Ti stai perdendo delle opportunità di trading:
- App di trading gratuite
- Oltre 8.000 segnali per il copy trading
- Notizie economiche per esplorare i mercati finanziari
Registrazione
Accedi
Accetti la politica del sito e le condizioni d’uso
Se non hai un account, registrati
Come utilizzare il bot di trading Python per gli investimenti
Come utilizzare il bot di trading Python per gli investimenti
Unisciti a noi in questo webinar informativo mentre approfondiamo il mondo dei bot di trading Python a scopo di investimento. Progettato per soddisfare sia i trader principianti che quelli esperti, questo video funge da risorsa preziosa per le persone interessate a sfruttare Python per il trading algoritmico.
Durante il webinar, acquisirai approfondimenti pratici e conoscenze che eleveranno le tue strategie di trading algoritmico. Python, con le sue ampie librerie e capacità di automazione, offre un immenso potenziale per semplificare e ottimizzare il tuo approccio al trading. Sfruttando la potenza di Python, puoi migliorare la tua efficienza di trading e sfruttare le opportunità di mercato.
Sia che tu stia appena iniziando il tuo viaggio nel trading algoritmico o che cerchi di affinare le tue abilità esistenti, questo video fornisce una panoramica completa del trading algoritmico con Python. Serve come risorsa da tenere d'occhio per i trader e gli investitori che aspirano a rimanere all'avanguardia nel panorama finanziario dinamico di oggi. Preparati ad ampliare la tua comprensione del ruolo di Python nel trading algoritmico e sbloccare nuove possibilità di successo.
Argomenti trattati:
Allocazione ottimale del portafoglio utilizzando l'apprendimento automatico
Allocazione ottimale del portafoglio utilizzando l'apprendimento automatico
Questa sessione ha lo scopo di insegnarti i metodi di allocazione ottimale del portafoglio utilizzando l'apprendimento automatico. Scopri come utilizzare algoritmi che sfruttano l'apprendimento automatico al suo interno per fare la scelta dell'allocazione del capitale. Presentato da Vivin Thomas, VP, Quantitative Research, Equities (EDG) Modelling, JPMorgan Chase & Co.
In questa discussione, esploreremo l'affascinante regno del trading algoritmico, concentrandoci in particolare sull'utilizzo degli algoritmi di apprendimento automatico. Il nostro obiettivo principale è progettare algoritmi sofisticati che sfruttino al centro l'apprendimento automatico per effettuare scelte di allocazione del capitale ottimali.
Per raggiungere questo obiettivo, svilupperemo una strategia a bassa frequenza che eccelle nell'allocare il proprio capitale disponibile tra un gruppo accuratamente selezionato di sottostanti, noti anche come attività del paniere, a intervalli regolari. Incorporando tecniche di apprendimento automatico, miriamo a migliorare l'accuratezza e l'efficienza del processo di allocazione del capitale.
Inoltre, costruiremo algoritmi di asset allocation long-only, a bassa frequenza che operano all'interno di questo framework. Questi algoritmi saranno progettati per sovraperformare una strategia di allocazione standard che si basa esclusivamente su indicatori di momentum empirici per il processo decisionale. Confrontando le prestazioni di questi algoritmi con la strategia di benchmark, possiamo valutare il valore e l'efficacia dell'utilizzo del machine learning nel processo di asset allocation.
Attraverso questa esplorazione, otterremo informazioni sui potenziali benefici e vantaggi dell'incorporazione di algoritmi di apprendimento automatico nelle strategie di allocazione del capitale. Unisciti a noi mentre approfondiamo l'entusiasmante mondo del trading algoritmico e scopri come questi algoritmi avanzati possono rivoluzionare il modo in cui affrontiamo l'asset allocation e le decisioni di investimento.
Esercitazione sull'analisi del sentiment | Impara a prevedere le tendenze delle azioni e usa l'arbitraggio statistico
Esercitazione sull'analisi del sentiment | Impara a prevedere le tendenze delle azioni e usa l'arbitraggio statistico
Durante questo webinar, il presentatore presenta tre persone affermate, Design Vetii, Javier Cervantes e Siddhantu, che hanno intrapreso il loro viaggio nel trading algoritmico attraverso il programma E-PAT. Condivideranno le loro presentazioni e progetti E-PAT con gli spettatori, coprendo vari argomenti e le loro esperienze nel programma E-PAT.
Il presentatore sottolinea che il programma di punta E-PAT offre ai partecipanti l'opportunità di specializzarsi nella loro asset class preferita o paradigma strategico per il loro progetto. Questo approccio su misura consente ai partecipanti di esplorare e sviluppare competenze nell'area di interesse prescelta.
Si sottolinea che questa sessione sarà registrata e condivisa su YouTube e sul loro blog, fornendo una preziosa opportunità di apprendimento per aspiranti quanti e individui interessati al trading algoritmico. Il presentatore incoraggia gli spettatori a sfruttare le conoscenze condivise da questi trader esperti e le intuizioni acquisite dai loro progetti E-PAT.
La prima presentazione è fornita da Design Vetii, un commerciante a reddito fisso del Sud Africa. Design Vetii condivide il suo progetto sulla previsione delle tendenze azionarie utilizzando l'analisi tecnica. Hanno raccolto dati dai primi 10 titoli nell'indice Top 40 sudafricano per un periodo di 10 anni. Python è stato utilizzato per derivare sei indicatori tecnici comuni da questi dati, che sono stati poi incorporati in un modello di apprendimento automatico per l'analisi dell'andamento delle azioni. Il presentatore discute la loro motivazione e il loro fascino per il campo dell'apprendimento automatico durante tutto il progetto.
Andando avanti, l'oratore discute la strategia di investimento impiegata e presenta i risultati del loro algoritmo di apprendimento automatico. Hanno utilizzato un portafoglio ugualmente ponderato composto da 10 azioni e implementato strategie di ribilanciamento sia giornaliere che settimanali. Il portafoglio di ribilanciamento giornaliero ha prodotto un rendimento del 44,69% negli ultimi due anni e mezzo, sovraperformando il rendimento dei primi 40 benchmark del 21,45%. Analogamente, il portafoglio di ribilanciamento settimanale ha mostrato una sovraperformance significativa, producendo un rendimento del 36,52% superiore al benchmark. Il relatore riconosce il tempo e lo sforzo necessari per mettere a punto i parametri del modello di apprendimento automatico e sottolinea l'esperienza di apprendimento acquisita da questo processo. Tuttavia, riconoscono anche i limiti e i potenziali difetti nel confronto esclusivo della strategia con indicatori tecnici come la forza relativa, le bande di Bollinger e il MACD.
Il relatore riflette sulle lezioni apprese dal loro progetto e contempla modi per migliorarlo in futuro. Menzionano l'interesse nell'esplorazione di un indice che comprende i primi 10 titoli e riconoscono un errore commesso durante l'utilizzo dell'attributo shuffle nel loro algoritmo di apprendimento automatico su una serie temporale finanziaria. Il relatore esprime orgoglio per la loro capacità di programmare in Python e sviluppare una strategia che combina l'apprendimento automatico e gli indicatori tecnici. Propongono di incorporare fattori fondamentali come rapporti P, analisi del sentimento e altri indicatori nei progetti futuri, oltre a esplorare modelli di apprendimento automatico alternativi. Inoltre, il relatore risponde alle domande del pubblico in merito alla scelta degli indicatori tecnici e all'implementazione dell'algoritmo della foresta casuale.
Dopo la presentazione, il presentatore si impegna in una sessione di domande e risposte con gli spettatori. Vengono affrontate varie domande, comprese le domande sulle strategie di trading intraday e i libri consigliati per l'apprendimento dell'apprendimento automatico nel contesto dell'analisi finanziaria. Il relatore suggerisce un libro di analisi tecnica per comprendere gli indicatori convenzionali e menziona anche il potenziale focus sull'incorporazione di visioni non convenzionali di indicatori e fattori fondamentali negli algoritmi di apprendimento automatico per la ricerca futura.
Dopo la sessione di domande e risposte, il presentatore introduce il relatore successivo, Javier Cervantes, un trader di obbligazioni societarie messicano con oltre otto anni di esperienza nel trading e nei mercati del credito. Javier condivide la sua ricerca sull'utilizzo dell'arbitraggio statistico per prevedere l'andamento delle azioni nel mercato messicano, caratterizzato da una capitalizzazione di mercato ridotta e concentrata. Spiega l'attrattiva di questa opportunità a causa dell'assenza di fondi dedicati, della limitata generazione di liquidità da parte dei partecipanti e del panorama competitivo per le strategie di arbitraggio.
Javier discute il processo di costruzione di un database per raccogliere informazioni sulle azioni messicane, delineando le sfide incontrate, come dati incompleti e errati, problemi di filtraggio e pulizia e le ipotesi alla base della strategia. Per far fronte a queste sfide, è stato rimosso circa il 40% dell'universo degli emittenti e sono stati esclusi i titoli con bassi volumi di scambi giornalieri.
