Commercio quantitativo - pagina 24

[MetaQuotes]

Intelligenza artificiale nel trading del dott. Thomas Starke | Giorno 6 della settimana di trading algoritmico

Intelligenza artificiale nel trading del dott. Thomas Starke | Giorno 6 della settimana di trading algoritmico

Il Dr. Thomas Starke, un oratore di spicco, spiega perché l'intelligenza artificiale è considerata la prossima grande novità nel trading durante la sua presentazione. Riconosce che l'intelligenza artificiale e l'apprendimento automatico esistono da molto tempo, ma a causa della potenza di calcolo limitata, la loro applicazione effettiva è stata impegnativa. Tuttavia, i recenti progressi tecnologici hanno drasticamente migliorato le capacità computazionali, consentendo ad algoritmi sostanziali di funzionare in modo efficiente su laptop e nei centri server attraverso il cloud computing. Il Dr. Starke evidenzia i successi dell'IA in vari campi, come il riconoscimento facciale, il riconoscimento delle immagini e l'elaborazione del linguaggio naturale, che hanno contribuito alla convinzione che l'IA possa rivoluzionare anche la finanza.

Il dottor Starke sottolinea che l'intelligenza artificiale e l'apprendimento automatico non sono proiettili magici ma strumenti scientifici e matematici che richiedono una comprensione e un'applicazione approfondite all'interno del dominio finanziario. Sebbene la finanza abbia aspetti scientifici, è considerata prevalentemente una forma d'arte. Quindi, per sfruttare il potenziale dell'IA nella finanza, è necessario cogliere sia gli strumenti che l'abilità artistica del settore.

Durante il suo discorso, il Dr. Starke affronta il ruolo dello sviluppo software e delle capacità di programmazione insieme all'apprendimento automatico e alle conoscenze statistiche nell'applicazione dell'IA al trading. Sottolinea l'importanza di solide competenze software, inclusa la scrittura di API e la garanzia di fail-safe del sistema, essenziali per l'utilizzo efficace degli strumenti di apprendimento automatico sul mercato. Sostiene che mentre gli strumenti di apprendimento automatico sono intuitivi, le capacità di programmazione e le conoscenze statistiche sono fondamentali per i professionisti in questo campo. Inoltre, affronta la questione se un dottorato di ricerca sia necessario per utilizzare algoritmi di apprendimento automatico e afferma che non è essenziale fintanto che le persone hanno obiettivi specifici, conducono ricerche approfondite e sono disposte a svolgere il lavoro necessario.

L'importanza del tutoraggio nell'apprendimento dell'intelligenza artificiale per il trading è un altro argomento discusso dal Dr. Starke. Sottolinea che trovare un buon mentore può aiutare i principianti a evitare errori comuni e sviluppare conoscenze pratiche piuttosto che fare affidamento esclusivamente sulle conoscenze teoriche acquisite dalle istituzioni accademiche. Il dottor Starke sottolinea che chiunque può imparare l'intelligenza artificiale, ma avere un mentore in grado di fornire una guida adeguata è inestimabile. Sottolinea inoltre che la comprensione dei mercati e dell'economia sottostanti è più cruciale delle capacità di programmazione, poiché la programmazione può essere appresa con un tutoraggio adeguato.

Durante la sua presentazione, il Dr. Starke sottolinea anche l'importanza dell'apprendimento della programmazione e dei metodi quantitativi nell'odierna industria del trading. Sottolinea che i trader di successo spesso possiedono una forte conoscenza della matematica e della programmazione e coloro che sono interessati al trading possono apprendere queste abilità in tempi relativamente brevi. Sottolinea che i trader che investono tempo nell'apprendimento di metodi quantitativi e machine learning hanno maggiori possibilità di sopravvivenza quando si verifica il passaggio dallo screen trading al trading algoritmico. Tuttavia, sottolinea che avere un vantaggio economico e di mercato è fondamentale e supera il vantaggio ottenuto solo con la programmazione e le competenze matematiche. Afferma inoltre che il deep learning richiede alle aziende e agli individui di spiegare i loro rendimenti e affrontare un anno di rendimenti negativi può porre sfide significative.

La spiegazione degli algoritmi di intelligenza artificiale e delle pratiche di gestione del rischio sono discusse anche dal Dr. Starke. Sottolinea l'importanza di essere in grado di spiegare gli algoritmi di intelligenza artificiale, poiché in caso contrario può portare a problemi o addirittura al ritiro di fondi. Afferma che, nonostante l'uso dell'intelligenza artificiale e dell'apprendimento automatico, le pratiche di gestione del rischio rimangono sostanzialmente invariate, ma è necessario esplorare nuovi modi di gestire il rischio, in particolare con la fine della corsa al rialzo di azioni e obbligazioni. Il dottor Starke sottolinea che l'apprendimento automatico è onnipresente nel trading, con varie applicazioni come la generazione di segnali di input e la gestione del rischio dei modelli di apprendimento automatico.

Il Dr. Starke approfondisce i diversi modelli e tecnologie utilizzati nel trading, come l'analisi dei componenti principali (PCA), gli alberi decisionali, xgboost, il deep learning e l'apprendimento per rinforzo. Discute le loro applicazioni nell'analisi dei dati dei segnali, nella gestione del rischio di portafoglio e nell'esecuzione di operazioni. Sottolinea inoltre l'importanza dei sistemi di gestione del rischio per aumentare i rendimenti geometrici e replicare strategie di successo in altri mercati. Il Dr. Starke suggerisce che buoni sistemi di gestione del rischio possono persino generare alfa ed essere considerati strategie di volatilità lunghe.

Inoltre, il Dr. Starke esplora come l'intelligenza artificiale può essere utilizzata per coprire e gestire il rischio di strategie di breve volatilità nel trading, migliorando potenzialmente l'alfa generato da tali strategie. Sottolinea l'importanza della curiosità e di un sano apprezzamento per il rischio nell'apprendimento continuo e nello sviluppo di nuove strategie di trading. Sconsiglia di fare affidamento su piattaforme di trading pronte all'uso e incoraggia invece strategie di codifica da zero per ottenere un vantaggio di apprendimento profondo.

Il Dr. Starke si impegna in una discussione sui movimenti dei prezzi basati sul tempo rispetto ai movimenti di mercato basati sui prezzi. Spiega che i movimenti dei prezzi basati sul tempo possono essere risolti matematicamente calcolando gli indicatori, mentre i movimenti del mercato basati sui prezzi sono determinati dall'economia sottostante del mercato. Il dottor Starke sottolinea l'importanza di considerare il ragionamento economico sottostante per una strategia di trading piuttosto che affidarsi esclusivamente a tecniche matematiche per sovraperformare i mercati. Raccomanda libri di Marcus Lopez, Grinnell e Kahn per coloro che sono interessati a combinare l'intelligenza artificiale con modelli quantitativi nei mercati finanziari.

Durante la presentazione, il dott. Starke sottolinea l'importanza di comprendere i principi della modellazione fattoriale, che ritiene simili ai principi dell'apprendimento automatico. Suggerisce che la comprensione di questi principi può meglio equipaggiare i trader per applicare l'apprendimento automatico in modo efficace nei loro sistemi. Il dottor Starke sottolinea anche l'importanza di definire ciò che costituisce una buona strategia di trading, in quanto potrebbe non essere sempre la più redditizia. Fa riferimento a libri di Ralph Vince, Andreas Klenow e Mr. Trendful, che forniscono preziose informazioni sulle strategie di trading e sulla psicologia alla base del trading.

Il dottor Starke discute di come l'intelligenza artificiale e l'apprendimento automatico possono catturare le non linearità nella finanza comportamentale, come il concorso di bellezza keynesiano. Spiega che queste dinamiche non lineari possono essere efficacemente catturate dall'apprendimento automatico, a differenza dei modelli di regressione lineare. Tuttavia, sottolinea che avere un ragionamento economico dietro le strategie di trading è ancora importante, anche se i dati fondamentali non vengono utilizzati in modo esplicito.

Inoltre, il Dr. Starke esplora lo sfruttamento di alcune inefficienze del mercato che non sono necessariamente fondamentali. Cita fattori come le restrizioni sulle posizioni corte durante la notte e date specifiche come il triplo raggiungimento o il quadruplo delle streghe, che possono creare effetti economici sul mercato che possono essere capitalizzati. Cita anche le inefficienze del mercato derivanti dall'attività economica quotidiana o dalla manipolazione illegale del mercato. Il Dr. Starke esprime il suo interesse per potenziali collaborazioni future ma al momento non ha piani concreti.

In risposta alla domanda di uno spettatore sul perché i sogni spesso non si materializzano, il Dr. Starke fornisce la sua visione personale. Spiega che i sogni inizialmente iniziano come concetti e che la sua vita onirica non ruota attorno semplicemente allo stare sdraiati sulla spiaggia, ma piuttosto implica l'esplorazione, la gestione della propria attività e l'essere autodiretto. Sottolinea che allineare le proprie vere aspirazioni e obiettivi con i risultati pratici è fondamentale. La presentazione si conclude con l'ospite che informa gli spettatori sullo sconto a tempo limitato sui corsi Contra e menziona la sessione finale sull'applicazione dell'apprendimento automatico nel trading prevista per il giorno successivo.

• 00:00:00 Il relatore spiega perché l'intelligenza artificiale è considerata la prossima grande novità nel trading. Sebbene l'intelligenza artificiale e l'apprendimento automatico esistano da molto tempo, non c'era abbastanza potenza di calcolo per eseguire gli algoritmi in modo efficace. Tuttavia, negli ultimi anni, la tecnologia è migliorata così tanto che persino algoritmi sostanziali possono essere eseguiti su un laptop e il cloud ha consentito loro di essere eseguiti su server center. Inoltre, ci sono stati successi in altri campi che hanno contribuito all'idea che l'intelligenza artificiale è la prossima grande novità e la finanza non è stata lasciata indietro. L'intelligenza artificiale si è dimostrata utile in aree come il riconoscimento facciale, il riconoscimento delle immagini e l'elaborazione generale del linguaggio naturale.
  
  
• 00:05:00 Il Dr. Thomas Starke discute il potenziale dell'intelligenza artificiale (AI) nella finanza e come potrebbe essere un punto di svolta, in quanto consente nuove possibilità che non erano disponibili in precedenza. Tocca anche come l'intelligenza artificiale e l'apprendimento automatico non siano una pallottola magica ma strumenti scientifici e matematici che devono essere compresi e applicati nella finanza, che non è intrinsecamente scientifica. Sebbene la finanza abbia alcuni aspetti scientifici, la maggior parte è considerata una forma d'arte. Pertanto, comprendere sia lo strumento che l'arte della finanza è essenziale per il successo dell'utilizzo dell'IA.
  
  
• 00:10:00 Il Dr. Thomas Starke discute il ruolo dello sviluppo software e delle capacità di programmazione oltre all'apprendimento automatico e alle conoscenze statistiche quando si tratta di applicare l'IA al trading. Sottolinea l'importanza di buone competenze software, inclusa la scrittura di API e la creazione di sistemi a prova di errore, poiché sono necessarie per applicare gli strumenti di apprendimento automatico al mercato. Sostiene che mentre gli strumenti di apprendimento automatico sono facili da usare, le capacità di programmazione e la conoscenza delle statistiche sono fondamentali per essere un professionista in questo campo. Il dottor Starke affronta anche la questione se un dottorato di ricerca sia necessario per applicare algoritmi di apprendimento automatico e sostiene che non è essenziale, purché si abbia un obiettivo specifico e si sia disposti a svolgere la ricerca e il lavoro necessari.
  
  
• 00:15:00 Il Dr. Thomas Starke discute l'importanza del tutoraggio nell'apprendimento dell'intelligenza artificiale nel trading. Sottolinea che trovare un buon mentore che ti guidi attraverso il processo può aiutare a prevenire gli errori dei principianti. Crede che chiunque possa imparare l'intelligenza artificiale, ma è più importante sviluppare qualcosa che funzioni praticamente per te piuttosto che solo conoscenze teoriche sviluppate all'università. Il dottor Starke sottolinea inoltre che la comprensione dei mercati e dell'economia sottostanti è più cruciale delle capacità di programmazione. Sostiene che si può imparare a programmare fintanto che hanno qualcuno che li guidi correttamente.
  
  
• 00:20:00 Il Dr. Thomas Starke ha discusso dell'importanza dell'apprendimento della programmazione e dei metodi quantitativi nell'industria commerciale odierna. Ha affermato che i trader di maggior successo possiedono una forte conoscenza della matematica e della programmazione e coloro che sono interessati possono impararla abbastanza rapidamente. Ha spiegato che i trader che investono il loro tempo nell'apprendimento di metodi quantitativi e machine learning tendono a sopravvivere nei mercati quando si verifica il passaggio dallo screen trading agli algoritmi. Inoltre, ha sottolineato che il vantaggio economico e di mercato è cruciale e supera un vantaggio nella programmazione e nelle capacità matematiche. Tuttavia, ha anche affermato che il deep learning richiede alle aziende e agli individui di spiegare i loro rendimenti e un anno di rendimenti negativi può comportare sfide significative.
  
  
• 00:25:00 Il Dr. Thomas Starke discute l'importanza di essere in grado di spiegare gli algoritmi di intelligenza artificiale, soprattutto quando si utilizzano strumenti di apprendimento automatico nel trading. Se l'algoritmo non può essere spiegato, può portare a problemi o addirittura al prelievo di fondi. Afferma inoltre che, nonostante l'utilizzo di AI e ML, le pratiche di gestione del rischio rimangono più o meno le stesse, ma è necessario riconsiderare nuovi modi di gestire il rischio, soprattutto con la fine della corsa al rialzo di azioni e obbligazioni. L'apprendimento automatico è ovunque nel trading e ci sono varie applicazioni come l'utilizzo dell'IA per i segnali di input e il suo utilizzo per la gestione del rischio dei modelli di apprendimento automatico, tra gli altri.
  
  
• 00:30:00 Il Dr. Thomas Starke discute di come l'intelligenza artificiale (AI) viene utilizzata in ogni fase del trading, dall'analisi dei dati dei segnali alla gestione del rischio di portafoglio e all'esecuzione delle negoziazioni. L'apprendimento automatico e il deep learning vengono utilizzati per analizzare immagini e segnali di sentiment per produrre un segnale chiaro, quindi l'analisi dei componenti principali viene utilizzata per ridurre la dimensionalità degli input per i segnali commerciali. Gli algoritmi vengono quindi utilizzati per determinare su quali segnali di input devono essere scambiati. Per la gestione del rischio, l'apprendimento automatico viene utilizzato per gestire il rischio di portafoglio, che può essere superiore ai classici calcoli di gestione del rischio. Infine, in esecuzione, vengono utilizzati modelli lineari, macchine a vettori di supporto e apprendimento per rinforzo per aiutare i trader a ottenere i migliori prezzi di esecuzione.
  
  
• 00:35:00 Il Dr. Thomas Starke discute diversi modelli e tecnologie che possono essere utilizzati nel trading, come PCA, alberi decisionali, xgboost, deep learning e apprendimento per rinforzo. Successivamente, risponde a una domanda di un trader esperto di algoritmi che fatica a ridimensionare il proprio sistema di lavoro e ad apprendere nuove tecnologie. Il Dr. Starke suggerisce di concentrarsi sulla gestione del rischio, in quanto può aiutare ad aumentare i rendimenti geometrici e portare a replicare la strategia in altri mercati. Buoni sistemi di gestione del rischio possono persino produrre alfa ed essere considerati strategie di volatilità lunghe.
  
  
• 00:40:00 Il Dr. Thomas Starke discute di come l'intelligenza artificiale potrebbe essere utilizzata per tamponare e coprire il rischio di strategie di breve volatilità nel trading. Suggerisce che l'intelligenza artificiale potrebbe aumentare notevolmente l'alfa generato da tali strategie. Quando si tratta di motivare se stessi per imparare continuamente e sviluppare nuove strategie, il Dr. Starke sottolinea l'importanza della curiosità e di un sano apprezzamento per il rischio. Raccomanda inoltre di evitare piattaforme di trading pronte all'uso e invece di codificare strategie da zero per sviluppare un vantaggio di apprendimento profondo. L'intervistatore chiede al Dr. Starke se crede nel movimento dei prezzi basato sul tempo o nel movimento del mercato basato sui prezzi nel trading, e il Dr. Starke chiede chiarimenti sulla distinzione prima di rispondere.
  
  
• 00:45:00 Il Dr. Thomas Starke discute la differenza tra movimenti di prezzo basati sul tempo e movimenti di mercato basati sul prezzo. Osserva che i movimenti dei prezzi basati sul tempo possono spesso essere risolti matematicamente attraverso il calcolo degli indicatori, mentre i movimenti del mercato basati sui prezzi sono determinati dall'economia sottostante del mercato. Il dottor Starke sottolinea l'importanza di guardare al ragionamento economico sottostante per una strategia di trading, piuttosto che cercare semplicemente di battere i mercati con la matematica. Raccomanda anche libri come il libro di Marcus Lopez e Active Portfolio Management di Grinnell e Kahn per coloro che sono interessati a combinare l'intelligenza artificiale con modelli quantitativi nei mercati finanziari.
  
  
• 00:50:00 Il dott. Thomas Starke sottolinea l'importanza di comprendere i principi alla base della modellazione fattoriale, che ritiene siano molto simili ai principi dell'apprendimento automatico. Suggerisce che la comprensione di questi principi può fornire ai trader strumenti migliori per applicare l'apprendimento automatico ai loro sistemi. Il Dr. Starke sottolinea anche l'importanza di determinare ciò che costituisce una buona strategia di trading poiché non è sempre la più redditizia, citando esempi tratti dal libro di Ralph Vince, Mathematics of Portfolio Management. Raccomanda i libri di Andreas Klenow e Mr. Trendful, poiché non solo forniscono preziose informazioni sulle strategie di trading, ma coprono anche la psicologia dietro il trading.
  
  
• 00:55:00 Il Dr. Thomas Starke discute di come l'intelligenza artificiale e l'apprendimento automatico possono catturare le non linearità che si verificano nella finanza comportamentale. Spiega il concorso di bellezza keynesiano come un esempio di come i risultati possono diventare estremamente non lineari e caotici, il che fa parte dell'uso di metodi comportamentali nel trading. L'apprendimento automatico può catturare queste dinamiche non lineari, a differenza della regressione lineare, che è completamente incapace di farlo. Tuttavia, è sempre bene avere un ragionamento economico dietro quello che stai facendo nel trading, anche se non stai necessariamente utilizzando dati fondamentali nelle tue strategie.
  
  
• 01:00:00 Il Dr. Thomas Starke discute la possibilità di negoziare un portafoglio specifico e sfruttare alcune inefficienze di mercato che non sono necessariamente fondamentali. Fornisce esempi come sapere che le persone non sono autorizzate a detenere posizioni corte durante la notte, il che può portare a principi economici che possono essere sfruttati nel mercato. Inoltre, menziona il significato di alcune date come il triplo raggiungimento o il quadruplo delle streghe, che possono produrre effetti economici che derivano dal mercato. Parla anche delle inefficienze del mercato che derivano dall'attività economica quotidiana o dalla manipolazione illegale del mercato. Il dottor Starke esprime il suo interesse a collaborare di nuovo in futuro, ma per ora non ha piani.
  
  
• 01:05:00 Satwik chiede al dottor Thomas Starke perché i sogni spesso non si materializzano. Starke dice che è una domanda interessante e dà la sua visione personale. Spiega che il suo sogno inizialmente era solo un concetto, non il suo vero obiettivo, e che la sua vita da sogno non consiste solo nello stare sdraiati sulla spiaggia. Ama esplorare le cose, gestire la propria attività ed essere autodiretto. Questo, secondo lui, si avvicina molto di più al suo vero sogno. Infine, l'host informa gli spettatori che tutti i corsi Contra sono scontati del 75% per un periodo di tempo limitato e l'ultima sessione sull'applicazione dell'apprendimento automatico nel trading è domani.

[MetaQuotes]

Tendenze attuali nella finanza quantitativa [Tavola rotonda] | Giorno 5 della settimana di trading algoritmico

Tendenze attuali nella finanza quantitativa [Tavola rotonda] | Giorno 5 della settimana di trading algoritmico

Signore e signori, benvenuti alla tavola rotonda di oggi sulle tendenze attuali nella finanza quantitativa. Abbiamo tre illustri esperti di dominio che si uniscono a noi oggi per condividere le loro intuizioni e competenze. Presentiamo i nostri relatori:

Innanzitutto, abbiamo David Jessup, responsabile del rischio di investimento per l'EMEA presso Columbia Thread Needle Investments. Con una vasta esperienza nella ricerca quantitativa, nell'analisi del rischio e nella costruzione di portafogli, David è specializzato in investimenti fattoriali cross-asset e apprendimento automatico nella gestione degli investimenti. La sua profonda conoscenza delle strategie quantitative e della gestione del rischio fornirà preziose informazioni sulle tendenze che modellano il settore.

Successivamente, abbiamo il dottor Devashes Guava, direttore dell'apprendimento automatico e presidente del Center for Research in Technology Business presso SP Gen School of Global Management. L'esperienza del dottor Guava risiede nell'applicazione dell'intelligenza artificiale in economia e finanza. La sua ricerca e conoscenza in questo campo farà luce sull'intersezione tra AI e finanza e sulle implicazioni per la finanza quantitativa.

