era creare qualcosa di riutilizzabile per gli altri da utilizzare nelle proprie analisi o implementazioni strategiche. Il progetto prevede nove fasi, a partire dalla definizione dei dettagli dell'analisi in un dizionario e dall'inizializzazione di una pipeline. Il programma viene quindi eseguito per ottenere il set di dati richiesto per i calcoli di backtesting. Il relatore sottolinea l'importanza di testare l'usabilità del programma e garantire l'affidabilità delle cifre finali.

Il relatore spiega i metodi coinvolti nel backtesting di una strategia di day trading. Discutono della classe di strategia di back-test, che consiste in vari metodi per la pre-elaborazione dei dati, l'addestramento e il test del modello e l'analisi delle prestazioni della strategia. L'output del processo di backtest include tabelle e grafici che mostrano il ritorno sull'investimento, il rapporto netto, il prelievo massimo e altri parametri rilevanti. Mentre il backtesting aiuta a determinare la potenziale redditività della strategia, l'oratore avverte che semplifica alcuni aspetti che potrebbero non valere nel trading dal vivo. Il relatore menziona l'ultimo miglioramento del programma, che prevede l'aggiornamento dei parametri per riflettere le reali condizioni di trading, comprese le commissioni di transazione e le dimensioni del conto.

Durante la presentazione, il relatore discute anche delle sfide affrontate durante lo sviluppo del programma. Una delle sfide consisteva nell'implementare un menu interattivo che richiedesse agli utenti di inserire dati, il che richiedeva un ulteriore sforzo di riflessione e sviluppo. Tuttavia, l'oratore afferma che ne è valsa la pena in quanto ha reso il programma più user-friendly. Altre sfide includevano la ricerca di soluzioni per il calcolo delle metriche delle prestazioni e il mantenimento di un equilibrio tra lavoro e vita privata. Per superare queste sfide, il relatore consiglia strategie come disegnare diagrammi, scrivere commenti come trampolino di lancio per il codice, fare pause, condurre ricerche online e consolidare la conoscenza. Il relatore evidenzia anche i risultati ottenuti attraverso il progetto, come il consolidamento delle conoscenze in finanza quantitativa e le capacità di programmazione, l'acquisizione di fiducia nella gestione di un progetto dall'inizio alla fine e la dimostrazione del potere dell'apprendimento automatico nella previsione dei prezzi delle azioni.

L'oratore discute i loro piani per i progetti futuri dopo aver completato quello attuale. Menzionano la loro intenzione di studiare nuove strategie con risorse diverse, espandere le loro conoscenze attraverso il loro blog e le interazioni con altri appassionati, ricercare nuove strategie e modelli di apprendimento automatico e infine implementare strategie redditizie nel trading dal vivo. Il relatore condivide le proprie informazioni di contatto per ulteriori domande o richieste sul progetto. Il pubblico pone diverse domande, tra cui il numero di notti trascorse sul progetto e se il programma può essere utilizzato per il trading di criptovalute.

Per quanto riguarda i dati utilizzati per il progetto, il creatore spiega di aver addestrato il modello utilizzando i prezzi giornalieri di Tesla sin dall'inizio dell'azienda nel 2009. Il processo di formazione ha richiesto cinque mesi e il modello è stato testato per un paio d'anni. In termini di riduzione del rischio, il creatore afferma che non c'è molto da fare su un modello di apprendimento automatico per ridurre il rischio, ma ha valutato una quantità ragionevole di operazioni per garantire che la maggior parte di esse fosse redditizia. Il creatore risponde anche a domande sul periodo di tempo per la previsione dei prezzi e sulla necessità di un PC ad alta potenza per addestrare il modello.

Il relatore spiega il processo di addestramento di un modello e discute i vantaggi del trading algoritmico rispetto ai sistemi discrezionali. Dicono che è possibile addestrare un modello utilizzando un computer senza GPU, anche se potrebbero essere necessarie diverse ore per arrivare a un modello funzionante. Tuttavia, sconsigliano di affidarsi regolarmente a questo approccio. Discutendo i vantaggi del trading algoritmico, il relatore sottolinea la fiducia statistica nel fatto che la maggior parte delle negoziazioni sia redditizia, rendendola più redditizia rispetto al trading discrezionale. Infine, il relatore esprime le proprie aspettative dal programma EPAC, affermando che ha fornito loro i fondamenti per comprendere il trading algoritmico e gli strumenti necessari per scegliere la propria specializzazione.

Successivamente, il secondo oratore, Usual Agrawal dall'India, viene presentato come commerciante quantitativo e imprenditore. Agrawal condivide la sua esperienza di trading nei mercati indiani negli ultimi quattro anni e le sfide che hanno dovuto affrontare durante la gestione della propria attività insieme al trading a tempo pieno. Per superare queste sfide, Agrawal ha deciso di automatizzare le proprie configurazioni di trading con l'aiuto del corso EPAT e il supporto incondizionato del team di Quantum City. Nella loro presentazione, Agrawal mette in mostra la loro configurazione di trading completamente automatizzata chiamata "Intraday Straddles", che combina configurazioni non correlate per generare rendimenti decenti con prelievi minimi. Discutono del loro approccio alla raccolta dei dati, al backtesting, al front testing, all'implementazione e alla valutazione delle prestazioni della loro strategia di trading.

Durante la presentazione, il relatore si tuffa nei dettagli dei dati, dei sistemi e dei parametri utilizzati per eseguire il backtest della propria strategia di day trading. La loro strategia prevede la creazione di straddles e strangles per i futures e le opzioni di Nifty e Bank Nifty utilizzando un lasso di tempo di un minuto. Il relatore ha utilizzato due anni di dati da marzo 2019 a marzo 2021, che coprivano sia un periodo di bassa volatilità che la pandemia di COVID-19. Spiegano le diverse classi utilizzate per il backtesting ei parametri testati, comprese le variazioni nei livelli di stop loss. Infine, il relatore presenta i risultati del processo di backtesting.

Il relatore procede a discutere i risultati del backtesting e del front testing della strategia di day trading. Durante la fase di backtesting, hanno ottenuto un rendimento netto di 3,15 lakh, pari a un rendimento annuo del 52,9%. Il tasso di successo è stato calcolato sia normalmente che normalizzato, con quest'ultimo che ha fornito un'immagine più realistica. Il rapporto netto è stato determinato a 3,78 e la curva azionaria ha ricevuto un buon supporto da una media mobile semplice a tre mesi. Tuttavia, durante la fase di front testing, la strategia non ha funzionato come previsto, guadagnando solo 70.000 rupie in 11 mesi, che corrisponde a un rendimento annuo del 25%. La curva azionaria è rimasta piatta, indicando che la strategia potrebbe non funzionare bene al momento e richiede ulteriori analisi. Il relatore condivide anche le principali sfide affrontate e le lezioni apprese durante il progetto, con le maggiori difficoltà che sorgono durante la raccolta dei dati.

Il relatore discute alcune delle sfide incontrate durante lo sviluppo della strategia di day trading. Uno dei principali ostacoli era ottenere dati affidabili sulle opzioni intraday, che richiedevano l'acquisto da fornitori di terze parti. Un'altra sfida è stata la potenziale distorsione del campionamento dovuta al concentrarsi esclusivamente sui dati degli ultimi due anni, che potrebbero non rappresentare con precisione la performance complessiva della strategia. Inoltre, l'oratore nota un effetto di sovraffollamento nel mercato, con molti trader che utilizzano strategie simili. Il relatore spiega la loro decisione di sviluppare la strategia in modo indipendente, consentendo aggiustamenti personalizzati. Infine, vengono evidenziate le valutazioni in corso della strategia e gli sforzi per diversificarla per una maggiore efficienza.