Il presentatore analizza quindi i risultati della strategia di arbitraggio statistico di Javier applicata a sei diverse coppie di azioni, che ha prodotto risultati positivi. I rendimenti delle coppie hanno mostrato correlazioni basse e per lo più negative, suggerendo che la diversificazione potrebbe giovare in modo significativo all'implementazione della strategia come portafoglio aggregato. Analizzando i risultati di un portafoglio comprendente tutte e sei le coppie, il presentatore evidenzia un tasso di crescita annuo del 19%, un drawdown massimo di solo il 5% e un indice di Sharpe aggregato di 2,45, dimostrando una significativa superiorità rispetto alle singole coppie. Inoltre, il presentatore sottolinea diversi rischi che dovrebbero essere considerati prima di impiegare capitale reale, inclusi i costi di negoziazione, i diversi orizzonti temporali, le condizioni di mercato e la necessità di implementare una strategia di stop-loss.
Il relatore sottolinea l'importanza di testare regolarmente una strategia di arbitraggio statistico per garantirne l'affidabilità nel tempo, poiché le relazioni a lungo termine tra le coppie possono interrompersi anche se si osserva la stazionarietà iniziale. Suggeriscono la possibilità di utilizzare algoritmi di apprendimento automatico per selezionare coppie idonee per la strategia di trading, piuttosto che selezionarle manualmente sulla base di ipotesi su diversi settori di mercato. Il relatore conclude affermando che c'è ampio spazio per ulteriori ricerche per migliorare l'efficienza del modello e migliorare l'affidabilità dei rendimenti. Durante la sessione di domande e risposte, affrontano domande riguardanti il periodo di tempo utilizzato nei dati, i punti chiave delle correlazioni negative tra i rendimenti delle coppie e la fattibilità dell'implementazione di una strategia intraday.
Infine, il presentatore presenta Siddhantu, un commerciante che condivide la loro esperienza di progetto. Siddhantu inizia discutendo del loro background come trader e racconta un incidente che ha coinvolto un titolo di una catena di hotel medcap che li ha spinti a mettere in discussione l'impatto delle notizie e del sentimento sui prezzi delle azioni. Descrivono il loro progetto, che è diviso in tre parti: estrazione di notizie, analisi del sentiment e strategia di trading. Nvidia Corporation è stata scelta come titolo per il progetto a causa della sua liquidità e volatilità.
Siddhantu spiega il processo di raccolta degli articoli di notizie utilizzando il database newsapi.org e l'estrazione dei punteggi dei sentimenti utilizzando la libreria dei giornali in Python. I punteggi del sentiment vengono quindi utilizzati per generare uno schema di trading lungo o corto basato su punteggi estremi. Il relatore condivide le sfide affrontate durante la fase di programmazione, ma sottolinea l'importanza di selezionare gli strumenti giusti e ricevere supporto dai mentori per raggiungere il successo. Sebbene i risultati siano incoraggianti, il relatore sottolinea la necessità di affrontare i backtest con cautela e riconosce margini di miglioramento in ogni fase del progetto. Raccomandano lo strumento di analisi del sentimento Vader in Python per la sua accuratezza nella generazione di punteggi del sentimento.
L'oratore affronta l'analisi del sentimento e i suoi limiti quando viene applicata agli articoli di notizie. Sottolineano che mentre l'analisi del sentiment può essere efficace nel rilevare il sentiment nei tweet e nei commenti sui social media, potrebbe non essere adatto per gli articoli di notizie a causa delle differenze nella segnalazione di eventi negativi. Rispondono anche alle domande del pubblico riguardanti le fonti utilizzate per l'analisi del sentiment, il processo di conversione dei punteggi di Vader in segnali di trading, l'utilizzo del deep learning nell'analisi del sentiment (che non hanno ancora esplorato ma ne riconoscono il potenziale) e altri argomenti correlati. .
Infine, il relatore approfondisce i dati utilizzati per il backtesting nel programma di analisi del sentiment. Spiegano che ogni giorno sono stati raccolti da 10 a 15 articoli di notizie di grande impatto per calcolare un punteggio medio di sentiment per ogni giorno. Il programma ha utilizzato circa sei mesi di questi articoli. Per i rendimenti delle azioni, sono stati incorporati i dati a livello giornaliero per le azioni di Nvidia nell'arco di sei mesi. Il relatore chiarisce che durante le negoziazioni o il backtesting non sono stati considerati aspetti fondamentali o tecnici del titolo, con segnali di trading derivati esclusivamente dal punteggio del sentiment.
Quant Trading | Strategie spiegate da Michael Harris
Quant Trading | Strategie spiegate da Michael Harris
In questo tutorial vengono introdotti e discussi i concetti di complessità e riflessività del mercato. L'attenzione si concentra su cambiamenti di regime specifici che si sono verificati nei mercati azionari statunitensi e in altri mercati. Il presentatore, Michael Harris, esplora come questi cambiamenti di regime possono influire sullo sviluppo della strategia e fornisce approfondimenti su come minimizzarne gli effetti regolando i dati e il mix di strategie.
Il tutorial è progettato per essere pratico, consentendo ai partecipanti di replicare l'analisi sui propri sistemi. Amibroker viene utilizzato per l'analisi durante il webinar e i partecipanti possono scaricare il codice Python per ulteriore pratica dopo la sessione.
Michael condivide anche un indicatore di nuova concezione che misura lo slancio e i cambiamenti di stato dinamico di mean-reversion nel mercato. Viene fornito il codice per questo indicatore, consentendo ai partecipanti di incorporarlo nelle proprie strategie di trading.
Michael Harris, l'oratore, ha una vasta esperienza nel trading di futures su materie prime e valute che copre 30 anni. È autore di diversi libri sul trading, tra cui "Short-Term Trading with Price Patterns", "Stock Trading Techniques Based on Price Patterns", "Profitability and Systematic Trading" e "Fooled by Technical Analysis: The Perils of Charting, Backtesting e data mining." È anche l'autore del blog Price Action Lab e lo sviluppatore del software DLPAL. Michael ha conseguito due master, uno in ingegneria meccanica con specializzazione in sistemi di controllo e ottimizzazione, e un altro in ricerca operativa con enfasi su previsione e ingegneria finanziaria presso la Columbia University.
Il tutorial è suddiviso in capitoli, che coprono diversi aspetti della complessità del mercato e dei cambiamenti di regime. L'introduzione del relatore pone le basi per il tutorial, seguito da una panoramica degli argomenti da trattare. Viene spiegata la strategia di negoziazione dell'indice, evidenziandone i limiti in un'affermazione quantitativa. Viene quindi discussa la strategia di mean-reversion, che porta a un'esplorazione più approfondita dei cambiamenti di regime e di come si verificano. Vengono analizzate le dinamiche di mean reversion nel mercato S&P, sottolineando la complessità presente nei mercati finanziari.
Vengono affrontati gli effetti negativi della complessità del mercato, sottolineando le sfide che pone agli operatori. Il tutorial si conclude con una discussione su ulteriori complessità nei mercati finanziari e fornisce risorse per ulteriori esplorazioni. Segue una sessione di domande e risposte, che consente ai partecipanti di chiarire eventuali dubbi o cercare ulteriori approfondimenti.
Questo tutorial fornisce preziose informazioni sulla complessità del mercato, sui cambiamenti di regime e sulle loro implicazioni per le strategie di trading, presentate da un trader esperto e autore del settore.
Capitoli:
00:00 - Introduzione del relatore
02:23 - Panoramica del tutorial
03:54 - Spiegazione della strategia di trading sugli indici
07:30 - Limitazioni del reclamo quantitativo
10:45 - Strategia di ritorno alla media
11:38 - Cambio di regime
16:30 - Come accade
18:17 - Dinamiche di ritorno alla media S&P
24:35 - Complessità nei mercati finanziari
26:42 - Effetti avversi
36:56 - Più complessità nei mercati finanziari
42:17 - Risorse
43:35 - Domande e risposte
Trading algoritmico | Esercitazione completa | Ideazione per Live Markets | Il dottor Hui Liu e Aditya Gupta
Trading algoritmico | Esercitazione completa | Ideazione per Live Markets | Il dottor Hui Liu e Aditya Gupta
In questo video, il relatore fornisce una panoramica completa della master class sull'ideazione, la creazione e l'implementazione di una strategia di trading automatizzato. L'oratore, Aditya Gupta, presenta il dottor Hui Liu, fondatore di hedge fund e autore di un pacchetto Python che interagisce con l'API di Interactive Brokers. Menziona anche uno sviluppo a sorpresa relativo all'API di cui parlerà il dottor Liu.
Il video inizia spiegando la definizione di trading automatico ed evidenziando i tre passaggi principali coinvolti nel trading algoritmico. L'oratore condivide il suo percorso personale di transizione dal trading discrezionale a quello sistematico utilizzando l'analisi tecnica.
Viene sottolineata l'importanza dell'analisi nel trading algoritmico, con particolare attenzione a tre tipi di analisi: quantitativa, tecnica e fondamentale. I vari aspetti dell'analisi riguardano lo studio di grafici storici, bilanci, fattori micro e macroeconomici, nonché l'utilizzo di modelli matematici e analisi statistiche per la creazione di strategie di trading. Queste strategie sono essenzialmente algoritmi che elaborano dati e generano segnali per l'acquisto e la vendita. Il processo include lo sviluppo della strategia, i test e il trading cartaceo prima di passare al trading dal vivo. Per connettersi con il trading dal vivo, sono necessarie la connettività del broker e un'API, con iBridge PI discusso come una potenziale soluzione. Viene inoltre introdotto il concetto di spettro della strategia, che mostra diversi driver di profitto e tipi di analisi.