Infine, abbiamo Richard Rothenberg, direttore esecutivo di Global AI Corporation. Richard porta una vasta esperienza dal suo lavoro presso hedge fund multimiliardari e banche di investimento globali. Con la sua vasta esperienza nella gestione e nella ricerca di portafogli quantitativi, fornirà preziose informazioni sull'implementazione pratica delle strategie quantitative nel settore finanziario.

Ora, tuffiamoci nella discussione sulle recenti tendenze che hanno plasmato la finanza quantitativa. I nostri relatori concordano all'unanimità che la disponibilità e la qualità dei dati hanno svolto un ruolo significativo nel far progredire il settore. Inoltre, i progressi nella potenza di calcolo hanno consentito la costruzione e l'analisi di modelli complessi che non erano realizzabili dieci anni fa.

I relatori evidenziano l'espansione della finanza quantitativa oltre le azioni in altre classi di attività, tra cui credito, valute e cripto trading. Portano anche l'attenzione sulla tendenza emergente dell'investimento responsabile, che sta guadagnando terreno nel settore finanziario. Tuttavia, osservano che la qualità dei dati in questo settore deve ancora essere migliorata. I relatori prevedono che l'investimento responsabile continuerà a essere un fattore significativo nella finanza nei prossimi anni.

Andando avanti, il panel discute due tendenze principali nella finanza quantitativa. In primo luogo, il trading algoritmico si è esteso a tutte le classi di attività, non solo alle azioni. Gli asset esotici vengono ora scambiati utilizzando approcci algoritmici. In secondo luogo, c'è stato un aumento sostanziale delle fonti di dati alternative, come i dati sul sentiment delle notizie in più lingue e le transazioni con carte di credito. La capacità di elaborare e analizzare questi dati con analisi avanzate e potenza di calcolo ha portato all'incorporazione di fattori di rischio non finanziari, come le tendenze di governance ambientale e sociale, nelle valutazioni aziendali.

Tuttavia, il panel affronta anche le sfide dell'utilizzo dell'apprendimento automatico nella finanza. Dato il basso rapporto segnale/rumore e la natura del gioco a somma zero dei mercati finanziari, l'apprendimento automatico non è sempre lo strumento ideale per risolvere ogni problema. I relatori sottolineano l'importanza di combinare l'apprendimento automatico con altre metodologie e comprenderne i limiti. Chiariscono inoltre la distinzione tra apprendimento automatico e dati alternativi, poiché questi due concetti sono spesso confusi.

Inoltre, i relatori discutono le sfide uniche dell'apprendimento automatico finanziario nel contesto delle dinamiche di mercato come gioco differenziale. Sottolineano l'importanza di considerare le scelte strategiche fatte da altri partecipanti al mercato durante lo sviluppo di strategie di trading.

La discussione si sposta quindi sull'importanza dei dati di alta qualità nei modelli di apprendimento automatico per il trading algoritmico. I relatori riconoscono la sfida della pulizia dei dati non strutturati e sottolineano l'importanza di iniziare con modelli lineari per comprendere i parametri e garantire la qualità dei dati. Affrontano il problema del rumore e della scarsità nei dati alternativi, rendendone più difficile la pulizia e il filtraggio. Inoltre, i relatori sottolineano la necessità di confrontare e utilizzare seconde fonti di dati per garantire l'accuratezza dei dati.

I relatori sottolineano inoltre che le soluzioni di trading dovrebbero essere affrontate come parte della definizione di una strategia in un gioco end-person con giocatori avversari che hanno interessi contrastanti. I metodi di modellazione tradizionali potrebbero non essere sempre applicabili in questo contesto e i relatori sottolineano l'importanza di testare diverse strategie per trovare le soluzioni più efficaci. Discutono anche delle sfide uniche poste da insiemi di dati alternativi come i dati sullo sviluppo sostenibile, che richiedono diversi metodi di analisi e possono richiedere l'aggregazione dei dati a frequenze inferiori per affrontare la scarsità. Sebbene lavorare con set di dati sparsi possa essere impegnativo, i relatori ritengono che ci siano ancora opportunità per scoprire segnali preziosi.

Un altro argomento chiave di discussione è l'importanza di comprendere la struttura di gioco del mercato quando si progettano sistemi di trading. I relatori sottolineano che mentre i giocatori più piccoli possono avere più margine di manovra per assumersi dei rischi, i giocatori più grandi nel commercio di materie prime e criptovalute devono avvicinarsi al trading con cautela a causa dell'estrema volatilità di questi mercati. Sottolineano inoltre l'importanza della diversificazione per mitigare i prelievi, che sono significativamente elevati nelle criptovalute.

Il panel fa un ulteriore passo avanti e sfida i presupposti incorporati nella teoria finanziaria tradizionale. Sostengono che le attività non seguono necessariamente processi di diffusione fissi con ipotesi di media e varianza fisse. Al contrario, sottolineano la natura stocastica della volatilità e la fluttuazione dei valori medi nel tempo. Propongono di considerare i processi di Markov nascosti per modificare tatticamente la media e la deviazione standard, portando ad approcci migliori nell'investimento fattoriale e nell'investimento in criptovalute. Questa prospettiva offre allettanti profili di rischio-rendimento con il potenziale per una semplice diversificazione.

La discussione esplora quindi varie applicazioni dell'apprendimento automatico nel settore finanziario. I relatori menzionano l'utilizzo dell'apprendimento automatico per la classificazione del sesso, la previsione delle emissioni di carbonio e la fissazione dei volumi nei mercati del reddito fisso. Sottolineano inoltre l'evoluzione dell'attenzione ai fattori ESG e l'ampliamento degli obiettivi di sviluppo sostenibile, che considerano l'impatto sulla società nel suo insieme e il rischio sistemico. Considerano questa tassonomia ampliata dei rischi come un fattore significativo nel processo decisionale finanziario, con un potenziale per essere integrato in un modello di fattori ESG.

Un'altra tendenza discussa è l'utilizzo di comitati e task force per raggruppare i dati sulla base di molteplici fattori. I relatori sottolineano la crescente importanza dell'elaborazione del linguaggio naturale nella comprensione del sentimento delle parti interessate locali per quantificare i rischi non finanziari. Questi rischi, sempre più rilevanti per gli aspetti intangibili del bilancio di un'azienda, sono fondamentali da considerare nell'analisi dei mercati finanziari.

Inoltre, i relatori sottolineano l'importanza di possedere solide capacità di programmazione e conoscenze statistiche nel campo della finanza quantitativa. Inoltre mettono in guardia contro le insidie dell'analisi ripetuta dello stesso set di dati, sottolineando la necessità di adattarsi e prepararsi per il futuro del trading quantitativo.

Guardando al futuro, i relatori discutono dell'importanza di stare al passo con le asset class emergenti, come il carbonio e le criptovalute. Menzionano il potenziale impatto rivoluzionario del calcolo quantistico, che potrebbe rivoluzionare gli algoritmi di crittografia dietro le criptovalute, sebbene le applicazioni pratiche debbano ancora essere realizzate. Toccano anche lo sviluppo di grandi reti neurali e tecnologie come GPT3, che sono propagandate come percorsi verso l'intelligenza artificiale generale. La crescita esponenziale della capacità hardware e software non mostra segni di rallentamento e i relatori prevedono una futura convergenza di calcolo ad alte prestazioni, calcolo quantistico e intelligenza artificiale nel campo della finanza quantitativa.

In conclusione, i relatori prevedono un futuro caratterizzato dall'espansione della capacità hardware e software, che porterà allo sviluppo di robot commerciali generici. Questi robot avranno la capacità di estrarre e interpretare dati da diverse fonti, inclusi i social media, utilizzando, tra gli altri, la comprensione delle immagini, la comprensione del linguaggio e la comprensione semantica. Sottolineano l'importanza di abbracciare nuove tecnologie e metodologie per stare al passo con i tempi e adattarsi al panorama in evoluzione della finanza quantitativa.

La tavola rotonda si conclude con i relatori che esprimono la loro gratitudine al pubblico e incoraggiano la condivisione di eventuali domande senza risposta. Annunciano inoltre che la sessione di domani si concentrerà specificamente sull'apprendimento automatico e sul trading, invitando i partecipanti a unirsi e continuare a esplorare questo affascinante campo.

Grazie a tutti per aver preso parte all'intensa tavola rotonda di oggi sulle tendenze attuali nella finanza quantitativa.

• 00:00:00 Il moderatore presenta i tre esperti di dominio per la tavola rotonda del giorno sulle tendenze attuali nella finanza quantitativa. Il primo relatore, David Jessup, è il responsabile del rischio di investimento per l'EMEA presso Columbia Thread Needle Investments e ha una vasta esperienza nella ricerca quantitativa, nell'analisi del rischio e nella costruzione di portafogli, in particolare negli investimenti fattoriali cross-asset e nell'apprendimento automatico nella gestione degli investimenti. Il secondo relatore, il dottor Devashes Guava, è il direttore del machine learning e presidente del Center for Research in Technology Business presso SP Gen School of Global Management, specializzato nell'applicazione dell'intelligenza artificiale in economia e finanza. Infine, Richard Rothenberg, direttore esecutivo di Global AI Corporation, ha lavorato in hedge fund multimiliardari e banche di investimento globali e ha una vasta esperienza nella gestione e nella ricerca quantitativa del portafoglio.
  
  
• 00:05:00 In questa sezione, i relatori discutono le tendenze che hanno plasmato la finanza quantitativa di recente. La disponibilità e la qualità dei dati sono stati fattori significativi che guidano il settore. Inoltre, la crescente potenza del calcolo ha consentito di costruire e analizzare modelli complessi in modi che non erano possibili nemmeno un decennio fa. I relatori notano che la finanza quantitativa si sta espandendo oltre le azioni in altre classi di attività, come credito, valute e cripto trading. Sollevano la nuova tendenza dell'investimento responsabile, che sta guadagnando terreno nel settore finanziario, ma la qualità dei dati in questo settore è ancora carente. I relatori prevedono che l'investimento responsabile sarà un fattore significativo nella finanza nei prossimi anni.
  
  
• 00:10:00 In questa sezione, il panel discute due delle principali tendenze della finanza quantitativa. Il primo è l'espansione del trading algoritmico in tutte le classi di attività, non solo nelle azioni, comprese le attività esotiche. La seconda tendenza è il significativo aumento di fonti di dati alternative, come i dati sul sentiment provenienti da notizie in più lingue e transazioni con carte di credito, e la capacità di elaborare questi dati con analisi avanzate e potenza di calcolo. Ciò ha portato a un aumento dei fattori di rischio non finanziari, come le tendenze di governance ambientale e sociale, che incidono sulla valutazione di un'azienda. Tuttavia, il panel evidenzia anche le sfide dell'utilizzo dell'apprendimento automatico nella finanza, dato il basso rapporto segnale-rumore e il gioco a somma zero del mercato finanziario. La statistica bayesiana è un'altra area in cui l'apprendimento automatico viene combinato per elaborare previsioni distributive.
  
  
• 00:15:00 In questa sezione, i relatori discutono dei vantaggi e dei limiti dell'apprendimento automatico nella finanza. Uno dei principali punti sollevati è che l'apprendimento automatico è uno strumento utile, ma non dovrebbe essere l'unico strumento nella scatola del trading, in quanto non è lo strumento giusto per risolvere ogni problema. Un'altra sfida che si presenta con l'apprendimento automatico è che spesso è difficile sapere quando andrà storto e può essere difficile addestrare un modello per capire quando non lo sa. I relatori distinguono anche tra machine learning e dati alternativi, affermando che sono due cose separate che spesso vengono confuse. Infine, i relatori discutono delle sfide del machine learning finanziario nel contesto in cui i mercati sono un gioco differenziale che richiede un diverso tipo di machine learning, specialmente quando si tratta di scelte strategiche di altri giocatori nel gioco.
  
  
• 00:20:00 Il panel discute l'importanza di disporre di dati di buona qualità per i modelli di machine learning nel trading algoritmico e la sfida della pulizia dei dati non strutturati. Sebbene l'apprendimento automatico possa essere utile per prevedere le distribuzioni nel trading a breve termine, è importante tornare alle origini e iniziare con modelli lineari per comprendere i parametri e garantire che la qualità dei dati sia buona. Il panel riconosce che c'è molto rumore e scarsità nei dati alternativi, rendendo più difficile la pulizia e il filtraggio. Inoltre, hanno parlato della difficoltà di correggere i valori anomali dei dati e della necessità di confrontare e utilizzare seconde fonti di dati per garantire l'accuratezza dei dati.
  
  
• 00:25:00 Le soluzioni di trading fanno parte di una struttura di gioco e devono essere pensate e testate come parte della definizione di una strategia in un gioco finale con giocatori opposti che hanno interessi contrastanti. È importante tenere presente che i metodi di modellazione tradizionali potrebbero non essere applicabili in questo contesto e che il test di diverse strategie è fondamentale per trovare la soluzione più efficace. Inoltre, set di dati alternativi come i dati sullo sviluppo sostenibile richiedono diversi metodi di analisi e possono richiedere l'aggregazione dei dati a frequenze inferiori per far fronte alla scarsità. Mentre set di dati sparsi come questi possono essere difficili da lavorare, ci sono ancora opportunità per trovare segnali preziosi.
  
  
• 00:30:00 I relatori discutono dell'importanza di considerare la struttura di gioco del mercato prima di progettare qualsiasi sistema di trading. Mentre i giocatori più piccoli potrebbero essere in grado di permettersi di giocare d'azzardo, non è il caso dei giocatori più grandi nel commercio di materie prime e criptovalute. I relatori discutono dei mercati più interessanti per gli algoritmi di machine learning, menzionando le criptovalute come un'area affascinante in cui si possono trovare nuove sfide. Consigliano di non concentrarsi su una sola asset class o algoritmo e di considerare l'importanza di fonti di dati alternative per ottenere un trading redditizio. I mercati, in generale, attraversano fasi in cui sono più o meno prevedibili e i segnali che una volta erano abusati possono tornare ad acquisire rilevanza se pochi operatori di mercato li utilizzano. Fattori come la volatilità del mercato e un processo di generazione di dati sottostante stabile possono rendere i mercati più favorevoli agli algoritmi di apprendimento automatico.
  
  
• 00:35:00 La discussione si concentra sugli ostacoli incontrati nell'implementazione di strategie quantitative per gli investimenti in criptovalute. Il Dr. Gughah spiega che uno dei problemi principali è che le persone della finanza tradizionale non si sono mai interessate alle criptovalute, poiché di solito sono considerate un campo da fanatici del computer o videogiochi. Inoltre, anche l'estrema volatilità delle criptovalute è una delle principali preoccupazioni, poiché i prelievi dall'85 al 90 percento sono impensabili per qualsiasi tipo di gestore di fondi o investitore al dettaglio. Affinché qualsiasi tipo di ecosistema di trading finanziario si sviluppi in criptovalute, è necessario riconoscerlo come una classe di attività alternativa e creare un portafoglio sufficientemente diversificato da smorzare i prelievi, che sono il risultato di un'elevata correlazione tra le criptovalute.
  
  
• 00:40:00 Il relatore discute la necessità di abbandonare l'idea che gli asset seguano processi di diffusione fissi con un presupposto di media e varianza, che è un presupposto incorporato comune nel campo della finanza. L'oratore spiega che la volatilità è stocastica e che significa che cambia molto nel tempo. Pertanto, è necessario presumere che la media e la deviazione standard siano guidate da un processo di Markov nascosto affinché lo stato cambi tatticamente, il che è un grande salto nella teoria della finanza tradizionale. Il relatore suggerisce che la comprensione del processo stocastico che guida i rendimenti può portare a approcci migliori al factor investing e al crypto investing, risultando in profili di rischio-rendimento molto allettanti con una semplice diversificazione.
  
  
• 00:45:00 Il panel discute le varie applicazioni dell'apprendimento automatico nel settore finanziario, come l'utilizzo per la classificazione del sesso, la previsione delle emissioni di carbonio e la fissazione dei volumi nei mercati del reddito fisso. Menzionano anche di usarlo come input nel processo di investimento, piuttosto che esclusivamente come tecnica di trading. Un altro argomento trattato è l'evoluzione dell'ESG verso gli obiettivi di sviluppo sostenibile, che si concentra non solo sull'impatto sugli azionisti, ma anche sulla società nel suo insieme e sul rischio sistemico. Questa tassonomia ampliata dei rischi include fattori che vanno oltre le emissioni di carbonio e considera anche la governance. Ne discutono come un fattore significativo nel processo decisionale finanziario, che affermano che può essere pensato come un modello di fattore ESG.
  
  
• 00:50:00 I relatori discutono di due tendenze interessanti nel campo della finanza quantitativa. In primo luogo, l'uso di comitati e task force per raggruppare i dati sulla base di 17 fattori e la crescente importanza dell'elaborazione del linguaggio naturale per comprendere il sentimento degli stakeholder locali per quantificare i rischi non finanziari che sono sempre più materiali per l'aspetto intangibile del bilancio per aziende. In secondo luogo, discutono dell'importanza di avere buone capacità di programmazione, conoscenze statistiche ed essere consapevoli delle insidie di guardare lo stesso set di dati più volte per prepararsi al futuro del trading quantitativo.
  
  
• 00:55:00 I relatori discutono dell'importanza di tenersi al passo con le nuove classi di attività che possono diventare negoziabili, tra cui carbonio e criptovalute. Un'area che potrebbe cambiare le regole del gioco è il calcolo quantistico, che potrebbe rivoluzionare gli algoritmi di crittografia dietro le criptovalute. Sebbene non ci siano ancora applicazioni pratiche, alcuni grandi hedge fund stanno investendo nell'area quantistica. Inoltre, parlano dello sviluppo di reti neurali molto grandi e GPT3, che viene pubblicizzato come un modo per l'intelligenza artificiale generale. L'aumento della capacità hardware e software non mostra segni di rallentamento e alcuni si aspettano che il deep learning conquisti il mondo.
  
  
• 01:00:00 Il panel prevede che il futuro della finanza quantitativa risieda nella continua espansione della capacità hardware e software che consentirà lo sviluppo di robot di trading generici. Questi robot sarebbero in grado di estrarre dati da varie fonti come i social media e dargli un senso per prendere decisioni commerciali. Non si limiteranno all'apprendimento automatico numerico, ma piuttosto avranno comprensione delle immagini, comprensione del linguaggio, comprensione semantica, ecc. Un'altra area di interesse è l'informatica quantistica, che potrebbe diventare pratica nei prossimi cinque o dieci anni. I relatori ritengono che il futuro sarà una convergenza di calcolo ad alte prestazioni, calcolo quantistico e intelligenza artificiale. Pensano che mentre iniziamo a incorporare più dati e modelli, il futuro risieda nella convergenza di queste tecnologie.
  
  
• 01:05:00 I relatori discutono della crescita esponenziale di nuovi strumenti e tecniche nel campo della finanza quantitativa, che probabilmente renderà molte funzioni e lavori obsoleti entro i prossimi cinque-dieci anni. Sottolineano l'importanza di preparare e accelerare l'incorporazione di nuove tecnologie per stare al passo con i tempi. I relatori concludono ringraziando il pubblico e incoraggiando la condivisione di eventuali domande senza risposta, poiché la sessione di domani si concentrerà su machine learning e trading.

[MetaQuotes]

Utilizzo di sentiment e dati alternativi nel trading [Tavola rotonda] | Giorno 4 della settimana di trading algoritmico

Utilizzo di sentiment e dati alternativi nel trading [Tavola rotonda] | Giorno 4 della settimana di trading algoritmico

Signore e signori, grazie per esservi uniti a noi oggi per questa entusiasmante tavola rotonda sull'uso del sentiment e dei dati alternativi nel trading. Prima di iniziare, ho un annuncio importante da fare.

Sono entusiasta di annunciare il lancio di un nuovo programma di certificazione, la Certificazione in Sentiment Analysis and Alternative Data in Finance (CSAF). Questo programma è stato specificamente progettato per i professionisti finanziari che desiderano avanzare nella propria carriera nel processo decisionale di trading e investimento utilizzando metodi moderni come l'analisi del sentiment delle notizie e dati alternativi.

Il programma CSAF coprirà vari aspetti dell'analisi delle notizie, dell'analisi del sentiment e dei dati alternativi richiesti nella finanza. tenuto da importanti esperti nei campi del trading algoritmico, dell'analisi del sentiment, della modellazione quantitativa e del trading ad alta frequenza. Questi esperti apportano un patrimonio di conoscenze ed esperienze al programma, assicurando che i partecipanti ricevano un'istruzione e una formazione di prim'ordine.

Il programma approfondirà argomenti come la comprensione dell'analisi del sentiment, lo sfruttamento di fonti di dati alternative, l'incorporazione dei dati sul sentiment nei modelli di previsione e l'utilizzo di tecniche di intelligenza artificiale e apprendimento automatico per l'analisi di mercato. I partecipanti acquisiranno preziose informazioni sul ruolo del sentimento e dei dati alternativi nel trading e impareranno come sbloccare il potenziale di queste risorse per migliorare i risultati finanziari.