Il relatore risponde alle domande del pubblico, incluso se il programma viene eseguito manualmente o automatizzato utilizzando piattaforme cloud e come hanno selezionato le azioni per la vendita di straddle e la tipica distanza di stop loss relativa al premio. La strategia si applica solo all'indice Nifty e all'indice Bank Nifty a causa di problemi di liquidità e l'oratore pulisce i dati attraverso tentativi ed errori, rettificando le modifiche al formato e rimuovendo i giorni con errori di dati.

L'oratore risponde a due ulteriori domande relative alla loro strategia di day trading. Discutono della percentuale di stop loss utilizzata per i test e delle sfide che hanno dovuto affrontare nella programmazione senza un background in ingegneria informatica. Spiegano come hanno superato queste sfide con l'aiuto del programma EPAT e il tutoraggio di Quadency. Inoltre, il relatore offre consigli agli aspiranti trader quantistici e algoritmici, sottolineando l'importanza di esercitare cautela e implementare una corretta gestione del rischio quando si applica qualsiasi strategia di trading nella pratica.

Il relatore sottolinea l'importanza di diversificare le strategie di trading e come può aiutare a navigare nelle fasi di drawdown in una strategia mentre altre continuano a funzionare bene. Sottolineano la necessità di test approfonditi e di dedicare tempo a ciascuna strategia per apprenderne le sfumature e combinarle efficacemente. È importante notare che le informazioni condivise durante la sessione non sono intese come consigli di trading.

L'host conclude il webinar esprimendo gratitudine al relatore, Visual, per aver condiviso il proprio progetto e le proprie esperienze. Informano il pubblico che la registrazione della sessione sarà disponibile sul loro canale YouTube e che i partecipanti riceveranno un'e-mail contenente i codici necessari e i collegamenti GitHub relativi alle strategie discusse. L'host non vede l'ora di ospitare sessioni più interessanti nei prossimi mesi, arricchendo ulteriormente la conoscenza e la comprensione del pubblico.

Il webinar ha fornito preziose informazioni sulla previsione dei prezzi azionari giornalieri e sull'automazione delle strategie di day trading. La prima presentazione di Renato Otto si è concentrata sulla previsione dei prezzi delle azioni utilizzando un classificatore forestale casuale, indicatori tecnici e dati di sentiment. La seconda presentazione di Usual Agrawal ha mostrato la loro configurazione di trading completamente automatizzata, "Intraday Straddles", che combinava configurazioni non correlate per generare rendimenti con prelievi minimi. Entrambi i relatori hanno condiviso le loro sfide, risultati e apprendimenti, offrendo preziose lezioni al pubblico. Il webinar è servito come piattaforma per esplorare il potere dell'apprendimento automatico e dell'elaborazione del linguaggio naturale nel trading e ha fornito uno sguardo all'entusiasmante mondo del trading algoritmico.

• 00:00:00 L'host introduce l'argomento del webinar, ovvero prevedere i prezzi giornalieri delle azioni e automatizzare una strategia di day trading. Verranno presentate due presentazioni del progetto, la prima sulla previsione dei prezzi giornalieri delle azioni con indicatori tecnici e dati di sentiment del classificatore forestale casuale, presentata da Renato Otto dal Regno Unito, e la seconda su come automatizzare una strategia di trading di opzioni giornaliere, presentata da Usual Agrawal dall'India. Il conduttore presenta Renato Otto e fornisce un breve background su di lui, inclusa la sua esperienza e il suo coinvolgimento nello sviluppo di software e strumenti per l'analisi quantitativa e l'identificazione sistematica della manipolazione del mercato nel mercato energetico del Regno Unito.
  
  
• 00:05:00 Il relatore discute la loro motivazione alla base del completamento di un progetto che prevede la previsione dei prezzi giornalieri delle azioni e l'automazione di una strategia di day trading. Volevano consolidare le loro conoscenze nella programmazione Python, nell'ingegneria dei dati e nell'apprendimento automatico in un progetto end-to-end che avrebbe migliorato le loro competenze ed esplorato il potere dell'apprendimento automatico e dell'elaborazione del linguaggio naturale nel trading. Inoltre, miravano a creare qualcosa di riutilizzabile per gli altri da utilizzare nella propria analisi o nell'implementazione di strategie. Il programma prevede nove fasi, a partire dalla fornitura di dettagli in un dizionario per definire l'analisi, seguita dall'inizializzazione di una pipeline e dall'esecuzione del programma per ottenere il set di dati per i calcoli di backtesting. Il relatore sottolinea l'importanza di testare l'usabilità del programma e garantire che le cifre alla fine siano affidabili.
  
  
• 00:10:00 Il relatore spiega i diversi metodi coinvolti nel backtesting di una strategia di day trading. La classe della strategia di backtest consiste in diversi metodi che possono pre-elaborare i dati, addestrare e testare i modelli e analizzare le prestazioni della strategia. L'output comprende tabelle e grafici che mostrano, tra gli altri parametri, il ritorno sull'investimento, il rapporto netto e il prelievo massimo. Sebbene il metodo di backtesting sia utile per determinare la potenziale redditività della strategia, il relatore avverte che apporta diverse semplificazioni che potrebbero non valere per il trading dal vivo. L'ultimo miglioramento del programma include l'aggiornamento dei parametri per includere le commissioni di transazione e le dimensioni del conto per riflettere le reali condizioni di trading.
  
  
• 00:15:00 Il presentatore discute le sfide che ha incontrato durante lo sviluppo del programma per la previsione dei prezzi giornalieri delle azioni e l'automazione del day trading. Una delle sfide è stata la complessità dell'implementazione di un menu interattivo che richiede agli utenti di inserire dati. Ciò ha richiesto ulteriore riflessione e sviluppo, ma alla fine ne è valsa la pena perché il programma è facile da usare. Altre sfide includevano la ricerca di soluzioni per il calcolo delle metriche delle prestazioni e il mantenimento dell'equilibrio tra lavoro e vita privata. Per superare queste sfide, il relatore consiglia di disegnare diagrammi, scrivere commenti come trampolino di lancio verso il codice effettivo, fare pause, cercare problemi su Google e consolidare la conoscenza. Il relatore discute anche i risultati ottenuti attraverso questo progetto, come il consolidamento delle conoscenze in finanza quantitativa e le capacità di programmazione, l'acquisizione di fiducia nella gestione di un progetto dall'inizio alla fine e la dimostrazione di come l'apprendimento automatico può essere potente nel prevedere il prezzo delle azioni del giorno successivo.
  
  
• 00:20:00 Il relatore discute i suoi piani per progetti futuri dopo aver completato l'attuale progetto sulla previsione dei prezzi giornalieri delle azioni e sull'automazione di una strategia di day trading. Menziona lo studio di nuove strategie con risorse diverse, l'ampliamento delle conoscenze con altri appassionati attraverso il suo blog, la ricerca di nuove strategie e modelli di apprendimento automatico e infine l'implementazione di strategie redditizie in un ambiente di trading dal vivo. Inoltre, il relatore condivide le sue informazioni di contatto per coloro che desiderano porre domande o saperne di più sul progetto. Il pubblico pone anche diverse domande, tra cui quante notti in ritardo ha trascorso il relatore durante il progetto e se il programma può essere utilizzato in criptovaluta.
  
