定量的取引 (Quantitative trading) - ページ 24

[MetaQuotes]

トレーディングにおける人工知能 by トーマス・スターク博士 |アルゴ取引週 6 日目

トレーディングにおける人工知能 by トーマス・スターク博士 |アルゴ取引週 6 日目

著名な講演者であるトーマス・スターク博士は、プレゼンテーションの中で、AI がトレーディングにおける次の大きな要素と考えられている理由について説明します。同氏は、AI と機械学習は古くから存在していましたが、計算能力が限られていたため、それらを効果的に適用するのが困難だったことを認めています。しかし、最近のテクノロジーの進歩により計算能力が大幅に向上し、クラウド コンピューティングを介してラップトップやサーバー センターで実質的なアルゴリズムを効率的に実行できるようになりました。シュタルケ博士は、顔認識、画像認識、自然言語処理などのさまざまな分野での AI の成功を強調し、これらが AI が金融にも革命をもたらす可能性があるという信念に貢献しました。

スターク博士は、AI と機械学習は特効薬ではなく、金融分野での徹底的な理解と応用が必要な科学的および数学的ツールであると強調します。金融には科学的な側面もありますが、主に芸術形式とみなされます。したがって、金融分野で AI の可能性を活用するには、この分野のツールと芸術性の両方を把握する必要があります。

シュタルケ博士は講演の中で、AIを取引に応用する際の機械学習や統計知識と並んで、ソフトウェア開発やプログラミングのスキルの役割について言及します。同氏は、市場で機械学習ツールを効果的に採用するには、API の作成やシステムのフェイルセーフの確保など、強力なソフトウェア スキルの重要性を強調しています。同氏は、機械学習ツールは使いやすいものの、この分野の実務者にとってはプログラミング スキルと統計知識が不可欠であると主張します。さらに、機械学習アルゴリズムの利用に博士号が必要かどうかという問題についても言及し、個人が特定の目標を持ち、綿密な研究を行い、必要な努力を惜しまない限り、博士号は必須ではないと主張しています。

取引用の AI を学習する際のメンターシップの重要性も、シュタルケ博士が議論するもう 1 つのトピックです。同氏は、優れたメンターを見つけることで、初心者がよくある間違いを回避し、学術機関から得た理論的知識だけに頼るのではなく、実践的な知識を身につけることができると強調しています。シュタルケ博士は、AI は誰でも学ぶことができるが、適切な指導を提供できるメンターの存在は非常に貴重であると強調します。また同氏は、プログラミングは適切な指導を受ければ学べるため、プログラミングのスキルよりも根底にある市場や経済を理解することが重要であると強調しています。

シュタルケ博士はプレゼンテーションの中で、今日の貿易業界においてプログラミングと定量的手法を学ぶことの重要性も強調しました。同氏は、成功したトレーダーは数学やプログラミングをよく理解していることが多く、トレードに興味のある人は比較的早くこれらのスキルを習得できることを強調しています。同氏は、クオンツ手法と機械学習の学習に時間を投資しているトレーダーは、画面取引からアルゴリズム取引への移行が起こったときに生き残る可能性が高いと指摘しています。しかし、経済的および市場的優位性を持つことが極めて重要であり、プログラミングと数学的スキルだけで得られる優位性を超えると彼は強調します。同氏はまた、ディープラーニングでは企業や個人が利益を説明する必要があり、1年間のマイナス利益に直面すると重大な課題が生じる可能性があるとも述べた。

AI アルゴリズムとリスク管理の実践についてもシュタルケ博士が説明します。彼は、AI アルゴリズムを説明できることの重要性を強調しています。それができないと、問題が発生したり、資金が引き出されたりする可能性があります。同氏は、AIや機械学習の利用にもかかわらず、リスク管理の実践はほとんど変わっていないが、特に株式や債券の強気相場の終焉に伴い、リスク管理の新たな方法を模索する必要があると述べた。シュタルケ博士は、機械学習はトレーディングにおいて広く普及しており、入力信号の生成や機械学習モデルのリスク管理など、さまざまな用途に使用されていると強調します。

スターク博士は、主成分分析 (PCA)、デシジョン ツリー、xgboost、深層学習、強化学習など、取引で使用されるさまざまなモデルとテクノロジーについて詳しく説明します。彼は、シグナルデータの分析、ポートフォリオのリスク管理、取引の実行におけるそれらのアプリケーションについて説明します。同氏はまた、幾何学的利益を増大させ、他の市場で成功した戦略を再現する上でのリスク管理システムの重要性を強調しています。シュタルケ博士は、優れたリスク管理システムはアルファを生成することもでき、長期ボラティリティ戦略とみなされる可能性があると示唆しています。

さらに、スターク博士は、トレーディングにおけるショートボラティリティ戦略のリスクをヘッジおよび管理するために AI をどのように使用できるかを調査し、そのような戦略によって生成されるアルファを強化する可能性を検討しています。彼は、新しい取引戦略を継続的に学び開発する上で、好奇心とリスクに対する健全な認識の重要性を強調しています。彼は、すぐに使える取引プラットフォームに依存しないようにアドバイスし、代わりにディープラーニングの利点を得るためにゼロからコーディング戦略を行うことを奨励しています。

シュタルケ博士は、時間ベースの価格変動と価格ベースの市場変動について議論します。同氏は、時間ベースの価格変動は指標を計算することで数学的に解決できる一方、価格ベースの市場変動は市場の基礎となる経済学によって決定されると説明しています。シュタルケ博士は、市場でアウトパフォームするために数学的手法だけに頼るのではなく、トレーディング戦略の根底にある経済的根拠を考慮することの重要性を強調しています。彼は、金融市場における AI と定量的モデルの組み合わせに興味がある人に、マーカス ロペス、グリンネル、カーンの本を勧めています。

プレゼンテーション中、Starke 博士は、因子モデリングの原理を理解することの重要性を強調し、これは機械学習の原理に似ていると考えています。これらの原則を理解することで、トレーダーは機械学習をシステムに効果的に適用できるようになると彼は示唆しています。シュタルケ博士はまた、常に最も収益性の高い戦略であるとは限らないため、優れた取引戦略とは何かを定義することの重要性を強調しています。彼は、取引戦略と取引の背後にある心理学についての貴重な洞察を提供する、ラルフ ビンス、アンドレアス クレナウ、トレンドフル氏の書籍を参照しています。

スターク博士は、AI と機械学習がケインズ流美人コンテストなどの行動金融における非線形性をどのように捉えることができるかについて説明します。彼は、これらの非線形ダイナミクスは、線形回帰モデルとは異なり、機械学習によって効果的に捉えることができると説明しています。ただし、ファンダメンタルズデータが明示的に使用されない場合でも、取引戦略の背後に経済的根拠を持つことが依然として重要であると彼は強調します。

さらに、シュタルケ博士は、必ずしも根本的ではない特定の市場の非効率性の悪用を研究しています。同氏は、一晩のショートポジションの制限や、トリプルリーチやクアドルプルウィッチングなどの特定の日付など、市場に活用できる経済効果を生み出す可能性がある要素について言及している。彼はまた、日常の経済活動や違法な市場操作から生じる市場の非効率性についても言及しています。シュタルケ博士は、将来の協力の可能性に関心を示していますが、現時点では具体的な計画はありません。

なぜ夢は実現しないことが多いのかという視聴者の質問に答えて、シュタルケ博士は個人的な洞察を提供します。彼は、夢は最初は概念として始まり、彼の夢の生活は単にビーチに横たわることを中心に展開するのではなく、むしろ探検したり、自分のビジネスを経営したり、自主的に行動したりすることが含まれていると説明します。彼は、自分の本当の願望や目標を実際の結果と一致させることが重要であると強調します。プレゼンテーションは、司会者が視聴者にコントラコースの期間限定割引について通知し、翌日予定されている取引における機械学習の適用に関する最終セッションについて言及して終了します。

• 00:00:00講演者は、AI がトレーディングにおける次の目玉と考えられている理由について語ります。 AI と機械学習は長い間存在していましたが、アルゴリズムを効果的に実行するのに十分な計算能力がありませんでした。しかし、近年では技術が進歩し、相当なアルゴリズムでもノートパソコン上で実行できるようになり、クラウドによってサーバーセンター上でも実行できるようになりました。さらに、AI が次の大きなものであるという考えに貢献する他の分野でも成功があり、金融も取り残されていません。 AI は、顔認識、画像認識、一般的な自然言語処理などの分野で役立つことが証明されています。
  