Oltre al programma di certificazione, sono lieto di annunciare che nella primavera del 2022 verrà pubblicato un manuale completo sui dati alternativi. Questo manuale fungerà da risorsa preziosa per i professionisti del settore, fornendo informazioni approfondite sui vari tipi di dati alternativi e loro applicazioni in finanza.

Ora, rivolgiamo la nostra attenzione alla tavola rotonda di oggi. I nostri stimati relatori, tra cui il Dr. Cristiano Arbex Valle, il Professor Gautam Mitra, il Dr. Matteo Campolmi e il Dr. Ravi Kashyap, condivideranno le loro opinioni sull'uso del sentiment e dei dati alternativi nel trading. Discuteranno quali sono i dati alternativi, perché sono importanti e come possono essere utilizzati in modo efficace per prendere decisioni di trading informate.

Come tutti sappiamo, gli eventi di cronaca hanno spesso un impatto significativo sui prezzi degli asset e i dati sul sentiment possono svolgere un ruolo cruciale nella previsione dei risultati futuri. I relatori faranno luce su come i dati sul sentiment possono essere elaborati rapidamente e convertiti in dati numerici da utilizzare in modelli matematici, fornendo informazioni preziose che in genere non vengono acquisite dai dati di mercato tradizionali.

Inoltre, i nostri relatori esploreranno le sfide e le opportunità associate ai dati alternativi. Discuteranno l'emergere di fonti di dati alternative, la necessità di rigorose tecniche di elaborazione dei dati e l'importanza di evitare l'overfitting durante l'identificazione dei segnali all'interno di grandi quantità di informazioni.

Durante la tavola rotonda, ti invitiamo a partecipare attivamente ponendo domande e interagendo con i nostri relatori. Il tuo contributo e le tue intuizioni sono molto apprezzate e non vediamo l'ora di creare una sessione arricchente e interattiva.

Prima di iniziare, vorrei esprimere la mia gratitudine a tutti voi per esservi uniti a noi oggi. La vostra presenza e il vostro entusiasmo contribuiscono al successo di eventi come questi. Vorrei anche ricordarvi di seguirci sui social media e augurare agli organizzatori un felice 11° anniversario.

Ora, senza ulteriori indugi, iniziamo la nostra tavola rotonda sul sentiment e sui dati alternativi nel trading. Grazie.

All'inizio della tavola rotonda, i nostri membri del panel si tuffano nell'argomento del sentiment e dei dati alternativi nel trading, condividendo le loro preziose intuizioni ed esperienze. Sottolineano l'impatto dell'incorporazione dell'analisi delle notizie e del sentiment come funzionalità di input aggiuntive nei modelli di previsione, sottolineando i migliori risultati ottenuti, in particolare nella previsione della volatilità degli asset.

Un punto chiave della discussione ruota attorno all'emergere di dati alternativi e al loro significato nell'informare le decisioni di trading. I relatori sottolineano che i dati alternativi introducono nuove informazioni, come le abitudini dei consumatori, che possono fornire preziose informazioni per le strategie di investimento. Sottolineano l'importanza di accoppiare i dati con i modelli, utilizzando tecniche di intelligenza artificiale e apprendimento automatico per prevedere le direzioni del mercato e migliorare i risultati finanziari.

Il panel si prende un momento per riconoscere la moderazione del professor Gautam Mitra, fondatore e amministratore delegato di OptiRisk Systems. Con la sua esperienza, garantisce un'esplorazione completa dell'argomento. Approfondiscono le applicazioni pratiche del sentiment e dei dati alternativi nel trading, affrontando questioni riguardanti la sua definizione, importanza e utilizzo.

Riconoscendo che i dati alternativi sono un campo in continua evoluzione, i relatori sottolineano la natura dinamica di questo dominio. Discutono di come quelli che oggi sono considerati dati alternativi possano diventare mainstream in futuro, mostrando il continuo progresso e l'innovazione all'interno del settore. Il loro obiettivo rimane quello di sfruttare dati alternativi per ottenere un vantaggio nella finanza, con l'obiettivo finale di massimizzare i rendimenti.

Nel mezzo della discussione, il panel riconosce il potenziale pregiudizio presente nei dati sul sentiment derivati da fonti di notizie. Offrono potenziali soluzioni per mitigare questo pregiudizio, come l'utilizzo di più fonti e l'impiego di varie tecniche per analizzare i dati. In tal modo, sottolineano l'importanza di un'analisi dei dati completa e solida per garantire approfondimenti accurati e affidabili.

Andando avanti, i relatori sottolineano l'importanza di comprendere il contesto e gli scenari in cui vengono raccolti i dati. Discutono della necessità di informazioni contestuali per fornire una visione sfumata e costruire algoritmi efficaci. I relatori toccano anche l'idea che i pregiudizi potrebbero non essere sempre negativi e talvolta possono avvantaggiare le strategie di trading. Il loro messaggio generale sottolinea l'importanza di comprendere e lavorare con i dati disponibili, anche se la fonte dei dati stessa non può essere controllata.

Il panel esplora ulteriormente i parametri da considerare quando si analizzano i dati sul sentiment a fini di trading. Fanno luce sulla classificazione del sentimento in categorie positive, neutre o negative da parte di fornitori di notizie o sentimenti. Inoltre, discutono dell'importanza di considerare il volume di notizie o tweet come un fattore nell'analisi del sentiment. Viene inoltre evidenziata la normalizzazione del sentiment basata sul volume medio delle notizie in un determinato periodo temporale.

La conversazione si approfondisce man mano che i relatori discutono della natura specifica della lingua dell'analisi dei sentimenti. Sottolineano l'uso dell'intelligenza artificiale e di altre tecniche per analizzare e analizzare il testo, consentendo una comprensione più profonda del sentimento. La pertinenza e la novità delle notizie sono identificate come fattori cruciali, con le aziende che ricevono i dati delle notizie tramite abbonamenti con fornitori di contenuti, consentendo un'elaborazione rapida.

Concludendo la tavola rotonda, i relatori toccano i tempi utilizzati per gli indicatori di sentiment. Chiariscono che gli indicatori di sentiment non mirano a battere la velocità con cui le notizie raggiungono il mercato. Invece, servono come indicatori descrittivi di come il flusso di notizie influisce sulle azioni nel tempo. Viene inoltre evidenziata l'importanza di convertire il testo in dati numerici, riconoscendo il livello aggiuntivo di elaborazione richiesto per le informazioni basate sul testo.

I relatori discutono anche della rilevanza dei dati sul sentiment e di fonti di dati alternative nel trading. Affrontano la questione di quanti giorni di dati sul sentiment siano rilevanti, sottolineando che la risposta dipende dallo scopo del modello e dal tipo di trading condotto. La discussione si estende ulteriormente alle metriche delle prestazioni per fonti di dati alternative, in cui la redditività è identificata come una metrica chiave. I relatori spiegano la domanda di dati storici e il suo potenziale impatto sui prezzi, avvertendo che man mano che le fonti di dati alternative diventano più popolari, il loro valore potrebbe cambiare nel tempo.

Per concludere la tavola rotonda, i relatori condividono le loro opinioni sulle sfide e l'importanza del backtesting. Riconoscono la scarsità di informazioni storiche per determinate fonti di dati alternative, rendendo l'analisi e il backtest impegnativi. Tuttavia, evidenziano la disponibilità di modelli e tecniche statistici che possono aiutare a estrapolare i dati per scopi di backtesting. Sottolineano l'importanza di confrontare le prestazioni di una determinata fonte di dati con il non averla, consentendo ai trader di adattare le proprie strategie di conseguenza. Il panel conclude sottolineando che il valore dei dati alternativi dipende in ultima analisi dal loro utilizzo all'interno di un modello specifico.

Passiamo ora alla sessione di domande e risposte del pubblico, in cui i relatori affrontano due domande intriganti. La prima domanda riguarda l'uso dei dati storici per ottenere una migliore comprensione dei diversi periodi storici. Il panel suggerisce di utilizzare almeno sette volte l'intervallo di tempo per ottenere una comprensione completa dei vari risultati. La seconda domanda riguarda la ricerca di fonti affidabili di dati alternativi. Il panel raccomanda di avere uno scout di dati per esplorare varie fonti e identificare i migliori dati disponibili per i team quantitativi. Sottolineano la sfida di trovare dati affidabili e sottolineano che le idee innovative spesso emergono da piccole nuove aziende.

Espandendo la discussione, i relatori approfondiscono il potenziale per le piccole aziende che identificano presto set di dati unici da acquisire da aziende più grandi. Sottolineano l'importanza degli intermediari nell'aggregazione dei dati e il valore dei set di dati derivati utilizzando modelli proprietari. La conversazione tocca inoltre l'impatto dei set di dati specifici per paese, l'identificazione dei rischi regionali e l'interconnessione del mercato globale. La comprensione di questi fattori diventa essenziale per prendere decisioni di trading informate.

Mentre il panel volge al termine, i relatori spostano la loro attenzione sulle competenze e sui prerequisiti necessari per una carriera nella finanza. Sottolineano il valore dei linguaggi di programmazione e una solida comprensione dei concetti matematici, poiché queste abilità sono sempre più cruciali nel campo. Vengono inoltre evidenziati il networking e la costruzione di connessioni con professionisti, così come l'importanza di rimanere aperti a diverse opportunità e di ampliare continuamente le proprie conoscenze.

In chiusura, il relatore ribadisce l'importanza di rimanere informati sulle tendenze del mercato e mantenere l'obiettività nel processo decisionale finanziario. Sottolinea il ruolo fondamentale della gestione delle finanze e incoraggia i partecipanti a impegnarsi attivamente nel settore finanziario.

Con sincera gratitudine, il relatore ringrazia i relatori e il pubblico per i loro preziosi contributi e conclude la sessione.

• 00:00:00 L'host annuncia il lancio di un nuovo programma di certificazione, la Certificazione in Sentiment Analysis and Alternative Data in Finance (CSAF), progettato per i professionisti finanziari che desiderano avanzare nella propria carriera nel trading e nel processo decisionale di investimento utilizzando metodi moderni come analisi del sentiment delle notizie e dati alternativi. Il corso coprirà vari aspetti dell'analisi delle notizie, dell'analisi del sentiment e dei dati alternativi richiesti in finanza e sarà tenuto da importanti esperti di trading algoritmico, analisi del sentiment, modellazione quantitativa e trading ad alta frequenza. La sezione presenta anche un panel moderato dal professor Gautam Mitra, fondatore e amministratore delegato di OptiRisk Systems, con gli esperti Dr. Cristiano Arbex Valle, Professor Gautam Mitra, Dr. Matteo Campolmi e Dr. Ravi Kashyap che discutono dell'uso del sentiment e dei dati alternativi in commercio.
  
  
• 00:05:00 Il relatore introduce il tema del sentiment e dei dati alternativi nella finanza, che sarà discusso in una tavola rotonda. I relatori forniranno informazioni su cosa sono i dati alternativi, perché sono necessari e come sbloccarne il valore. L'obiettivo è utilizzare i dati sul sentiment per prevedere i risultati futuri nella finanza, poiché gli eventi di cronaca spesso influenzano i prezzi delle attività e i dati sul sentiment possono essere elaborati rapidamente e convertiti in dati numerici da utilizzare in modelli matematici. Questi dati non vengono in genere acquisiti dai dati di mercato tradizionali, rendendoli una preziosa fonte di informazioni per il processo decisionale. Un manuale sui dati alternativi verrà pubblicato nella primavera del 2022 e il panel risponderà alle domande dei partecipanti.
  
  
• 00:10:00 Il panel di esperti discute l'uso del sentiment e dei dati alternativi nel trading. Hanno scoperto che incorporare l'analisi delle notizie e il sentiment come funzionalità di input aggiuntiva nei modelli di previsione ha portato a risultati migliori, in particolare nella previsione della volatilità degli asset. Inoltre, discutono dell'emergere di dati alternativi, che introducono nuove informazioni, come le abitudini dei consumatori, che possono essere utilizzate per informare le decisioni commerciali. Sottolineano l'importanza di accoppiare i dati con i modelli, utilizzando tecniche di intelligenza artificiale e apprendimento automatico, per prevedere le direzioni del mercato e, in ultima analisi, migliorare i risultati finanziari.
  
  
• 00:15:00 I fondatori di Brain, un'azienda orientata alla ricerca, spiegano il loro approccio alla creazione di algoritmi e metodi proprietari che estraggono segnali relativi ai mercati finanziari utilizzando set di dati alternativi. Attribuiscono la crescente tendenza di set di dati alternativi negli investimenti e nella gestione patrimoniale alla maggiore disponibilità di fonti di dati e al boom del settore della scienza dei dati. Mentre i set di dati alternativi forniscono informazioni aggiuntive con cui gli investitori possono lavorare nei loro modelli, i fondatori sottolineano la necessità di un approccio rigoroso all'elaborazione di una grande quantità di informazioni e all'identificazione dei segnali senza overfitting.
  
  
• 00:20:00 Il panel discute l'uso del sentiment e dei dati alternativi nel trading. Coprono le domande su cosa sono i dati alternativi, perché sono importanti e come usarli. Notano che i dati alternativi sono in continua evoluzione e che ciò che è considerato alternativo oggi potrebbe diventare mainstream in futuro. L'obiettivo in finanza è semplice: fare più soldi. Tuttavia, sapere quando acquistare e vendere rappresenta una sfida. È qui che i dati alternativi possono fornire un vantaggio. Il panel riconosce che il pregiudizio può essere un problema quando si utilizzano le notizie come fonte di dati sul sentiment e vengono suggerite soluzioni come l'utilizzo di più fonti e tecniche per analizzare i dati.
  
  
• 00:25:00 Il panel discute l'importanza di comprendere gli scenari in cui sono stati raccolti i dati e le potenziali distorsioni presenti all'interno dei dati. Notano che i test retrospettivi possono essere utilizzati per vedere come i dati si sono comportati storicamente, ma le informazioni contestuali sono necessarie per fornire una visione più sfumata e costruire algoritmi migliori. Il panel tocca anche l'idea che i pregiudizi potrebbero non essere sempre negativi, poiché a volte possono avvantaggiare le strategie di trading. Nel complesso, il punto chiave è che mentre l'origine dei dati non può essere controllata, l'attenzione dovrebbe essere posta sulla comprensione e sull'utilizzo dei dati disponibili.
  
  
• 00:30:00 Il panel discute i parametri da cercare quando si analizzano i dati sul sentiment a fini di trading. Mentre i fornitori di notizie o sentiment in genere classificano il sentiment come positivo, neutro o negativo, il team osserva che anche il volume di notizie o tweet può essere un fattore da considerare. A seconda del provider, il sentiment può essere quantificato come un numero continuo o normalizzato dal volume medio di notizie in un determinato periodo di tempo. Il panel sottolinea inoltre che le piattaforme di social media come Twitter possono offrire un elemento in più all'analisi del sentiment considerando chi sta dicendo qualcosa e identificando i principali promotori con un impatto fuori misura sui mercati.
  
  
• 00:35:00 Il panel discute l'uso del sentiment e dei dati alternativi nel trading. Notano che il sentimento è un fattore specifico della lingua che può essere analizzato analizzando il testo utilizzando l'intelligenza artificiale e altre tecniche. I relatori parlano anche dell'importanza di considerare la rilevanza e la novità degli eventi di notizie e di come le aziende in genere ricevono i dati delle notizie tramite abbonamenti con fornitori di contenuti di notizie, che possono richiedere solo pochi secondi per l'elaborazione. Nel complesso, la discussione sottolinea l'importanza di comprendere il sentimento e i dati alternativi nella costruzione di un modello di previsione per il trading.
  
  
• 00:40:00 I relatori discutono sull'utilizzo di sentiment e dati alternativi nel trading. Parlano dei diversi intervalli di tempo che possono essere utilizzati per gli indicatori di sentiment e di come non mirano a battere la velocità con cui le notizie raggiungono il mercato. Gli indicatori di sentiment hanno lo scopo di fornire un indicatore descrittivo di come il flusso di notizie sta influenzando le azioni nel tempo. I relatori hanno anche parlato dell'importanza della conversione del testo in numeri e del livello aggiuntivo di elaborazione richiesto per i dati di testo. Hanno menzionato come il caso d'uso e la frequenza del trading possono influenzare la qualità e la tempistica dei dati utilizzati per il trading.
  
  
• 00:45:00 Il panel discute la rilevanza dei dati sul sentiment e delle fonti di dati alternative nel trading. Viene sollevata la domanda su quanti giorni di dati sul sentiment siano rilevanti, a cui la risposta è che dipende dallo scopo del modello e dal tipo di trading che si sta facendo. Passano a discutere le metriche delle prestazioni per fonti di dati alternative, con la semplice risposta che è quanto profitto viene realizzato. Tuttavia, spiegano che le persone generalmente vogliono quanta più storia possibile a un prezzo economico, ma i set di dati diventano più economici se più persone li utilizzano e vengono mercificati. Notano inoltre che l'utilizzo di fonti di dati alternative comporta la consapevolezza che il valore dei dati può cambiare nel tempo.
  
  
• 00:50:00 Il panel discute le sfide dell'utilizzo di dati alternativi per il trading e l'importanza del backtesting. Riconoscono che esiste una scarsità di informazioni storiche, che rende difficile l'analisi e il backtest di determinate fonti di dati alternative. Tuttavia, suggeriscono che esistono modelli e tecniche statistici che possono aiutare a estrapolare i dati per il backtesting. Il panel sottolinea inoltre l'importanza di confrontare le prestazioni di una determinata fonte di dati rispetto al non averlo e di adattare le strategie di trading di conseguenza. Quando discutono dell'analisi del sentiment, avvertono che l'approccio migliore varierà a seconda del modello specifico e della sua implementazione. In definitiva, il panel concorda sul fatto che il valore dei dati alternativi dipende in gran parte da come vengono utilizzati all'interno di un dato modello.
  
  
• 00:55:00 Il panel discute due domande del pubblico. La prima domanda riguarda l'uso di dati storici e quanto di essi dovrebbe essere utilizzato per ottenere una migliore comprensione di ciò che potrebbe accadere in diversi periodi storici. Il panel suggerisce di utilizzare almeno 7 volte l'intervallo di tempo per avere una buona idea dei diversi risultati. La seconda domanda si riferisce alla ricerca di buone fonti di dati alternativi. Il panel suggerisce di avere uno scout di dati per esaminare varie fonti e trovare i migliori dati disponibili per l'uso da parte del team quantitativo. Avvertono che non è un compito facile trovare dati affidabili e che la vera fonte di dati alternativi proviene da queste piccole nuove aziende che trovano idee innovative.
  
  
• 01:00:00 Il panel discute di dati alternativi e di come le piccole aziende che identificano set di dati unici in anticipo abbiano il potenziale per essere acquisite da aziende più grandi. Il panel menziona anche l'importanza degli intermediari nell'aggregazione dei dati e il valore dei set di dati derivati utilizzando modelli proprietari. Passano quindi a discutere l'impatto dei set di dati specifici per paese, analizzando le fonti di rischio e come il mercato globale sia ora strettamente collegato, rendendo essenziale comprendere i rischi regionali e il loro potenziale impatto sulle decisioni di trading. La sezione termina con una battuta prima di passare alla domanda successiva.
  
  
• 01:05:00 La tavola rotonda, i relatori discutono delle competenze e dei prerequisiti necessari per un corso sull'uso del sentiment e dei dati alternativi nel trading. Sebbene sia utile sentirsi a proprio agio con Python come linguaggio di programmazione, sottolineano l'importanza di avere una conoscenza di base della finanza e dei modelli finanziari. Inoltre, sottolineano il valore di avere accesso a fonti di dati e di essere disposti a partecipare e impegnarsi nel corso. Rivolgono anche una domanda sui consigli di carriera per qualcuno interessato a diventare un analista di ricerca quantitativa, incoraggiando l'individuo a contattare la facoltà per chiarimenti e sottolineando l'importanza di essere aperti a un'ampia gamma di competenze e conoscenze.
  
  
• 01:10:00 I relatori discutono delle competenze necessarie per una carriera nella finanza. Suggeriscono di imparare i linguaggi di programmazione, poiché vengono creati sempre più set di dati e di sviluppare una buona comprensione dei concetti matematici. Inoltre, consigliano di non aver paura della matematica e della programmazione, poiché queste abilità stanno diventando vitali nel campo. I relatori sottolineano anche l'incontro e il networking con quante più persone possibile, diventando una risorsa preziosa per potenziali datori di lavoro, essendo pronti a cogliere opportunità e avendo una solida base in matematica.
  
  
• 01:15:00 Il relatore sottolinea l'importanza di essere consapevoli di ciò che sta accadendo nel mercato e di essere aperti a diversi domini nel settore finanziario. Consiglia di mantenere l'obiettività ed evitare di essere sentimentale, poiché il commercio in ultima analisi ruota attorno al denaro e alla gestione delle finanze. La conversazione si conclude quindi con i ringraziamenti ai relatori e al pubblico e un promemoria per augurare agli organizzatori un felice 11° anniversario sui social media.
  