I relatori approfondiscono l'analisi quantitativa e il suo ruolo nella creazione di strategie di trading e gestione del portafoglio. Spiegano che l'analisi quantitativa implica l'utilizzo di modelli matematici e analisi statistiche per ottenere informazioni dai dati storici, che possono essere applicati per sviluppare strategie di trading quantitative. L'analisi quantitativa è particolarmente utile per la gestione del rischio e per il calcolo dei livelli di take profit e stop loss per una strategia. Procedono dimostrando il processo di creazione di una semplice strategia crossover a media mobile utilizzando librerie come pandas, numpy e matplotlib e calcolando il rendimento della strategia.
Vengono discusse diverse metriche di performance utilizzate nel trading algoritmico, come l'indice di Sharpe, il tasso di crescita annuale composto (CAGR) e il prelievo massimo. Viene sottolineata l'importanza di evitare pregiudizi di backtesting ed errori comuni nel processo. I relatori delineano anche il set di competenze richieste per l'analisi quantitativa, che include la conoscenza della matematica e della statistica, l'interesse nel trattare i dati, la competenza nella codifica Python e la comprensione della finanza. Descrivono il processo di creazione della strategia di trading automatizzato, partendo da fonti di dati e analisi, fino a segnalare l'esecuzione e collegarlo all'interfaccia di programmazione dell'applicazione (API). Il Dr. Hui Liu si presenta, fornisce un breve background e offre una panoramica dei prossimi argomenti sul trading algoritmico con TD Ameritrade e Interactive Brokers utilizzando Python.
Il relatore si concentra quindi sui tre capisaldi del trading algoritmico utilizzando la piattaforma iBridgePy: visualizzazione dei prezzi in tempo reale, recupero dei dati storici e posizionamento degli ordini. Questi tre capisaldi fungono da elementi costitutivi per la costruzione di strategie complesse. Il relatore presenta tre strategie di esempio: il ribilanciamento del portafoglio, una strategia di acquisto basso e di vendita alto e una strategia di cattura del trend che utilizza i crossover della media mobile. Vengono evidenziati i vantaggi del trading algoritmico, come la pressione ridotta e il minor numero di errori umani. L'oratore consiglia di investire tempo nella ricerca di buone strategie piuttosto che dedicare sforzi eccessivi alla codifica, utilizzando una piattaforma di trading come iBridgePy. Viene inoltre sottolineata la flessibilità di passare senza problemi dal backtest al trading dal vivo all'interno della piattaforma iBridgePy.
Il video procede con la discussione di vari broker e opzioni della piattaforma Python disponibili per il trading algoritmico. TD Ameritrade viene presentata come una società di brokeraggio con sede negli Stati Uniti che offre una piattaforma di trading elettronico con trading a commissione zero. Interactive Brokers è evidenziato come un fornitore leader di soluzioni API, comunemente utilizzate da hedge fund di piccole e medie dimensioni per automatizzare il trading. Robinhood, un'altra società di intermediazione con sede negli Stati Uniti, è menzionata per le sue capacità di trading senza commissioni e algoritmi di trading. Vengono esplorati i vantaggi dell'utilizzo della piattaforma di trading Python iBridgePy, inclusa la protezione della proprietà intellettuale dei trader, il supporto per il backtest simultaneo e il trading dal vivo e la compatibilità con varie opzioni di pacchetto. iBridgePy facilita anche il trading con diversi broker e la gestione di più account.
I relatori discutono della necessità di strumenti efficaci per i gestori di hedge fund per gestire più account contemporaneamente e introducono la piattaforma di trading ibrida chiamata Average Pi. Il Pi medio è descritto come una combinazione di Contopian e Quantopian, che consente il controllo degli algoritmi e il trading basato su Python. Viene dimostrato il processo di download e configurazione di Average Pi su un sistema Windows, inclusa la configurazione della piattaforma di trading di Interactive Brokers tramite Integrity Broker. Viene visualizzato il file di ingresso principale del pacchetto, runme.py, che richiede solo due modifiche: il codice account e la strategia selezionata da eseguire.
Il Dr. Hui Liu e Aditya Gupta forniscono un tutorial sul trading algoritmico, dimostrando come mostrare un account usando un esempio. Spiegano l'utilizzo delle funzioni di inizializzazione e gestione dei dati all'interno di Average Pi, che offre varie funzioni specificamente progettate per il trading algoritmico. Illustrano quanto sia facile programmare utilizzando la piattaforma Average Pi.
Il relatore si tuffa in due argomenti: la visualizzazione dei prezzi in tempo reale e il recupero dei dati storici. Per i prezzi in tempo reale, viene presentata una demo in cui il codice è strutturato per stampare il timestamp e il prezzo ask ogni secondo utilizzando la funzione handle data. Per recuperare dati storici a scopo di ricerca, il relatore spiega la funzione di richiesta di dati storici e dimostra come può essere utilizzata per recuperare un frame di dati panda contenente dati storici, inclusi apertura, massimo, minimo, chiusura e volume. La struttura del codice viene esaminata e viene mostrata una demo in cui il codice viene aggiornato per recuperare i dati cronologici e stampare l'output nella console.
L'oratore dimostra come effettuare un ordine limite per acquistare 100 azioni di SPY a $ 99,95 quando il prezzo richiesto supera $ 100,01 in iBridgePy. Vengono definiti i contratti e le quantità di azioni da negoziare e la funzione "ordine" viene utilizzata per inserire l'ordine limite. L'oratore dimostra anche di aver effettuato un ordine al prezzo di mercato utilizzando la funzione "monitoraggio dello stato dell'ordine" per tenere traccia dello stato dell'ordine. Dopo aver mostrato questi passaggi di base, il relatore spiega che la fase successiva prevede la determinazione dei contratti da negoziare e la frequenza delle decisioni di trading per costruire strategie di trading.
Vengono discussi i passaggi coinvolti nell'esecuzione di una strategia di trading algoritmico. Viene spiegata la necessità di gestire regolarmente i dati e pianificare le attività utilizzando funzioni come la funzione di pianificazione. Viene esplorato il processo di calcolo degli indicatori tecnici, che comporta la richiesta di dati storici da un broker e l'utilizzo delle capacità di data frame dei panda per i calcoli. Vengono esaminati i tipi di ordine, come gli ordini di mercato e gli ordini limite, e viene fatta una breve menzione dell'incorporazione degli ordini stop nel codice o negli algoritmi.
Il relatore procede quindi a spiegare una strategia dimostrativa per ribilanciare un portafoglio sulla base di istruzioni di trading, un approccio popolare tra i gestori di fondi. Viene dimostrata l'esecuzione manuale delle istruzioni di trading utilizzando i dizionari Python e viene presentato un semplice codice che pianifica quotidianamente una decisione di trading e ribilancia automaticamente il conto utilizzando le percentuali target dell'ordine. Viene fornita una demo dal vivo per mostrare il processo di ribilanciamento di un conto e visualizzarne la posizione.
Vengono descritte tre diverse strategie di trading che possono essere implementate utilizzando Python. La prima è una semplice strategia di ribilanciamento che consente agli utenti di monitorare la propria posizione, quote e base di costo. La seconda è una strategia di mean reversion utilizzata per identificare opportunità di trading quando il prezzo di chiusura è inferiore al prezzo del giorno precedente. Infine, viene discussa una strategia di crossover della media mobile, concentrandosi sull'utilizzo di dati storici per calcolare il punto di crossover per potenziali opportunità di acquisto e vendita. Tutte e tre le strategie prevedono di prendere decisioni di trading prima della chiusura del mercato in orari specifici e di utilizzare gli ordini di mercato per eseguire le negoziazioni. Il codice per l'implementazione di tutte le strategie è semplice e facilmente implementabile utilizzando Python e le funzioni di pianificazione.
Il dottor Hui Liu e Aditya Gupta spiegano come utilizzare le medie mobili per determinare quando acquistare o vendere azioni in un portafoglio. Dimostrano l'implementazione di questa strategia utilizzando la piattaforma Average Pi e quindi procedono al backtest applicando dati storici per valutarne le prestazioni. Il tutorial copre l'utilizzo della funzione Test Me Py all'interno di Hybrid Pi per inserire dati storici per la simulazione e ottenere risultati per il saldo del conto e i dettagli della transazione.
Il relatore spiega come visualizzare i risultati della simulazione di una strategia di trading algoritmico accedendo al grafico di analisi delle performance. Questo grafico mostra il registro del saldo e varie statistiche come l'indice di Sharpe, la media e la deviazione standard, che possono essere ulteriormente personalizzate. L'oratore sottolinea che Average Pi è in grado di gestire più account e ribilanciarli. La piattaforma è flessibile, intuitiva e può essere utilizzata per configurare una piattaforma di trading algoritmico, backtesting, trading dal vivo, trading con diversi broker e gestione di più account. Inoltre, il relatore invita gli spettatori a esplorare il loro servizio di noleggio di codificatori per l'assistenza alla codifica e ad iscriversi al loro canale YouTube per tutorial gratuiti.