  
• 00:05:00トーマス・スターク博士は、金融における人工知能 (AI) の可能性と、AI がこれまで利用できなかった新たな可能性を可能にするため、どのようにゲームチェンジャーとなり得るかについて語ります。また、AI と機械学習は特効薬ではなく、本質的に科学的ではない金融において理解し、適用する必要がある科学的および数学的ツールであることにも触れています。金融には科学的な側面もありますが、その大部分は芸術形式であると考えられています。したがって、AI をうまく活用するには、ツールと金融技術の両方を理解することが不可欠です。
  
  
• 00:10:00 Thomas Starke 博士は、AI を取引に適用する際の機械学習と統計知識に加えて、ソフトウェア開発とプログラミング スキルの役割について説明します。同氏は、機械学習ツールを市場に適用するために必要な、API の作成やシステムのフェイルセーフ化など、優れたソフトウェア スキルの重要性を強調しています。同氏は、機械学習ツールは使いやすいものの、この分野の実践者になるにはプログラミング スキルと統計の知識が不可欠であると主張します。シュタルケ博士はまた、機械学習アルゴリズムを適用するために博士号が必要かどうかという問題にも言及し、特定の目標を持ち、必要な研究と仕事に取り組む意欲がある限り、博士号は必須ではないと主張しています。
  
  
• 00:15:00 Thomas Starke 博士は、トレーディングにおける AI の学習におけるメンターシップの重要性について語ります。彼は、プロセスをガイドしてくれる良い指導者を見つけることが、初心者の間違いを防ぐのに役立つと強調します。彼は、AI は誰でも学ぶことができると信じていますが、大学で開発された理論的な知識だけでなく、実際に役立つものを開発することがより重要です。シュタルケ博士はまた、プログラミングのスキルよりも根底にある市場と経済を理解することが重要であると強調しています。彼は、適切に指導してくれる人がいる限り、プログラミングを学ぶことができると主張します。
  
  
• 00:20:00 Thomas Starke 博士は、今日の貿易業界におけるプログラミングと定量的手法を学ぶことの重要性について説明しました。同氏は、成功したトレーダーのほとんどは数学とプログラミングを深く理解しており、興味がある人はかなり早く習得できると述べた。同氏は、クオンツ手法と機械学習の学習に時間を投資するトレーダーは、画面取引からアルゴリズムへの移行が起こったときに市場で生き残る傾向があると説明しました。さらに、経済的および市場的優位性が極めて重要であり、プログラミングや数学的スキルの優位性を上回ると強調しました。ただし同氏は、ディープラーニングでは企業や個人がその利益を説明する必要があり、1年間のマイナスの利益が重大な課題をもたらす可能性があるとも述べた。
  
  
• 00:25:00 Thomas Starke 博士は、特にトレーディングで機械学習ツールを使用する場合、AI アルゴリズムを説明できることの重要性について語ります。アルゴリズムを説明できない場合、問題が発生したり、資金の引き出しにつながる可能性があります。また、AI や ML を使用しているにもかかわらず、リスク管理の実践はほぼ同じままですが、特に株式や債券の上昇相場が終わったことにより、リスク管理の新しい方法を再考する必要があるとも述べています。機械学習は取引のいたるところで使われており、入力シグナルに AI を使用したり、機械学習モデルのリスク管理に使用したりするなど、さまざまな応用例があります。
  
  
• 00:30:00トーマス・スターク博士は、シグナルデータの分析からポートフォリオのリスク管理、取引の実行に至るまで、取引のあらゆる段階で人工知能（AI）がどのように使用されているかについて説明します。機械学習と深層学習を使用して画像と感情シグナルを分析して明確なシグナルを生成し、次に主成分分析を使用して取引シグナルの入力の次元を削減します。次に、アルゴリズムを使用して、どの入力シグナルをトレードする必要があるかを決定します。リスク管理では、機械学習を使用してポートフォリオのリスクを管理します。これは、従来のリスク管理計算よりも優れている可能性があります。最後に、約定では、線形モデル、サポート ベクター マシン、強化学習を使用して、トレーダーが最良の約定価格を達成できるように支援します。
  
  
• 00:35:00 Thomas Starke 博士は、PCA、デシジョン ツリー、xgboost、深層学習、強化学習など、取引に使用できるさまざまなモデルとテクノロジーについて説明します。その後、彼は、作業システムの拡張と新しいテクノロジーの学習に苦労している経験豊富なアルゴ トレーダーからの質問に答えます。スターク博士は、リスク管理に焦点を当てることを提案しています。リスク管理は、幾何学的な利益を増大させ、他の市場での戦略の再現につながる可能性があるからです。優れたリスク管理システムはアルファを生み出すこともでき、長期ボラティリティ戦略とみなされることもあります。
  
  
• 00:40:00トーマス・スターク博士は、トレーディングにおけるショート・ボラティリティ戦略のリスクを緩衝し、ヘッジするために人工知能をどのように使用できるかを議論します。彼は、AI がそのような戦略によって生成されるアルファを大幅に増加させる可能性があると示唆しています。継続的に学び、新しい戦略を開発するよう自分自身を動機付けることに関して、シュタルケ博士は、好奇心とリスクに対する健全な認識の重要性を強調します。彼はまた、ディープラーニングの利点を開発するために、すぐに使える取引プラットフォームを避け、代わりに戦略をゼロからコーディングすることを推奨しています。インタビュアーはシュタルケ博士に、取引において時間ベースの価格変動と価格ベースの市場変動のどちらを信じているかを尋ね、シュタルケ博士は答える前に区別についての説明を求めます。
  
  
• 00:45:00 Thomas Starke 博士は、時間ベースの価格変動と価格ベースの市場変動の違いについて説明します。同氏は、時間ベースの価格変動は多くの場合、指標を計算することで数学的に解決できる一方、価格ベースの市場変動は市場の基礎となる経済学によって決定されると指摘しています。シュタルケ博士は、単に数学で市場に勝つことを目指すのではなく、トレーディング戦略の根底にある経済的根拠に注目することの重要性を強調しています。また、金融市場における AI と定量的モデルの組み合わせに興味がある人には、マーカス ロペスの本やグリンネルとカーンの『アクティブ ポートフォリオ マネジメント』などの書籍も推奨しています。
  
  
• 00:50:00 Thomas Starke 博士は、因子モデリングの基礎となる原理を理解することの重要性を強調しています。因子モデリングは機械学習の原理と非常によく似ていると考えています。彼は、これらの原則を理解することで、トレーダーが機械学習をシステムに適用する準備を整えることができると示唆しています。スターク博士はまた、ラルフ・ビンスの著書『ポートフォリオ管理の数学』の例を引用しながら、常に最も収益性の高い戦略であるとは限らないため、何が優れたトレーディング戦略を構成するのかを判断することの重要性を強調しています。彼は、トレーディング戦略に関する貴重な洞察を提供するだけでなく、トレーディングの背後にある心理学についてもカバーしているため、アンドレアス・クレナウ氏とトレンドフル氏の本をお勧めします。
  
  
• 00:55:00 Thomas Starke 博士は、行動ファイナンスで発生する非線形性を AI と機械学習でどのように捉えることができるかについて説明します。彼は、ケインズ流美人コンテストを、結果が極めて非線形で混沌としたものになる可能性がある例として説明しており、これはトレーディングにおける行動手法の使用の一部です。機械学習は、これらの非線形ダイナミクスを捕捉できますが、線形回帰ではそれがまったく不可能です。ただし、戦略で必ずしもファンダメンタルズデータを使用していない場合でも、トレーディングで行っていることの背後に経済的根拠があることは常に良いことです。
  
  
• 01:00:00トーマス・スターク博士は、特定のポートフォリオを取引し、必ずしも根本的ではない特定の市場の非効率性を悪用する可能性について議論します。同氏は、人々が一晩でショートポジションを保持することは許されないことを知るなどの例を挙げ、それが市場で悪用される可能性のある経済原理につながる可能性があると述べた。さらに、トリプルリーチやクアドルプルウィッチなど、市場から生じる経済効果を生み出す可能性がある特定の日付の重要性についても言及しています。彼はまた、日常の経済活動や違法な市場操作から生じる市場の非効率性についても語っています。シュタルケ博士は、将来的に再び協力することに関心を示していますが、今のところ計画はありません。
  