[MetaQuotes]

Vendite allo scoperto nel mercato rialzista - Una masterclass di Laurent Bernut | Giorno 3 della settimana di trading algoritmico

Vendite allo scoperto nel mercato rialzista - Una masterclass di Laurent Bernut | Giorno 3 della settimana di trading algoritmico

Laurent Bernut viene presentato come fondatore e CEO di Alpha Secure Capital, nonché venditore allo scoperto dedicato presso Fidelity Investments. Il video evidenzia che condurrà una masterclass sul tema delle vendite allo scoperto, che durerà due ore. Si dice che non ci sarà alcuna sessione di domande e risposte alla fine della masterclass, ma gli spettatori sono incoraggiati a porre domande pertinenti durante la sessione stessa. Inoltre, il relatore informa il pubblico su un corso sulla vendita allo scoperto con Python, oltre a un libro complementare che spiega come e perché della vendita allo scoperto. Il libro sarà pubblicato l'11 ottobre 2021 e sarà disponibile su Amazon.com.

La masterclass inizia con Laurent Bernut che spiega i punti chiave che i partecipanti possono aspettarsi di ottenere dalla sessione. Afferma che la scelta migliore è fallimentare e sottolinea che la vendita allo scoperto è il set di competenze più prezioso per raccogliere fondi di successo. Bernut sfata anche dieci miti classici sulle vendite allo scoperto, facendo luce sulla natura poco studiata di questa disciplina. Elabora le dinamiche delle vendite allo scoperto e spiega perché anche i partecipanti al mercato di successo lottano con il lato corto. Condividendo intuizioni personali, Bernut sottolinea il ruolo cruciale della gestione del denaro nel corso.

Andando avanti, Bernut fornisce una panoramica di come funziona la vendita allo scoperto e sottolinea l'importanza di localizzare il prestito. Discute la natura fallimentare della selezione dei titoli e sostiene che i trader spostino la loro attenzione su altre pratiche come la vendita allo scoperto. Bernut sottolinea che il settore è spesso fissato con gli stock picker, ma l'evidenza empirica mostra che la maggior parte dei gestori attivi sottoperforma costantemente i propri benchmark. Ciò ha portato molti ad abbandonare la selezione dei titoli a favore degli investimenti passivi e dell'indicizzazione nascosta. Tuttavia, Bernut sottolinea l'importanza delle vendite allo scoperto durante i mercati ribassisti e il valore che apporta in termini di protezione dai ribassi.

Bernut affronta le idee sbagliate sui venditori allo scoperto, sfatando l'idea che distruggano pensioni e aziende. Spiega che gli investitori cercano veicoli long-short per bassa volatilità, bassi rendimenti di correlazione e protezione dai ribassi, qualcosa che i gestori attivi faticano a fornire in modo coerente. Pertanto, le scelte lunghe da parte dei gestori di fondi comuni di investimento non sono così rilevanti per gli investitori che possono ottenere risultati simili passivamente attraverso fondi negoziati in borsa. Bernut sottolinea che lo shorting delle azioni fornisce protezione contro il rischio di ribasso, rendendo molto ricercata l'abilità di vendere allo scoperto, in particolare in un mercato ribassista.

Il relatore approfondisce il ruolo dei venditori allo scoperto all'interno del capitalismo e la responsabilità della gestione aziendale. Sostiene che i venditori allo scoperto, che non partecipano alla gestione delle società, vengono spesso incolpati dei loro fallimenti quando, in realtà, è la cattiva gestione a causare il fallimento. Bernut sottolinea la distinzione tra valore di mercato e valore intrinseco, spiegando che il valore di mercato è determinato da giudizi soggettivi, simili a un concorso di bellezza. Chiarisce inoltre che i venditori allo scoperto non sono speculatori intrinsecamente malvagi, ma spesso svelano paradossi nel mercato. Riconosce che le autorità di regolamentazione disapprovano i venditori allo scoperto che si dedicano alla manipolazione del mercato, ma il loro compito principale è quello di denunciare le inefficienze del mercato.

Il video continua con Laurent Bernut che discute del continuum spazio-temporale aziendale, che rappresenta un paradosso per i venditori allo scoperto. Porta l'attenzione su situazioni in cui le aziende premiano i dipendenti per aver partecipato a frodi, mentre l'alta dirigenza nega la conoscenza di tali pratiche. Bernut consiglia ai venditori allo scoperto di adottare un approccio non contraddittorio nei confronti della gestione aziendale, anche quando hanno ragione, poiché esistono modi alternativi per vendere allo scoperto un titolo. Sottolinea l'aspetto della gestione del rischio delle vendite allo scoperto e avverte che dovrebbe essere fatto con cautela.

Nella sua masterclass Algo Trading Week, Bernut sottolinea l'importanza di imparare a vendere allo scoperto e i rischi associati al non avere questa abilità, soprattutto in previsione di un mercato ribassista. Accenna anche a come le vendite allo scoperto possono contribuire all'aumento della volatilità del mercato e al potenziale crollo del prezzo delle azioni.

Il video continua con Laurent Bernut che ringrazia gli spettatori per la partecipazione e l'impegno durante la masterclass sulle vendite allo scoperto. Esprime il suo apprezzamento per le domande ei commenti ricevuti durante la sessione, sottolineando l'importanza della partecipazione attiva e della curiosità nel processo di apprendimento.

Laurent Bernut introduce quindi un prossimo corso sulla vendita allo scoperto con Python, volto a fornire competenze pratiche per implementare strategie di vendita allo scoperto utilizzando la programmazione. Il corso tratterà vari argomenti, tra cui l'analisi dei dati, il trading algoritmico, la gestione del rischio e il backtesting. Sottolinea il valore della combinazione dell'analisi quantitativa con tecniche di vendita allo scoperto e come Python possa essere uno strumento potente per questo scopo.

Oltre al corso, Laurent Bernut annuncia l'uscita di un libro complementare intitolato "Short Selling Unveiled: A Comprehensive Guide to Profiting in Bear Markets". Il libro approfondirà sia il come che il perché della vendita allo scoperto, fornendo approfondimenti, strategie ed esempi del mondo reale. Mira a demistificare la disciplina e fornire ai lettori le conoscenze e le competenze necessarie per navigare con successo nelle complessità della vendita allo scoperto. La pubblicazione del libro è prevista per l'11 ottobre 2021 e sarà disponibile su Amazon.com.

Alla conclusione del video, Laurent Bernut ribadisce l'importanza dell'apprendimento e del miglioramento continui nel campo delle vendite allo scoperto. Incoraggia gli spettatori a esplorare il corso e a prenotare per approfondire la loro comprensione e migliorare le loro capacità. Esprime il suo impegno ad aiutare le persone a diventare abili nelle vendite allo scoperto e sottolinea il valore di rimanere informati e adattabili nei mercati finanziari in continua evoluzione.

Con un'ultima nota di gratitudine e incoraggiamento, Laurent Bernut saluta gli spettatori, lasciando loro l'invito a connettersi, fare domande e continuare il loro viaggio nel mondo delle vendite allo scoperto. Il video termina e gli spettatori rimangono ispirati e motivati a esplorare ulteriormente le opportunità e le sfide presentate dalla vendita allo scoperto.

• 00:00:00 Il video presenta Laurent Bernut come fondatore e CEO di Alpha Secure Capital e venditore allo scoperto dedicato presso Fidelity Investments. La masterclass si concentrerà sulla vendita allo scoperto e durerà due ore, senza sessione di domande e risposte al termine. L'oratore incoraggia gli spettatori a porre domande pertinenti durante la sessione stessa. Cita anche un corso sulla vendita allo scoperto con Python e un libro complementare che spiega come e perché farlo. Il libro sarà pubblicato l'11 ottobre 2021 e sarà disponibile su Amazon.com.
  
  
• 00:05:00 Laurent Bernut spiega i punti salienti della sua masterclass sulla vendita allo scoperto, affermando che la scelta migliore è fallimentare e che la vendita allo scoperto è la competenza più preziosa per raccogliere fondi di successo. Bernut sfata anche dieci miti classici sulla vendita allo scoperto, sottolineando la natura poco studiata della disciplina. Spiega le dinamiche delle vendite allo scoperto e perché anche i partecipanti al mercato di successo lottano con il lato corto. Bernut condivide anche una visione personale sulla gestione del denaro e la sua parte centrale nel corso. La sezione si conclude con una panoramica su come funziona la vendita allo scoperto e sull'importanza di individuare il prestito.
  
  
• 00:10:00 Laurent Bernut discute la natura fallimentare della selezione dei titoli e perché i trader devono spostare la loro attenzione su altre pratiche come la vendita allo scoperto. Spiega che il settore è costruito sul culto dello stock picker, ma facendo riferimento ai numeri, sappiamo che i due terzi dei gestori attivi anno dopo anno sottoperformano il loro benchmark, il che li ha portati a spostare la loro attenzione dalla selezione dei titoli a indicizzazione dell'armadio e investimenti passivi. I gestori attivi non sottoperformano di ampi margini; di solito è più o meno uno o due percento dell'indice. Tuttavia, durante i mercati ribassisti, i verticali come le vendite allo scoperto diventano rilevanti.
  
  
• 00:15:00 Laurent Bernut sfata il mito secondo cui i venditori allo scoperto distruggono pensioni e aziende. Sottolinea che gli investitori parcheggiano i loro soldi in veicoli long-short perché vogliono bassa volatilità, rendimenti a bassa correlazione e protezione dai ribassi, qualcosa che i gestori attivi non possono garantire in modo coerente. Pertanto, gli investitori non si preoccupano delle scelte lunghe da parte dei gestori di fondi comuni in quanto possono svolgere la stessa funzione passivamente utilizzando fondi negoziati in borsa. Bernut spiega che lo shorting delle azioni protegge dal rischio di ribasso, rendendo l'abilità di vendita allo scoperto molto richiesta, specialmente in un mercato ribassista.
  
  
• 00:20:00 Laurent Bernut parla delle vendite allo scoperto nel contesto del capitalismo e della responsabilità manageriale. I venditori allo scoperto, che non partecipano alla gestione delle società, spesso vengono incolpati del fallimento di un'azienda, quando in realtà è la cattiva gestione che fa fallire l'azienda. La storia del capitalismo è piena di società che sono diventate obsolete a causa di una cattiva gestione, con i venditori allo scoperto che spesso le accompagnano semplicemente verso quell'obsolescenza. Il valore di mercato è anche discusso come separato dal valore intrinseco, essendo il valore di mercato un concorso di bellezza canadese in cui viene scelta la persona più bella in base a chi il giudice ritiene sia la più bella. Infine, viene discussa l'idea sbagliata che i venditori allo scoperto siano speculatori malvagi, con Bernut che avverte che alle autorità di regolamentazione non piacciono i venditori allo scoperto che si impegnano nella manipolazione del mercato, ma il compito dei venditori allo scoperto è spesso quello di svelare i paradossi nel mercato.
  
  
• 00:25:00 Laurent Bernut, relatore nel video "Short selling in the bull market - A Masterclass" parla del continuum spazio-temporale aziendale, che è un paradosso affrontato dai venditori allo scoperto. Il paradosso sorge quando le aziende assegnano bonus ai dipendenti che partecipano a frodi e quando l'alta dirigenza nega la consapevolezza di tali pratiche. Bernut suggerisce inoltre che i venditori allo scoperto non dovrebbero avere una visione contraddittoria della gestione aziendale, anche se hanno ragione, poiché esistono modi non contraddittori per vendere allo scoperto un titolo. Sapendo che la vendita allo scoperto è un esercizio di gestione del rischio, Bernut consiglia sui potenziali rischi che presenta, affermando che la vendita allo scoperto dovrebbe essere effettuata con cautela.
  
  
• 00:30:00 Laurent Bernut, nella sua masterclass Algo Trading Week, discute l'importanza di imparare a vendere allo scoperto ei rischi di non saperlo fare, sottolineando il valore della formazione e della pratica per l'inevitabile mercato ribassista. Accenna anche a come la vendita allo scoperto può aumentare la volatilità del mercato e alla fine portare al crollo dei prezzi delle azioni. Bernut approfondisce brevemente il concetto di utilizzo del mutuatario e la domanda e l'offerta di azioni utilizzate per la vendita allo scoperto, rispondendo a una domanda sulla minimizzazione delle perdite e affrontando la necessità di adeguare le strategie di vendita allo scoperto spot nei mercati dei futures.
  
  
• 00:35:00 Laurent Bernut sfata il mito secondo cui la vendita allo scoperto non è necessaria durante un mercato rialzista. Molti hedge fund hanno procrastinato l'apprendimento delle vendite allo scoperto prima della crisi finanziaria del 2008, portandoli a soffrire enormemente quando i mercati sono crollati. Bernut ritiene che la vendita allo scoperto dovrebbe essere appresa durante un mercato rialzista perché è un campo competitivo con molte perdite di alfa e l'apprendimento durante un mercato rialzista offre spazio per commettere errori senza troppe conseguenze. Anche il mito dello shock strutturale viene sfatato. Mentre le aziende possono fallire, la logica non si applica alle posizioni lunghe, e quelle in posizioni lunghe spesso visitano e si allenano per proteggere i loro investimenti.
  
  
• 00:40:00 Laurent Bernut spiega l'errore di essere un "turista" e perseguire vendite allo scoperto strutturali. Crede che ciò rappresenti una mancanza di umiltà e afferma che trovare frodi contabili è estremamente difficile. Un altro problema sono i modelli di business imperfetti, che sono difficili da rilevare perché le aziende cercano di nasconderli. Bernut parla anche di valutazioni, dicendo che quando non hanno senso, smettono di avere senso. Spiega due modalità di trading, trend following classico e mean reversion, e dice che le persone sul lato lungo dovrebbero capire la differenza, poiché hanno profili e guadagni antagonisti.
  
  
• 00:45:00 Laurent Bernut discute le strategie di vendita allo scoperto, sottolineando che il trading di coppie non è una strategia di vendita allo scoperto nonostante molte persone lo associno al lato corto. Parla anche della definizione del regime, che suddivide il mercato in tre segmenti basati sul prezzo: rialzista, ribassista e inconcludente, e delle cose da fare: definizione del regime, serie relative e trappole del valore. Bernut consiglia di concentrarsi sui titoli poco performanti, "noiosi" senza una vera storia o crescita e alti rendimenti da dividendi perché tendono a seguire la conversazione e a sottoperformare, che è ciò che vogliono i venditori allo scoperto.
  
  
• 00:50:00 Laurent Bernut discute l'ostacolo della generazione di idee quando si tratta di vendite allo scoperto e paragona la crescita delle aziende al concetto di invecchiamento, dove i loro rendimenti sono più alti perché la loro crescita è avvenuta anni fa e non è rimasto nulla. Presenta anche un grafico dell'S&P 500 e spiega come le linee rosse e verdi continue rappresentino rispettivamente il numero di azioni che registrano nuovi massimi e minimi di un anno, mentre la linea tratteggiata rappresenta gli stessi dati sulle serie relative divise per l'indice. Metà dei componenti di qualsiasi indice sovraperformano all'incirca e metà sottoperformano, il che significa che l'aspetto problematico è la tempistica tra il massimo e il minimo. Bernut suggerisce invece di eseguire rotazioni di settore e presenta una mappa termica di tutti i metodi di definizione della regione, portando alla discussione sulla definizione del regime.
  
  
• 00:55:00 Laurent Bernut discute l'importanza della definizione del regime nel trading, sia che si tratti di analisi quantitativa o fondamentale. La definizione del regime funge da panoramica del mercato, indicando ai trader se è rialzista o ribassista. Analizzando il regime, i trader possono quindi indagare sul motivo per cui alcuni titoli stanno sovraperformando o sottoperformando. Le risposte a queste domande arrivano in tre categorie: rotazione settoriale, prezzo errato temporaneo e performance azionaria specifica. Bernut introduce anche tre strategie di trading classiche: trend following, mean reversion e i-breed.
  
  
• 01:00:00 Laurent Bernut discute gli svantaggi delle classiche strategie di trend following e mean reversion e sottolinea l'importanza di scalare e ottenere profitti a breve termine. Ciò consente ai trader di acquisire rapidamente profitti e aumentare la percentuale di vincita, mentre operazioni simili a lotterie possono essere eseguite a lungo termine. Spiega anche le dinamiche delle vendite allo scoperto e la necessità di comprendere la deriva dell'esposizione netta, fondamentale per le vendite allo scoperto. Infine, afferma che la gestione del denaro è essenziale per realizzare profitti in questo gioco.
  
  
• 01:05:00 L'oratore risponde a una domanda sul periodo di tempo preferito per le vendite allo scoperto. Spiegano che il loro stile di vendita allo scoperto segue le tendenze, secondo l'approccio adottato dal loro amico Mike Covell, famoso per il suo podcast che segue le tendenze. Sottolineano inoltre l'importanza dell'utilizzo del prestito durante le vendite allo scoperto, in quanto indica il coinvolgimento degli investitori istituzionali. Una volta che l'utilizzo del prestito supera i 50, l'oratore afferma che è un segno che gli investitori istituzionali hanno lasciato l'edificio e gli unici rimasti a far scendere le azioni sono gli azionisti stabili che difficilmente venderanno. Pertanto, è fondamentale seguire il ciclo di rotazione del settore e iniziare presto in termini relativi perché può durare a lungo prima che la rotazione del settore finisca.
  
  
• 01:10:00 Laurent Bernut discute il concetto di esposizione nel mercato azionario, in particolare esposizione lorda, esposizione netta e beta netto. Spiega che in un mercato rialzista, gli investitori saranno tipicamente long netti e avranno un beta netto positivo, mentre andranno short su azioni difensive che hanno una volatilità inferiore e saranno long su azioni beta alte. Tuttavia, Bernut osserva che avere un beta netto negativo è molto difficile da ottenere e viene raggiunto solo da pochi investitori al mondo.
  
  
• 01:15:00 Laurent Bernut spiega come posizionarsi correttamente in un mercato ribassista senza avere un'esposizione netta negativa. In un mercato ribassista, dovrebbero essere assunte posizioni lunghe difensive in aree a basso beta come servizi di pubblica utilità, beni di consumo di base e alimentari. Queste partecipazioni possono essere sovradimensionate a causa della loro bassa volatilità. D'altra parte, le azioni ad alto beta che sono aumentate in modo esponenziale devono essere prese allo scoperto perché cadranno più duramente. Ciò creerà un lato lungo pesante e un lato corto più leggero e volatile, portando a un'esposizione netta residualmente positiva. Sebbene la selezione dei titoli abbia fallito in passato, la vendita allo scoperto riguarda la gestione del rischio e il dimensionamento della posizione, rendendola una strategia per sopravvivere al mercato ribassista.
  
  
• 01:20:00 Laurent Bernut discute l'importanza di estendere i vincitori per consentire alle operazioni redditizie di aumentare nel tempo. Consiglia di prendere presto profitti ad alta probabilità e poi lasciare correre il resto dell'operazione, tenendo conto del potenziale di grandi guadagni dal trend following. Tuttavia, quando si vende allo scoperto, è importante togliere rapidamente i soldi dal tavolo a causa del rischio di short squeeze. Bernut sottolinea inoltre che gli ordini di stop loss non dovrebbero far parte delle normali decisioni di trading e dovrebbero essere inseriti solo in un punto in cui la decisione di investimento viene invalidata o annullata. L'inserimento di ordini stop-loss all'interno della banda di volatilità può causare rumore e influire negativamente sull'aspettativa di guadagno.
  
  
• 01:25:00 Laurent Bernut parla degli stop-loss e di come siano la variabile numero uno nell'aspettativa di guadagno, in quanto influenzano tre variabili su quattro: perdita media, tasso di vincita e tasso di perdita. Consiglia di rendere gli stop loss un problema logico e di budget e di sperimentarli per trovare la soluzione migliore. In risposta a una domanda sulla specializzazione nella vendita allo scoperto di materie prime, Bernut ammette la sua mancanza di conoscenza, ma suggerisce che l'uso del suo metodo di salire sul palco relativo e osservare i regimi rende il trading di azioni più facile di quanto sembri. Conclude sottolineando che i soldi vengono fatti nel modulo di gestione del denaro e la selezione dei titoli non è il principale fattore determinante dei rendimenti.
  
  
• 01:30:00 Laurent Bernut parla dell'importanza dei rendimenti della gestione del denaro e di come non sia solo la selezione dei titoli a produrre i rendimenti. Fornisce un esempio della società Fidelity in cui diversi portafogli avevano le stesse azioni ma avevano rendimenti diversi a causa delle dimensioni dei loro investimenti. Bernut prosegue poi spiegando diversi algoritmi di gestione del denaro utilizzando un grafico come esempio, tra cui peso uguale, rischio uguale, convesso e concavo. Confronta i diversi algoritmi con la guida di un'auto a marce diverse e sottolinea l'importanza di modulare il rischio in base alle condizioni di mercato.
  
  
• 01:35:00 Laurent Bernut sottolinea l'importanza della gestione del denaro per ottenere guadagni nel settore finanziario. Suggerisce che i maggiori progressi saranno compiuti nel dimensionamento delle posizioni, nella gestione del rischio e nella gestione del portafoglio. Ritiene che la modulazione delle linee di fondo concave e convesse possa essere utilizzata per modulare il rischio e creare un diverso profilo di rischio, che è un modo efficiente per gestire le dimensioni del portafoglio che viene inserito in un'operazione. Secondo Bernut, è qui che l'apprendimento automatico e l'intelligenza artificiale contribuiranno alla prossima generazione a fare grandi progressi nella finanza.
  