  
• 00:25:00 Il creatore ha utilizzato i prezzi giornalieri di Tesla sin dall'inizio dell'azienda nel 2009 per addestrare il modello. Il processo di formazione ha richiesto cinque mesi e il modello è stato testato per un paio d'anni. Per quanto riguarda la riduzione del rischio, il creatore ha affermato che non c'è molto che si possa fare su un modello di apprendimento automatico per ridurre il rischio. Tuttavia, hanno valutato una quantità ragionevole o accettabile di scambi per garantire che la maggior parte di essi fosse redditizia. Il creatore ha anche risposto a domande relative al periodo di tempo per la previsione dei prezzi e alla necessità di un PC ad alta potenza per l'addestramento del modello.
  
  
• 00:30:00 Il relatore discute il processo di addestramento di un modello ei vantaggi del trading algoritmico rispetto ai sistemi discrezionali. Spiega che è possibile addestrare un modello utilizzando un computer senza GPU e potrebbero essere necessarie diverse ore per arrivare a un modello che funzioni. Osserva che è fattibile farlo una volta, ma non è raccomandato per un uso regolare. Alla domanda sui vantaggi del trading algoritmico, l'oratore afferma che esiste una fiducia statistica nel fatto che la maggior parte delle negoziazioni sia redditizia, rendendola più redditizia del trading discrezionale. Infine, il relatore condivide le sue aspettative dal programma epac, affermando che gli ha fornito i fondamenti per comprendere l'algo trading e gli strumenti per scegliere la sua specializzazione.
  
  
• 00:35:00 Il secondo relatore del video, Usual Agrawal, viene presentato come commerciante quantitativo e imprenditore dall'India. Agrawal ha commerciato nei mercati indiani negli ultimi quattro anni e ha avuto difficoltà a gestire la sua attività mentre commerciava a tempo pieno. Ciò lo ha portato ad automatizzare le sue configurazioni di trading con l'aiuto del corso EPAD e il supporto incondizionato del team di Quantum City. Durante la seconda presentazione, Agrawal mostra la sua configurazione di trading completamente automatizzata "Intraday Straddles", che combina configurazioni non correlate per generare rendimenti decenti con prelievi minimi. Descrive anche il suo approccio alla raccolta dei dati, al backtesting, al front testing, all'implementazione e alla valutazione delle prestazioni della sua strategia di trading.
  
  
• 00:40:00 Il relatore discute i dati, i sistemi e i parametri utilizzati per eseguire il backtest di una strategia di day trading di base che prevede la creazione di straddles e strangles per i futures Nifty e Bankruptcy e i dati delle opzioni utilizzando un lasso di tempo di un minuto. Il relatore ha utilizzato due anni di dati da marzo 2019 a marzo 2021, che includevano sia un periodo di bassa volatilità che la pandemia di COVID-19. Il relatore prosegue poi spiegando le diverse classi utilizzate per il backtesting ei parametri testati, compresi i vari livelli di stop loss. Infine, il relatore presenta i risultati del backtesting.
  
  
• 00:45:00 Il presentatore discute i risultati del backtesting e del front testing di una strategia di day trading. Nella fase di backtesting, hanno ottenuto un rendimento netto di 3,15 lakh, che si traduce in un rendimento annuo del 52,9%. Il tasso di successo è stato calcolato sia normalmente che normalizzato, con quest'ultimo che ha fornito un'immagine più realistica. Il rapporto netto era 3,78 e la curva azionaria aveva un buon supporto da una media mobile semplice a tre mesi. Tuttavia, durante la fase di test frontale, la strategia non ha funzionato come previsto, guadagnando solo 70.000 rupie in 11 mesi, con un rendimento annuo del 25%. La curva azionaria era piatta, indicando che la strategia potrebbe non funzionare bene al momento e deve essere analizzata. Il relatore condivide anche le loro principali sfide e apprendimenti durante questo progetto, con i principali problemi che sorgono durante la raccolta dei dati.
  
  
• 00:50:00 Il relatore discute alcune delle sfide affrontate durante lo sviluppo di una strategia di day trading. Uno dei problemi principali era ottenere dati affidabili sulle opzioni intraday, che richiedevano l'acquisto da fornitori di terze parti. Un'altra sfida è stata la distorsione del campionamento, poiché l'analisi si è concentrata solo sui dati degli ultimi due anni, che potrebbero non rappresentare con precisione la performance complessiva della strategia. Inoltre, l'oratore ha notato un effetto di sovraffollamento nel mercato poiché molti trader stanno impiegando strategie simili. L'oratore condivide quindi il motivo della scelta di sviluppare la strategia in modo indipendente, che ha consentito aggiustamenti personalizzati. Infine, il relatore discute le valutazioni in corso della strategia e gli sforzi per diversificarla per una maggiore efficienza.
  
  
• 00:55:00 L'oratore risponde alle domande del pubblico, incluso se il programma viene eseguito manualmente o automatizzato utilizzando piattaforme cloud, e come hanno scelto quale titolo vendere straddle e fino a che punto il tipico stop-loss era relativo al premio. La strategia si applica solo all'indice Nifty e all'indice Bank Nifty a causa di problemi di liquidità e l'oratore pulisce i dati attraverso tentativi ed errori, rettificando le modifiche al formato e rimuovendo i giorni con errori di dati.
  
  
• 01:00:00 Il relatore risponde a due domande sulla loro strategia di day trading, inclusa la percentuale di stop loss che hanno utilizzato per i test e le sfide che hanno dovuto affrontare nella programmazione senza un background in ingegneria informatica. Discutono di come hanno superato queste sfide con l'aiuto del programma EPAT e il tutoraggio di Quadency. Il relatore fornisce anche consigli agli aspiranti trader quantistici e algoritmici, sottolineando che sebbene la strategia presentata possa sembrare semplice, è importante esercitare cautela e una corretta gestione del rischio quando la si applica nella pratica.
  
  
• 01:05:00 Il relatore discute l'importanza di diversificare le strategie di trading e come può aiutare quando una strategia è in una fase di drawdown mentre le altre stanno andando bene. Sottolinea la necessità di testare e dedicare del tempo alle strategie per apprenderle e combinarle in un modo che funzioni al meglio. Fornisce una dichiarazione di non responsabilità sul fatto che questo non è un consiglio commerciale ed esprime gratitudine a Visual per aver condiviso il loro progetto e le loro esperienze. La registrazione della sessione sarà disponibile sul loro canale YouTube e i partecipanti riceveranno un'e-mail con i codici necessari e i collegamenti GitHub. L'host attende con impazienza sessioni più interessanti nei prossimi mesi.

[MetaQuotes]

Implementazione del modello di prezzo e dell'asset allocation dinamica: webinar sul progetto Algo Trading

Implementazione del modello di prezzo e dell'asset allocation dinamica: webinar sul progetto Algo Trading

Durante il webinar, il presentatore presenta il primo relatore, Evgeny Teshkin, un analista quantitativo senior dalla Russia. Teshkin presenta il suo progetto sull'implementazione di un modello di prezzo che utilizza il filtraggio di Kalman adattabile ai regimi di mercato. Spiega che il progetto funge da esempio educativo di come utilizzare tecniche quantitative di apprendimento automatico online nella creazione di strategie di sviluppo.