  
• 01:05:00サトウィックはトーマス・スターク博士に、なぜ夢が実現しないことが多いのか尋ねます。シュタルケ氏は、これは興味深い質問だと述べ、個人的な洞察を述べた。彼は、自分の夢は最初は単なる概念であり、実際の目標ではなかった、そして彼の夢の生活はビーチに横たわるだけではないと説明しました。彼は物事を探索し、自分のビジネスを経営し、自主的に行動することが大好きです。彼によれば、これは彼の本当の夢にはるかに近づくものです。最後に、ホストは視聴者に、すべての Contra コースが期間限定で 75% オフであることと、トレーディングにおける機械学習の適用に関する最後のセッションが明日であることを伝えます。

[MetaQuotes]

クオンツファイナンスの最新動向【パネルディスカッション】 |アルゴ取引週 5 日目

クオンツファイナンスの最新動向【パネルディスカッション】 |アルゴ取引週 5 日目

皆様、クオンツファイナンスの現在の動向に関する本日のパネルディスカッションへようこそ。本日は 3 人の著名なドメイン専門家が参加し、洞察と専門知識を共有していただきます。パネリストを紹介しましょう。

まず、Columbia Thread Needle Investments の EMEA 投資リスク責任者である David Jessup 氏です。 David は、定量的調査、リスク分析、ポートフォリオ構築における豊富な経験を持ち、資産間のファクター投資と投資管理における機械学習を専門としています。定量的戦略とリスク管理に対する彼の深い理解は、業界を形成するトレンドに関する貴重な洞察を提供します。

次に、SP Gen グローバル経営大学院の機械学習ディレクターであり、テクノロジー ビジネス研究センターの所長である Devashes Guava 博士にお越しいただきます。グアバ博士の専門知識は、経済と金融における人工知能の応用にあります。この分野における彼の研究と知識は、AI と金融の交差点と定量的金融への影響に光を当てるでしょう。

最後に、Global AI Corporation のエグゼクティブ ディレクター、Richard Rothenberg 氏を紹介します。リチャードは、数十億ドル規模のヘッジファンドや世界的な投資銀行での仕事から得た豊富な経験をもたらします。定量的ポートフォリオ管理と研究における広範な背景を活かし、金融業界における定量的戦略の実践に関する貴重な洞察を提供します。

それでは、クオンツファイナンスを形成した最近の傾向についての議論に入っていきましょう。当社のパネリストは、データの可用性と品質が業界を前進させる上で重要な役割を果たしてきたことに満場一致で同意します。さらに、コンピューティング能力の進歩により、10 年前には実現不可能だった複雑なモデルの構築と分析が可能になりました。

パネリストらは、クオンツ・ファイナンスが株式を超えて、クレジット、通貨、仮想通貨取引を含む他の資産クラスに拡大していることを強調しています。また、金融業界で注目を集めている責任投資という新たなトレンドにも注目を集めています。ただし、この分野のデータ品質にはまだ改善の必要があると彼らは指摘しています。パネリストらは、今後数年間、責任ある投資が金融における重要な要素であり続けると予測しています。

次に、パネルは量的金融における 2 つの主要なトレンドについて議論します。まず、アルゴリズム取引は株式だけでなく、あらゆる資産クラスに拡大しています。現在、エキゾチックな資産はアルゴリズムのアプローチを使用して取引されています。第 2 に、複数言語のニュースやクレジット カード取引からのセンチメント データなど、代替データ ソースが大幅に増加しました。高度な分析と計算能力を使用してこのデータを処理および分析できるため、環境や社会ガバナンスの傾向などの非財務リスク要因が企業評価に組み込まれるようになりました。

ただし、このパネルでは金融における機械学習の活用の課題にも取り組んでいます。信号対雑音比が低く、金融市場のゼロサムゲームの性質を考慮すると、機械学習は常にあらゆる問題を解決する理想的なツールであるとは限りません。パネリストは、機械学習と他の方法論を組み合わせ、その限界を理解することの重要性を強調しています。また、機械学習と代替データは混同されることが多いため、両者の区別も明確にしています。

さらに、パネリストは、差分ゲームとしての市場ダイナミクスの文脈における金融機械学習の特有の課題について議論します。彼らは、取引戦略を策定する際に、他の市場参加者が行った戦略的選択を考慮することの重要性を強調しています。

次に議論は、アルゴリズム取引における機械学習モデルにおける高品質データの重要性に移ります。パネリストは、非構造化データをクリーンアップするという課題を認識しており、パラメーターを理解し、データの品質を確保するために線形モデルから始めることの重要性を強調しています。これらは、代替データのノイズと希薄性の問題に対処し、クリーンアップとフィルタリングをより困難にしています。さらに、パネリストらは、データの正確性を確保するために、第 2 のデータソースを比較して利用する必要性を強調しています。

パネリストらはさらに、利害が対立する敵対プレイヤーとのエンドパーソンゲームにおける戦略を定義する一環としてトレーディングソリューションにアプローチすべきだと強調している。この状況では従来のモデリング手法が常に適用できるわけではないため、パネリストらは、最も効果的な解決策を見つけるためにさまざまな戦略をテストすることの重要性を強調しています。また、持続可能な開発データなどの代替データセットによってもたらされる特有の課題についても議論します。これらのデータセットには、さまざまな分析方法が必要であり、スパース性に対処するためにより低い頻度でデータを集約する必要がある可能性があります。まばらなデータセットを扱うのは困難な場合がありますが、パネリストは貴重なシグナルを発見する機会がまだあると信じています。

もう 1 つの重要な議論のテーマは、取引システムを設計する際に市場のゲーム構造を理解することの重要性です。パネリストらは、小規模なプレーヤーはリスクを取る余裕があるかもしれないが、コモディティや仮想通貨取引の大手プレーヤーは、これらの市場のボラティリティが極めて高いため、取引に慎重に取り組む必要があることを強調しています。彼らはまた、暗号資産のドローダウンを軽減するための多様化の重要性も強調しています。

このパネルはさらに一歩進んで、伝統的な金融理論に組み込まれた前提に疑問を投げかけます。彼らは、資産は必ずしも平均と分散の仮定が設定された一定の拡散プロセスに従うわけではないと主張しています。代わりに、ボラティリティの確率的性質と時間の経過に伴う平均値の変動を強調しています。彼らは、隠れマルコフプロセスを考慮して平均と標準偏差を戦術的に変更し、ファクター投資と仮想通貨投資におけるより良いアプローチにつながることを提案しています。この視点は、簡単な分散の可能性を備えた魅力的なリスクリターンプロファイルを提供します。

その後、金融業界における機械学習のさまざまな応用について議論します。パネリストらは、性別分類、炭素排出予測、債券市場での数量の固定に機械学習を使用することについて言及しています。また、社会全体への影響とシステミックリスクを考慮した、ESG要素への焦点の進化と持続可能な開発目標の拡大も強調しています。彼らは、この拡張されたリスク分類法を財務上の意思決定における重要な要素として考えており、ESG 要素モデルに統合される可能性があると考えています。

議論されているもう 1 つの傾向は、複数の要素に基づいてデータをクラスタリングするための委員会やタスクフォースの利用です。パネリストらは、非財務リスクを定量化するために現地の利害関係者の感情を理解する上で、自然言語処理の重要性が高まっていることを強調する。これらのリスクは、企業のバランスシートの無形の側面にとってますます重要になっており、金融市場の分析において考慮することが不可欠です。

さらに、パネリストは、定量的金融の分野で強力なプログラミングスキルと統計的知識を持つことの重要性を強調します。彼らはまた、同じデータセットを繰り返し分析することの落とし穴に対して警告し、定量的取引の将来に適応して備える必要性を強調しています。

今後を見据えて、パネリストは炭素や暗号通貨などの新興資産クラスに遅れないようにすることの重要性について議論します。彼らは、実用的な応用はまだ実現されていないものの、仮想通貨の背後にある暗号化アルゴリズムに革命をもたらす可能性がある量子コンピューティングの潜在的なゲームチェンジャー的影響について言及しています。また、大規模なニューラル ネットワークや、一般的な人工知能への道として宣伝されている GPT3 などのテクノロジーの開発についても触れています。ハードウェアとソフトウェアの能力の指数関数的な増加は減速する兆しを示しておらず、パネリストはクオンツファイナンスの分野におけるハイパフォーマンスコンピューティング、量子コンピューティング、AIの将来の融合を予想しています。