  
• 01:40:00 Laurent Bernut risponde alle domande degli spettatori sulla gestione del rischio, l'ottimizzazione di Black Litterman in un portafoglio long-short e la relazione tra portafogli long-short e leva finanziaria. Bernut spiega che la gestione del rischio implica sapere quando riaccelerare o decelerare lentamente, mentre sfruttare un portafoglio long-short può amplificare i rendimenti, ma può anche essere un'arma a doppio taglio se non usata con attenzione. Nota inoltre che, sebbene non abbia utilizzato personalmente l'ottimizzazione di Black Litterman, si tratta di un'iterazione del limite. Infine, Bernut condivide il suo approccio personale all'utilizzo del rischio aperto e del rendimento aggiustato per il rischio relativo per gestire il rischio nel proprio trading.
  
  
• 01:45:00 Laurent Bernut discute la sua preferenza per la gestione delle scorte in modo indipendente piuttosto che utilizzare un approccio composito. Quando si tratta di intervalli di tempo, fa trading quotidianamente poiché il mercato offre numerose opportunità a questo livello. Ritiene inoltre che sia più facile avere un'aspettativa positiva in intervalli di tempo più lunghi, ma ciò potrebbe comportare rendimenti inferiori e un turnover più lento. Infine, Bernut affronta la sfida del trading contro i computer, ricordandoci che siamo in competizione con loro piuttosto che essere puniti da loro.
  
  
• 01:50:00 Laurent Bernut discute l'uso dell'intelligenza artificiale e dell'apprendimento automatico nel commercio al dettaglio. Crede che l'uso dell'intelligenza artificiale e dell'apprendimento automatico per le previsioni di mercato sia destinato a fallire perché la casualità è qui per restare. Per quanto riguarda i commercianti al dettaglio che costruiscono istituzioni, è più facile di quanto si possa pensare. Si può saltare sulla coda delle grandi istituzioni osservando dove si muovono i volumi e le tendenze delle azioni. Sebbene i trader al dettaglio non possano battere le grandi istituzioni nel trading ad alta frequenza, possono sempre scambiare tendenze e nicchie che non richiedono ricerche approfondite. Tutto sommato, Bernut sconsiglia di tentare di competere con le grandi istituzioni nel trading pick-by-pick e incoraggia a trovare aree che consentano un ingresso e un successo più facili.
  
  
• 01:55:00 Laurent Bernut discute di come i venditori allo scoperto abbiano un vantaggio nell'elaborare le informazioni più velocemente degli analisti e di come sia importante trovare la propria nicchia e concentrarsi sull'aspettativa negativa. Alla domanda su come mantenere una mentalità short, Bernut consiglia di restare umile e accettare quando si sbaglia, andare avanti e impostare stop loss. Paragona persino la caccia al bestiame alla pesca, spiegando come essere spietati nel tagliare gli stock e gettare la rete in largo. Infine, risponde se i trader a bassa e media frequenza hanno una possibilità contro i trader ad alta frequenza, affermando che non è una questione di HFT essere più redditizio, ma piuttosto che ogni trader trovi la propria nicchia e abbia successo a pieno titolo.
  
  
• 02:00:00 Il relatore discute il ruolo degli HFT nel trading e come agiscono essenzialmente come una tassa che prende un taglio qualunque cosa accada. Dice anche che vincere in HFT è una corsa agli armamenti, e o sei in testa al gruppo o paghi il pranzo di qualcun altro. Piuttosto che guardare alle tendenze in termini di tempo, crede che il tempo sia il contenitore sbagliato ed è meglio guardare invece al regime. In termini di esposizione lunga contro esposizione corta, parla dei modelli standard di estensione lunga 130/30 o 140/40 utilizzati da quanti o pistoleri nei fondi comuni di investimento. Questi sono popolari perché sono ancora classificati come lunghi solo nel gioco dell'asset allocation, ma suggerisce di considerare un benchmark beta netto diverso dai soli livelli di esposizione lorda.
  
  
• 02:05:00 Il relatore spiega come funziona la strategia 130/30 in termini di asset allocation e come il residuo è ancora classificato come long. La strategia 130/30 significa avere il 130% di posizioni lunghe e il 30% di posizioni corte, dando un'esposizione netta del 100% e un saldo di cassa vicino allo zero. I fondi che utilizzano questa strategia possono ancora essere classificati come long-only e confrontati con i rispettivi indici. L'oratore fornisce un interessante punto accademico riguardo alla possibilità di un mandato net beta, ma condivide il fatto che si tratta di una questione tecnica a cui non aveva pensato prima. La sessione si conclude qui con un suggerimento per fornire feedback e porre domande e un promemoria per partecipare alla prossima sessione sull'utilizzo di sentiment e dati alternativi nel trading.

[MetaQuotes]

Come scegliere le migliori azioni e il commercio dal vivo del Dr. Hui Liu | Giorno 2 della settimana di trading algoritmico

Come scegliere le migliori azioni e il commercio dal vivo del Dr. Hui Liu | Giorno 2 della settimana di trading algoritmico

Durante l'introduzione all'Algo Trading Week Day 2, il relatore riconosce le sessioni precedenti con esperti di quant e algo trading. Menzionano brevemente le preziose intuizioni condivise da questi esperti, ponendo le basi per la presentazione della giornata. L'obiettivo del Day 2 è la selezione delle azioni migliori e l'impegno nel trading dal vivo, con il Dr. Hui Liu in veste di presentatore.

Il relatore sottolinea anche l'attuale Algo Trading Competition, che comprende tre distinti test che coprono le basi del trading quantitativo e algoritmico. I vincitori del concorso saranno annunciati a settembre, aggiungendo un elemento di anticipazione ed entusiasmo all'evento. Inoltre, il relatore rivela che la sessione del giorno successivo sarà una masterclass di due ore sulla vendita allo scoperto, condotta da Aloha Bendu. L'orario di questa lezione sarà adattato per accogliere partecipanti di diversi fusi orari.

Il dottor Hui Liu inizia la sua presentazione discutendo il processo di generazione di un'idea commerciale, convalidandola e costruendo un modello di apprendimento automatico per testarne le prestazioni storiche. Suggerisce che i trader possono trarre idee leggendo i rapporti finanziari o monitorando le piattaforme dei social media per valutare le prestazioni di un'azienda. Il dottor Liu introduce anche l'ETF SPY, che tiene traccia dell'indice S&P 500 e funge da preziosa fonte di dati storici. Sottolinea l'importanza di utilizzare modelli statistici e condurre test retrospettivi per convalidare le idee di trading prima di procedere alla creazione di un robot di trading utilizzando iBridgePi.

Le basi del trading di tendenza e l'importanza di acquistare a basso e vendere a un massimo vengono poi spiegate dal Dr. Liu. Elabora la raccolta di dati storici e l'utilizzo di Python su Jupyter Notebook per sviluppare un modello di machine learning. Il dottor Liu dimostra come il modello può essere utilizzato per creare uno stock screener, aiutando nell'identificazione delle azioni più promettenti per scopi di trading. Sottolinea l'importanza di verificare le idee di trading attraverso il backtesting e il trading dal vivo.

Nel suo segmento successivo, il dottor Liu fornisce una dimostrazione pratica dell'utilizzo di Python per recuperare i dati storici dall'API di Yahoo Finance e manipolarli per costruire un modello di apprendimento automatico. In particolare, recupera i dati giornalieri della barra per lo SPY e utilizza la funzione di "richiesta dati storici". Dr. Liu aggiunge ulteriori colonne ai dati che calcolano la variazione percentuale del prezzo di chiusura dal giorno precedente al giorno corrente, nonché dal giorno corrente al giorno successivo. Spiega che una variazione di prezzo di chiusura negativa da ieri ad oggi, combinata con una variazione positiva da oggi a domani, rappresenta un'opportunità di acquistare azioni quando il prezzo diminuisce, poiché la sua previsione suggerisce un imminente aumento dei prezzi.

Il processo di costruzione di un modello di apprendimento automatico per prevedere i prezzi delle azioni viene quindi dettagliato dal Dr. Liu. Acquisisce dati sul prezzo di chiusura, sulla variazione di prezzo di ieri e sulla variazione di prezzo da oggi a domani. Utilizzando un modello di regressione lineare, adatta i dati e analizza i risultati. Il dottor Liu mostra un grafico in cui la linea nera rappresenta le previsioni del modello di apprendimento automatico, mentre i punti dati sparsi rappresentano i prezzi azionari giornalieri di Yahoo Finance per l'S&P 500. Spiega che un coefficiente negativo indica una correlazione negativa, indicando che quando il il prezzo diminuisce, è probabile che aumenti e viceversa. Il dottor Liu contempla la fattibilità dell'utilizzo di questo modello per il trading automatizzato per generare potenzialmente profitti.

Il Dr. Liu procede a discutere il processo di selezione delle azioni migliori e l'impegno nel trading dal vivo. Raccomanda ai trader di esaminare il prezzo alla fine della giornata di negoziazione per determinarne il movimento al rialzo o al ribasso prima di piazzare ordini vicino alla chiusura del mercato. Dimostra la costruzione di uno stock screener per ottenere informazioni su come il modello si comporta con vari titoli e identifica i titoli favorevoli da seguire. Il Dr. Liu riconosce che il suo modello è relativamente semplicistico, basandosi sul prezzo di ieri per prevedere quello di domani, e quindi considera l'incorporazione di indicatori avanzati come il Moving Average Convergence Divergence (MACD) per migliorare l'accuratezza della previsione e filtrare le negoziazioni.

L'utilizzo del MACD per prevedere e filtrare le azioni è esplorato dal Dr. Liu, insieme a un confronto con il modello buy low sell high. Presenta i risultati ottenuti utilizzando MACD 10 e 30 sullo SPY, rivelando un trend relativamente debole. Di conseguenza, il dottor Liu conclude che l'utilizzo del MACD per le previsioni future potrebbe non produrre risultati favorevoli come prima. Procede a discutere la costruzione di un modello statistico di machine learning e considera il modello buy low sell high come un potenziale mezzo per generare profitti. Il dottor Liu evidenzia Average Pi, una piattaforma Python che facilita il backtest e il trading dal vivo, sottolineando la sua funzionalità di privacy al 100%, la compatibilità con più account e la flessibilità in termini di fornitori di dati. Illustra la semplicità e l'efficienza della costruzione di un modello buy low sell high in Average Pi utilizzando solo poche righe di codice.

Il Dr. Liu spiega il processo di impostazione di una configurazione per il trading utilizzando Algo Trading Week Day 2. Sottolinea l'esecuzione della funzione di inizializzazione all'inizio per definire le variabili e stabilire la configurazione. Ad esempio, pianifica l'esecuzione della funzione "compra basso, vendi alto" ogni giorno di negoziazione, un minuto prima della chiusura del mercato, istruendola a investire il 100% del portafoglio nello SPY se il prezzo di ieri era inferiore a quello di oggi. Il dottor Liu approfondisce l'argomento del backtesting, illustrando come i dati storici di broker o fornitori di terze parti possono essere utilizzati in vari intervalli di tempo, inclusi minuto per minuto, orario o giornaliero.

Successivamente, il dottor Liu dimostra il processo di backtesting di una strategia scelta utilizzando diversi fornitori di dati e pacchetti. Consiglia di selezionare un'ora di inizio e un'ora di fine per il periodo di backtesting, oltre a confermare il fornitore di dati scelto per l'esecuzione. Passando alla modalità demo, il Dr. Liu mostra il processo, indicando che fornitori di dati come Interactive Brokers (IB) o dati storici locali possono essere utilizzati per strategie di backtesting. Fornisce indicazioni sulla configurazione della configurazione del backtesting, utilizzando i dati storici disponibili archiviati in file locali.

Il dottor Liu procede dimostrando l'uso del backtesting per testare l'efficacia di una strategia di trading utilizzando dati storici. Riconosce la sfida di ottenere dati a barre giornalieri significativi per lunghi periodi di backtesting. Per superare questo ostacolo, introduce il concetto di dati della barra dei minuti simulati, in cui il prezzo di chiusura della barra giornaliera può essere utilizzato per simulare i dati. Ciò semplifica il processo per i trader che hanno difficoltà ad accedere ai dati precisi richiesti per scopi di backtesting.

Il Dr. Liu presenta i risultati del backtesting di un modello "compra basso, vendi alto" rispetto a una strategia di acquisto e conservazione per l'S&P 500 dal 2000 al 2020. Il modello supera la strategia di acquisto e conservazione, risultando in un portafoglio valore di $ 800.000 rispetto a $ 200.000. Riconosce che, nonostante la piccola correlazione osservata attraverso la semplice regressione lineare, il modello fornisce comunque risultati positivi. Il dottor Liu passa quindi all'argomento del trading dal vivo, indicando che può essere semplice come modificare due righe di codice per selezionare la strategia desiderata e inserire il codice del conto per Interactive Brokers prima di eseguire il programma. Conclude la presentazione invitando i partecipanti a contattarlo via e-mail per assistenza sulla codifica o per organizzare un incontro di persona a San Jose, in California.

Durante la sessione di domande e risposte, viene posta una domanda riguardante la certezza di una strategia retroattiva che fornisca risultati identici nelle negoziazioni dal vivo. Il dottor Liu spiega che mentre i dati storici rappresentano il passato e il modello può mostrare stabilità statistica, il prezzo stesso è volatile, in particolare vicino alla chiusura del mercato. Pertanto, le variazioni nella previsione del futuro sono inevitabili. Tuttavia, per un lungo periodo, il modello generale dovrebbe essere valido. Osserva che utilizza il modello di regressione lineare per la sua semplicità e facilità di comprensione, ma riconosce che modelli di apprendimento automatico più sofisticati potrebbero potenzialmente produrre risultati migliori. Il dottor Liu affronta anche la questione dei costi di transazione e dello slippage, affermando che dovrebbero essere considerati quando si implementano strategie di trading dal vivo e possono avere un impatto sulla performance complessiva della strategia.

Viene sollevata un'altra questione riguardante l'uso di altri indicatori tecnici insieme al modello buy low sell high. Il dottor Liu risponde sottolineando la flessibilità della piattaforma Average Pi, che consente ai trader di incorporare indicatori aggiuntivi nelle loro strategie. Afferma che l'indicatore MACD (Moving Average Convergence Divergence) potrebbe essere un'aggiunta preziosa per filtrare le negoziazioni e migliorare l'accuratezza delle previsioni.

Un partecipante chiede il significato dell'intervallo di tempo tra il segnale di trading e la chiusura del mercato. Il dottor Liu spiega che l'intervallo di tempo scelto dipende dalle preferenze individuali e dalle strategie di trading. Potrebbero passare alcuni minuti o addirittura ore prima della chiusura del mercato, a seconda del tempo di esecuzione desiderato. Consiglia ai trader di sperimentare diversi intervalli di tempo per trovare ciò che funziona meglio per le loro strategie specifiche.

In risposta a una domanda sull'impatto della volatilità del mercato sul modello buy low sell high, il Dr. Liu riconosce che una maggiore volatilità può potenzialmente generare maggiori opportunità di trading. Tuttavia, avverte che una maggiore volatilità comporta anche un rischio maggiore e che i trader dovrebbero considerare attentamente la loro tolleranza al rischio e adeguare le loro strategie di conseguenza.

Un partecipante chiede quali sono i potenziali limiti del modello buy low sell high. Il dottor Liu riconosce che la semplicità del modello è sia un punto di forza che un limite. Sebbene possa generare risultati positivi, potrebbe non cogliere dinamiche di mercato più complesse e potrebbe potenzialmente perdere alcune opportunità di trading. Suggerisce che i trader che desiderano esplorare strategie e modelli più avanzati dovrebbero considerare di approfondire la finanza quantitativa ed esplorare altri algoritmi di apprendimento automatico.

La sessione di domande e risposte si conclude con il Dr. Liu che esprime la sua disponibilità ad assistere i partecipanti con ulteriori domande o assistenza sulla codifica, incoraggiandoli a contattarlo via e-mail.

• 00:00:00 Il relatore introduce Algo Trading Week Day 2 e accenna brevemente alle precedenti sessioni con esperti di quant e algo trading. Il focus della presentazione della giornata è su come scegliere le migliori azioni e il trading dal vivo, presentato dal Dr. Hui Liu. Il relatore parla anche brevemente dell'Algo Trading Competition e dei suoi tre diversi test sui pilastri del trading quantitativo e algoritmico, con l'annuncio dei vincitori a fine settembre. La sessione di domani sarà una masterclass di due ore sulla vendita allo scoperto di Aloha Bendu, che sarà condotta prima del solito a seconda della posizione del partecipante.
  
  
• 00:05:00 Il dottor Hui Liu discute su come elaborare un'idea di trading, convalidarla e quindi creare un modello di apprendimento automatico per testare le prestazioni in passato. Suggerisce che leggere i rapporti finanziari o utilizzare i social media per avere un'idea delle prestazioni di un'azienda può essere un modo per elaborare un'idea di trading. Poi parla dell'ETF SPY che tiene traccia dell'indice S&P 500 e di come può essere utilizzato come fonte di dati storici. Il Dr. Liu menziona anche l'utilizzo di modelli statistici e backtesting per convalidare l'idea di trading prima di creare un robot di trading utilizzando iBridgePi.
  
  
• 00:10:00 Il Dr. Hui Liu discute le basi del trend trading e l'importanza di comprare a poco e vendere a tanto. Basandosi su questo concetto, spiega come raccogliere dati storici e costruire un modello di machine learning utilizzando Python su Jupyter Notebook. Dimostra anche come utilizzare il modello per creare uno stock screener che può aiutare a identificare le migliori azioni per il trading. Infine, sottolinea l'importanza di verificare le tue idee di trading attraverso il backtesting e il trading dal vivo.
  
  
• 00:15:00 Il Dr. Hui Liu dimostra come utilizzare Python per recuperare i dati storici dall'API di Yahoo Finance e manipolare i dati per costruire un modello di machine learning. I dati vengono recuperati per SPY con una barra giornaliera e la funzione utilizzata per recuperare i dati storici è "richiedi dati storici". Per costruire un modello di machine learning, il Dr. Liu aggiunge alcune colonne che calcolano la variazione del prezzo di chiusura da ieri a oggi, e da oggi a domani, in percentuale. Spiega che se la variazione di prezzo di chiusura da ieri a oggi è negativa e la variazione di prezzo di chiusura da oggi a domani è positiva, significa che c'è un'opportunità di acquistare azioni quando il prezzo scende, poiché la sua previsione è che il prezzo scenderà su.
  
  
• 00:20:00 Il Dr. Hui Liu spiega il suo processo per costruire un modello di apprendimento automatico per prevedere i prezzi delle azioni. Inizia raccogliendo dati sul prezzo di chiusura, sulla variazione di prezzo di ieri e sulla variazione di prezzo da oggi a domani. Quindi utilizza un modello di regressione lineare per adattare i dati e analizza i risultati. La linea nera sul grafico rappresenta le previsioni del modello di apprendimento automatico e i punti dati sparsi rappresentano i prezzi azionari giornalieri di Yahoo Finance per l'S&P 500. Liu spiega che un coefficiente negativo significa una correlazione negativa, che indica che quando il prezzo scende, è probabile che salga, e quando il prezzo aumenta, è probabile che scenda. In definitiva, Liu considera se questo modello può essere utilizzato per il trading automatizzato per realizzare potenzialmente un profitto.
  
  
• 00:25:00 Il dottor Hui Liu discute su come scegliere le migliori azioni e fare trading dal vivo. Suggerisce che i trader guardino il prezzo alla fine di una giornata di negoziazione per vedere se il prezzo sale o scende e quindi piazzano i loro ordini alla fine del mercato di negoziazione. Dimostra come costruire uno stock screener per capire come funziona il modello per altri titoli e quale titolo è buono da seguire. Il dottor Liu spiega che il suo modello è troppo semplice perché utilizza il prezzo di ieri per prevedere domani, quindi considera l'utilizzo di un indicatore avanzato come Moving Average Convergence Divergence (MACD) per prevedere e filtrare le negoziazioni.
  
  
• 00:30:00 Il Dr. Hui Liu parla dell'uso del MACD per prevedere e filtrare le azioni e di come si confronta con il modello compra basso vendi alto. Mostra i risultati quando si utilizza MACD 10 e 30 su Spy, rivelando una tendenza relativamente debole, e conclude che l'utilizzo di MACD per previsioni future non avrà lo stesso successo di prima. Il Dr. Liu discute la creazione di un modello statistico di apprendimento automatico e considera il modello di acquisto basso e vendita alto per realizzare potenzialmente un profitto. Quindi passa a discutere dell'utilizzo di Average Pi, una piattaforma Python per il backtest e il trading dal vivo, sottolineando la sua funzione di privacy al 100%, che consente di gestire più account e utilizzare qualsiasi fornitore di dati per il backtest. Infine, il Dr. Liu spiega come costruire un modello buy low sell high in Average Pi con solo poche righe di codice, evidenziandone la semplicità e l'efficienza.
  