Teshkin sottolinea i vantaggi delle tecniche di apprendimento online, che consentono un'automazione più profonda e il trading in tempo reale, rendendolo più efficiente rispetto alla riqualificazione del modello tradizionale. L'obiettivo principale del suo progetto è quello di creare strategie di trading che migliorino l'investimento di settore semplice, con un focus specifico sul settore big tech del mercato azionario statunitense, comprese società come Facebook, Apple, Netflix, Google, Amazon e Microsoft.

Il relatore prosegue discutendo l'approccio che ha utilizzato per implementare un modello di prezzo e un'asset allocation dinamica per il suo progetto di trading algoritmico. Spiega di aver utilizzato tecniche statistiche e quantitative per posizioni long-only, selezionando punti di ingresso e di uscita e determinando prezzi sottovalutati o sopravvalutati rispetto ad altri titoli del settore.

Per raggiungere questo obiettivo, Teshkin ha utilizzato vari modelli come la regressione lineare, l'analisi delle componenti principali (PCA) e il filtro di Kalman. Questi modelli hanno aiutato a calcolare i residui ea trovare coefficienti ottimali per lo spread lineare statistico tra titoli correlati all'interno del settore. Sottolinea l'importanza del valore relativo e spiega che l'approccio all'apprendimento online utilizzava una finestra temporale di un anno, tenendo conto di input come il prezzo delle azioni e l'indice dei dentisti.

Il relatore approfondisce i diversi modelli che ha utilizzato per affrontare i problemi di analisi dei dati nel suo progetto di trading algoritmico. Cita l'uso di tecniche come l'estrazione di componenti di varianza ortonormali non correlate, il filtro di Kalman e modelli di Markov nascosti. Spiega come questi modelli sono stati incorporati nel suo approccio e fornisce risorse per un ulteriore apprendimento. Inoltre, discute i risultati del suo progetto e condivide alcuni trucchi che ha utilizzato per aumentare posizioni potenzialmente redditizie.

Successivamente, l'oratore discute di come è riuscito a battere il mercato acquistando e vendendo azioni sulla base di semplici quotazioni e delta di fine giornata. Spiega che i rischi associati a questa strategia sono stati superati utilizzando più entrate e uscite determinate da tecniche di prezzo relativo online. Esplora il concetto di prezzi relativi alle azioni per determinare entrate e uscite, insieme all'uso dell'apprendimento automatico online per costruire modelli di prezzi automatizzati in tempo reale.

Il relatore incoraggia il pubblico a esplorare il proprio progetto online, offrendo l'opportunità di scaricare il codice e contattarlo per ulteriori domande. Menzionano inoltre che il webinar sarà registrato e reso disponibile sul loro canale YouTube, insieme al file di presentazione e ai collegamenti pertinenti. Durante la sessione, il relatore interagisce con il pubblico, rispondendo alle domande sulla loro partecipazione alle competizioni di trading algoritmico e chiarendo se i risultati presentati provenissero dal trading effettivo o solo dal backtesting.

Dopo la presentazione, il presentatore del webinar risponde a diverse domande degli spettatori in merito al progetto di trading algoritmico. Coprono argomenti come l'uso della regressione lineare per la correlazione ottimale, le prestazioni della strategia di acquisto e mantenimento rispetto alla strategia di trading ottimizzata e l'inclusione di stati nascosti nel modello statistico. Il relatore fornisce risposte approfondite, ampliando i dettagli del progetto e spiegando il processo decisionale alla base del loro approccio.

Il webinar passa quindi all'introduzione del prossimo progetto, che si concentra sull'asset allocation dinamica utilizzando le reti neurali. Il relatore spiega che il loro progetto mira a costruire un sistema automatizzato per la strategia "compra oggi vendi domani" sui titoli bancari con un intervento manuale minimo. Discutono dello sviluppo del modello, dell'implementazione della strategia e degli aspetti di gestione del rischio del loro progetto, sottolineando l'uso di modelli di deep learning addestrati su dati storici per titoli bancari ingegnosi.

L'oratore elabora la strategia, che prevede la combinazione dei risultati di diversi modelli per determinare il rendimento atteso per ciascun titolo. Sulla base di questi rapporti, i fondi vengono distribuiti nei rispettivi stock. La parte di gestione del rischio del progetto si occupa di questioni come i costi di transazione e l'automazione. Il relatore sottolinea l'importanza di gestire efficacemente il rischio nell'algoritmo di trading.

Andando avanti, il relatore fornisce ulteriori approfondimenti sulla strategia, la gestione del rischio e le sfide affrontate durante lo sviluppo dell'algoritmo di trading. Spiegano l'implementazione di un'architettura convergente sia per il modello di rendimento probabilistico che per il modello di rendimento. La strategia prevede il calcolo del rendimento atteso per ciascun titolo e la sua divisione per la volatilità del rendimento per ottenere un rapporto. I fondi disponibili vengono quindi allocati proporzionalmente alle azioni con rapporti positivi, mentre i portafogli vengono venduti proporzionalmente alle perdite attese. L'algoritmo viene continuamente aggiornato e vengono applicati meccanismi di stop-loss per mitigare il rischio. Il relatore riconosce le sfide nell'automazione del processo di aggiornamento e menziona l'assenza di una strategia di microstruttura del mercato per determinare i prezzi di acquisto o di vendita ottimali.

Il relatore procede a discutere i risultati dei loro sforzi di backtesting e la selezione di una combinazione di 20 giorni come la più appropriata per il loro modello. Menzionano anche i prossimi passi del progetto, inclusa l'integrazione di punteggi di notizie testuali per titoli bancari e lo sviluppo di una soluzione basata su app Android per un'ulteriore automazione. Il pubblico ha l'opportunità di porre domande, portando a discussioni su argomenti come i risultati del backtesting e l'uso di meccanismi di stop-loss nel modello. Il relatore condivide che i rendimenti del backtesting sono stati decenti, fornendo circa il 5% di modelli in un periodo di tempo specifico. Menzionano anche una fase di beta test che ha prodotto un rendimento vicino al 10% negli ultimi sei mesi.

In risposta a una domanda del pubblico sull'implementazione di uno stop loss, l'oratore spiega che hanno incorporato uno stop loss del cinque percento del valore del portafoglio per valore dell'investimento per ciascun titolo. Quando la perdita di un'azione raggiunge il cinque percento dell'investimento, viene automaticamente rimossa dal portafoglio per limitare la perdita massima al cinque percento. Il relatore affronta inoltre le domande relative alle prestazioni dell'asset allocation dinamica rispetto a una semplice strategia di acquisto e conservazione. Sottolineano che il benchmarking rispetto alla Nifty Bank ha mostrato prestazioni ragionevoli, vicino al cinque percento di rendimenti. Il relatore spiega anche la loro decisione di concentrarsi sul settore bancario a causa del suo riflesso delle condizioni generali del mercato e afferma che il loro background nell'apprendimento automatico ha facilitato il loro miglioramento delle competenze per il progetto.

Dopo le presentazioni del progetto, un partecipante condivide la propria esperienza positiva con EPAT, sottolineandone il valore in termini di apprendimento teorico e implementazione pratica. Esprimono apprezzamento per aver acquisito una comprensione matematica dei prezzi delle opzioni e dei futures e lodano il sistema di supporto del programma e il performance manager dedicato, che hanno fornito una preziosa guida. Sebbene il corso sia stato impegnativo, il partecipante ritiene che sia stato essenziale per la crescita personale e professionale. Incoraggiano gli aspiranti trader a esplorare ed espandere le loro conoscenze oltre i loro punti di forza attuali, poiché diventeranno gradualmente esperti nelle operazioni di trading.