I relatori discutono di come iBridge di Interactive Brokers possa essere utilizzato per il trading di futures e opzioni, insieme ad altri tipi di contratti. Spiegano che la funzione Super Symbol consente di definire vari tipi di contratti, come stock option, filtri, indici, forex e altro. Viene fornito un esempio di un prodotto strutturato negoziato alla borsa di Hong Kong, che non è un'azione. La funzione Super Symbol consente di negoziare qualsiasi tipo di contratto diverso dalle azioni. Gli stop loss sono brevemente menzionati, evidenziando come possono essere incorporati nel codice o incorporati in un algoritmo.
I relatori proseguono la discussione sottolineando l'importanza della gestione del rischio nel trading algoritmico. Sottolineano la necessità di implementare lo stop loss come strategia di mitigazione del rischio per limitare le potenziali perdite in caso di movimenti di mercato avversi. Gli stop loss possono essere integrati nel codice o nell'algoritmo per attivare automaticamente la vendita di un titolo quando raggiunge un livello di prezzo predeterminato.
Successivamente, approfondiscono il concetto di dimensionamento della posizione, che comporta la determinazione della quantità appropriata di azioni o contratti da negoziare in base al capitale disponibile e alla tolleranza al rischio. Un corretto dimensionamento della posizione aiuta a gestire il rischio e ottimizzare i rendimenti assicurando che l'allocazione del capitale sia in linea con la strategia di gestione del rischio del trader.
I relatori toccano anche l'importanza della valutazione e del monitoraggio delle prestazioni nel trading algoritmico. Discutono di varie metriche di performance utilizzate per valutare l'efficacia delle strategie di trading, tra cui l'indice di Sharpe, il tasso di crescita annuale composto (CAGR) e il prelievo massimo. Queste metriche forniscono informazioni sui rendimenti aggiustati per il rischio, sulla crescita a lungo termine e sui potenziali rischi al ribasso associati alla strategia.
Per evitare insidie e distorsioni comuni nel backtesting, i relatori sottolineano l'importanza di garantire l'integrità dei dati e di utilizzare test fuori campione. Mettono in guardia contro l'eccessiva ottimizzazione o "adattamento della curva", che si riferisce all'adattamento di una strategia troppo vicino ai dati storici, portando a scarse prestazioni nel trading dal vivo a causa della mancanza di adattabilità della strategia alle mutevoli condizioni di mercato.
I relatori sottolineano che il trading algoritmico di successo richiede una combinazione di abilità e conoscenze. Menzionano la necessità di avere solide basi in matematica e statistica, interesse a lavorare con i dati, competenza nella codifica tramite Python e una buona conoscenza dei mercati finanziari. Incoraggiano le persone interessate al trading algoritmico ad espandere continuamente le proprie conoscenze e competenze attraverso risorse di apprendimento e applicazioni pratiche.
Nella parte conclusiva del video, il Dr. Hui Liu si presenta e condivide il suo background come fondatore di hedge fund e autore di un pacchetto Python che interagisce con l'API di Interactive Brokers. Discute brevemente i prossimi argomenti relativi al trading algoritmico con TD Ameritrade e Interactive Brokers utilizzando Python, ponendo le basi per un'ulteriore esplorazione di questi argomenti nelle future master class.
Il video fornisce una panoramica completa del trading algoritmico, coprendo il viaggio dall'ideazione all'implementazione delle strategie di trading automatizzato. Sottolinea l'importanza dell'analisi, discute diversi tipi di analisi (quantitativa, tecnica e fondamentale) ed esplora vari aspetti dello sviluppo, del test e dell'esecuzione della strategia. I relatori dimostrano l'applicazione pratica di piattaforme basate su Python come iBridgePy e Average Pi, mettendo in mostra le loro capacità nel monitoraggio dei prezzi in tempo reale, nel recupero dei dati storici, nell'inserimento degli ordini e nel ribilanciamento del portafoglio.
Modellazione del rischio di credito del dott. Xiao Qiao | Presentazione della ricerca
Modellazione del rischio di credito del dott. Xiao Qiao | Presentazione della ricerca
Buon giorno buon pomeriggio Buona sera. Mi chiamo Vedant e vengo da Quantum C. Oggi ho il piacere di essere il tuo ospite per questo evento. Siamo raggiunti dal Dr. Xiao, co-fondatore di Parachronic Technologies, che condividerà la sua esperienza sulla modellazione del rischio di credito utilizzando il deep learning. Gli interessi di ricerca del Dr. Xiao ruotano principalmente attorno alla determinazione del prezzo delle attività, all'econometria finanziaria e agli investimenti. È stato riconosciuto per il suo lavoro da stimate istituzioni come Forbes, CFA Institute e Institutional Investors. Inoltre, il dottor Xiao fa parte del comitato editoriale del Journal of Portfolio Management e del Global Commodities Applied Research Digest. Ha conseguito un dottorato di ricerca in Finanza presso l'Università di Chicago.
Durante questa sessione, il dottor Xiao approfondirà il tema della modellazione del rischio di credito ed esplorerà le applicazioni del deep learning in questo campo. Discuterà di come il deep learning può essere utilizzato per valutare e calibrare complessi modelli di rischio di credito, concentrandosi in particolare sulla sua efficacia nei casi in cui non sono disponibili soluzioni in forma chiusa. Il deep learning offre una soluzione alternativa concettualmente semplice ed efficiente in tali scenari. Il Dr. Xiao esprime la sua gratitudine per aver fatto parte del decimo anniversario dell'Istituto Quan ed è entusiasta di condividere le sue intuizioni.
Andando avanti, la discussione si concentrerà sul mercato del credito, in particolare sulle dimensioni massicce del mercato e sulla crescente importanza dei credit default swap (CDS). Con un valore nozionale eccezionale stimato di CDS di circa 8 trilioni nel 2019, il mercato è in costante crescita. Anche il nozionale dell'indice CDS ha registrato una crescita sostanziale, raggiungendo quasi 6 trilioni negli ultimi anni. Inoltre, il mercato obbligazionario globale supera l'incredibile cifra di 100 trilioni di dollari, con una parte significativa costituita da obbligazioni societarie che comportano un rischio di credito intrinseco a causa del potenziale default degli istituti emittenti.
Man mano che i mercati del credito si evolvono e diventano più complessi, anche i modelli di rischio di credito sono diventati sempre più complessi per catturare la natura dinamica del rischio di insolvenza. Questi modelli utilizzano spesso variabili di stato stocastiche per tenere conto della casualità presente nei mercati finanziari in diversi periodi di tempo e scadenze. Tuttavia, la crescente complessità di questi modelli ha reso la loro stima e soluzione computazionalmente costosa. Questo problema sarà un punto focale più avanti nella presentazione.
L'apprendimento automatico, con il suo impatto trasformativo su vari campi, inclusa la finanza, ha acquisito importanza negli ultimi anni. Viene sempre più impiegato nella finanza empirica, come la determinazione del prezzo delle attività trasversali e la costruzione del portafoglio azionario. In particolare, il deep learning è stato utilizzato per approssimare i prezzi dei derivati e delle opzioni, nonché per calibrare i modelli di volatilità stocastica. In questo documento, il dottor Xiao e il suo collega, Gerardo Munzo di Kempos Capital, propongono di applicare il deep learning alla modellazione del rischio di credito. La loro ricerca dimostra che il deep learning può sostituire efficacemente soluzioni complesse di modelli di rischio di credito, ottenendo un calcolo efficiente e accurato dello spread di credito.
Per fornire ulteriore contesto, il dottor Xiao introduce il concetto di modellazione del rischio di credito. Spiega che il prezzo di un'obbligazione inadempiibile è determinato dalla media ponderata in base alla probabilità dei flussi di cassa scontati sia negli scenari di default che in quelli di non default. La probabilità di default è una quantità cruciale nei modelli di rischio di credito in quanto quantifica la probabilità di default. Esistono due tipi principali di modelli di rischio di credito: modelli strutturali e modelli in forma ridotta. I modelli strutturali stabiliscono un collegamento diretto tra gli eventi di default e la struttura patrimoniale di un'entità. D'altra parte, i modelli in forma ridotta rappresentano il rischio di default come un processo statistico, utilizzando tipicamente un processo di Poisson con un parametro di intensità di default. Il dottor Xiao sottolinea che i modelli di rischio di credito implicano la risoluzione di funzioni di determinazione del prezzo per derivare gli spread di credito, che possono essere computazionalmente intensivi a causa della necessità di integrazione numerica e ricerche sulla griglia.
È qui che entra in gioco il deep learning. Il dottor Xiao procede spiegando le reti neurali e il deep learning, illustrando come possono essere applicati alla modellazione del rischio di credito. Le reti neurali introducono la non linearità.
Le reti neurali, una componente fondamentale del deep learning, sono costituite da strati interconnessi di neuroni artificiali che imitano la struttura del cervello umano. Queste reti possono apprendere schemi e relazioni complessi dai dati attraverso un processo noto come addestramento. Durante l'addestramento, la rete regola i propri parametri interni per ridurre al minimo la differenza tra gli output previsti e gli output effettivi, ottimizzando così le proprie prestazioni.