  
• 00:35:00 Il Dr. Hui Liu spiega il processo di impostazione di una configurazione per il trading utilizzando Algo Trading Week Day 2. Il Dr. Liu esegue la funzione di inizializzazione all'inizio dell'esecuzione per definire le variabili e impostare la configurazione. In un esempio, il Dr. Liu pianifica la funzione "compra basso, vendi alto" per essere eseguita ogni giorno di negoziazione, un minuto prima della chiusura del mercato, e acquista il 100% del proprio portafoglio in SPY se il prezzo di ieri era inferiore al prezzo di oggi. Il dottor Liu prosegue poi spiegando come eseguire il backtest utilizzando i dati storici di broker o fornitori di dati di terze parti su base minuto per minuto, oraria o giornaliera.
  
  
• 00:40:00 Il Dr. Hui Liu dimostra come eseguire il backtest della strategia scelta utilizzando diversi fornitori di dati e pacchetti. Spiega che il modo più semplice per eseguire il backtest è scegliere un'ora di inizio, scegliere un'ora di fine per il backtest e confermare il fornitore di dati per eseguirlo. Il dottor Liu passa alla modalità demo per mostrare il processo e afferma che è possibile utilizzare un fornitore di dati come IB o dati storici locali per eseguire il backtest della propria strategia. Fornisce ulteriori guide su come impostare il processo di backtest utilizzando i dati storici disponibili nel file locale.
  
  
• 00:45:00 Il Dr. Hui Liu dimostra come utilizzare il backtesting per testare l'efficacia di una strategia di trading utilizzando dati storici. Spiega che i dati devono essere significativi, ma i trader potrebbero avere difficoltà a trovare i dati della barra giornaliera per lunghi intervalli di tempo di backtesting. Tuttavia, per risolvere questo problema, introduce il concetto di dati della barra dei minuti simulati, in cui se i dati non sono disponibili, è possibile utilizzare il prezzo di chiusura della barra giornaliera per simulare i dati. Questo può aiutare a semplificare il processo per i trader che faticano a trovare i dati corretti per il backtesting.
  
  
• 00:50:00 Il Dr. Hui Liu dimostra i risultati del backtesting di un modello "compra basso, vendi alto" rispetto a una strategia buy-and-hold per l'S&P 500 dal 2000 al 2020. Il modello ha sovraperformato la strategia buy-and-hold , ottenendo un valore del portafoglio di $ 800.000 rispetto a $ 200.000. Osserva che anche se la correlazione che utilizzava la regressione lineare semplice era un numero piccolo, ha comunque prodotto buoni risultati. Il dottor Liu passa quindi al trading dal vivo, che secondo lui è semplice come cambiare solo due righe di codice per scegliere la strategia e inserire il codice del conto per IB (Interactive Brokers) prima di eseguire il programma. Conclude la presentazione invitando i partecipanti a contattarlo via e-mail per ricevere assistenza sulla codifica o per incontrarsi di persona se si trovano a San Jose, in California.
  
  
• 00:55:00 Il dottor Hui Liu pone una domanda sulla certezza di una strategia testata a ritroso che fornisce risultati identici su operazioni dal vivo. Spiega che i dati storici sono solo il passato e, sebbene un modello possa essere statisticamente stabile, il prezzo è volatile, soprattutto vicino alla chiusura del mercato. Pertanto, ci saranno sempre variazioni per prevedere il futuro, ma per un lungo periodo il modello generale sarà ancora vero. Osserva che il motivo per cui utilizza il modello di regressione lineare è che è il più facile da capire, ma è possibile utilizzare altri modelli, come il modello foresta casuale. Tuttavia, sarebbe difficile spiegare brevemente il modello e dovrebbero essere utilizzati modelli più semplici per evitare l'overfitting.
  
  
• 01:00:00 Il Dr. Liu discute con quale frequenza riaddestrare un modello e come gestire il rischio attraverso stop loss o take profit. Suggerisce che la riqualificazione dipende dal tipo di modello e dalla quantità di dati che hai; avere più dati porterà a risultati e prevedibilità migliori. Quando si tratta di gestire il rischio attraverso lo stop loss, consiglia che sebbene sia difficile inserirlo direttamente nel modello, può essere incorporato in un framework di backtesting per impostare un punto di stop loss e confrontare i risultati con una strategia senza stop loss. Infine, mette in guardia i trader regolari dal farsi coinvolgere nel trading ad alta frequenza poiché non c'è modo di battere le istituzioni in quella zona.
  
  
• 01:05:00 Il Dr. Hui Liu discute il livello più basso necessario per il backtest e la quantità di dati necessari per ottenere risultati affidabili. Dice che il livello più basso per test affidabili è il numero più alto di punti dati che puoi ottenere e dovresti usare il tuo giudizio in base alle barre giornaliere o orarie. Suggerisce che quando si confronta il numero di fattori con il proprio modello, per ogni fattore, si dovrebbero avere cento punti dati per adattarsi al proprio modello, altrimenti il modello non sarà così eccezionale. Infine, i padroni di casa esprimono la loro gratitudine al dottor Liu e annunciano la lezione successiva.

[MetaQuotes]

Come diventare un quant di successo | Dott. Ernest Chan | Algo Trading Week Giorno 1

Come diventare un quant di successo | Dott. Ernest Chan | Algo Trading Week Giorno 1

La sessione di domande e risposte con il Dr. Ernest Chan inizia con il relatore che introduce una competizione di trading algoritmico progettata per fornire ai principianti l'opportunità di apprendere le basi del trading algoritmico consentendo agli esperti di aggiornare le proprie conoscenze. Il concorso mette in palio premi quali borse di studio e attestati di conseguimento per i primi tre classificati. Il Dr. Chan, fondatore e CEO di PredictNow.ai e QTS Capital Management, nonché autore di tre libri sul trading quantitativo, condivide la sua esperienza con il pubblico.

Il dottor Chan inizia evidenziando il predominio del trading quantitativo nell'ultimo decennio, con stime che suggeriscono che fino al 90% del volume degli scambi sulle borse statunitensi è attribuito al trading algoritmico. Sebbene non affermi che il trading quantitativo sia superiore al trading discrezionale, sottolinea l'importanza di non trascurare l'opportunità di automatizzare o sistematizzare le strategie di trading. In termini di singoli trader che competono con le istituzioni, il dottor Chan suggerisce che le strategie di nicchia con capacità limitate offrono le migliori opportunità. Queste strategie sono spesso poco attraenti per le grandi istituzioni e comportano scambi poco frequenti, rendendole opzioni praticabili per i trader indipendenti.

La discussione continua con il Dr. Chan che affronta l'importanza di trovare una nicchia nel trading algoritmico in cui le grandi istituzioni non competono. Sconsiglia la concorrenza diretta con i grandi giocatori e raccomanda di cercare aree in cui la concorrenza sia scarsa o nulla. Il dottor Chan risponde alle domande sull'importanza di avere un dottorato di ricerca. nel trading quantitativo e algoritmico. Sottolinea che avere "pelle nel gioco", ovvero mettere in gioco i propri soldi, è fondamentale per diventare un quant di successo. Suggerisce che i trader si concentrino sullo sviluppo di una comprensione intuitiva del mercato attraverso il backtest delle proprie strategie di trading e la lettura di blog e libri sul trading, piuttosto che affidarsi esclusivamente a conoscenze teoriche.

Il dottor Chan consiglia che un trader quantitativo di successo dovrebbe dare la priorità all'esperienza pratica e alla comprensione del mercato rispetto a un dottorato di ricerca. Osserva che ci vuole tempo per diventare un quant di successo e suggerisce di distinguersi quando si cerca di entrare a far parte di un fondo quant di alto livello scrivendo una ricerca originale sotto forma di white paper, incentrata su una strategia di trading o uno specifico fenomeno di mercato. Avverte che un breve track record, come un singolo scambio di successo, non è sufficiente per dimostrare coerenza e conoscenza. In risposta a una domanda sull'incorporazione dei dati del flusso degli ordini nelle strategie di trading, il Dr. Chan ne riconosce il valore come indicatore, ma sottolinea che dovrebbe essere utilizzato insieme ad altri indicatori, poiché nessun singolo indicatore è completo da solo.

I limiti dell'utilizzo di singoli indicatori per costruire una strategia di trading sono discussi dal Dr. Chan. Sottolinea che molte persone usano questi indicatori, riducendone l'efficacia. Suggerisce di incorporarli come una delle tante funzionalità in un programma di apprendimento automatico. Alla domanda sull'età nell'industria quantitativa, il dottor Chan sottolinea che se qualcuno opera come unico proprietario, l'età non è un problema. Condivide anche la sua opinione sull'uso dell'apprendimento automatico nella generazione di alfa, mettendo in guardia sul rischio di overfitting e raccomandandolo invece come strumento per la gestione del rischio. Per quanto riguarda il trading a bassa latenza, il Dr. Chan sostiene che il trading quantitativo è una necessità in questo dominio. Infine, consiglia che oltre a un track record di successo, le capacità di gestione sono essenziali per chiunque desideri avviare un hedge fund quantitativo.

Il dottor Chan sottolinea che una gestione di fondi di successo implica non solo capacità di trading, ma anche capacità di gestione e sviluppo aziendale. Avere qualità di leadership e un background nella gestione aziendale è fondamentale. Alla domanda sulla comprensione quantitativa del mercato indiano, ammette di non avere conoscenze principalmente a causa delle normative. Sulla questione di quanto tempo si dovrebbe dedicare al trading di carta prima di andare a vivere con una strategia, il Dr. Chan spiega che dipende dall'efficienza del trading. Per le strategie di trading ad alta frequenza che eseguono operazioni ogni secondo, due settimane di trading cartaceo possono essere sufficienti per andare in diretta. Al contrario, per le strategie di holding, potrebbe essere necessario scambiare carta per tre mesi per guadagnare significatività statistica in base al numero di operazioni condotte.

Il Dr. Chan discute ulteriormente se l'approccio delle serie temporali debba ancora essere il fulcro del proprio portafoglio alfa, nonostante studi recenti dimostrino che gli alfa redditizi sono per lo più basati sul prezzo. Suggerisce di partecipare a conferenze di settore, fare rete con professionisti attraverso piattaforme come LinkedIn e costruire una solida esperienza nel trading per attirare l'attenzione di quanti esperti. Incoraggia le persone a cercare mentori e ad adottare misure proattive per raggiungere potenziali collaboratori.

Andando avanti, il Dr. Chan condivide approfondimenti su come assumere e formare un team di trading quantitativo di successo. Consiglia che le persone assunte dovrebbero possedere una comprovata esperienza nella funzione specifica su cui si concentra il team, che si tratti di gestione del rischio, prezzi dei derivati o scienza dei dati. Se l'obiettivo del team è sviluppare strategie di trading redditizie, è meglio assumere qualcuno che abbia già un track record in quell'area. Inoltre, il dottor Chan sottolinea che non esiste un mercato universalmente ideale per il trading e che i team dovrebbero concentrarsi su ciò che conoscono meglio. Spiega anche come i trader ad alta frequenza abbiano un vantaggio nel prevedere la direzione del mercato a breve termine rispetto ai trader a media e bassa frequenza.

La discussione continua con il Dr. Chan che approfondisce la sfida di prevedere con precisione i movimenti del mercato oltre i tempi brevi e le complessità coinvolte nell'utilizzo delle previsioni di trading ad alta frequenza. Condivide il suo approccio personale al trading, che prevede l'assunzione di trader esperti invece di fare trading da solo. Il Dr. Chan sottolinea l'importanza di assumere trader con solidi track record, indipendentemente dal fatto che utilizzino strategie discrezionali o quantitative. Alla domanda sul suo tasso di crescita annuale cumulativo, chiarisce che non può divulgare queste informazioni a causa delle normative SEC. Infine, osserva che i trader quantitativi in genere non utilizzano la stessa strategia in tutte le classi di attività, rendendo difficile confrontare linguaggi di programmazione come Python e MATLAB per scopi di trading algoritmico.

Il Dr. Chan discute l'uso di MATLAB e Python nel trading, riconoscendo che sebbene personalmente preferisca MATLAB, diversi trader hanno le proprie preferenze e la scelta della lingua non è il fattore più critico. Ritiene che l'ottimizzazione dei costi di transazione sia difficile anche per gli esperti del settore, quindi non dovrebbe essere una priorità primaria per i trader. Per quanto riguarda la revisione o la riqualificazione delle strategie di apprendimento automatico, suggerisce di farlo solo quando il regime di mercato subirà cambiamenti significativi. Raccomanda inoltre di espandere le opportunità imparando nuovi linguaggi come Python o MATLAB per migliorare le capacità di trading.

Il Dr. Chan conclude la sessione offrendo consigli di carriera per le persone interessate a diventare commercianti di quantità. Suggerisce di esplorare diverse aree, come il trading di opzioni, per ottenere una migliore comprensione dei punti di forza e di debolezza personali. Afferma che il suo attuale obiettivo è rendere più ampiamente disponibile il suo sistema di gestione del rischio basato sull'apprendimento automatico e chiarisce che non ha in programma di pubblicare una seconda edizione del suo libro sul trading automatico nel prossimo futuro. Quando assume trader, cerca un track record lungo e coerente e consiglia di utilizzare tecniche di serie temporali e modelli econometrici per il trading in tempi brevi. Le strategie di uscita dovrebbero essere allineate con la specifica strategia di trading, con le uscite stop o profit target implementate di conseguenza.

Al termine del video, l'ospite esprime gratitudine al Dr. Ernest Chan per le sue preziose intuizioni e il tempo dedicato a rispondere a una serie di domande relative al diventare un quantitativo di successo. Gli spettatori sono incoraggiati a inviare tramite e-mail eventuali domande senza risposta per assicurarsi che vengano risolte. L'host annuncia ulteriori sessioni nella prossima settimana con altri stimati ospiti nel campo del trading algoritmico, esprimendo apprezzamento per il supporto del pubblico e incoraggiandolo a continuare a sintonizzarsi.

• 00:00:00 In questa sessione di domande e risposte con il Dr. Ernest Chan, le domande del pubblico saranno affrontate insieme alle domande preselezionate. Prima di immergersi nelle domande e risposte, il relatore ha introdotto la competizione di trading algoritmico che offre ai principianti l'opportunità di apprendere le basi del trading algoritmico consentendo agli esperti di rispolverare le proprie conoscenze. I primi tre classificati del concorso riceveranno premi quali borse di studio e certificati di conseguimento. Il Dr. Chan è il fondatore e CEO di PredictNow.ai e QTS Capital Management, nonché autore di tre libri sul trading quantitativo.
  
  
• 00:05:00 Il dottor Ernest Chan spiega che il trading quantitativo è già stato una forma dominante di trading negli ultimi 10 anni, con alcune stime che suggeriscono che fino al 90% del volume degli scambi sulle borse statunitensi è dovuto al trading algoritmico. Sebbene non affermi che il trading quantitativo sia migliore del trading discrezionale, sottolinea che ignorare l'opportunità di automatizzare o sistematizzare la propria strategia non sarebbe saggio. Quando si tratta di singoli trader che competono con le istituzioni, il Dr. Chan suggerisce che le strategie di nicchia con capacità limitate presentano le migliori opportunità. Queste strategie sono spesso poco attraenti per le grandi istituzioni e comportano scambi poco frequenti, rendendole opzioni praticabili per i trader indipendenti.
  
  
• 00:10:00 Il Dr. Ernest Chan discute l'importanza di trovare una nicchia nel trading di algoritmi in cui le grandi istituzioni non competono ed evitino la concorrenza a tutti i costi. Sconsiglia di competere con i grandi giocatori e consiglia di trovare una nicchia dove non c'è concorrenza. Risponde anche a domande sull'importanza di avere un dottorato di ricerca. nel trading quantitativo e algoritmico, dove consiglia che avere la pelle nel gioco è fondamentale per diventare un quant di successo. Senza mettere in gioco i propri soldi, non si imparerà mai a fare trading e a concentrarsi su questioni secondarie come la matematica o la scienza dei dati. È essenziale sviluppare una comprensione intuitiva del mercato testando autonomamente le strategie di trading e leggendo blog e libri sul trading.
  
  
• 00:15:00 Il dottor Ernest Chan consiglia che l'attenzione di un trader quantitativo di successo dovrebbe essere sui mercati stessi piuttosto che sulle conoscenze teoriche acquisite da un dottorato di ricerca. Suggerisce che è necessaria una singolare attenzione all'esperienza pratica e che ci vuole tempo per diventare un quantitativo di successo. Per distinguersi quando si cerca di entrare a far parte di un fondo quant di alto livello, consiglia di scrivere una ricerca originale sotto forma di white paper, incentrata su una strategia di trading o un particolare fenomeno di mercato. Avverte inoltre che un breve track record, come un'operazione di successo, non è di per sé sufficiente a dimostrare coerenza e conoscenza. In risposta a una domanda di follow-up sull'incorporazione dei dati sul flusso degli ordini, consiglia che si tratta di un buon indicatore, ma non sufficiente come indicatore autonomo, e ci sono molti altri indicatori che dovrebbero essere utilizzati insieme.
  
  
• 00:20:00 Il Dr. Ernest Chan discute i limiti dell'utilizzo di singoli indicatori per costruire una strategia di trading a causa del gran numero di persone che li utilizzano. Suggerisce di incorporarli come una delle tante funzionalità in un programma di apprendimento automatico. Alla domanda sull'età nell'industria quantitativa, il dottor Chan sottolinea che se qualcuno è un unico proprietario, l'età non è un problema. Condivide anche la sua opinione sull'uso dell'apprendimento automatico nella generazione di alfa, evidenziando il rischio di overfitting e raccomandandolo invece come strumento di gestione del rischio. Per quanto riguarda il trading a bassa latenza, il dottor Chan sostiene che il trading quantitativo è una necessità per questo dominio. Infine, consiglia che oltre a un track record di successo, le capacità di gestione sono essenziali per chi desidera avviare un hedge fund quantitativo.
  
  
• 00:25:00 Il dottor Ernest Chan sottolinea che una gestione di fondi di successo implica non solo capacità di trading, ma anche capacità di gestione e sviluppo aziendale. Pertanto, avere doti di leadership e un background nella gestione aziendale è fondamentale. Alla domanda sulla comprensione quantitativa del mercato indiano, ammette di non conoscerlo principalmente a causa delle normative. Sulla questione di quanto tempo si dovrebbe dedicare al trading di carta prima di andare a vivere con una strategia, il Dr. Chan spiega che dipende dall'efficienza del trading. Per le strategie di trading ad alta frequenza che vengono scambiate ogni secondo, sono sufficienti due settimane di trading cartaceo per essere attivate. Nel frattempo, per mantenere le strategie, potrebbe essere necessario scambiare carta per tre mesi per guadagnare significatività statistica in base al numero di tratti. Infine, discute se l'approccio delle serie temporali debba ancora essere il cuore del proprio portafoglio alfa, nonostante studi recenti dimostrino che gli alfa redditizi sono per lo più non basati sul prezzo.
  
  
• 00:30:00 Il Dr. Ernest Chan suggerisce di partecipare a conferenze di settore, creare contatti con professionisti tramite LinkedIn o altre piattaforme e costruire un solido track record nel trading. Consiglia inoltre di cercare mentori e di essere proattivo nel raggiungere potenziali collaboratori. Costruire una solida reputazione e mostrare la volontà di imparare e migliorare può aiutare ad attirare l'attenzione di persone esperte.
  
  
• 00:35:00 Il Dr. Ernest Chan spiega come assumere e formare un team di trading quantitativo di successo. Avvisa che la persona assunta deve aver dimostrato esperienza nella funzione specifica su cui si concentra il team, che si tratti di gestione del rischio, prezzi dei derivati o scienza dei dati. Se l'obiettivo del team è sviluppare strategie di trading redditizie, è meglio assumere qualcuno che abbia già un track record. Inoltre, Chan afferma che non esiste un mercato universalmente valido per il trading e che i team dovrebbero concentrarsi su ciò che conoscono meglio. Infine, discute di come i trader ad alta frequenza abbiano un vantaggio nel prevedere la direzione del mercato a breve termine rispetto ai trader a media e bassa frequenza.
  
  
• 00:40:00 Il Dr. Ernest Chan discute la difficoltà di prevedere con precisione i movimenti del mercato in tempi brevi e la sfida di utilizzare previsioni di trading ad alta frequenza. Tocca anche il suo approccio personale al trading, che prevede l'assunzione di trader esperti e non il trading da solo. Chan sottolinea l'importanza di assumere trader con solidi track record, indipendentemente dal fatto che utilizzino strategie discrezionali o quantitative. Alla domanda sul suo tasso di crescita annuale cumulativo, Chan afferma di non poter divulgare queste informazioni a causa delle normative SEC. Infine, osserva che i trader quantitativi in genere non utilizzano la stessa strategia in tutte le classi di attività e che confrontare Python e MATLAB per il trading algoritmico è difficile.
  
  
• 00:45:00 Il Dr. Ernest Chan discute l'uso di Matlab e Python nel trading. Pur preferendo personalmente Matlab, riconosce che diversi trader hanno le proprie preferenze e che la lingua non è l'aspetto più importante. Ritiene inoltre che l'ottimizzazione dei costi di transazione sia difficile, anche per gli esperti del settore, quindi non dovrebbe essere una priorità per i trader. Quando si tratta di rivedere o riqualificare le strategie di apprendimento automatico, suggerisce di farlo solo quando il regime di mercato è drasticamente cambiato e il miglioramento delle competenze imparando nuovi linguaggi come Python o Matlab può aiutare i trader ad espandere le proprie opportunità.
  