Nella parte finale, i relatori sottolineano l'importanza di applicare le conoscenze acquisite in scenari di vita reale il più rapidamente possibile. Raccomandano di utilizzare il corso iPad per esperimenti di trading quotidiani, facilitando l'apprendimento e la crescita continui. Il webinar si conclude con la gratitudine estesa ai relatori e al pubblico, insieme a una richiesta di suggerimenti sugli argomenti per i futuri webinar.

• 00:00:00 Il presentatore del webinar introduce il primo relatore, Evgeny Teshkin, analista quantitativo senior dalla Russia, che presenta il suo progetto sull'implementazione di un modello di determinazione dei prezzi utilizzando il filtraggio di Kalman adattabile ai regimi di mercato. Teshkin spiega che il progetto è un esempio educativo di come utilizzare tecniche quantitative di apprendimento automatico online nella creazione di strategie di sviluppo. Sottolinea che la tecnica di apprendimento online consente un'automazione più profonda e il trading in tempo reale, che è più efficiente della riqualificazione del modello tradizionale. L'obiettivo del progetto è creare strategie di trading che migliorino l'investimento di settore semplice, concentrandosi sul settore big tech del mercato azionario statunitense, come Facebook, Apple, Netflix, Google, Amazon e Microsoft.
  
  
• 00:05:00 Il relatore spiega il loro approccio all'implementazione di un modello di prezzo e di un'asset allocation dinamica per un progetto di trading algoritmico. L'approccio prevedeva l'utilizzo di tecniche statistiche o quantitative per posizioni long only, la raccolta di punti di ingresso e di uscita e la determinazione di prezzi sottovalutati o sopravvalutati rispetto ad altri titoli del settore. Il relatore ha utilizzato la regressione lineare, l'analisi delle componenti principali ei modelli di filtro di Kalman per calcolare i residui e trovare coefficienti ottimali per lo spread lineare statistico tra azioni correlate del settore. Il punto chiave era il valore relativo delle azioni e l'apprendimento online prevedeva una finestra temporale di un anno utilizzando input come il prezzo delle azioni e l'indice dei dentisti.
  
  
• 00:10:00 Il relatore discute i diversi modelli che ha utilizzato per risolvere i problemi di analisi dei dati per il suo progetto di scambio di algoritmi, inclusa l'estrazione di componenti ortonormali non correlate della varianza, il filtro di Kalman e i modelli di Markov nascosti. Spiega come utilizza questi modelli nel suo approccio e fornisce risorse per un ulteriore apprendimento. Inoltre, discute i risultati del suo progetto e i trucchi che ha utilizzato per aumentare le posizioni potenzialmente redditizie.
  
  
• 00:15:00 Il relatore discute l'approccio utilizzato per battere il mercato acquistando e vendendo azioni sulla base di semplici quotazioni e delta di fine giornata. Spiegano anche come sono riusciti a superare i rischi associati a questa strategia utilizzando più entrate e uscite determinate da tecniche di prezzo relativo online. Viene esplorato il concetto di utilizzo dei prezzi relativi alle azioni per determinare entrate e uscite, nonché l'uso dell'apprendimento automatico online per creare modelli di prezzi automatizzati in tempo reale. Il relatore incoraggia il pubblico a dare un'occhiata al proprio progetto online ea sentirsi libero di scaricare il proprio codice e contattarlo per ulteriori domande. Il webinar sarà registrato e reso disponibile sul canale YouTube, insieme al file di presentazione e ai link. Il relatore risponde anche alle domande del pubblico sulla loro partecipazione alle competizioni di trading algoritmico e se i risultati presentati provenissero dal trading reale o solo dal backtesting.
  
  
• 00:20:00 Il presentatore del webinar risponde a diverse domande degli spettatori sul loro progetto di trading algoritmico. Uno spettatore ha chiesto informazioni sull'uso della regressione lineare per una correlazione ottimale con l'obiettivo VR, con il presentatore che ha spiegato che gli input per il modello di regressione erano semplicemente delta di prezzo per altri titoli. Un altro spettatore ha chiesto perché la strategia buy and hold sembra funzionare al meglio, a cui il presentatore ha risposto che, sebbene possa fornire il massimo profitto totale, l'obiettivo del progetto era quello di battere il rischio e il rendimento aggiustato per il rischio era in realtà più alto per la strategia di traffico ottimizzata. Il relatore ha anche posto una domanda sugli stati nascosti nel modello statistico utilizzato nel progetto.
  
  
• 00:25:00 L'oratore spiega gli stati e le caratteristiche che ha utilizzato per la sua analisi nello sviluppo di un progetto di trading algoritmico. Ha scelto da due a tre stati come regimi di mercato, calcolati da parametri come i delta dei prezzi per gli ETF di settore e i grandi delta come indicatori di mercato osservabili. Le caratteristiche che ha usato erano semplici, come i delta dei prezzi e le loro medie mobili, e ha anche estratto la prima e la seconda componente da questi delta per la regressione lineare. In termini di selezione dei componenti principali da utilizzare per PCA, la strategia era quella di utilizzare il primo e almeno un altro componente, in quanto spiegano la maggior parte della variazione nel settore. Il relatore menziona anche che mentre la previsione della volatilità è un'altra area da esplorare, questo progetto si è concentrato sulla previsione del prezzo per migliorare il rischio di negoziazione.
  
  
• 00:30:00 Il presentatore risponde a un paio di domande del pubblico. Una domanda riguarda se il modello di prezzo è stato testato a posteriori su altri strumenti come criptovalute o forex, a cui il presentatore spiega che non lo hanno ancora fatto, ma che i concetti potrebbero essere applicati a una varietà di strumenti finanziari. Un'altra domanda è se il trading di futures sia più facile da prevedere rispetto alle azioni utilizzando l'apprendimento automatico, e il presentatore spiega che dipende dal modello, ma che i principi sono gli stessi e raccomanda di mantenerlo semplice per evitare l'overfitting. Il presentatore introduce quindi il progetto successivo, che riguarda l'allocazione dinamica delle risorse utilizzando le reti neurali.
  
  
• 00:35:00 Il presentatore illustra il suo progetto di "asset allocation dinamica tramite reti neurali" finalizzato alla costruzione di un sistema automatizzato per la strategia "compra oggi vendi domani" sui titoli bancari con un minimo intervento manuale. La soluzione è costituita da parti di sviluppo del modello, strategia e gestione del rischio. Lo sviluppo del modello prevede lo sviluppo di un set di tre modelli di deep learning, tra cui un modello probabilistico e due modelli basati sui rendimenti, addestrandoli su cinque anni di dati per 12 eleganti azioni bancarie. La strategia prevede la combinazione dell'output di questi modelli per arrivare a un rendimento atteso per il titolo e quindi la distribuzione dei fondi nei rispettivi titoli in base ai rapporti. Infine, la parte di gestione del rischio include la gestione di problemi come i costi di transazione e l'automazione.
  
  
• 00:40:00 Il relatore spiega la strategia, la gestione del rischio e le sfide che hanno affrontato nello sviluppo del loro algoritmo di trading. Hanno usato un'architettura convergente per costruire sia il loro modello di rendimento probabilistico che il loro modello di rendimento. La strategia prevedeva il calcolo del rendimento atteso per ciascun titolo e la sua divisione per la volatilità del rendimento per ottenere un rapporto. Hanno quindi distribuito la liquidità disponibile in proporzione ai rapporti s positivi e venduto i portafogli in proporzione alle perdite previste. L'algoritmo è stato aggiornato dinamicamente e hanno applicato gli stop loss alle azioni. Una sfida era automatizzare il processo di aggiornamento e un'altra era non disporre di una strategia di microstruttura del mercato per suggerire il miglior prezzo da acquistare o vendere.
  