Il dottor Xiao spiega che il deep learning può essere sfruttato per approssimare modelli complessi di rischio di credito addestrando reti neurali su dati storici. La rete neurale apprende la mappatura tra le variabili di input, come i fattori economici e finanziari, e i corrispondenti spread di credito. Una volta addestrata, la rete può essere utilizzata per stimare in modo efficiente gli spread di credito per i nuovi dati di input.
Uno dei principali vantaggi dell'utilizzo del deep learning nella modellazione del rischio di credito è la sua capacità di approssimare funzioni di determinazione del prezzo complesse. Tradizionalmente, i modelli di rischio di credito impiegano tecniche di integrazione numerica e ricerche su griglie per risolvere le funzioni di determinazione del prezzo, che possono essere impegnative dal punto di vista computazionale e richiedere molto tempo. Il deep learning offre un'alternativa più efficiente approssimando direttamente la funzione di prezzo attraverso la mappatura appresa della rete neurale.
Il dottor Xiao sottolinea che i modelli di deep learning possono catturare relazioni e interazioni non lineari tra le variabili di input, che sono spesso presenti nei modelli di rischio di credito. Questa flessibilità consente alla rete neurale di adattarsi alle complessità dei mercati del credito e di generare stime accurate degli spread creditizi.
Inoltre, i modelli di deep learning possono gestire i dati mancanti o incompleti in modo più efficace rispetto ai metodi tradizionali. Hanno la capacità di apprendere dai dati disponibili e fare previsioni ragionevoli anche in presenza di informazioni mancanti. Ciò è particolarmente utile nella modellazione del rischio di credito, in cui i dati possono essere scarsi o contenere lacune.
Per convalidare l'efficacia del deep learning nella modellazione del rischio di credito, il dottor Xiao e il suo collega hanno condotto numerosi esperimenti empirici utilizzando un ampio set di dati di obbligazioni societarie. Hanno confrontato le prestazioni delle stime degli spread creditizi basate sul deep learning con quelle ottenute dai tradizionali modelli di rischio di credito. I risultati hanno dimostrato che i modelli di deep learning hanno costantemente superato i modelli tradizionali in termini di accuratezza ed efficienza computazionale.
Il dottor Xiao conclude la sua presentazione sottolineando il potenziale di trasformazione del deep learning nella modellazione del rischio di credito. Sottolinea l'efficienza, l'accuratezza e la flessibilità dei modelli di deep learning nell'approssimare modelli complessi di rischio di credito, in particolare nei casi in cui le soluzioni in forma chiusa non sono disponibili o computazionalmente impegnative.
Dopo la presentazione, la parola è aperta alle domande del pubblico. I partecipanti possono richiedere informazioni su applicazioni specifiche del deep learning nella modellazione del rischio di credito, requisiti dei dati, interpretabilità del modello e qualsiasi altro argomento rilevante. Il dottor Xiao accoglie con favore l'opportunità di interagire con il pubblico e fornire ulteriori approfondimenti basati sulla sua esperienza e sui risultati della ricerca.
Sessione di domande e risposte dopo la presentazione del Dr. Xiao:
Membro del pubblico 1: "Grazie per la presentazione informativa, Dott. Xiao. Sono curioso dell'interpretazione dei modelli di deep learning nella modellazione del rischio di credito. I modelli tradizionali spesso forniscono trasparenza sui fattori che guidano le stime dello spread di credito. Come funzionano i modelli di deep learning gestire l'interpretabilità?"
Dr. Xiao: "Questa è un'ottima domanda. Interpretare i modelli di deep learning può essere difficile a causa della loro intrinseca complessità. Le reti neurali profonde funzionano come scatole nere, rendendo difficile la comprensione diretta del funzionamento interno e l'interpretazione delle singole attivazioni dei neuroni. Tuttavia, ci sono sono stati sforzi di ricerca in corso per migliorare l'interpretabilità nell'apprendimento profondo."
"Tecniche come l'analisi dell'importanza delle caratteristiche, i metodi basati sul gradiente e i meccanismi di attenzione possono aiutare a far luce sui fattori che influenzano le previsioni del modello. Esaminando la risposta della rete a diverse variabili di input, possiamo ottenere informazioni sulla loro importanza relativa nel determinare gli spread di credito ."
"Inoltre, i metodi di interpretabilità agnostica del modello, come LIME (Local Interpretable Model-Agnostic Explanations) o SHAP (SHapley Additive exPlanations), possono essere applicati ai modelli di deep learning. Questi metodi forniscono spiegazioni per le previsioni individuali approssimando il modello localmente attorno a un ingresso specifico."
"È importante notare che mentre queste tecniche offrono un certo livello di interpretabilità, il punto di forza principale dei modelli di deep learning risiede nella loro capacità di catturare schemi e relazioni complessi nei dati. Il compromesso tra interpretabilità e prestazioni del modello è una considerazione nel credito modellazione del rischio e i ricercatori stanno attivamente esplorando modi per trovare un equilibrio tra i due".
Membro del pubblico 2: "Grazie per gli approfondimenti, dottor Xiao. Sono curioso di conoscere i requisiti dei dati per l'addestramento dei modelli di deep learning nella modellazione del rischio di credito. Potrebbe approfondire la quantità e la qualità dei dati necessari?"
Dr. Xiao: "Certamente. I modelli di deep learning in genere beneficiano di grandi quantità di dati per una formazione efficace. Nella modellazione del rischio di credito, disporre di un set di dati diversificato e completo è fondamentale per catturare le complessità dei mercati del credito."
"I dati per l'addestramento dei modelli di deep learning dovrebbero includere una varietà di indicatori economici e finanziari, come fattori macroeconomici, variabili specifiche del settore, spread creditizi storici e dati di mercato pertinenti. Quanto più diversificato e rappresentativo è il set di dati, tanto meglio il modello può generalizzare a nuovi scenari di rischio di credito."
"Per quanto riguarda la qualità dei dati, è importante garantire l'accuratezza, la coerenza e la pertinenza delle variabili di input. Le tecniche di pre-elaborazione dei dati, come la pulizia dei dati, la normalizzazione e l'ingegnerizzazione delle funzionalità, svolgono un ruolo fondamentale nella preparazione del set di dati per l'addestramento. Rimozione dei valori anomali, affrontare i valori mancanti e ridimensionare i dati in modo appropriato sono passaggi cruciali per garantire prestazioni affidabili del modello".
"Inoltre, mantenere i dati aggiornati è essenziale, poiché i modelli di rischio di credito devono adattarsi alle mutevoli condizioni del mercato. Sono necessari aggiornamenti regolari e monitoraggio della qualità e della pertinenza dei dati per garantire l'accuratezza continua dei modelli di deep learning."
Queste erano solo un paio di domande del pubblico, ma la sessione di domande e risposte continua con varie altre domande e discussioni su argomenti come la robustezza del modello, i potenziali limiti del deep learning nella modellazione del rischio di credito e le sfide di implementazione nel mondo reale. Il dottor Xiao si impegna attivamente con il pubblico, condividendo la sua esperienza e le intuizioni acquisite dalla sua ricerca.
Previsione della valutazione delle imprese a lungo termine del Prof S Chandrasekhar | Presentazione della ricerca
Previsione della valutazione delle imprese a lungo termine del Prof S Chandrasekhar | Presentazione della ricerca
Il professor S. Chandrasekhar è professore senior e direttore di Business Analytics presso la IFIM Business School di Bangalore. Con oltre 20 anni di esperienza nel mondo accademico, ha ricoperto incarichi come Chair Professor Director presso la FORE School of Management di Nuova Delhi e Professore presso l'Indian Institute of Management di Lucknow. Ha conseguito una laurea in ingegneria elettrica, un master in informatica presso l'IIT Kanpur e un dottorato in sistemi quantitativi e informativi presso l'Università della Georgia, USA.
In questa presentazione, il professor S. Chandrasekhar si concentra sulla previsione dell'Enterprise Value (EV) a lungo termine di un'azienda utilizzando tecniche avanzate di apprendimento automatico e di elaborazione del linguaggio naturale. A differenza della capitalizzazione di mercato, che considera principalmente il valore per gli azionisti, Enterprise Value fornisce una valutazione più completa di una società incorporando fattori come il debito a lungo termine e le riserve di liquidità.
Per calcolare l'EV, la capitalizzazione di mercato viene aggiustata aggiungendo il debito a lungo termine e sottraendo le riserve di liquidità. Prevedendo il valore aziendale fino a sei mesi in anticipo su base continuativa, questo approccio può aiutare gli investitori e le società di rating a ottenere una prospettiva a lungo termine sulla crescita degli investimenti e sulla gestione dei rischi associati.
Che impatto ha una strategia quantistica? [Tavola rotonda] - 24 settembre 2020
Che impatto ha una strategia quantistica? [Tavola rotonda] - 24 settembre 2020
Durante la tavola rotonda sulle strategie di ricerca di alfa nella finanza, Nicholas sostiene che è incredibilmente difficile creare alfa nei fondi comuni di investimento e negli hedge fund, affermando che il 99% degli investitori non dovrebbe cercare attivamente posizioni alfa. Sottolinea le sfide della generazione di alfa negli hedge fund neutrali al mercato e suggerisce che l'investimento fattoriale è un'opzione più praticabile per sovraperformare il mercato.