  
• 00:50:00 Il Dr. Ernest Chan discute i consigli di carriera per le persone interessate a diventare un quant trader. Suggerisce di provare diverse aree, come il trading di opzioni, per ottenere una migliore comprensione dei punti di forza e di debolezza personali. Afferma inoltre che il suo attuale obiettivo è rendere più ampiamente disponibile il suo sistema di gestione del rischio basato sull'apprendimento automatico e che non ha in programma di pubblicare una seconda edizione del suo libro sul trading automatico nel prossimo futuro. Quando assume i trader, cerca un track record lungo e coerente e consiglia di utilizzare tecniche di serie temporali e modelli econometrici per il trading in tempi brevi. Osserva che le strategie di uscita dipendono dalla specifica strategia di trading e suggerisce di implementare di conseguenza le uscite stop o profit target.
  
  
• 00:55:00 Il video si conclude con l'ospite che ringrazia il Dr. Ernest Chan per il suo tempo e le risposte perspicaci a una serie di domande relative al diventare un quantitativo di successo. Gli spettatori sono incoraggiati a inviare un'e-mail a tutte le domande a cui non è stata data risposta durante la sessione per assicurarsi che vengano affrontate. L'host annuncia che ci saranno ulteriori sessioni nel corso della prossima settimana con altri stimati ospiti nel campo del trading algoritmico. Il pubblico è ringraziato per il supporto e incoraggiato a continuare a sintonizzarsi.

[MetaQuotes]

Prima di entrare nel trading quantistico e algoritmico... [Tavola rotonda] | Algo Trading settimana giorno 0

Prima di entrare nel trading quantistico e algoritmico... [Tavola rotonda] | Algo Trading settimana giorno 0

L'Algo Trading Week prende il via con un'avvincente tavola rotonda guidata dall'ospite e con la partecipazione di esperti del settore. L'ospite inizia invitando il responsabile delle iniziative di marketing e sensibilizzazione a fornire alcuni retroscena sull'evento e sul suo scopo. Il responsabile del marketing spiega che l'obiettivo principale di Algo Trading Week è rendere il trading algoritmico più accessibile e portarlo nel mainstream. L'evento mira a raggiungere questo obiettivo attraverso varie iniziative educative come webinar, workshop e risorse gratuite. Inoltre, Algo Trading Week è una celebrazione dell'undicesimo anniversario dell'azienda e si estenderà nel corso di 7-8 giorni, offrendo un'ampia gamma di sessioni e competizioni.

Il relatore presenta quindi i loro corsi Quantra, sottolineando che una parte significativa, circa il 20-25% o più, dei corsi è disponibile gratuitamente. Ciò è reso possibile grazie al sostegno e ai contributi della comunità. Il relatore esprime il loro desiderio di fare di più e spiega come questo li abbia portati a organizzare un festival di apprendimento di una settimana. Il festival riunisce alcuni dei massimi esperti del settore che condivideranno le loro conoscenze e intuizioni. Il relatore esprime gratitudine per le risposte positive ricevute.

Proseguendo, il relatore presenta i membri del panel che prenderanno parte alla discussione. Il panel comprende Ishaan, che guida il team dei contenuti di Contra, Nitish, co-fondatore e CEO di QuantInsti, Pradipta, vicepresidente di Blue Shift e Rajiv, co-fondatore e CEO di iRage. Questi stimati relatori portano sul tavolo diverse prospettive e competenze.

La discussione passa quindi all'argomento delle competenze e dei background educativi necessari per una carriera nel trading quantitativo e algoritmico. Il panel sottolinea l'importanza di allineare i propri interessi e le proprie passioni prima di approfondire questo campo. Consigliano alle persone di essere preparate a dedicare una notevole quantità di tempo e impegno e sottolineano la necessità di una chiara comprensione dei mercati finanziari, dei metodi di programmazione, delle statistiche e dell'econometria. La giuria sottolinea che è necessaria esperienza in una o due di queste aree, ma in tutte e tre deve essere soddisfatto un livello minimo di criteri di qualificazione. Il panel discute anche di come i corsi di breve durata possono aiutare le persone a sviluppare le competenze necessarie per diventare giocatori competitivi sul campo.

I relatori approfondiscono quindi i vantaggi di seguire corsi di trading quantitativo e algoritmico. Sottolineano l'importanza di seguire un corretto processo di negoziazione e di utilizzare la matematica e le statistiche per esplorare le anomalie del mercato. I corsi insegnano l'abilità di Python, essenziale per il backtesting e la verifica delle ipotesi. Inoltre, i partecipanti acquisiscono la possibilità di scambiare su carta o dal vivo le proprie strategie su piattaforme come BlueShift. I relatori discutono anche delle diverse fonti di alfa nei mercati e di come gli utenti al dettaglio possono trarre vantaggio dall'utilizzo di piattaforme di ricerca e trading dal vivo piuttosto che affidarsi esclusivamente a strategie già pronte. Sottolineano che la valutazione del rischio di una strategia di trading non dovrebbe considerare solo la strategia isolatamente, ma anche il suo impatto sulla propria posizione e sul portafoglio complessivo.

L'importanza delle strategie di test e dell'accesso all'alfa è ulteriormente discussa dal panel. Sottolineano l'importanza di utilizzare piattaforme come BlueShift per la ricerca sistematica piuttosto che costruire la propria piattaforma, che richiede un diverso insieme di competenze e processi. I relatori osservano che il trading può essere classificato in diversi stili e l'impatto degli sviluppi del mercato varia di conseguenza. Usano l'analogia dei programmi di scacchi con apprendimento automatico per illustrare come l'industria del trading quantitativo può trarre vantaggio dai progressi della tecnologia e dell'analisi dei dati. Sottolineano inoltre il notevole volume di informazioni disponibili per le strategie di trading a media e alta frequenza a causa dell'aumento del volume di mercato e della disponibilità di dati.

I relatori spostano la loro attenzione sull'impatto della tecnologia sul trading quantitativo e algoritmico. Sottolineano la crescente importanza dei big data e dell'automazione e riconoscono che i trader ad alta frequenza affrontano una concorrenza crescente. I relatori affrontano le preoccupazioni degli investitori al dettaglio che stanno valutando di entrare in campo, mettendo in guardia dall'implementare strategie troppo rapidamente.

I relatori sottolineano l'importanza di testare e comprendere a fondo una strategia prima di investire in essa. Sottolineano la necessità di evitare i pericoli di un'attuazione precipitosa senza un'adeguata valutazione. Sottolineano che è fondamentale comprendere perché una particolare strategia dovrebbe avere successo prima di utilizzarla.

I relatori sottolineano l'importanza di concentrarsi su input come idee alfa, test e gestione del rischio per aumentare la probabilità di successo nel trading. Riconoscono che questo processo può sembrare lento e noioso, ma è necessario attenersi ad esso ed evitare decisioni affrettate. Per coloro che desiderano passare dal trading discrezionale a quello sistematico, i relatori raccomandano di acquisire una conoscenza di base del trading di mercato, abilità matematiche e strategiche elementari e programmazione, in particolare Python. Consigliano inoltre alle persone di leggere i trader di successo e imparare dalle loro esperienze per evitare perdite attraverso tentativi ed errori.

Le potenziali insidie del trading algoritmico e come evitarle sono discusse dai relatori. Sottolineano l'importanza di identificare i pregiudizi nelle strategie e garantire che funzionino in varie condizioni di mercato attraverso approfonditi test retrospettivi e analisi. I relatori mettono in guardia dal sottovalutare la modellizzazione dell'attività di scambio, poiché una mancanza di comprensione può portare a opportunità mancate o ritardi significativi nell'esecuzione degli scambi per le strategie di trading ad alta frequenza. Raccomandano di adottare un approccio sistematico allo sviluppo della strategia e di testarlo ampiamente con fattori sia semplici che complessi. I relatori suggeriscono di acquisire le competenze necessarie attraverso corsi, webinar e pratica per diventare commercianti di quantità abili e di successo.

I relatori forniscono preziosi consigli alle persone interessate al trading algoritmico. Mettono in guardia contro il pregiudizio di previsione, l'eccessivo affidamento sui test retrospettivi e l'eccessiva fiducia in rendimenti elevati senza considerare i rischi associati. I relatori sottolineano inoltre l'importanza di evitare un indebitamento eccessivo e ricordano ai trader di considerare i rischi coinvolti nella valutazione dei rendimenti. Evidenziano la presenza di bias che possono distorcere i risultati del backtest e sottolineano la necessità di comprendere e affrontare questi bias in modo appropriato.

I relatori sottolineano l'importanza di utilizzare gli strumenti e i metodi giusti durante il backtesting per migliorare le possibilità di successo nel trading. Sottolineano le opportunità disponibili con l'ascesa di sistemi open source e librerie di data science che sono liberamente accessibili ai trader che possiedono la capacità di interpretare correttamente i dati. Inoltre, menzionano la possibilità di utilizzare l'infrastruttura cloud per noleggiare server su base flessibile, il che può aiutare a ridurre i costi. I relatori riconoscono le sfide per raggiungere il successo nel trading e sottolineano l'importanza di essere obiettivi e sistematici nel proprio approccio per evitare influenze emotive come la paura e l'avidità nelle decisioni di trading. Raccomandano di seguire corsi come quelli offerti da Quantra per migliorare le competenze nel trading quantitativo e algoritmico.

L'oratore discute quindi l'importanza di apprendere tutti gli elementi costitutivi del trading in modo obiettivo ed essere consapevoli delle varie strategie esistenti. Sottolineano il valore dell'investimento nella propria istruzione, sia nel trading quantitativo e algoritmico che in qualsiasi altro campo. Il relatore annuncia un concorso per persone interessate ad apprendere le basi del trading, aperto a trader, programmatori e chiunque desideri migliorare le proprie conoscenze. La competizione consisterà in tre quiz su mercati finanziari, matematica e statistica, programmazione e apprendimento automatico. Il relatore fornisce risorse per la preparazione del test.

Il relatore fornisce informazioni dettagliate sul prossimo quiz per Algo Trading Week, specificando le date e gli argomenti da trattare. I partecipanti sono incoraggiati a prepararsi utilizzando le risorse indicate o qualsiasi altro mezzo preferiscano, in quanto i punteggi determineranno la classifica finale. L'oratore suggerisce di rispondere a tutti e tre i quiz per aumentare le possibilità di classificarsi tra i primi tre o i primi dieci partecipanti. Inoltre, il relatore discute i requisiti hardware necessari per una configurazione quantistica, spiegando che l'hardware di esecuzione può essere semplice come un laptop o una configurazione minima sul cloud. Tuttavia, capacità di ricerca più avanzate potrebbero richiedere un computer migliore con almeno 4 GB di RAM.

Il pannello approfondisce quindi i requisiti hardware per il trading ad alta frequenza (HFT) e i fondi computazionalmente pesanti. Sottolineano che HFT richiede frequenti aggiornamenti e miglioramenti dell'hardware per ottenere una connettività di scambio più rapida, che è un fattore cruciale nella loro generazione alfa. Le strategie di trading che richiedono velocità, ricerche approfondite e analisi dei dati richiedono un'infrastruttura di livello server. Il panel mette inoltre in guardia dal trattare il trading algoritmico come un meccanismo "spara e dimentica", sottolineando la necessità di monitorare regolarmente le prestazioni della strategia e intraprendere azioni correttive se necessario, anche quando si utilizza un sistema di trading basato su cloud.

Al termine della tavola rotonda, i relatori esprimono la loro gratitudine al pubblico per essersi sintonizzati e aver partecipato attivamente alla sessione. Apprezzano la pazienza dimostrata durante la discussione di un'ora e salutano fino alla prossima sessione, che avrà luogo il giorno seguente. Il panel si conclude con un ultimo giro di ringraziamenti e auguri a tutti i partecipanti all'evento.

• 00:00:00 L'ospite dell'Algo Trading Week dà il via all'evento con una tavola rotonda con esperti del settore. L'ospite invita il responsabile delle iniziative di marketing e sensibilizzazione a fornire alcune informazioni sull'evento e sul motivo per cui è stato creato. Il responsabile del marketing spiega che l'obiettivo è rendere il trading algoritmico più accessibile e renderlo mainstream attraverso iniziative educative come webinar, workshop e risorse gratuite. L'Algo Trading Week è una celebrazione dell'undicesimo anniversario dell'azienda e presenterà una varietà di sessioni e competizioni nei prossimi 7-8 giorni.
  
  
• 00:05:00 Il relatore parla dei loro corsi Quantra, affermando che il 20-25% o più dei corsi sono gratuiti grazie al sostegno e ai contributi della comunità. Spiegano che volevano fare qualcosa di più, portandoli a organizzare un festival di apprendimento di una settimana con alcune delle migliori persone del settore per condividere le loro conoscenze, che ha ricevuto risposte positive. Il relatore passa quindi a presentare i membri del panel, tra cui Ishaan, a capo del team di contenuti Contra, Nitish, co-fondatore e CEO di QuantInsti, Pradipta, vicepresidente di Blue Shift e Rajiv, co-fondatore e CEO di iRabbia. La discussione passa quindi all'argomento delle competenze necessarie e dei background educativi necessari per il trading quantitativo e algoritmico.
  
  
• 00:10:00 Il panel discute l'importanza di allineare i propri interessi e le proprie passioni prima di immergersi nel mondo del trading quantitativo e algoritmico. Consigliano che le persone debbano essere disposte a dedicare tempo e sforzi significativi e possedere una chiara comprensione dei mercati finanziari, dei metodi di programmazione, delle statistiche e dell'econometria. Sottolineano che tutti e tre i pilastri sono ugualmente importanti e che è necessaria la competenza in uno o due, ma in tutti e tre deve essere soddisfatto un livello minimo di criteri di qualificazione. Il panel discute anche di come i corsi di breve durata possono aiutare gli utenti a sviluppare le competenze necessarie per diventare giocatori competitivi sul campo.
  
  
• 00:15:00 I relatori discutono dei vantaggi di seguire un corso di trading quantitativo e algoritmico. Il corso sottolinea l'importanza di seguire un processo corretto nel trading e utilizzare la matematica e le statistiche per esplorare le anomalie. L'abilità di Python viene insegnata nel corso per eseguire il backtest e verificare la tua ipotesi, dandoti anche la possibilità di mettere su carta o scambiare dal vivo la tua strategia su piattaforme come BlueShift. I relatori discutono anche delle diverse fonti di alfa nei mercati e di come gli utenti al dettaglio possono trarre vantaggio dall'utilizzo di piattaforme di ricerca e trading dal vivo invece di affidarsi a strategie già pronte. Il rischio di una strategia di trading non è solo autonomo, ma anche in relazione alla tua posizione e al tuo portafoglio complessivo.
  
  
• 00:20:00 Il panel discute l'importanza di testare le strategie e avere accesso all'alpha, anche per i trader al dettaglio. Discutono anche dei vantaggi dell'utilizzo di una piattaforma come Blueshift per la ricerca sistematica invece di costruire la propria piattaforma, che richiede un diverso insieme di competenze e processi. Il relatore osserva che il trading può essere suddiviso in diversi stili e l'impatto degli sviluppi nel mercato varia di conseguenza. Usano un'analogia dei programmi di scacchi di apprendimento automatico per spiegare come l'industria del trading quantitativo può trarre vantaggio dai progressi della tecnologia e dell'analisi dei dati. Menzionano anche l'aumento del volume sugli scambi e l'enorme quantità di informazioni disponibili per le strategie di trading a media e alta frequenza.
  
  
• 00:25:00 I relatori discutono dell'impatto della tecnologia nel campo del trading quantitativo e algoritmico. I big data e l'automazione stanno diventando sempre più importanti e i trader ad alta frequenza devono affrontare una maggiore concorrenza. I relatori affrontano le preoccupazioni degli investitori al dettaglio che stanno prendendo in considerazione l'idea di entrare in campo, mettendoli in guardia sui pericoli di implementare le strategie troppo rapidamente e sottolineando l'importanza di testare e comprendere a fondo una strategia prima di investire. È fondamentale capire perché una particolare strategia avrà successo prima di utilizzarla.
  
  
• 00:30:00 Concentrarsi su input come idee alfa, test e gestione del rischio è fondamentale per garantire una maggiore probabilità di successo. Sebbene possa sembrare un processo lento e noioso, è necessario seguirlo ed evitare di precipitarsi nell'implementazione troppo rapidamente. Per coloro che desiderano passare dal trading discrezionale a quello sistematico, è importante acquisire una conoscenza di base del trading di mercato, abilità matematiche e strategiche elementari e programmazione (in particolare Python). Si consiglia inoltre di leggere informazioni sui trader di successo ed evitare di perdere denaro per tentativi ed errori.
  
  
• 00:35:00 I relatori discutono delle potenziali insidie del trading algoritmico e di come evitarle. Sottolineano l'importanza di identificare eventuali pregiudizi in una strategia e garantire che funzioni in vari regimi di mercato attraverso test retrospettivi e analisi. Inoltre, mettono in guardia dal sottovalutare la modellazione dell'attività di scambio, in cui una mancanza di comprensione può portare a opportunità mancate o ritardi significativi nell'esecuzione degli scambi per le strategie di trading ad alta frequenza. I relatori raccomandano di adottare un approccio sistematico allo sviluppo della strategia e di testarlo ampiamente con fattori semplici e più complessi. Infine, suggeriscono di acquisire le competenze necessarie attraverso corsi, webinar e pratica per diventare un commerciante quantitativo competente e di successo.
  
  
• 00:40:00 I relatori forniscono consulenza a coloro che sono interessati al trading algoritmico. Mettono in guardia contro il pregiudizio di previsione, l'eccessivo affidamento sui test retrospettivi e l'eccessiva fiducia in rendimenti elevati senza considerare i rischi associati. I relatori mettono anche in guardia contro l'eccessivo indebitamento e consigliano ai trader di tenere presente che i rendimenti di per sé non hanno molto significato senza considerare i rischi coinvolti. Inoltre, suggeriscono che ci sono molti pregiudizi che possono distorcere i risultati del backtest ed è essenziale comprendere e affrontare questi pregiudizi.
  
  
• 00:45:00 I relatori sottolineano l'importanza di utilizzare gli strumenti ei metodi giusti durante il backtesting al fine di migliorare le possibilità di successo nel trading. Sottolineano inoltre le opportunità disponibili con l'ascesa di sistemi open source e librerie di data science che sono liberamente disponibili per i trader che comprendono il linguaggio dei dati e possono interpretarli correttamente. Inoltre, notano le possibilità di utilizzare l'infrastruttura cloud per noleggiare server su base al minuto, all'ora, al secondo o al giorno al fine di risparmiare sui costi. I relatori sottolineano anche la difficoltà di avere successo nel trading e sottolineano la necessità di essere obiettivi e sistematici nel proprio approccio per evitare emozioni come la paura e l'avidità che influenzano le decisioni di trading. Raccomandano di seguire corsi come quelli offerti da Quantra per migliorare le competenze nel trading quantitativo e algoritmico.
  
  
• 00:50:00 Il relatore discute l'importanza di imparare tutti gli elementi costitutivi del trading in modo obiettivo e di essere consapevole delle varie strategie esistenti. Sottolineano l'investimento nella propria istruzione, che si tratti di trading quantitativo o algoritmico o altrove. Il relatore introduce quindi un concorso per persone interessate ad apprendere le basi del trading. La competizione è aperta a trader, programmatori e chiunque desideri rispolverare le proprie conoscenze e consisterà in tre quiz su mercati finanziari, matematica e statistiche, programmazione e apprendimento automatico. I quiz si svolgeranno in date specifiche e i vincitori saranno annunciati alla fine di settembre. Il relatore fornisce anche risorse per la preparazione del test.
  
  
• 00:55:00 Il relatore fornisce informazioni sul prossimo quiz per Algo Trading Week, specificando le date e gli argomenti da trattare. I partecipanti possono prepararsi al quiz utilizzando le risorse indicate o qualsiasi altro mezzo preferiscano, ma i punteggi determineranno la classifica finale. L'oratore suggerisce di rispondere a tutti e tre i quiz per aumentare le probabilità di figurare tra i primi tre o dieci. Il relatore discute quindi i requisiti hardware necessari per una configurazione quantistica e spiega che l'hardware di esecuzione può essere semplice come un laptop o una configurazione minima sul cloud, mentre le capacità di ricerca più avanzate richiedono un computer migliore con almeno 4 GB di RAM.
  
  
• 01:00:00 Il panel discute i requisiti hardware per il trading ad alta frequenza (HFT) e i fondi pesanti computazionali. Notano che HFT richiede frequenti aggiornamenti e miglioramenti hardware per raggiungere lo scambio più velocemente, che è la loro alfa chiave. Le strategie di trading che richiedono velocità e enormi quantità di ricerca e dati necessitano di un'infrastruttura di livello server. Inoltre, mettono in guardia dal trattare il trading algoritmico come un meccanismo "spara e dimentica", osservando che è importante monitorare regolarmente le prestazioni della strategia e intraprendere azioni correttive se necessario, anche se il sistema di trading è basato su cloud.
  