  
• 00:45:00 Il relatore discute i risultati del loro backtesting e come sono arrivati a utilizzare una combinazione di 20 giorni come la più appropriata per il loro modello. Menzionano anche passaggi imminenti come l'integrazione di punteggi di notizie testuali per titoli bancari e l'ulteriore automazione del modello in una soluzione basata su app Android. Il relatore risponde anche alle domande del pubblico, comprese domande sui risultati del backtesting e sull'uso dello stop loss nel loro modello. I rendimenti del backtesting sono stati discreti, fornendo circa il 5% di modelli per un periodo di tempo, e il beta test ha dato un rendimento vicino al 10% negli ultimi sei mesi.
  
  
• 00:50:00 L'oratore spiega che hanno implementato uno stop loss del cinque percento del valore del portafoglio per valore dell'investimento sul titolo. Quando un'azione perde il cinque percento di ciò che vi è stato investito, viene rimossa dal portafoglio per limitare la perdita massima al cinque percento per qualsiasi azione. L'oratore risponde quindi alle domande sul fatto che l'asset allocation dinamica abbia prestazioni migliori rispetto al semplice acquisto e mantenimento, e spiega che l'hanno confrontata con la Nifty Bank e hanno scoperto che si comporta abbastanza bene, vicino al cinque percento. Il relatore spiega inoltre che non hanno utilizzato l'ottimizzazione dei parametri ibridi per la rete neurale e hanno scelto come tema del progetto di combinare deep learning e trading, concentrandosi sul settore bancario in quanto il mercato riflette la condizione delle banche. Dicono anche che il loro background nell'apprendimento automatico li ha aiutati a migliorare le competenze per il progetto.
  
  
• 00:55:00 Un partecipante condivide la sua esperienza positiva con EPAT, affermando che è stato utile sia in termini di apprendimento teorico che di implementazione pratica. Notano che li ha aiutati a ottenere una comprensione matematica di come vengono valutati opzioni e futures. Il partecipante elogia anche il sistema di supporto del programma e il responsabile delle prestazioni dedicato che ha aiutato a monitorare i loro progressi. Sebbene abbiano trovato il corso impegnativo, ritengono che sia stato importante per la loro crescita come creatori e professionisti. Gli aspiranti trader sono incoraggiati a esplorare e non limitarsi ai loro punti di forza attuali, poiché alla fine capiranno come funzionano le cose.
  
  
• 01:00:00 I relatori sottolineano il valore della conoscenza pratica rispetto a quella teorica ed esortano i partecipanti ad applicare ciò che hanno appreso nella vita reale il più velocemente possibile. Raccomandano di utilizzare il corso iPad per gli esperimenti quotidiani con il trading per aiutare i partecipanti a crescere implementando e imparando di più. Il webinar si conclude con un ringraziamento ai relatori e al pubblico e una richiesta di suggerimenti sugli argomenti per futuri webinar.

[MetaQuotes]

Applicazione dell'apprendimento automatico nel trading di Ishan Shah e Rekhit Pachanekar | Algo Trading Week Giorno 7

Applicazione dell'apprendimento automatico nel trading di Ishan Shah e Rekhit Pachanekar | Algo Trading Week Giorno 7

Ishan Shah e Rekhit Pachanekar, i relatori del webinar, iniziano presentandosi ed esprimendo il loro entusiasmo per l'ultimo giorno della settimana di algo trading. Annunciano i vincitori della competizione di trading algoritmico e lodano i loro risultati. Dicono che il focus della presentazione della giornata sarà sull'apprendimento automatico e le sue applicazioni nel trading. Informano inoltre il pubblico che ci sarà una sessione di domande e risposte alla fine della presentazione.

Rekhit Pachanekar assume la guida nell'avvio del webinar e si tuffa nelle basi dell'apprendimento automatico. Usa il riconoscimento delle immagini come esempio per spiegare come l'apprendimento automatico consente agli algoritmi di apprendere dai dati e prendere decisioni senza una programmazione estesa. Discute quindi del ruolo dell'apprendimento automatico nel trading e negli investimenti, in particolare nella creazione di portafogli di investimento personalizzati basati su vari punti dati come stipendio, professione e regione. L'apprendimento automatico aiuta anche ad assegnare pesi alle risorse in un portafoglio e aiuta a sviluppare strategie di trading. Pachanekar evidenzia la velocità e le capacità di analisi dei dati dell'apprendimento automatico, che vengono utilizzate da hedge fund, fondi pensione e fondi comuni di investimento per decisioni di investimento e trading.

Andando avanti, Ishan Shah e Rekhit Pachanekar approfondiscono i sette passaggi coinvolti nella costruzione di un modello di machine learning per il trading. Sottolineano che anche i singoli trader al dettaglio possono sfruttare la tecnologia di apprendimento automatico per creare le proprie strategie di trading. Il primo passo di cui discutono è definire la dichiarazione del problema, che può variare da un desiderio generale di rendimenti positivi a obiettivi più specifici come determinare il momento giusto per investire in un particolare titolo come JP Morgan. Il secondo passaggio prevede l'acquisizione di dati di buona qualità, assicurando che non vi siano valori mancanti o duplicati e valori anomali. I relatori sottolineano l'importanza della qualità dei dati nella costruzione di un accurato modello di machine learning.

Shah e Pachanekar procedono a spiegare il processo di selezione delle variabili di input e output per un modello di machine learning nel trading. Evidenziano la variabile di output, o la variabile target, che rappresenta il rendimento futuro di un titolo. Menzionano che a una variabile di segnale viene assegnato un valore di 1 quando si prevede che i rendimenti futuri saranno positivi e 0 quando si prevede che saranno negativi. Le variabili di input, o caratteristiche, devono possedere potere predittivo e soddisfare il requisito di stazionarietà, nel senso che presentano una varianza media e costante. Sottolineano che variabili come open, low, high e close non sono stazionarie e non possono essere utilizzate come funzioni di input.

Successivamente, i relatori discutono della selezione delle funzionalità di input per il loro modello di machine learning nel trading. Spiegano la necessità di funzionalità di input stazionarie e ottengono ciò utilizzando valori di variazione percentuale per diversi periodi di tempo. Sottolineano inoltre l'importanza di evitare la correlazione tra le variabili di input e dimostrano l'uso di una mappa termica di correlazione per identificare ed eliminare caratteristiche altamente correlate. La selezione finale delle funzionalità di input include valori di variazione percentuale per diversi periodi di tempo, RSI (Relative Strength Index) e correlazione. Prima di utilizzare il modello per il trading dal vivo, hanno suddiviso il set di dati in set di addestramento e test per valutarne le prestazioni.

I relatori sottolineano l'importanza di garantire la qualità e la pertinenza dei set di dati utilizzati nei modelli di machine learning. Introducono il concetto di alberi decisionali e indagano sui processi decisionali personali dei partecipanti quando si tratta di acquistare azioni o beni, menzionando risposte che vanno dagli indicatori tecnici alle raccomandazioni degli amici. Affermano la necessità di stabilire un modello mentale per il processo decisionale basato sulle esperienze personali quando si utilizzano tali caratteristiche. Presentano foreste casuali come un modo per superare i problemi di overfitting e spiegano l'uso degli alberi bayesiani come base per gli alberi decisionali.