結論として、パネリストは、ハードウェアとソフトウェアの能力の拡大によって特徴付けられる未来を予測し、汎用取引ロボットの開発につながります。これらのロボットは、特に画像理解、言語理解、意味理解などを利用して、ソーシャル メディアを含むさまざまなソースからデータを抽出および解釈する能力を備えます。彼らは、時代の先を行き、進化するクオンツ・ファイナンスの状況に適応するには、新しいテクノロジーと方法論を採用することの重要性を強調しています。

パネルディスカッションは、パネリストが聴衆に感謝の意を表し、未回答の質問があれば共有するよう促して終了します。また、明日のセッションは特に機械学習と取引に焦点を当て、この魅力的な分野に参加して探索を続けるよう参加者を招待することも発表しました。

本日は、クオンツファイナンスの現在のトレンドに関する洞察力に富んだパネルディスカッションにご参加いただき、誠にありがとうございます。

• 00:00:00モデレータは、クオンツファイナンスの現在の傾向に関するその日のパネルディスカッションに参加する 3 人の分野の専門家を紹介します。最初のパネリストであるデイビッド・ジェサップ氏は、コロンビア・スレッド・ニードル・インベストメンツのEMEA投資リスク責任者であり、定量調査、リスク分析、ポートフォリオ構築、特に資産間ファクター投資と投資管理における機械学習に豊富な経験を持っています。 2 番目のパネリストである Devashes Guava 博士は、経済学および金融における人工知能の応用を専門とする SP Gen グローバル経営大学院の機械学習ディレクターおよびテクノロジー ビジネス研究センターの所長です。最後に、Global AI Corporation のエグゼクティブ ディレクターである Richard Rothenberg 氏は、数十億ドル規模のヘッジファンドや世界的な投資銀行で勤務しており、定量的ポートフォリオ管理と調査において豊富な経験を持っています。
  
  
• 00:05:00このセクションでは、パネリストが最近クオンツファイナンスを形成したトレンドについて議論します。データの可用性と品質は、業界を推進する重要な要素です。さらに、コンピューティングの能力の向上により、10 年前ですら不可能だった方法で複雑なモデルを構築および分析できるようになりました。パネリストらは、クオンツ・ファイナンスが株式を超えて、クレジット、通貨、仮想通貨取引などの他の資産クラスにも拡大していると指摘している。彼らは責任投資という新しいトレンドを持ち出しており、これは金融業界で注目を集めていますが、この分野のデータの品質は依然として不足しています。パネリストは、責任ある投資が今後数年間の金融における重要な要素になると予測しています。
  
  
• 00:10:00このセクションでは、パネルは量的金融における 2 つの主要なトレンドについて議論します。 1つ目は、アルゴリズム取引を株式だけでなく、エキゾチック資産を含むすべての資産クラスに拡大することです。 2 番目の傾向は、複数言語のニュースやクレジット カード取引からのセンチメント データなどの代替データ ソースの大幅な増加と、高度な分析と計算能力でこのデータを処理する能力です。これにより、環境や社会ガバナンスの傾向など、企業の評価に影響を与える非財務リスク要因が増加しています。ただし、金融市場の低い信号対雑音比とゼロサムゲームを考慮すると、パネルは金融における機械学習の使用の課題も強調しています。ベイズ統計は、機械学習を組み合わせて分布予測を行うもう 1 つの分野です。
  
  
• 00:15:00このセクションでは、パネリストが金融における機械学習の利点と限界について議論します。主な論点の 1 つは、機械学習は便利なツールですが、あらゆる問題を解決するのに適切なツールではないため、機械学習を取引ボックスの唯一のツールにしてはいけないということです。機械学習で生じるもう 1 つの課題は、多くの場合、いつ問題が発生するかを知るのが難しく、いつ問題が発生するかをモデルにトレーニングするのが難しいことです。パネリストらはまた、機械学習と代替データを区別し、両者はしばしば混同される2つの別個のものであると述べた。最後に、パネリストは、市場が異なる種類の機械学習を必要とする差動ゲームであるという状況、特にゲーム内の他のプレイヤーによる戦略的選択を扱う場合に、金融機械学習の課題について議論します。
  
  
• 00:20:00パネルでは、アルゴリズム取引における機械学習モデル用の高品質データの重要性と、非構造化データのクリーニングの課題について議論します。機械学習は短期取引での分布を予測するのに役立ちますが、パラメーターを理解し、データの品質が良好であることを確認するには、基本に立ち返り、線形モデルから始めることが重要です。委員会は、代替データには多くのノイズと希薄性があり、クリーニングとフィルタリングが困難であることを認めています。さらに、データの外れ値を修正することの難しさと、データの正確性を確保するために第 2 のデータ ソースを比較して使用する必要性についても話しました。
  
  
• 00:25:00取引ソリューションはゲーム構造の一部であり、利害が対立する敵対プレイヤーとのエンドパーソン ゲームで戦略を定義する一環として考えられ、テストされる必要があります。この状況では従来のモデリング手法が適用できない可能性があり、最も効果的なソリューションを見つけるには、さまざまな戦略をテストすることが重要であることに留意することが重要です。さらに、持続可能な開発データなどの代替データセットには、異なる分析方法が必要であり、希薄性に対処するためにより低い頻度でデータを集約する必要がある場合があります。このようなまばらなデータセットを扱うのは難しい場合がありますが、貴重なシグナルを見つける機会はまだあります。
  
  
• 00:30:00パネリストは、取引システムを設計する前に市場のゲーム構造を考慮することの重要性について議論します。小規模プレーヤーはギャンブルをする余裕があるかもしれませんが、商品や仮想通貨取引の大規模プレーヤーには当てはまりません。パネリストは機械学習アルゴリズムにとって最も興味深い市場について議論し、新たな課題が見つかる魅力的な分野として暗号を挙げています。彼らは、1つの資産クラスやアルゴリズムだけに焦点を当てず、収益性の高い取引を達成するために代替データソースの重要性を考慮するようアドバイスしています。一般に、市場は多かれ少なかれ予測可能になる段階を経ており、市場参加者がほとんどいない場合、かつて乱用されたシグナルが再び関連性を獲得する可能性があります。市場のボラティリティや安定した基盤となるデータ生成プロセスなどの要因により、市場は機械学習アルゴリズムにとってよりフレンドリーになる可能性があります。
  
  
• 00:35:00この議論は、暗号通貨投資にクオンツ戦略を導入する際に直面する障害に焦点を当てています。グガ博士は、主な問題の一つは、暗号通貨は通常コンピュータオタクかビデオゲームの分野だと考えられているため、伝統的な金融関係者が暗号通貨にまったく興味を持っていないことだと説明する。さらに、仮想通貨の極端なボラティリティも大きな懸念事項であり、ピークからボトムまでのドローダウンが 85 ～ 90% に達するということは、いかなる種類のファンド マネージャーや個人投資家にとっても考えられないことです。あらゆる種類の金融取引エコシステムが暗号通貨で発展するには、仮想通貨を代替資産クラスとして認識し、暗号資産間の高い相関関係の結果であるドローダウンを抑制するのに十分な分散を備えたポートフォリオを作成する必要があります。
  
  
• 00:40:00講演者は、資産は一定の平均と分散の仮定に基づく一定の拡散プロセスに従うという考えを放棄する必要性について議論します。これは、金融の分野で一般的に組み込まれている仮定です。講演者は、ボラティリティは確率的であり、その平均は時間の経過とともに大きく変化すると説明します。したがって、国家が戦術的に変化するためには、平均と標準偏差が隠れたマルコフ過程によって駆動されると仮定する必要がありますが、これは伝統的な財政理論では大きな飛躍です。講演者は、リターンを生み出す確率的プロセスを理解することで、ファクター投資や仮想通貨投資へのより良いアプローチにつながり、その結果、シンプルな分散で非常に魅力的なリスクとリターンのプロファイルが得られると示唆しています。
  