  
• 01:05:00 I relatori ringraziano il pubblico per essersi sintonizzato e aver ascoltato la loro discussione. Esprimono la loro gratitudine per la pazienza di tutti durante la sessione di un'ora e si salutano fino a quando non si incontreranno di nuovo il giorno seguente per la sessione successiva. La giuria si chiude con un ultimo giro di ringraziamenti e auguri.

[MetaQuotes]

Come automatizzare una strategia di trading | Corso di trading algoritmico

Come automatizzare una strategia di trading | Corso di trading algoritmico

Rishabh Mittal è un analista quantitativo che lavora nel team dei contenuti di Quantra. La sua esperienza risiede nell'applicazione di tecniche di apprendimento senza supervisione, in particolare K-Means, per generare segnali negoziabili. È attivamente coinvolto nello sviluppo di algoritmi innovativi per il dimensionamento delle posizioni nei mercati finanziari, utilizzando metodologie come Constant Proportion Portfolio Insurance (CPPI), tra le altre. Prima di entrare in Quantra, Rishabh ha acquisito esperienza nella creazione di strategie di trading sistematiche utilizzando TradingView per vari clienti.

In questo webinar intitolato "Come automatizzare una strategia di trading", Rishabh approfondirà il processo di automazione delle strategie di trading e guiderà i partecipanti su come mettere in pratica le loro strategie di trading sistematiche. Il webinar inizierà affrontando i prerequisiti necessari per automatizzare una strategia.

Rishabh si concentrerà quindi sull'approccio event-driven essenziale per il trading automatizzato. Esplorerà argomenti come la connessione con un broker, il recupero di dati in tempo reale, la generazione di segnali basati sui dati acquisiti e, infine, l'invio di un ordine al broker.

Per concludere la sessione, Rishabh fornirà una dimostrazione dettagliata dell'impostazione di una strategia demo per il commercio di carta nei mercati utilizzando Blueshift. I partecipanti acquisiranno approfondimenti pratici sull'implementazione e il test delle loro strategie in un ambiente di trading simulato.

Unisciti a Rishabh Mittal in questo webinar informativo mentre condivide la sua esperienza nell'automazione delle strategie di trading e offre preziose indicazioni su come portare il tuo approccio di trading sistematico dalla teoria alla pratica.

[MetaQuotes]

Come creare un algoritmo di trading da zero [Webinar di Algo Trading] - 22 luglio 2021

Come creare un algoritmo di trading da zero [Webinar di Algo Trading] - 22 luglio 2021

Durante il webinar, Ashutosh ha condiviso la sua vasta esperienza nel campo del trading di derivati finanziari, che dura da oltre un decennio. Ha evidenziato la sua esperienza nell'applicazione di tecniche avanzate di data science e machine learning per analizzare i dati finanziari. Ashutosh ha conseguito un prestigioso master ed è un analista finanziario certificato (FF). Attualmente è un prezioso membro del team di Quantum City, responsabile dello sviluppo e dell'istruzione del corso EPAT, la prima certificazione di trading algoritmico verificata al mondo.

Il webinar si è concentrato principalmente sulla guida dei partecipanti attraverso il processo di creazione di un algoritmo di trading da zero. Ashutosh ha sottolineato l'importanza di comprendere gli algoritmi di trading, le loro varie applicazioni nel mercato e la conversione delle idee in strategie e infine in algoritmi di trading. In sostanza, un algoritmo funge da programma per computer che assiste i trader nel prendere decisioni redditizie analizzando i dati e generando ordini di acquisto e vendita basati su regole predeterminate. Inoltre facilita le interazioni con l'ambiente esterno per inviare e ricevere ordini in modo efficace.

Prima di addentrarsi negli aspetti pratici del trading, Ashutosh ha sottolineato l'importanza di definire il proprio universo di trading e determinare l'alpha desiderato. Alpha rappresenta la forza trainante dei profitti, che possono provenire da fonti diverse come prospettive di mercato uniche, ottenere un vantaggio rispetto alla concorrenza o implementare strategie specifiche adattate agli obiettivi individuali.

I contenuti video coprivano le tre fasi fondamentali del trading: ricerca, trading e post-trading. Ashutosh ha chiarito queste fasi e fornito esempi di diverse strategie di trading, concentrandosi sul processo di trasformazione delle idee in algoritmi di trading concreti. Ha dimostrato come anche semplici regole, come l'acquisto di un'azione quando il suo tasso di cambio (roc) supera 2 negli ultimi 63 giorni, possano costituire la base di un algoritmo di trading.

Durante il webinar, vari trader hanno mostrato i loro approcci alla creazione di algoritmi di trading da zero. Un trader ha utilizzato la codifica visiva, sfruttando i dati del mercato indiano e ha incorporato i limiti degli ordini e le commissioni per azione. Un altro trader ha dimostrato il processo passo dopo passo, iniziando con la definizione del proprio universo di trading, seguita dalla creazione di una funzione alfa per calcolare il roc, stabilendo regole di trading e infine implementando la strategia utilizzando blocchi logici.

Il video ha fornito approfondimenti completi sui componenti essenziali di un algoritmo di trading, vale a dire le condizioni, l'invio e la ricezione degli ordini. Inoltre, ha mostrato come programmare gli algoritmi per l'esecuzione automatica. Le strategie basate su beta e momentum sono state presentate come mezzo per sfruttare le tendenze del mercato, insieme all'inclusione di una strategia di deviazione della media.

Ashutosh ha spiegato il processo di creazione di un algoritmo di trading da zero, coprendo aspetti chiave come la definizione di un universo di azioni, il calcolo delle coperture pertinenti e l'esecuzione delle regole di trading. Ha inoltre sottolineato l'importanza di eseguire backtest sull'algoritmo e di ottimizzarlo per migliorare le prestazioni.

Sono stati discussi i metodi quantitativi e il loro ruolo nel migliorare le capacità di trading, con particolare attenzione all'utilizzo del beta e alla correlazione con il mercato per prendere decisioni informate. Ashutosh ha anche offerto ai partecipanti l'opportunità di una chiamata di consulenza gratuita per supportare ulteriormente il loro viaggio nel trading.

Inoltre, il webinar ha esplorato i diversi tipi di dati che possono essere utilizzati all'interno di un algoritmo e ha affrontato il processo di valutazione dei costi per il corso EPAT. Ai partecipanti è stato inoltre fornito un elenco di consulenti del corso per guida e supporto.

Il webinar di Ashutosh ha fornito una guida completa alla creazione di algoritmi di trading da zero. I partecipanti sono stati incoraggiati a presentare eventuali domande senza risposta che potrebbero aver avuto durante la presentazione, garantendo una comprensione approfondita dell'argomento.

• 00:00:00 Ashutosh spiega come è stato coinvolto nel campo del trading di derivati finanziari per più di un decennio e ha esperienza nell'applicazione di tecniche avanzate di data science e machine learning ai dati finanziari. Ha anche conseguito un master presso una prestigiosa università ed è un analista finanziario certificato (FF). Attualmente fa parte del team di Quantum City ed è responsabile dello sviluppo e dell'insegnamento del corso epact, che è la prima certificazione di trading algoritmico verificata al mondo.
  
  
• 00:05:00 Questo webinar è incentrato su come creare un algoritmo di trading da zero e copre argomenti come il motivo per cui dobbiamo conoscere gli algoritmi di trading, i diversi modi in cui gli algoritmi vengono utilizzati nel mercato e come convertire idee in strategie e strategie in algoritmi di trading.
  
  
• 00:10:00 Un algoritmo è un programma per computer che aiuta i trader a prendere decisioni di trading redditizie. Analizza i dati e genera ordini di acquisto e vendita in base a regole preimpostate. Interagisce anche con il mondo esterno per inviare e ricevere ordini.
  
  
• 00:15:00 Prima di iniziare a fare trading, è importante definire il tuo universo di trading e determinare quale alfa speri di ottenere. L'alfa è la ragione alla base dei profitti e può provenire da una varietà di fonti, come guardare le variabili di mercato in un modo speciale, avere un vantaggio sul mercato o seguire una strategia specifica.
  
  
• 00:20:00 Questo video spiega come creare un algoritmo di trading da zero, concentrandosi sulle tre fasi del trading: ricerca, trading e post-trading. Il video fornisce esempi di diverse strategie di trading e spiega come convertire le idee in algoritmi di trading.
  
  
• 00:25:00 In questo video, il presentatore spiega come creare un algoritmo di trading da zero. Le regole possono essere semplici come l'acquisto di un'azione quando il suo tasso di variazione (roc) è maggiore di 2 negli ultimi 63 giorni.
  
  
• 00:30:00 In questo video, un trader spiega come creare un algoritmo di trading da zero utilizzando la codifica visiva. Il trader utilizza i dati del mercato indiano e fissa i limiti sugli ordini e sulle commissioni per azione.
  
  
• 00:35:00 In questo video, un trader mostra come creare un algoritmo di trading da zero. Innanzitutto, definiscono il loro universo, che include tutti i titoli che utilizzeranno nella strategia di trading. Successivamente, creano una funzione alfa per calcolare il roc e quindi definiscono le regole di trading. Infine, mostrano come utilizzare il blocco logico per eseguire la strategia di trading.
  
  
• 00:40:00 Questo video spiega come creare un algoritmo di trading da zero. Il video copre le tre parti di un algoritmo: condizione, invio dell'ordine e ricezione dell'ordine. Il video mostra anche come programmare l'esecuzione automatica dell'algoritmo.
  
  
• 00:45:00 Il video spiega come creare un algoritmo di trading da zero. La strategia si basa su beta e momentum ed è progettata per sfruttare le tendenze del mercato. Il video copre anche una strategia di deviazione media.
  
  
• 00:50:00 Il presentatore spiega come creare un algoritmo di trading da zero, inclusa la definizione di un universo di azioni, il calcolo delle coperture pertinenti e l'esecuzione delle regole di trading. Il presentatore spiega anche come eseguire i test sull'algoritmo e come ottimizzarlo.
  
  
• 00:55:00 Questo video spiega come creare un algoritmo di trading da zero, inclusa l'importanza del beta e la correlazione con il mercato. Il presentatore discute anche su come migliorare le tue capacità di trading con l'aiuto di metodi quantitativi. Infine, il presentatore condivide le informazioni su una chiamata di consulenza gratuita.
  
  
• 01:00:00 Questo webinar spiega come creare un algoritmo da zero e discute i diversi tipi di dati che possono essere utilizzati in un algoritmo. Il webinar discute anche come costare un corso e fornisce un elenco di consulenti del corso.
  
  
• 01:05:00 In questo video, Ashitosh Sharma di Blueshift spiega come creare un algoritmo di trading da zero, utilizzando l'editor visivo e le strategie di Blueshift. Blueshift consente agli utenti di eseguire il backtest delle proprie strategie e persino di scambiarle su carta.
  
  
• 01:10:00 Il presentatore spiega come creare un algoritmo di trading da zero. Successivamente, i partecipanti possono inviare domande a cui non è stata data risposta nella presentazione.

[MetaQuotes]

Apprendimento automatico e analisi del sentiment [webinar sul progetto Algo Trading]

Apprendimento automatico e analisi del sentiment [webinar sul progetto Algo Trading]

Signore e signori,

Spero che tutti voi possiate sentirmi chiaramente.

Benvenuti nel canale YouTube di Quantum City. Per quelli di voi che frequentano regolarmente i nostri webinar, forse ricorderete uno dei nostri recenti webinar di Algo Trading Project, incentrato sull'apprendimento automatico nell'analisi del sentiment e nell'allocazione del portafoglio. Abbiamo avuto il piacere di invitare due stimati alumni EPAT, Carlos Peral e Vivian Thomas, a presentare il loro project work. Sfortunatamente, la post-presentazione è stata interrotta da un guasto hardware e al momento non siamo riusciti a trattarla in modo molto dettagliato. Tuttavia, siamo stati fortunati che Carlos abbia impiegato alcune ore in più per registrare la sua presentazione separatamente e condividerla con noi.

Quindi, senza ulteriori indugi, procediamo e guardiamo la presentazione di Carlos. Grazie.

"Ciao a tutti. Per la presentazione di oggi, mostrerò il mio progetto finale per il programma EPAT (Executive Program in Algorithmic Trading), che è stato completato lo scorso marzo. Innanzitutto, lasciate che mi presenti. Mi chiamo Carlos Martin e Ho una laurea in ingegneria informatica, lavoro da oltre 10 anni per diversi clienti, principalmente in Spagna e Belgio, la mia principale competenza è nello sviluppo di software e negli ultimi cinque anni ho lavorato per istituzioni europee.

La motivazione alla base di questo progetto deriva dal mio interesse per l'apprendimento automatico, in particolare per l'analisi dei sentimenti. Credo che queste tecniche abbiano visto progressi impressionanti negli ultimi anni, con modelli di apprendimento automatico applicati in vari domini come l'analisi del testo, il riconoscimento vocale, la traduzione linguistica e l'analisi dei sentimenti, che è l'obiettivo di questo progetto. L'obiettivo principale è trovare una correlazione tra il sentiment delle notizie e la sensibilità al prezzo e sfruttare i punteggi del sentiment per generare segnali di trading.

A differenza degli approcci tradizionali che si basano sull'analisi tecnica o quantitativa, questo progetto utilizza i dati qualitativi come una nuova fonte di informazioni. L'obiettivo è tradurre questi dati qualitativi in segnali di trading. Il progetto è diviso in due parti principali: analisi del testo e implementazione della strategia di trading.

La parte di analisi del testo prevede il download di notizie, l'esecuzione della pre-elaborazione e l'implementazione di un modello di apprendimento automatico per generare punteggi di sentiment. Per questo progetto, ho scelto un modello di memoria a lungo termine (LSTM) per generare punteggi di sentiment. La parte commerciale prevede l'implementazione della strategia di trading, l'analisi dei prezzi delle azioni e la valutazione delle prestazioni della strategia.

Entriamo nel dettaglio della struttura del progetto. La parte di analisi del testo consiste nel gestore delle notizie, che gestisce il recupero iniziale e la pre-elaborazione dei dati delle notizie. Ho usato una classe per connettermi a un servizio web esterno e recuperare le notizie in formato JSON. Questi dati di notizie vengono quindi archiviati in un file CSV. La parte di analisi del sentiment include la pre-elaborazione del testo e il gestore NLP (Natural Language Processing), che genera punteggi di polarità utilizzando una libreria chiamata Analytic Evaluator. Questa libreria assegna punteggi binari alle notizie, etichettandole come negative (-1) o positive (1). Questo passaggio è fondamentale per l'addestramento del modello.

Il modello prende le notizie pre-elaborate e viene addestrato utilizzando una funzione sigmoide per la classificazione binaria. I punteggi del sentiment di output sono classificati come positivi o negativi. La strategia di trading viene quindi implementata e i punteggi del sentiment generati vengono tradotti in segnali di trading. Un valore di -1 rappresenta un segnale di vendita, mentre un valore di 1 rappresenta un segnale di acquisto.

Il progetto è stato testato utilizzando quattro azioni: Apple, Amazon, Twitter e Facebook. La strategia del punteggio del sentimento è stata confrontata con una strategia di acquisto e conservazione. La performance è stata valutata utilizzando i rendimenti, l'indice di Sharpe e i rendimenti della strategia. I risultati variavano tra i titoli, con alcuni titoli che mostravano prestazioni migliori utilizzando la strategia del punteggio del sentiment rispetto alla strategia di acquisto e conservazione. Tuttavia, ci sono stati casi in cui la strategia del punteggio di sentiment non ha funzionato bene, specialmente durante determinati periodi.

In conclusione, questo progetto evidenzia una correlazione tra trend negativi, cattive notizie e potenziali opportunità di trading. Incorporando l'analisi del sentiment nella strategia di trading, diventa possibile sfruttare i dati qualitativi e catturare il sentiment del mercato in modo sistematico. Questo approccio può fornire un ulteriore livello di informazioni che integra l'analisi tecnica e quantitativa tradizionale.

Tuttavia, è importante notare che l'analisi dei sentimenti non è un metodo infallibile e la sua efficacia può variare a seconda di vari fattori. Le condizioni di mercato, la qualità e l'affidabilità delle fonti di notizie e l'accuratezza del modello di analisi del sentiment giocano tutti un ruolo nel determinare il successo della strategia.

Inoltre, è fondamentale valutare e perfezionare continuamente il modello di analisi del sentiment per adattarsi alle mutevoli dinamiche di mercato e all'evoluzione dei modelli di notizie. Per garantirne l'efficacia nel tempo è necessario monitorare regolarmente i risultati della strategia e apportare i necessari adeguamenti.

Nel complesso, questo progetto dimostra il potenziale dell'analisi del sentiment nel trading algoritmico. Apre nuove strade per incorporare dati qualitativi nelle strategie di trading e fornisce un quadro per ulteriori ricerche e sviluppi in questo settore.

Vorrei estendere la mia gratitudine al programma EPAT e al team di Quantum City per avermi fornito la piattaforma e le risorse per intraprendere questo progetto. È stata un'esperienza arricchente e credo che l'analisi del sentiment possa offrire spunti preziosi nel campo del trading algoritmico.

Grazie per aver guardato e spero che tu abbia trovato questa presentazione istruttiva. Se hai domande o desideri discutere ulteriormente, non esitare a contattarmi. Vi auguro una buona giornata!

• 00:00:00 Carlos Peral presenta il suo progetto finale per il programma QuantInsti, che si concentra sull'apprendimento automatico nell'analisi del sentiment e nell'allocazione del portafoglio. Carlos ha un background in ingegneria informatica e ha lavorato per più di 10 anni nello sviluppo di software, con il suo principale interesse per gli argomenti di machine learning. Discute l'impressionante crescita che si è verificata negli ultimi anni nei modelli di apprendimento automatico e l'ampia gamma di domini in cui vengono utilizzati, inclusa l'analisi del sentiment. Lo scopo del progetto di Carlos è trovare una correlazione tra prezzi sensibili e punteggi del sentimento delle notizie e sfruttare queste informazioni per creare segnali di trading. Affronta il problema utilizzando i dati qualitativi come una nuova fonte di informazioni, piuttosto che quantitativa, e traduce questi dati in segnali di trading.
  
  
• 00:05:00 Il relatore discute le due parti principali dell'algoritmo per il loro progetto di analisi dei sentimenti e apprendimento automatico. La prima parte si concentra sull'analisi del testo, in cui i punteggi del sentiment sono generati attraverso un modello di memoria a lungo termine e la pre-elaborazione delle notizie recuperate da un servizio web. La seconda parte prevede l'implementazione della strategia di trading e l'analisi dei prezzi delle azioni. Le cinque fasi del progetto includono il download di notizie, la pre-elaborazione, la creazione del modello LCT, la previsione delle notizie per i punteggi del sentiment e l'analisi dei prezzi delle azioni. Il componente di analisi del sentiment include la pre-elaborazione del testo per ottenere prestazioni migliori. Nel progetto sono disponibili classi relative al recupero di notizie e alla generazione di punteggi di sentiment.
  
  
• 00:10:00 Il relatore spiega i diversi passaggi coinvolti nel loro approccio a un progetto di trading algoritmico di analisi del sentiment. Innanzitutto, le notizie vengono scaricate e pre-elaborate prima di essere classificate come positive o negative utilizzando una libreria chiamata Analytic Evader. Il passaggio successivo prevede l'addestramento di un modello per classificare le notizie precedenti e i dati classificati. Segue la fase di backtesting per convalidare gli indicatori di trading. Il progetto è stato testato tra marzo 2018 e dicembre 2020.
  
  
• 00:15:00 Il relatore discute l'importanza di impostare valori per i punteggi del sentiment, soprattutto perché ha un impatto significativo sul backtesting. Spiegano che non usano notizie neutre e impostano punteggi negativi per le notizie inferiori a 0,08 e positivi per punteggi più alti. Il relatore prosegue poi spiegando come hanno generato i punteggi utilizzando la libreria NLTK e addestrato e compilato il modello LCT utilizzando una funzione sigma per la classificazione binaria. Confrontano i rendimenti della strategia del punteggio del sentimento con una strategia di acquisto e conservazione per quattro azioni: Apple, Amazon, Twitter e Facebook. Il relatore mostra i grafici per ciascun titolo e spiega che il trading basato sul sentiment sembra sovraperformare l'acquisto e la detenzione per alcuni periodi, incluso un miglioramento durante la pandemia.
  
  
• 00:20:00 Il presentatore conclude che esiste una certa correlazione tra tendenze negative e cattive notizie e buone prestazioni rispetto a una strategia di acquisto e chiamata. Tuttavia, suggerisce che è essenziale lavorare con fonti di dati di alta qualità e migliorare l'affinamento della polarità del sentimento per classificare accuratamente le notizie e assegnare etichette positive o negative. Ritiene che sia necessario lavorare di più per fidarsi completamente di una strategia basata sul sentimento e suggerisce che un buon modello potrebbe essere incorporato in determinate strategie. In conclusione, la presentazione fa luce sul potenziale dell'incorporazione dell'analisi del sentiment nelle strategie di investimento, ma avverte che sono necessarie ulteriori ricerche e miglioramenti per affinare la polarità del sentiment.