Shah e Pachanekar spiegano come gli algoritmi di apprendimento automatico, in particolare gli alberi decisionali, possono essere utilizzati per creare regole per il trading. Queste regole, che incorporano indicatori tecnici come ADX (Average Directional Index) e RSI, consentono ai trader di prendere decisioni in base a condizioni predefinite. Per garantire che queste regole non siano basate esclusivamente sulla fortuna, i presentatori introducono il concetto di una foresta casuale. Spiegano che una foresta casuale combina più alberi decisionali per creare una strategia di trading più generalizzata e affidabile. Selezionando casualmente un sottoinsieme di caratteristiche per ciascun albero, la foresta casuale riduce le possibilità di overfitting e fornisce previsioni più accurate. I relatori discutono vari parametri richiesti per l'algoritmo della foresta casuale, incluso il numero di stimatori, le caratteristiche massime e la profondità massima dell'albero.

Andando avanti, i relatori approfondiscono l'implementazione di un classificatore di foreste casuali per l'applicazione dell'apprendimento automatico nel trading. Sottolineano l'importanza di controllare la profondità dell'albero decisionale e selezionare casualmente le caratteristiche per evitare l'overfitting e garantire risultati coerenti. Il classificatore di foreste casuali apprende le regole dalle funzionalità di input e dagli output previsti, che vengono quindi utilizzati per fare previsioni su dati invisibili. Menzionano anche che le prestazioni del modello possono essere misurate utilizzando varie metriche.

I relatori discutono quindi dell'importanza di valutare l'efficacia di un modello di apprendimento automatico prima di effettuare investimenti in denaro reale sulla base delle sue raccomandazioni. Introducono il concetto di accuratezza, che implica la verifica se le previsioni del modello sono in linea con i risultati effettivi del mercato. Sottolineano che la precisione di un modello varia tipicamente dal 50% al 60% e avvertono che un tasso di precisione elevato non garantisce buoni risultati. Suggeriscono di utilizzare una matrice di confusione per confrontare le etichette effettive rispetto a quelle previste e calcolare le metriche delle prestazioni come precisione, richiamo e punteggio F1 per valutare le prestazioni del modello.

In dettaglio, l'accuratezza del modello viene ampiamente discussa e viene condotto un sondaggio per stabilire il suo tasso di accuratezza, che è calcolato essere del 60%. Tuttavia, se controllato in base all'etichetta, la precisione per il segnale lungo scende al 33%. Ciò solleva la questione se un aumento della precisione complessiva si tradurrà in un modello di trading redditizio. I relatori sottolineano che l'accuratezza è un fattore cruciale nel determinare l'efficacia di un modello nella previsione del mercato. Sottolineano che un'elevata precisione complessiva non porta necessariamente alla redditività e che devono essere considerati altri fattori.

Shah e Pachanekar spostano quindi la loro attenzione sulla discussione di diverse metriche utilizzate per valutare le prestazioni di un modello di trading, tra cui precisione, richiamo e punteggio F1. Notano che mentre il richiamo può aiutare a superare i problemi con dati sbilanciati, può essere una metrica inaffidabile se utilizzata da sola. Invece, raccomandano di utilizzare una combinazione di precisione e richiamo per calcolare il punteggio F1, che fornisce una valutazione più completa delle prestazioni del modello. Sottolineano l'importanza del backtest del modello per garantirne l'efficacia negli scenari di trading del mondo reale e mettono in guardia contro l'overfitting del modello.

I relatori affrontano le preoccupazioni dell'overfitting in contesti del mondo reale e suggeriscono strategie per gestirlo in base allo specifico modello di machine learning utilizzato. Sottolineano l'importanza di comprendere i parametri del modello, limitare il numero di funzionalità e lavorare su diversi iperparametri per ogni tipo di modello di machine learning. Sottolineano l'importanza di utilizzare i dati del mondo reale senza manipolazione. Inoltre, discutono delle applicazioni dell'apprendimento automatico nel trading oltre alla generazione di segnali, come il suo potenziale nella gestione del rischio. Toccano anche l'uso di algoritmi di clustering per identificare opportunità redditizie nel mercato.

Ishan Shah e Rekhit Pachanekar concludono il webinar discutendo i vantaggi dell'utilizzo dell'apprendimento automatico nel trading, in particolare nella decifrazione di modelli complessi che possono essere difficili da identificare per gli esseri umani. Suggeriscono di utilizzare l'apprendimento automatico come strumento complementare nel processo di identificazione alfa. La sessione si conclude con i relatori che esprimono la loro gratitudine ai relatori e ai partecipanti all'Algo Trading Week e invitano a sottoporre eventuali domande senza risposta attraverso il sondaggio.

• 00:00:00 I relatori, Ishan Shah e Rekhit Pachanekar, si presentano e discutono dell'ultimo giorno della settimana di algo trading. Evidenziano i vincitori della competizione di trading algoritmico e presentano i due relatori della giornata. Dicono che la presentazione si concentrerà sull'apprendimento automatico e che alla fine ci sarà una sessione di domande e risposte. Rekhit Pachanekar inizierà il webinar e poi lo trasmetterà a Ishan Shah.
  
  
• 00:05:00 Il video introduce le basi dell'apprendimento automatico, utilizzando il riconoscimento delle immagini come esempio. L'apprendimento automatico consente agli algoritmi di apprendere dai dati e prendere decisioni, a differenza dei programmi per computer convenzionali che richiedono una programmazione estesa. Il video spiega quindi il ruolo dell'apprendimento automatico nel trading e negli investimenti, in particolare nella creazione di portafogli di investimento per individui basati su dati come stipendio, professione, regione, ecc. L'apprendimento automatico assegna anche pesi alle risorse in un portafoglio e aiuta a creare strategie di trading . Hedge fund, fondi pensione e fondi comuni di investimento utilizzano la velocità e la capacità del machine learning per analizzare grandi quantità di dati per decisioni di investimento e trading.
  
  
• 00:10:00 I relatori discutono dei sette passaggi per creare un modello di machine learning (ML) per il trading e di come anche i singoli trader al dettaglio possono utilizzare la tecnologia ML per creare le proprie strategie di trading. Il primo passaggio prevede la definizione dell'affermazione del problema che può essere semplice come voler ottenere rendimenti positivi, ma con un ulteriore perfezionamento può diventare più specifica come determinare il momento giusto per investire in un particolare titolo come JP Morgan. Il secondo passaggio consiste nell'ottenere dati di buona qualità e garantire che non vi siano valori mancanti o duplicati, nonché valori anomali nei dati. I relatori sottolineano l'importanza della qualità dei dati nella costruzione di un modello ML accurato.
  
  
• 00:15:00 Ishan Shah e Rekhit Pachanekar spiegano il processo di selezione delle variabili di input e output per un modello di machine learning nel trading. La variabile di output, o la variabile target, è il rendimento futuro di un'azione e a una variabile di segnale viene assegnato un valore di 1 quando si prevede che i rendimenti futuri saranno positivi e 0 quando si prevede che saranno negativi. Le variabili di input, o caratteristiche, devono avere potere predittivo e soddisfare il requisito di stazionarietà, nel senso che hanno una varianza media e costante che oscilla avanti e indietro come un pendolo. Le variabili open, low, high e close non sono stazionarie, quindi non possono essere utilizzate come funzioni di input.
  