Il panel è d'accordo con Nicholas e sottolinea l'importanza di trovare fonti di dati univoche e utilizzarle per sviluppare una strategia sistematica nel factor investing. Credono che questo approccio sia la chiave per una generazione alfa di successo. Discutono anche della difficoltà di raggiungere un vero alfa nel mercato attuale e suggeriscono strategie alternative come l'asset allocation e la gestione del rischio.
Il panel sconsiglia di concentrarsi esclusivamente sulla ricerca di alfa e suggerisce di esaminare nicchie di mercato meno coperte e, quindi, meno efficienti. Sottolineano l'importanza di costruire un benchmark di portafoglio ben costruito, come le strategie beta, e incoraggiano gli investitori a guardare oltre l'S&P 500 per trovare azioni potenzialmente redditizie.
I relatori avvertono che anche se l'alfa viene identificato, potrebbe non essere possibile raccoglierlo a causa di potenziali conflitti con i prime broker. Discutono inoltre dei vantaggi della negoziazione di attività che non fanno parte del principale universo di investimento in futures o che non fanno parte del mandato del gestore. Tali attività sono spesso meno affollate, il che si traduce in indici di Sharpe più elevati rispetto alle attività ben note sul mercato. Tuttavia, riconoscono che la negoziazione di queste attività può richiedere una dimensione del portafoglio inferiore e incorrere in commissioni più elevate a causa della loro minore liquidità e del maggiore sforzo di negoziazione.
Laurent è d'accordo con l'opinione di Nicholas secondo cui le tradizionali strategie di gestione attiva, come la selezione di azioni sul lato lungo, non hanno mai funzionato bene. Ritiene che l'onere della prova si sia spostato sui gestori attivi per dimostrare la loro capacità di evolversi e performare in mercati difficili.
Il panel discute anche dell'importanza di considerare il lato corto di una strategia di investimento long-short. Sottolineano la necessità della gestione del rischio e dello stress test della strategia attraverso un ampio backtesting, compreso l'esame dell'impatto dei costi di transazione e dei cambiamenti della struttura del mercato. Il panel raccomanda di dedicare molto tempo alla strategia per identificare i pochi che sopravvivono al processo di convalida.
La discussione passa alle implicazioni pratiche e alla visualizzazione delle strategie per la generazione di alfa. Il panel riconosce il valore della ricerca accademica, ma osserva che spesso manca di implicazioni pratiche e dettagli di implementazione. Sottolineano l'importanza di creare strategie che possano essere eseguite da una prospettiva di portafoglio, sopravvivere ai costi di transazione e allinearsi alle aspettative dei clienti. La rappresentazione visiva, come i grafici che illustrano i drawdown di trading, è preferita alle tabelle in quanto aiuta gli investitori a mantenere le strategie durante i drawdown significativi.
Il relatore sottolinea l'importanza di costruire una strategia che sia in linea con gli obiettivi del cliente e sia sincronizzata con ragioni economiche e fondamentali. Sottolineano la necessità di semplicità e spiegabilità, affermando che una strategia dovrebbe poter essere riassunta in poche semplici frasi. Il backtesting non ha solo lo scopo di dimostrare che una strategia funziona, ma di testarne la resilienza spingendone i limiti.
Il panel riflette sull'impatto delle strategie quant e identifica mean reversion e trend following come le due strategie fondamentali indipendentemente dalla classe di asset o dal time frame. Confrontano il trend following con l'acquisto di biglietti della lotteria, con bassi tassi di vincita e alta volatilità, ed evidenziano l'inversione media come una strategia che genera un dollaro alla volta con alti tassi di vincita e bassa volatilità. Discutono dell'importanza di gestire le perdite e ottimizzare l'aspettativa di guadagno inclinando e combinando queste strategie. Toccano anche le sfide delle vendite allo scoperto e cavalcano la coda dei detentori istituzionali.
La gestione del rischio è al centro della discussione, con il panel che sottolinea la necessità di un'aspettativa positiva nelle strategie del mercato azionario. Considerano il mercato azionario come un gioco infinito, casuale e complesso e suggeriscono di combinare operazioni ad alto tasso di vincita con biglietti della lotteria per mitigare potenziali perdite. Il panel discute anche quando ritirare una strategia, sottolineando l'importanza di rimanere aggiornati con la ricerca e considerando i cambiamenti strutturali o le fluttuazioni del mercato che potrebbero avere un impatto su una strategia. Il ritiro di una strategia dovrebbe avvenire solo dopo ricerche approfondite e modifiche alla struttura.
Il panel affronta le difficoltà legate alla gestione di più strategie di investimento e alla gestione di strategie poco performanti. Sottolineano l'importanza di attenersi al mandato di investimento e di comprendere le aspettative dei clienti. Il panel suggerisce di avere un processo per trovare nuove strategie e implementarle sapendo quando ritirare le strategie che non stanno funzionando bene. Discutono di due approcci alla gestione delle strategie con prestazioni inferiori, mantenendole per una visione a lungo termine o utilizzando tecniche di trend following e rimuovendole dal portafoglio. La decisione dipende dal mandato specifico e dal finanziamento del fondo multistrategia e multiasset.
I relatori sottolineano le sfide dell'investimento quantitativo e l'importanza di avere fiducia nel lavoro svolto, indipendentemente dalla quantità di ricerca. Menzionano la possibilità di trasformare le strategie in strategie migliori e sottolineano la scarsità di strategie veramente diversificanti. Toccano anche la vendita allo scoperto di azioni, come Tesla, e notano che la vendita allo scoperto di un titolo è essenzialmente la vendita allo scoperto di un'idea o di una convinzione, in particolare nelle valutazioni corte basate su una storia. Forniscono un esempio dal Giappone nel 2005, dove una società di credito al consumo aveva una valutazione stratosferica ma è rimasta una pacifica short fino a quando alla fine è fallita pochi anni dopo.
I relatori discutono delle insidie della chiusura di una strategia basata su valutazioni surreali che non sono in linea con le aspettative tradizionali. Citano aziende come Tesla, la cui capitalizzazione di mercato ha superato quella di aziende più grandi come Toyota. I relatori sottolineano l'importanza della simmetria nell'avere le stesse regole sia per il lato corto che per quello lungo, anche se riconoscono che è più impegnativo. Credono che molte strategie possano essere migliorate e anche classi di attività diverse sono, in sostanza, una scommessa sulla crescita economica.
Il panel discute anche della difficoltà di trovare strategie che diversifichino veramente e traggano vantaggio dall'incertezza finanziaria e dalla volatilità. Sottolineano i limiti delle classiche strategie di hedge fund a questo proposito e raccomandano agli aspiranti quant di pensare per modelli e di essere disposti a scartare le strategie che non funzionano. Suggeriscono che gli investitori al dettaglio si concentrino su ETF diversificati a basso costo e diano priorità alla gestione del rischio.
Il panel conclude la discussione affrontando l'efficienza dei mercati finanziari e le sfide che i singoli investitori devono affrontare quando competono con i professionisti. Raccomandano di utilizzare documenti di ricerca accademici come ispirazione piuttosto che vangelo e di trovare idee che non sono mainstream per evitare un'eccessiva correlazione con il mercato più ampio. Forniscono i loro handle di Twitter, i profili di LinkedIn e i siti Web per coloro che sono interessati a esplorare ulteriormente il loro lavoro.
Il panel approfondisce vari aspetti delle strategie di ricerca alfa, evidenziando le difficoltà, gli approcci alternativi, le considerazioni sulla gestione del rischio e l'importanza delle implicazioni pratiche e della visualizzazione. Le loro intuizioni forniscono una guida preziosa per investitori e quanti che navigano nel complesso panorama della finanza.
Trading con Deep Reinforcement Learning | Dottor Thomas Starke
Trading con Deep Reinforcement Learning | Dottor Thomas Starke
Il Dr. Thomas Starke, esperto di apprendimento per rinforzo profondo per il trading, introduce il concetto di apprendimento per rinforzo (RL) e la sua applicazione nel dominio del trading. L'apprendimento per rinforzo consente alle macchine di apprendere come eseguire un'attività senza supervisione esplicita, determinando le azioni migliori da intraprendere per massimizzare i risultati favorevoli. Usa l'esempio di un apprendimento automatico per giocare a un gioco per computer, in cui progredisce attraverso diversi passaggi rispondendo a segnali visivi sullo schermo. Il successo o il fallimento della macchina è determinato dalle decisioni prese durante il gioco.
Il Dr. Starke si tuffa nelle specifiche del trading con un profondo apprendimento per rinforzo discutendo il processo decisionale di Markov. In questo processo, ogni stato corrisponde a un particolare parametro di mercato e un'azione intrapresa fa passare il processo allo stato successivo. A seconda della transizione, l'agente (la macchina) riceve una ricompensa positiva o negativa. L'obiettivo è massimizzare la ricompensa attesa data una certa politica e stato. Nel contesto del trading, i parametri di mercato aiutano a identificare lo stato attuale, consentendo all'agente di prendere decisioni informate sulle azioni da intraprendere.
Il processo decisionale nel trading implica determinare se acquistare, vendere o detenere posizioni sulla base di vari indicatori che informano lo stato del sistema. L'obiettivo finale è ricevere la migliore ricompensa possibile, che è il profitto o la perdita derivante dal commercio. Il dottor Starke osserva che gli approcci tradizionali di apprendimento automatico assegnano etichette specifiche agli stati, come profitti o perdite immediati. Tuttavia, questo può portare a etichette errate se uno scambio va temporaneamente contro le aspettative. La macchina deve capire quando rimanere in un trade anche se inizialmente incorre in perdite, avendo la convinzione di aspettare che il trade ritorni alla linea media prima di uscire.