  
• 00:45:00このパネルでは、金融業界における機械学習のさまざまな応用例について議論します。たとえば、性別分類、炭素排出予測、債券市場での出来高の固定などへの機械学習の使用が挙げられます。彼らはまた、単に取引手法としてではなく、投資プロセスのインプットとしてそれを使用することにも言及しています。彼らが取り上げるもう 1 つのトピックは、持続可能な開発目標に向けた ESG の進化であり、株主への影響だけでなく、社会全体やシステミック リスクにも焦点を当てています。この拡張されたリスク分類には、炭素排出以外の要因も含まれており、ガバナンスも考慮されています。彼らはこれを財務上の意思決定における重要な要素として議論しており、これは ESG 要素モデルとして考えることができると述べています。
  
  
• 00:50:00パネリストは、量的金融の分野における 2 つの興味深い傾向について議論します。第一に、17 の要素に基づいてデータをクラスター化するための委員会とタスクフォースの使用と、地域の利害関係者の感情を理解して、バランスシートの無形の側面にとってますます重要な非財務リスクを定量化するための自然言語処理の重要性の高まりです。企業。次に、将来の定量取引に備えるために、優れたプログラミング スキル、統計知識を持ち、同じデータ セットを複数回見ることの落とし穴を認識することの重要性について議論します。
  
  
• 00:55:00パネリストは、炭素通貨や暗号通貨など、取引可能になる可能性のある新しい資産クラスを常に把握しておく重要性について議論します。状況を一変させる可能性のある分野の 1 つは量子コンピューティングであり、これは暗号通貨の背後にある暗号化アルゴリズムに革命を起こす可能性があります。まだ実用化されていませんが、いくつかの大手ヘッジファンドが量子分野に投資しています。さらに、非常に大規模なニューラル ネットワークと、一般的な人工知能への手段として宣伝されている GPT3 の開発についても話します。ハードウェアとソフトウェアの能力の増加は衰える気配がなく、ディープラーニングが世界を席巻すると予想する人もいます。
  
  
• 01:00:00委員会は、クオンツ・ファイナンスの将来は、汎用取引ロボットの開発を可能にするハードウェアとソフトウェアの能力の継続的な拡大にあると予測しています。これらのロボットは、ソーシャルメディアなどのさまざまなソースからデータを抽出し、それを理解して取引の意思決定を行うことができます。それらは数値機械学習に限定されるものではなく、画像理解、言語理解、意味理解などを含むことになるでしょう。もう一つの重点分野は量子コンピューティングであり、これは今後 5 ～ 10 年で実用化される可能性があります。パネリストは、将来はハイパフォーマンス コンピューティング、量子コンピューティング、AI の融合になると信じています。彼らは、私たちがより多くのデータとモデルを組み込み始めるにつれて、未来はこれらのテクノロジーの収束にあると考えています。
  
  
• 01:05:00パネリストは、クオンツ・ファイナンスの分野における新しいツールや技術の急激な成長について議論します。これにより、今後 5 ～ 10 年以内に多くの機能や仕事が時代遅れになる可能性があります。彼らは、時代の先を行くために新しいテクノロジーの導入を準備し、加速することの重要性を強調しています。明日のセッションは機械学習と取引に焦点を当てているため、パネリストは聴衆に感謝の意を表し、未回答の質問があれば共有するよう奨励して終了しました。

[MetaQuotes]

トレーディングにおけるセンチメントと代替データの使用 [パネルディスカッション] |アルゴ取引週 4 日目

トレーディングにおけるセンチメントと代替データの使用 [パネルディスカッション] |アルゴ取引週 4 日目

皆様、本日は取引におけるセンチメントと代替データの使用に関するこの刺激的なパネルディスカッションにご参加いただき、誠にありがとうございます。始める前に、重要なお知らせがあります。

新しい認定プログラムである Certification in Sentiment Analysis and Alternative Data in Finance (CSAF) の開始を発表できることを嬉しく思います。このプログラムは、ニュースセンチメント分析や代替データなどの最新の手法を使用して、トレーディングや投資の意思決定においてキャリアアップを目指す金融専門家向けに特別に設計されています。

CSAF プログラムは、ニュース分析、センチメント分析、金融に必要な代替データのさまざまな側面をカバーします。アルゴリズム取引、センチメント分析、定量的モデリング、高頻度取引の分野の一流の専門家によって教えられます。これらの専門家は豊富な知識と経験をプログラムにもたらし、参加者が一流の教育とトレーニングを受けられるようにします。

このプログラムでは、感情分析の理解、代替データソースの活用、感情データの予測モデルへの組み込み、市場分析のための AI および機械学習技術の利用などのトピックを掘り下げます。参加者は、取引におけるセンチメントと代替データの役割について貴重な洞察を得ることができ、財務結果を改善するためにこれらのリソースの可能性を引き出す方法を学びます。

認定プログラムに加えて、代替データに関する包括的なハンドブックが 2022 年の春にリリースされることを発表できることを嬉しく思います。このハンドブックは、さまざまなデータに関する詳細な情報を提供する、この分野の専門家にとって貴重なリソースとして役立ちます。代替データの種類と金融におけるその応用。

それでは、本日のパネルディスカッションに移りたいと思います。クリスティアーノ・アルベックス・ヴァッレ博士、ゴータム・ミトラ教授、マッテオ・カンポルミ博士、ラヴィ・カシャップ博士を含む著名なパネリストが、取引におけるセンチメントと代替データの使用に関する洞察を共有します。彼らは、代替データとは何か、それがなぜ重要なのか、情報に基づいた取引上の意思決定を行うためにどのように効果的に活用できるのかについて話し合います。

周知のとおり、ニュースイベントは資産価格に大きな影響を与えることが多く、感情データは将来の結果を予測する上で重要な役割を果たす可能性があります。パネリストは、感情データを迅速に処理し、数学的モデルで使用する数値データに変換する方法を明らかにし、従来の市場データでは通常捉えられない貴重な情報を提供します。

さらに、パネリストは代替データに関連する課題と機会を探ります。彼らは、代替データソースの出現、厳密なデータ処理技術の必要性、そして膨大な量の情報の中からシグナルを識別しながら過学習を回避することの重要性について議論します。

パネルディスカッション中は、質問をしたり、パネリストと交流したりして、積極的に参加することをお勧めします。皆様のご意見やご意見は高く評価されており、充実したインタラクティブなセッションを作成できることを楽しみにしています。

始める前に、本日ご参加いただきました皆様に感謝の意を表したいと思います。あなたの存在と熱意がこのようなイベントの成功に貢献します。また、ソーシャルメディアで私たちをフォローしていただき、主催者に11周年おめでとうございます。

さて、早速、トレーディングにおけるセンチメントと代替データに関するパネルディスカッションを始めましょう。ありがとう。

パネルディスカッションが始まると、パネリストは取引におけるセンチメントと代替データのトピックに深く入り込み、貴重な洞察と経験を共有します。彼らは、ニュース分析とセンチメントを予測モデルの追加入力特徴として組み込むことの影響を強調し、特に資産のボラティリティの予測において得られる結果の改善を強調しています。

重要な議論のポイントの 1 つは、代替データの出現と、取引上の意思決定に情報を提供するその重要性を中心に展開されています。パネリストらは、代替データによって消費者の習慣などの新しい情報が導入され、投資戦略に貴重な洞察が得られる可能性があると強調している。彼らは、市場の方向性を予測して財務成果を向上させるために、AI と機械学習技術を利用してデータをモデルと結合することの重要性を強調しています。

パネルは、OptiRisk Systems の創設者兼医学博士である Gautam Mitra 教授の司会を認めます。彼の専門知識により、彼はこのトピックの包括的な調査を保証します。彼らは取引におけるセンチメントと代替データの実践的な応用を掘り下げ、その定義、重要性、利用に関する疑問に答えます。

代替データが常に進化する分野であることを認識し、パネリストはこの領域の動的な性質を強調しています。彼らは、現在代替データと考えられているものが将来どのように主流になる可能性があるかを議論し、業界内の継続的な進歩と革新を示しています。彼らは収益を最大化するという最終目標を掲げ、金融分野で優位に立つために代替データを活用することに引き続き重点を置いています。

議論の中で、委員会はニュースソースから得られたセンチメントデータに存在する潜在的なバイアスを認めています。彼らは、複数のソースを利用したり、データを分析するためのさまざまな技術を採用したりするなど、このバイアスを軽減するための潜在的なソリューションを提供します。そうすることで、正確で信頼性の高い洞察を確保するための包括的で堅牢なデータ分析の重要性を強調しています。