  
• 00:20:00 I relatori discutono del processo di selezione delle funzionalità di input per il loro modello di machine learning nel trading. Notano che il modello richiede funzionalità di input stazionarie, che ottengono prendendo valori di variazione percentuale per vari periodi di tempo. Sottolineano inoltre l'importanza di evitare la correlazione tra le variabili di input e utilizzano una mappa termica di correlazione per rimuovere le caratteristiche altamente correlate. La selezione finale delle funzionalità di input include valori di variazione percentuale per diversi periodi di tempo, RSI e correlazione. Prima di utilizzare il modello per il trading dal vivo, suddividono il proprio set di dati in set di addestramento e test per valutare le prestazioni del modello.
  
  
• 00:25:00 I relatori discutono dell'importanza di garantire la qualità e la pertinenza dei set di dati utilizzati nei modelli di machine learning prima di determinare quale modello utilizzare. Introducono anche il concetto di alberi decisionali e chiedono ai partecipanti come decidono personalmente se acquistare o meno un determinato titolo o asset, con risposte che vanno dagli indicatori tecnici alle raccomandazioni degli amici. I relatori affermano che è importante stabilire un modello mentale per il processo decisionale basato sulle esperienze personali quando si utilizzano tali caratteristiche. Introducono il concetto di foreste casuali e l'uso di alberi bayesiani come base per alberi decisionali.
  
  
• 00:30:00 I relatori spiegano come utilizzare algoritmi di apprendimento automatico, in particolare un albero decisionale, per creare regole per il trading. Queste regole, che potrebbero includere indicatori tecnici come ADX e RSI, consentono ai trader di prendere decisioni in base a condizioni predefinite. Per garantire che queste regole non vengano create esclusivamente sulla base della fortuna, i relatori introducono il concetto di una foresta casuale, che utilizza più alberi decisionali per creare una strategia di trading più generalizzata e affidabile. Selezionando casualmente un sottoinsieme di caratteristiche per ogni albero, la foresta casuale riduce le possibilità di overfitting e fornisce una previsione più accurata. I relatori discutono i vari parametri richiesti per l'algoritmo della foresta casuale, incluso il numero di stimatori, le caratteristiche massime e la profondità massima dell'albero.
  
  
• 00:35:00 I relatori discutono i parametri e il codice coinvolti nell'implementazione di un classificatore di foreste casuali per applicare l'apprendimento automatico nel trading. Spiegano l'importanza di controllare la profondità dell'albero decisionale e selezionare casualmente le funzionalità per evitare l'overfitting e garantire risultati coerenti. Il classificatore di foreste casuali richiede funzionalità di input e output attesi per apprendere regole e creare alberi decisionali che vengono quindi utilizzati per fare previsioni su dati invisibili. Le prestazioni del modello possono essere misurate utilizzando varie metriche.
  
  
• 00:40:00 I relatori discutono dell'importanza di valutare l'efficacia di un modello di apprendimento automatico prima di investire denaro reale sulla base delle sue raccomandazioni. Introducono il concetto di accuratezza, che implica la verifica se le previsioni del modello corrispondono a ciò che è realmente accaduto nel mercato. Sottolineano che l'accuratezza di un modello varia tipicamente dal 50% al 60% e che un alto tasso di accuratezza non garantisce necessariamente buoni risultati. Per determinare le prestazioni di un modello, i relatori suggeriscono di utilizzare una matrice di confusione per confrontare le etichette effettive rispetto a quelle previste e calcolare le metriche delle prestazioni come precisione, richiamo e punteggio F1.
  
  
• 00:45:00 L'accuratezza del modello è discussa in dettaglio, con un sondaggio condotto per stabilirlo. L'accuratezza del modello è calcolata al 60%, anche se se controllata in base all'etichetta, l'accuratezza per il segnale lungo scende al 33%. Ciò solleva la questione se un aumento della precisione si tradurrà in un modello di trading redditizio. L'accuratezza del modello è importante in quanto aiuta a determinare quanto sia efficace nella previsione del mercato e, in questo caso, un'elevata accuratezza complessiva potrebbe non portare necessariamente alla redditività.
  
  
• 00:50:00 Shah e Pachanekar discutono delle diverse metriche utilizzate per valutare le prestazioni di un modello di trading, come precisione, richiamo e punteggio F1. Notano che mentre il richiamo può aiutare a superare i problemi con dati sbilanciati, può anche essere una metrica inaffidabile da solo. Invece, raccomandano di utilizzare una combinazione di precisione e richiamo per calcolare il punteggio F1. Questo punteggio può essere facilmente costruito utilizzando una matrice di confusione e un punteggio F1 elevato indica un modello degno di essere scambiato. Discutono anche dell'importanza di eseguire il backtest del modello per garantire che funzioni bene nella pratica e cautela contro l'overfitting del modello.
  
  
• 00:55:00 I modelli possono adattarsi eccessivamente, il che significa che sono troppo vicini ai dati di addestramento e potrebbero non funzionare bene con i nuovi dati. D'altra parte, l'eccessiva ottimizzazione è il risultato di ripetuti backtest e modifiche di una strategia di trading per ottenere il risultato desiderato. Questo può portare a trovare un caso speciale che funziona bene sui dati di addestramento e test, ma potrebbe non funzionare sui dati in tempo reale. Per evitare un'ottimizzazione eccessiva, è importante disporre di modelli robusti che funzionino su più classi di attività, utilizzare strumenti di gestione del rischio come meccanismi di stop loss e non un adattamento eccessivo o un'ottimizzazione eccessiva durante i test retrospettivi.
  
  
• 01:00:00 L'overfitting si verifica quando il modello tenta di adattarsi troppo strettamente al set di dati di addestramento, il che è indicato da un tasso di accuratezza elevato nei dati di addestramento. D'altra parte, l'underfitting si verifica quando il modello non può apprendere dai dati come previsto, come evidenziato da un tasso di accuratezza molto basso. Un modo per quantificare questo è misurare il tasso di precisione del modello, con un tasso di precisione di 100 che indica overfitting e un tasso di precisione molto basso che indica underfitting.
  
  
• 01:05:00 I relatori affrontano il problema dell'overfitting in contesti reali e suggeriscono modi per gestirlo in base al modello specifico utilizzato. Sottolineano l'importanza di comprendere i parametri del modello, limitare il numero di funzionalità e lavorare su diversi iperparametri per ogni tipo di modello di machine learning. Affermano inoltre che lavorare con dati del mondo reale e non manipolarli è essenziale. Inoltre, discutono delle applicazioni dell'apprendimento automatico nel trading, sottolineando che è molto meglio della semplice generazione di segnali e ha molto spazio nella gestione del rischio. Infine, toccano la scoperta di segnali alfa con modelli di apprendimento automatico utilizzando algoritmi di clustering per identificare poli redditizi nel mercato.
  
  
• 01:10:00 Ishan Shah e Rekhit Pachanekar discutono dei vantaggi dell'utilizzo dell'apprendimento automatico nel trading, in particolare nel decifrare modelli complessi che gli esseri umani potrebbero avere difficoltà a identificare. L'apprendimento automatico può produrre alfa più sostenibili e robusti che decadono in un periodo di tempo più lungo anziché immediatamente. Suggeriscono di utilizzare l'apprendimento automatico come complemento al processo di identificazione alfa. La sessione si conclude con un ringraziamento ai relatori e ai partecipanti all'Algo Trading Week e un invito a porre eventuali domande senza risposta nel sondaggio.