Per affrontare la difficoltà di etichettare ogni fase del profitto e della perdita di un commercio, il Dr. Starke introduce l'etichettatura retroattiva nell'apprendimento per rinforzo. L'apprendimento automatico tradizionale etichetta ogni fase di un'operazione, rendendo difficile prevedere se un'operazione potrebbe diventare redditizia in futuro nonostante le perdite iniziali. L'etichettatura retroattiva utilizza l'equazione di Bellman per assegnare un valore diverso da zero a ogni azione e stato, anche se non produce un profitto immediato. Questo approccio consente la possibilità di tornare alla media e alla redditività finale.
La gratificazione ritardata è una sfida chiave nel trading e il Dr. Starke spiega come l'apprendimento per rinforzo aiuta a superare questo ostacolo. L'equazione di Bellman viene utilizzata per calcolare la ricompensa di un'azione, incorporando sia la ricompensa immediata ("r") che la ricompensa cumulativa ("q"). Il fattore di sconto ("gamma") determina il peso dato ai risultati futuri rispetto a quelli precedenti. Sfruttando l'apprendimento per rinforzo, le decisioni di trading non si basano esclusivamente su ricompense immediate, ma tengono anche conto del potenziale per maggiori ricompense future. Questo approccio consente un processo decisionale più informato rispetto a un processo decisionale puramente avido.
L'apprendimento per rinforzo profondo è particolarmente utile nel trading a causa della complessità dei mercati finanziari e del gran numero di stati e influenze da considerare. Il Dr. Starke evidenzia l'uso di reti neurali profonde per approssimare tabelle basate su esperienze passate, eliminando la necessità di una tabella enorme. Sottolinea l'importanza di selezionare input che hanno valore predittivo e testare il sistema per comportamenti noti. Lo stato nel trading coinvolge prezzi storici e attuali, dati di guardia tecnica, fonti di dati alternative come sentiment o immagini satellitari e altro ancora. Trovare la giusta funzione di ricompensa e gli input per definire lo stato è fondamentale. Il costante aggiornamento delle tabelle approssimate dalle reti neurali consente alla macchina di apprendere progressivamente e prendere decisioni di trading migliori.
Il Dr. Starke discute su come strutturare le serie di prezzi per la formazione utilizzando l'apprendimento per rinforzo. Invece di scorrere in sequenza le serie di prezzi, si può entrare e uscire in modo casuale in punti diversi. La scelta del metodo dipende dalle specifiche esigenze e preferenze dell'utente. Approfondisce anche la sfida di progettare una funzione di ricompensa, fornendo esempi come l'utilizzo di profitti e perdite (P&L) in percentuale pura, profitto per tick, rapporto di Sharpe e vari tipi di punizioni per evitare prelievi prolungati o durate di scambio eccessive.
In termini di input, il Dr. Starke suggerisce più opzioni, inclusi valori di apertura, massimo, minimo, chiusura e volume, modelli di candele, indicatori tecnici come l'indice di forza relativa e vari fattori legati al tempo. Gli input possono includere anche prezzi e indicatori tecnici di altri strumenti e fonti di dati alternative come analisi del sentiment o immagini satellitari. Questi input vengono combinati per costruire uno stato complesso, simile a come un gioco per computer utilizza le funzionalità di input per prendere decisioni. Trovare la giusta funzione di ricompensa che si allinei con il proprio stile di trading è fondamentale, in quanto consente l'ottimizzazione del sistema di conseguenza.
La fase di test è un passaggio essenziale per l'apprendimento per rinforzo nel trading. Il Dr. Starke spiega la serie di test che conduce, tra cui onde sinusoidali pulite, curve di tendenza, serie randomizzate senza struttura, diversi tipi di correlazioni di ordine, rumore nelle curve di test pulite e schemi ricorrenti. Questi test aiutano a valutare se la macchina genera costantemente profitti e a identificare eventuali difetti nella codifica. Discute anche l'uso di diversi tipi di reti neurali, come le reti standard, convoluzionali e di memoria a lungo termine (LSTM). Il dottor Starke preferisce reti neurali più semplici che siano sufficienti per le sue esigenze e non richiedano uno sforzo computazionale eccessivo.
Il Dr. Starke riconosce le sfide del trading con l'apprendimento per rinforzo, come la distinzione tra segnale e rumore e la questione dei minimi locali. L'apprendimento per rinforzo si scontra con serie temporali finanziarie rumorose e sistemi finanziari dinamici caratterizzati da regole e regimi di mercato mutevoli. Tuttavia, dimostra che l'appianamento della curva dei prezzi con una semplice media mobile può migliorare significativamente le prestazioni della macchina di apprendimento per rinforzo. Questa intuizione offre indicazioni sulla creazione di un sistema di apprendimento automatico di successo in grado di prendere decisioni di trading redditizie.
Per quanto riguarda le domande del pubblico, il Dr. Starke fornisce ulteriori approfondimenti. Conferma che l'equazione di Bellman evita di introdurre distorsioni di previsione e che gli indicatori tecnici possono essere utilizzati come input dopo un'attenta analisi. Suggerisce che le immagini satellitari potrebbero essere preziose per prevedere i prezzi delle azioni. In termini di time frame, lo scambio di rinforzo può essere applicato a piccoli time frame a seconda del tempo computazionale della rete neurale. Discute la sensibilità degli algoritmi di trading di rinforzo alle anomalie del mercato e spiega perché l'addestramento di alberi decisionali casuali utilizzando l'apprendimento per rinforzo non ha senso.
Alla domanda sulla scelta delle reti neurali, il Dr. Starke consiglia di utilizzare reti neurali per il trading invece di alberi decisionali o macchine vettoriali di supporto a causa della loro idoneità per il problema. L'ottimizzazione della funzione di perdita basata sulla funzione di ricompensa è essenziale per prestazioni ottimali. Riconosce che sono stati fatti alcuni tentativi per utilizzare l'apprendimento per rinforzo per il trading ad alta frequenza, ma le reti neurali lente e prive di reattività nei mercati in tempo reale sono state un limite. Il Dr. Starke sottolinea l'importanza di acquisire conoscenze di mercato per perseguire con successo una carriera di trading, effettuare operazioni reali e apprendere ampiamente durante tutto il processo. Infine, discute le sfide associate alla combinazione di reti neurali e trading di opzioni.
Il Dr. Starke affronta anche l'uso dei dati delle opzioni come input per il trading dello strumento sottostante, piuttosto che affidarsi esclusivamente a indicatori tecnici. Offre approfondimenti sull'utilizzo delle reti neurali per determinare il numero di lotti da acquistare o vendere e sull'incorporazione di fattori come spread, commissioni e slippage nell'algoritmo costruendo un modello di slippage e integrando questi fattori nella funzione di ricompensa. Consiglia cautela quando si utilizzano le reti neurali per decidere i volumi degli scambi e suggerisce di utilizzare i valori di output per regolare di conseguenza i pesi del portafoglio. Conclude esprimendo gratitudine per le domande del pubblico e per la partecipazione al suo discorso, invitando a ulteriore impegno e interazione attraverso LinkedIn.
Durante la presentazione, il Dr. Starke ha sottolineato l'importanza dell'apprendimento continuo e del miglioramento nel campo del trading con l'apprendimento per rinforzo. Ha evidenziato la necessità di aggiornare costantemente le reti neurali e perfezionare il sistema sulla base di nuovi dati e condizioni di mercato. Questo processo iterativo consente alla macchina di adattarsi alle mutevoli dinamiche e migliorare le sue capacità decisionali nel tempo.
Il Dr. Starke ha anche discusso il concetto di convalida del modello e l'importanza dei test fuori campione. È fondamentale valutare le prestazioni del modello addestrato su dati invisibili per garantire che si generalizzi bene e non si adatti eccessivamente a specifiche condizioni di mercato. I test fuori campione aiutano a convalidare la robustezza del sistema e forniscono una valutazione più realistica delle sue prestazioni.
Inoltre, ha toccato le sfide della preelaborazione dei dati e dell'ingegneria delle funzionalità nel trading con l'apprendimento per rinforzo. Preparare i dati in un formato adeguato e selezionare le caratteristiche informative sono passaggi fondamentali nella costruzione di un modello di trading efficace. Il dottor Starke ha suggerito di esplorare varie tecniche come la normalizzazione, il ridimensionamento e la selezione delle funzionalità per ottimizzare i dati di input per le reti neurali.
Inoltre, il Dr. Starke ha riconosciuto i limiti dell'apprendimento per rinforzo e la sua suscettibilità alle anomalie del mercato o agli eventi estremi. Sebbene l'apprendimento per rinforzo possa offrire preziose informazioni e generare strategie redditizie, è importante prestare attenzione e comprendere i rischi intrinseci coinvolti nel trading. Le strategie di gestione del rischio e di diversificazione svolgono un ruolo cruciale nel mitigare le potenziali perdite e garantire il successo a lungo termine.