今後、パネリストは、データが収集されるコンテキストとシナリオを理解することの重要性を強調します。彼らは、微妙な視点を提供し、効果的なアルゴリズムを構築するためのコンテキスト情報の必要性について議論します。パネリストらはまた、バイアスは必ずしもマイナスであるとは限らず、場合によってはトレーディング戦略に利益をもたらす可能性があるという考えにも触れています。彼らの包括的なメッセージは、データ ソース自体を制御できない場合でも、利用可能なデータを理解し、操作することの重要性を強調しています。

このパネルでは、取引目的で感情データを分析する際に考慮すべきパラメーターをさらに検討します。これらは、ニュースや感情の提供者による感情の肯定的、中立、または否定的なカテゴリへの分類に光を当てます。さらに、感情分析の要素としてニュースやツイートの量を考慮することの関連性についても議論しています。特定の期間におけるニュースの平均量に基づくセンチメントの正規化も強調されています。

パネリストが感情分析の言語特有の性質について議論するにつれて、会話は深まります。彼らは、AI やその他の技術を使用してテキストを解析および分析し、感情をより深く理解できるようにすることを重視しています。ニュースイベントの関連性と新規性は重要な要素として認識されており、企業はコンテンツプロバイダーとのサブスクリプションを通じてニュースデータを受け取り、迅速な処理を可能にします。

パネルディスカッションの締めくくりとして、パネリストは感情指標に使用される時間枠について触れます。彼らは、センチメント指標は市場に伝わるニュースの速度を上回ることを目的としていないことを明確にしています。代わりに、ニュースの流れが時間の経過とともに株式にどのような影響を与えるかを説明する指標として機能します。テキストを数値データに変換することの重要性も強調されており、テキストベースの情報には追加の処理層が必要であることが認識されています。

パネリストはまた、取引における感情データと代替データソースの関連性についても議論します。彼らは、センチメント データが何日分関連するかという問題に対処し、その答えはモデルの目的と行われる取引の種類によって異なることを強調しています。議論はさらに、代替データソースのパフォーマンス指標にまで広がり、収益性が重要な指標として特定されます。パネリストは、履歴データの需要とそれが価格設定に与える潜在的な影響について説明し、代替データソースの人気が高まるにつれて、その価値は時間の経過とともに変化する可能性があると警告しています。

パネルディスカッションの締めくくりとして、パネリストはバックテストの課題と重要性についての洞察を共有します。彼らは、特定の代替データ ソースの履歴情報がまばらであり、分析とバックテストが困難であることを認識しています。ただし、バックテスト目的でデータを推定するのに役立つ統計モデルと手法が利用可能であることを強調しています。彼らは、特定のデータソースのパフォーマンスをデータソースがない場合と比較することの重要性を強調し、トレーダーがそれに応じて戦略を調整できるようにします。パネルは、代替データの価値は最終的には特定のモデル内でのその利用状況に依存することを強調して結論付けています。

ここで聴衆の Q&A セッションに移り、パネリストが 2 つの興味深い質問に答えます。最初の質問は、さまざまな歴史的期間をより深く理解するための歴史データの使用を中心に展開します。パネルは、さまざまな結果を包括的に理解するために、少なくとも 7 倍の時間間隔を利用することを提案しています。 2 番目の質問は、代替データの信頼できるソースを見つけることに関するものです。同委員会は、さまざまなソースを調査し、定量チームが利用できる最良のデータを特定するためにデータ スカウトを設けることを推奨しています。彼らは、信頼できるデータを見つけるという課題を強調し、革新的なアイデアは小規模な新興企業から生まれることが多いことを強調しています。

パネリストたちはディスカッションを拡大し、独自のデータセットを早期に特定した中小企業が大企業に買収される可能性について詳しく掘り下げます。彼らは、データ集約における仲介者の重要性と、独自のモデリングを使用して派生したデータセットの価値を強調しています。会話ではさらに、国固有のデータセットの影響、地域リスクの特定、世界市場の相互接続性についても触れられています。情報に基づいて取引の意思決定を行うには、これらの要因を理解することが不可欠になります。

パネルディスカッションが終わりに近づくと、講演者は金融業界でのキャリアに必要なスキルと前提条件に焦点を移します。この分野ではこれらのスキルがますます重要になっているため、プログラミング言語の価値と数学的概念の確かな理解を強調しています。専門家とのネットワーキングやつながりの構築も強調されており、多様な機会に対して常にオープンであり続け、知識を継続的に拡大することの重要性も強調されています。

最後に講演者は、市場動向に関する情報を常に入手し、財務上の意思決定において客観性を維持することの重要性を繰り返し述べました。彼女は財務管理の基本的な役割を強調し、参加者が金融業界に積極的に参加することを奨励しています。

講演者は心からの感謝の意を込めて、貴重な貢献に対してパネリストと聴衆に感謝し、セッションを終了します。

• 00:00:00主催者は、新しい認定プログラムである Certification in Sentiment Analysis and Alternative Data in Finance (CSAF) の開始を発表します。ニュース感情分析と代替データ。このコースは、ニュース分析、センチメント分析、金融に必要な代替データのさまざまな側面をカバーし、アルゴリズム取引、センチメント分析、定量的モデリング、高頻度取引の一流の専門家によって教えられます。このセクションでは、OptiRisk Systems の創設者兼医学博士であるゴータム・ミトラ教授が司会を務め、専門家のクリスティアーノ・アルベックス・ヴァッレ博士、ゴータム・ミトラ教授、マッテオ・カンポルミ博士、ラヴィ・カシャップ博士がセンチメントと代替データの使用について議論するパネルも取り上げています。取引。
  
  
• 00:05:00講演者は金融におけるセンチメントと代替データのトピックを紹介しており、パネルディスカッションで議論されます。パネリストは、代替データとは何か、それが必要な理由、その価値を引き出す方法についての洞察を提供します。目標は、センチメント データを使用して金融における将来の結果を予測することです。ニュース イベントは資産価格に影響を与えることが多く、センチメント データは迅速に処理され、数理モデルで使用する数値データに変換できるためです。このデータは通常、従来の市場データでは取得できないため、意思決定のための貴重な情報源となります。代替データに関するハンドブックは 2022 年の春にリリースされる予定で、パネルでは参加者からの質問を受け付ける予定です。
  
  
• 00:10:00専門家パネルは取引におけるセンチメントと代替データの使用について議論します。彼らは、ニュース分析とセンチメントを予測モデルの追加入力機能として組み込むと、特に資産のボラティリティの予測において結果の向上につながることを発見しました。さらに、消費者の習慣など、取引上の意思決定に使用できる新しい情報を導入する代替データの出現についても議論します。彼らは、市場の方向性を予測し、最終的に財務成果を向上させるために、AI および機械学習技術を使用してデータとモデルを結合することの重要性を強調しています。
  
  
• 00:15:00研究指向の企業である Brain の創設者らが、代替データセットを使用して金融市場に関連するシグナルを抽出する独自のアルゴリズムと手法を作成するアプローチを説明します。彼らは、投資や資産管理における代替データセットの増加傾向は、データソースの可用性の増加とデータサイエンス業界の急成長によるものであると考えています。代替データセットは、投資家がモデルで使用するための追加情報を提供しますが、創設者らは、大量の情報を処理し、過剰適合せずにシグナルを識別するための厳密なアプローチの必要性を強調しています。
  
  
• 00:20:00パネルは取引におけるセンチメントと代替データの使用について議論します。代替データとは何か、それが重要である理由、およびその使用方法についての疑問を取り上げます。彼らは、代替データは常に進化しており、現在代替データと考えられているものが将来主流になる可能性があると指摘しています。金融における目標はシンプルです。より多くのお金を稼ぐことです。ただし、いつ売買するかを知るのは困難です。そこで代替データが優位性を発揮できるのです。同委員会は、感情データのソースとしてニュースを使用する場合にバイアスが問題になる可能性があることを認めており、データを分析するために複数のソースや手法を使用するなどの解決策が提案されています。
  
  
• 00:25:00パネルは、データが収集されたシナリオとデータ内に存在する潜在的なバイアスを理解することの重要性について議論します。彼らは、バックテストを使用してデータが過去にどのように実行されたかを確認できますが、より微妙なビューを提供し、より優れたアルゴリズムを構築するにはコンテキスト情報が必要であると指摘しています。パネルはまた、バイアスは取引戦略に利益をもたらす場合もあり、必ずしもマイナスであるとは限らないという考えにも触れています。全体として、重要な点は、データ ソースは制御できないものの、利用可能なデータを理解し、操作することに重点を置く必要があるということです。
  