In conclusione, la presentazione del Dr. Starke ha fornito una panoramica completa dell'applicazione dell'apprendimento per rinforzo nel trading. Ha discusso i concetti chiave, le sfide e le migliori pratiche associate all'utilizzo di algoritmi di apprendimento per rinforzo profondo per prendere decisioni di trading informate. Sfruttando la potenza delle reti neurali e i principi dell'apprendimento per rinforzo, i trader possono migliorare le loro strategie e potenzialmente ottenere prestazioni migliori in mercati finanziari dinamici e complessi.
EPAT Sneak Peek Lecture - Come ottimizzare una strategia di trading? - 27 febbraio 2020
EPAT Sneak Peek Lecture - Come ottimizzare una strategia di trading? - 27 febbraio 2020
Nel video, il relatore inizia fornendo informazioni di base sul Contenuto C e introducendo la sua esperienza nel trading e nel settore bancario. Discutono le diverse metodologie nel trading, incluso il trading sistematico, il trading quantitativo, il trading algoritmico e il trading ad alta frequenza. L'obiettivo principale del video è fornire approfondimenti sullo sviluppo e l'ottimizzazione di una strategia di trading in modo quantificabile e confrontare approcci di trading discrezionali e quantitativi.
L'oratore sottolinea l'importanza della sovraperformance e dell'hit ratio nel trading. Spiegano che per ottenere una sovraperformance in almeno il 50% delle azioni con una probabilità del 95%, i trader devono essere corretti nelle loro previsioni un certo numero di volte, che aumenta con il numero di asset monitorati e scambiati. Il trading sistematico, che consente di tracciare più azioni, ha un vantaggio rispetto al trading discrezionale a questo proposito. Tuttavia, il trading discrezionale può fornire approfondimenti proprietari più approfonditi monitorando un minor numero di azioni. Il relatore introduce la legge fondamentale della gestione degli investimenti, che afferma che la performance di un gestore degli investimenti rispetto al benchmark è direttamente proporzionale al loro rapporto di successo e alla radice quadrata del numero di scommesse effettuate.
Diversi tipi di trader, come i trader tecnici, i trader fondamentali e i quant, catturano il rischio e i rendimenti in modi diversi. Il relatore spiega che quasi tutti questi approcci di trading possono essere espressi come regole, rendendo possibile il trading sistematico. Una strategia di trading è definita come un insieme matematico di regole che determina quando acquistare, vendere o detenere, indipendentemente dalla fase di mercato. L'obiettivo di una strategia di trading è generare una funzione di segnale basata sui dati in entrata e convertirla in una posizione target per l'asset sottostante. Sebbene il trading sia complesso a causa della casualità del mercato e della natura stocastica, le strategie basate su regole possono aiutare a gestire il rischio.
Il relatore approfondisce le funzioni coinvolte nella progettazione e implementazione di una strategia di trading. Sottolineano che il rendimento realizzato nel mercato effettivo è al di fuori del proprio controllo e non può essere modificato. Pertanto, è essenziale ottimizzare la funzione di Pi dati alcuni vincoli modificando i parametri per migliorare la strategia. Il relatore delinea le fasi dello sviluppo della strategia, tra cui ideazione, verifica delle ipotesi, conversione delle regole, backtesting, stima del rischio, implementazione e l'importanza di cercare la strategia successiva dopo l'implementazione.
Vengono spiegate le equazioni per il ritorno sull'investimento in una strategia di trading, considerando fattori come alfa, beta ed epsilon. Il relatore discute anche del rischio e dei pannelli in una strategia, spiegando come il rischio idiosincratico può essere diversificato e non fa parte del rendimento atteso. Vengono introdotti i concetti di beta e alfa, con l'indicizzazione passiva su base ampia suggerita per l'esposizione ai fattori di mercato e il potenziale per un'ulteriore diversificazione attraverso fattori di acquisto come valore o momentum. La creazione di alfa è riconosciuta come un'attività impegnativa che richiede un'attenta selezione o tempistica.
Il relatore sottolinea l'importanza dell'alfa e del market timing nelle strategie di trading. Spiegano che una strategia efficace richiede l'acquisizione di alfa costante e la previsione dei cambiamenti nei fattori di mercato. Se uno manca di questa capacità, l'investimento passivo diventa l'unica opzione praticabile. Il relatore consiglia di iniziare lo sviluppo di una semplice strategia di trading con l'ideazione e un'attenta osservazione prima di procedere al backtesting. Si consiglia di approfondire le potenziali idee utilizzando i prezzi giornalieri per ottenere informazioni iniziali.
Viene fornita una dimostrazione su come ottimizzare una strategia di trading utilizzando tecniche di codifica e analisi dei dati. L'esempio utilizza le azioni Microsoft, Apple e Google per calcolare i segnali di trading e approssimare la successiva svendita di valore in base all'apertura e alla chiusura odierna. L'analisi esplorativa viene condotta tracciando grafici per visualizzare le differenze nei movimenti dei prezzi. Viene discussa la standardizzazione dei dati per rendere il valore di X comparabile tra diversi titoli, considerando fattori come volatilità, prezzi e percentuale di volatilità. Il relatore mette in evidenza il fenomeno statistico relativo al gap up e gap down negli indici large cap reliance stock e S&P top 20 del mercato indiano, che ha portato alla definizione del range di apertura e della barra di chiusura.
Il relatore passa quindi a discutere i vantaggi del programma EPAT (Executive Program in Algorithmic Trading) per i trader e le persone interessate a perseguire una carriera nel trading. Sottolineano che il programma EPAT è un programma pratico incentrato sul trading, che lo rende adatto a coloro che aspirano a diventare trader o lavorare nei banchi di trading di brokeraggio. Il programma fornisce una comprensione completa delle strategie di trading, delle tecniche di gestione del rischio e degli aspetti pratici del trading algoritmico.
A differenza dei programmi che si concentrano maggiormente sugli aspetti teorici, il programma EPAT offre conoscenze pratiche che possono essere applicate direttamente negli scenari di trading del mondo reale. L'oratore incoraggia le persone che mirano a diventare quantisti del rischio a esplorare altri programmi che approfondiscono i concetti teorici.
Alla domanda su argomenti statistici essenziali per il trading, l'oratore consiglia di fare riferimento a qualsiasi libro di statistica a livello universitario per ottenere informazioni sull'applicazione delle statistiche nel trading. Suggeriscono inoltre di seguire i blog di finanza quantitativa e gli account Twitter per accedere a preziosi materiali di apprendimento e rimanere aggiornati con le ultime tendenze e sviluppi nel campo.
Per quanto riguarda lo sviluppo della strategia, il relatore sottolinea l'importanza di pensare in termini di statistica e quantificazione per tradurre le idee di trading in codice. Il programma EPAT fornisce ai trader le competenze necessarie per definire strategie di trading valide e redditizie. Sottolineano la necessità di impegnarsi nello sviluppo della strategia e riconoscono che realizzare profitti consistenti nel trading di algoritmi richiede dedizione e perseveranza.
Il relatore risponde a domande specifiche del pubblico, fornendo indicazioni su argomenti come la definizione di minimi e massimi locali nel codice, l'ottenimento e l'utilizzo di codice per il trading di opzioni e la ricerca di codice campione. Menzionano che è possibile trovare esempi di codice su GitHub e chiariscono che il programma EPAT include componenti di strategie di trading, ma non sono sicuri che il dimensionamento della posizione sia coperto.
Andando avanti, l'oratore discute l'applicazione dell'algo trading in semplici strategie di opzioni come i condor di ferro. Sottolineano l'importanza della velocità di esecuzione nel trading ad alta frequenza, dove i tempi di esecuzione giocano un ruolo cruciale. Tuttavia, per le strategie a medio-lungo termine, le fonti alfa sono più importanti della velocità. Il trading algoritmico può essere particolarmente utile per monitorare più opzioni su diversi titoli per garantire che non vengano perse potenziali negoziazioni.
Il relatore condivide la loro prospettiva sull'uso di dati alternativi nelle strategie di trading. Esprimono emozioni contrastanti sulla sua efficacia, sottolineando che mentre alcuni dati alternativi possono essere preziosi, non tutte le fonti di dati forniscono spunti utili. La decisione di incorporare valori anomali nelle strategie di trading dipende dai profili di trading e di rischio specifici della strategia utilizzata.
Vengono discusse anche le strategie adattive, che hanno la capacità di ottimizzarsi in base alle mutevoli condizioni di mercato. Il relatore evidenzia varie tecniche per la creazione di strategie adattive e sottolinea il loro potenziale per migliorare le prestazioni e l'adattabilità del trading.
In conclusione, il relatore ribadisce che mentre è possibile costruire strategie di trading basate su vari tipi di grafici, è essenziale disporre di regole specifiche per garantire il successo. Avvertono che non ci sono "pranzi gratis" nel mercato e sottolineano l'importanza di un approccio disciplinato e sistematico alle decisioni commerciali.
Il video si conclude con un invito agli spettatori a porre eventuali ulteriori domande sul programma EPAT o sui suoi potenziali vantaggi per la loro carriera e attività. Le persone interessate sono incoraggiate a mettersi in contatto con i consulenti del programma per informarsi sui dettagli di ammissione e sulla flessibilità delle tariffe attraverso il forum fornito o altri canali di comunicazione.