  
• 00:30:00パネルでは、取引目的で感情データを分析する際に探すべきパラメーターについて議論します。ニュースやセンチメントのプロバイダーは通常、センチメントをポジティブ、ニュートラル、ネガティブに分類しますが、チームは、ニュースやツイートの量も考慮すべき要素になる可能性があると指摘しています。プロバイダーによっては、センチメントを連続数値として定量化することも、一定期間のニュースの平均量で正規化することもできます。また、パネルは、Twitter のようなソーシャル メディア プラットフォームが、誰が何かを言っているかを考慮し、市場に多大な影響を与える主要な動きを特定することにより、センチメント分析に追加の要素を提供できることも強調しています。
  
  
• 00:35:00パネルは取引におけるセンチメントと代替データの使用について議論します。彼らは、感情は言語固有の要素であり、AI やその他の技術を使用してテキストを解析することで分析できると指摘しています。パネリストらはまた、ニュースイベントの関連性と新規性を考慮することの重要性や、企業が通常、ニュースコンテンツプロバイダーとの契約を通じてニュースデータをどのように受信するかについても話しており、その処理にかかる時間はわずか数秒です。全体として、この議論では、取引の予測モデルを構築する際にセンチメントと代替データを理解することの重要性が強調されています。
  
  
• 00:40:00パネリストは、取引におけるセンチメントと代替データの使用について話し合います。彼らはセンチメント指標に使用できるさまざまな時間枠について、そしてそれらが市場に届くニュースの速度を上回ることを目的としていないことについて話します。センチメント指標は、ニュースの流れが時間の経過とともに株式にどのような影響を与えるかを説明する指標を提供することを目的としています。パネリストはまた、テキストを数値に変換することの重要性と、テキスト データに必要な追加の処理レイヤーについても話しました。彼らは、取引のユースケースと頻度が取引に使用されるデータの品質とタイミングにどのような影響を与える可能性があるかについて言及しました。
  
  
• 00:45:00パネルは、取引におけるセンチメント データと代替データ ソースの関連性について議論します。何日分のセンチメント データが関連するかという問題が提起されますが、その答えは、モデルの目的と行われる取引の種類によって異なります。彼らは代替データ ソースのパフォーマンス指標について議論します。その答えは簡単で、どれだけの利益が得られているかということです。しかし、人々は一般に、できるだけ多くの履歴を安価な価格で求めているが、より多くの人がデータセットを使用し、コモディティ化が進むと、データセットの価格も安くなる、と彼らは説明しています。また、代替データ ソースを使用するには、データの価値が時間の経過とともに変化する可能性があることを理解する必要があるとも指摘しています。
  
  
• 00:50:00パネルでは、取引に代替データを使用する際の課題とバックテストの重要性について議論します。彼らは、履歴情報が不足しているため、特定の代替データ ソースの分析とバックテストが困難であることを認識しています。しかし、彼らは、バックテスト用のデータを推定するのに役立つ統計モデルと手法があることを示唆しています。パネルはまた、特定のデータソースが存在しない場合と比較して、そのデータソースがどの程度優れたパフォーマンスを発揮するかを比較し、それに応じて取引戦略を調整することの重要性を強調しています。彼らはセンチメント分析について議論する際、最適なアプローチは特定のモデルとその展開に応じて異なると警告しています。最終的に、委員会は、代替データの価値は、特定のモデル内でそれがどのように使用されるかに大きく依存することに同意します。
  
  
• 00:55:00パネルは聴衆からの 2 つの質問について議論します。最初の質問には、歴史的データの使用と、さまざまな歴史的期間に何が起こるかをより深く理解するためにそのデータをどの程度使用する必要があるかが含まれます。パネルは、さまざまな結果を適切に把握するには、少なくとも 7 倍の時間間隔を使用する必要があると提案しています。 2 番目の質問は、代替データの適切なソースを見つけることです。パネルは、さまざまなソースを調べてクオンツチームが使用できる最適なデータを見つけるためにデータスカウトを置くことを提案しています。彼らは、信頼できるデータを見つけるのは簡単な作業ではなく、代替データの本当の情報源は革新的なアイデアを見つけた小規模な新興企業からのものであると警告しています。
  
  
• 01:00:00パネルでは、代替データと、独自のデータセットを早期に特定した中小企業がどのようにして大企業に買収される可能性があるかについて議論します。このパネルでは、データ集約における仲介者の重要性と、独自のモデリングを使用して派生したデータセットの価値についても言及しています。次に、国固有のデータセットの影響、リスク源の分析、そして世界市場が現在どのように緊密に連携しているかについて議論し、地域リスクとそれが取引上の意思決定に及ぼす潜在的な影響を理解することが不可欠となっています。このセクションは次の質問に進む前にジョークで終わります。
  
  
• 01:05:00パネル ディスカッションでは、スピーカーがトレーディングにおけるセンチメントと代替データの使用に関するコースに必要なスキルと前提条件について話し合います。プログラミング言語として Python に慣れていることは役に立ちますが、財務と財務モデルの基本的な知識を持つことの重要性を強調しています。さらに、データ ソースにアクセスし、コースに積極的に参加することの価値も強調しています。また、定量的研究アナリストになることに興味がある人へのキャリアアドバイスに関する質問にも答え、明確にするために教員に連絡するよう個人を奨励し、幅広いスキルと知識にオープンであることの重要性を強調しています。
  
  
• 01:10:00パネリストは金融業界でのキャリアに必要なスキルについて話し合います。彼らは、ますます多くのデータセットが作成されているため、プログラミング言語を学習し、数学的概念をよく理解することを提案しています。さらに、数学やプログラミングはこの分野では不可欠なものとなっているため、恐れる必要はない、と彼らはアドバイスしています。パネリストはまた、できるだけ多くの人々と会ってネットワークを作ること、潜在的な雇用主にとって貴重な資産となること、機会を得る準備ができていること、そして数学のしっかりした基礎を持っていることを強調しています。
  
  
• 01:15:00講演者は、市場で何が起こっているかを認識し、金融業界のさまざまな領域に対してオープンであることの重要性を強調します。彼女は、商業は最終的にお金と財務管理を中心に展開するため、客観性を維持し、感傷的にならないようにアドバイスします。その後、会話はパネリストと聴衆に感謝の意を表し、ソーシャルメディア上で主催者に11周年を祝うよう念を押して終わります。
  

[MetaQuotes]

強気市場での空売り - ローラン・ベルナットによるマスタークラス |アルゴ取引週 3 日目

強気市場での空売り - ローラン・ベルナットによるマスタークラス |アルゴ取引週 3 日目

ローラン・バーナットは、アルファ・セキュア・キャピタルの創設者兼最高経営責任者（CEO）であり、フィデリティ・インベストメンツの専任空売り者としても紹介されています。このビデオでは、彼が空売りをテーマにした2時間にわたるマスタークラスを指導することが強調されています。マスタークラスの最後には質疑応答セッションは行われないと述べられていますが、視聴者はセッション自体中に関連する質問をすることが推奨されます。さらに、講演者は、Python を使用した空売りに関するコースと、空売りの方法と理由を説明した補足的な書籍について聴衆に説明します。この本は 2021 年 10 月 11 日に出版される予定で、Amazon.com で購入できるようになります。

マスタークラスは、参加者がセッションから得ることが期待できる重要なポイントをローラン・ベルナットが説明することから始まります。同氏は、トップピッキングは破産であると主張し、資金調達を成功させるための最も価値のあるスキルセットは空売りであると強調する。バーナット氏はまた、空売りに関する 10 の古典的な通説の誤りを暴き、この分野の十分に研究されていない性質に光を当てています。彼は空売りのダイナミクスについて詳しく説明し、成功した市場参加者でさえ空売りに苦労する理由を説明します。バーナット氏は個人的な洞察を共有しながら、コースにおける資金管理の重要な役割を強調します。

今後、バーナット氏は空売りの仕組みの概要を説明し、借り手を見つけることの重要性を強調します。彼は株式ピッキングの破産的な性質について議論し、トレーダーが空売りなどの他の行為に焦点を移すことを提唱しています。バーナット氏は、業界は銘柄選択者に執着することが多いが、アクティブ運用マネージャーの大多数が一貫してベンチマークを下回るパフォーマンスを示していることを経験的証拠が示していると指摘する。このため、多くの人が銘柄選びを放棄し、パッシブ投資やクローゼットインデックスを選択するようになりました。しかし、バーナット氏は、弱気相場における空売りの関連性と、それが下値保護の観点からもたらす価値を強調している。

バーナット氏は空売り者に関する誤解に対処し、空売り者が年金や企業を破壊するという概念を払拭します。同氏は、投資家は低ボラティリティ、低相関リターン、下値保護を求めてロング・ショート手段を求めており、アクティブ運用マネージャーが継続的に提供するのは難しいと説明する。したがって、投資信託マネージャーによるロングピックは、上場投資信託を通じて受動的に同様の結果を達成できる投資家にとってはそれほど重要ではありません。バーナット氏は、株の空売りは下値リスクに対する保護となり、特に弱気相場では空売りのスキルが非常に求められると強調する。

講演者は、資本主義における空売り者の役割と会社経営の責任について掘り下げます。同氏は、企業の経営に参加していない空売り家は、実際には経営不振が破滅の原因であるにもかかわらず、失敗の責任を問われることが多いと主張する。バーナットは、市場価値と本質的価値の違いを強調し、市場価値は美人コンテストに似た主観的な判断によって決定されると説明しています。同氏はさらに、空売り者は本質的に邪悪な投機家ではないが、市場で矛盾を明らかにすることが多いと明言した。同氏は、規制当局が市場操作を行う空売り業者に眉をひそめているが、彼らの主な任務は市場の非効率性を暴露することであることを認めている。

ビデオは続いて、ローラン・ベルナット氏が企業の時空連続体について議論しますが、これは空売り者にとってパラドックスを引き起こします。同氏は、企業が不正行為に参加した従業員に報酬を与える一方、経営陣はそのような行為についての知識を否定している状況に注意を喚起している。バーナット氏は、株を空売りする別の方法があるため、たとえそれが正しい場合でも、企業経営に対して非敵対的なアプローチを採用するよう空売り者にアドバイスしている。同氏は空売りのリスク管理の側面を強調し、慎重に行うべきだと警告した。

バーナット氏はアルゴ取引週間のマスタークラスで、空売りの方法を学ぶことの重要性と、特に弱気相場が予想される場合にこのスキルを身につけていないことに伴うリスクを強調しています。同氏はまた、空売りが市場のボラティリティの増大や株価暴落の可能性にどのように寄与するかについても触れている。

ビデオは続き、ローラン・ベルナットが空売りに関するマスタークラスを通じて視聴者に参加し、関わってくれたことに感謝の意を表します。彼はセッション中に寄せられた質問やコメントに感謝の意を表し、学習プロセスにおける積極的な参加と好奇心の重要性を強調しました。

次に、Laurent Bernut が、プログラミングを使用して空売り戦略を実装するための実践的なスキルを提供することを目的とした、Python を使用した空売りに関する今後のコースを紹介します。このコースでは、データ分析、アルゴリズム取引、リスク管理、バックテストなど、さまざまなトピックを扱います。彼は、定量分析と空売り手法を組み合わせる価値と、Python がこの目的にいかに強力なツールとなり得るかを強調しています。

このコースに加えて、Laurent Bernut は、「空売りのベールを脱ぐ: 弱気市場で利益を上げるための包括的なガイド」というタイトルの補足書籍のリリースを発表しました。この本では、空売りの方法と理由の両方を掘り下げ、洞察、戦略、実際の例を提供します。この分野の謎を解き明かし、空売りの複雑さをうまく乗り越えるために必要な知識とスキルを読者に提供することを目的としています。この本は 2021 年 10 月 11 日に出版される予定で、Amazon.com で購入できるようになります。

ビデオの最後で、ローラン・ベルナット氏は、空売りの分野における継続的な学習と改善の重要性を繰り返し述べています。彼は視聴者に、理解を深めスキルを向上させるためにコースと書籍を探索することを勧めています。彼は、個人が空売りに熟達するよう支援するという決意を表明し、絶えず変化する金融市場において常に情報を入手し、適応し続けることの価値を強調しています。

最後に感謝と励ましの言葉を添えて、ローラン ベルナットは視聴者に別れを告げ、つながり、質問し、空売りの世界への旅を続けるよう促します。ビデオが終了すると、視聴者は空売りによってもたらされる機会と課題をさらに探究する意欲とインスピレーションを与えられます。

• 00:00:00このビデオでは、Alpha Secure Capital の創設者兼 CEO であり、Fidelity Investments の専任空売り者として、Laurent Bernut を紹介しています。マスタークラスは空売りに焦点を当て、2時間続きますが、最後に質疑応答はありません。講演者は視聴者にセッション中に関連する質問をするよう勧めます。彼はまた、Python を使用した空売りに関するコースと、空売りを行う方法と理由の両方を説明した補足本についても言及しています。この本は 2021 年 10 月 11 日に出版され、Amazon.com で購入できるようになります。
  
  
• 00:05:00ローラン・ベルナットは、空売りに関するマスタークラスの重要なポイントを説明し、トップピッキングは破産し、空売りは資金調達を成功させるための最も価値のあるスキルセットであると述べています。バーナット氏はまた、空売りに関する10の古典的な通説の間違いを暴き、この分野の研究が十分に進んでいない性質を強調しています。彼は、空売りのダイナミクスと、成功した市場参加者でさえ空売りに苦戦する理由を説明します。バーナットはまた、資金管理とコースの中心部分についての個人的な洞察を共有します。このセクションは、空売りの仕組みと借入先を見つけることの重要性の概要で終わります。
  
  
• 00:10:00ローラン・ベルナットは、銘柄選別の破産的な性質と、トレーダーが空売りなどの他の手法に焦点を移さなければならない理由について説明します。同氏は、業界は銘柄選択派のカルトに基づいて構築されていると説明しているが、数字を参照すると、アクティブ運用マネージャーの 3 分の 2 が毎年ベンチマークを下回っていることがわかっており、そのため、彼らは銘柄選択から投資に重点を移すようになっている。クローゼットのインデックス作成とパッシブ投資。アクティブ運用マネージャーのパフォーマンスが大幅に下回るわけではありません。通常は、インデックスのプラスマイナス 1 ～ 2 パーセントです。ただし、弱気相場では空売りなどのバーティカルな取引が重要になります。
  
  
• 00:15:00ローラン・ベルナットは、空売り者が年金や企業を破壊するという通説を払拭します。同氏は、投資家が低ボラティリティ、低相関リターン、下値保護を求めているため、ロング・ショートのビークルに資金を預けているが、アクティブ運用マネージャーが一貫して保証できるものではないと強調する。したがって、投資家は、上場投資信託を使用して受動的に同じ機能を実行できるため、投資信託マネージャーからのロングピックを気にしません。バーナット氏は、株を空売りすることで下値リスクを防ぐことができ、特に弱気相場では空売りスキルの需要が高まると説明する。
  
  
• 00:20:00ローラン・ベルナットは資本主義と経営責任の文脈で空売りについて議論します。企業の経営に参加しない空売り者は、企業の失敗の責任を問われることがよくありますが、実際には、企業の失敗の原因は経営不振にあります。資本主義の歴史には、経営不手際で時代遅れになった企業が数多くあり、多くの場合、空売り業者が企業をその時代遅れに誘導するだけである。市場価値は本質的価値とは別のものであるとも議論されており、市場価値とは、審査員が誰が最も美しいと考えるかに基づいて最も美しい人が選ばれるカナダの美人コンテストのことです。最後に、空売り者が悪の投機家であるという誤解について議論し、バーナット氏は規制当局は市場操作を行う空売り者を好まないが、空売り者の仕事はしばしば市場の矛盾を明らかにすることであると警告した。
  
  
• 00:25:00ビデオ「強気市場での空売り – マスタークラス」の講演者であるローラン・ベルナット氏が、空売り者が直面するパラドックスである企業時空連続体について語ります。この矛盾は、企業が不正行為に加担した従業員にボーナスを支給する一方で、経営陣がそのような行為の認識を否定する場合に生じます。バーナット氏はまた、株を空売りする非敵対的な方法があるため、空売り者はたとえそれが正しいとしても、企業経営に対して敵対的な見方をすべきではないと示唆している。バーナット氏は空売りがリスク管理であることを承知しており、空売りは慎重に行うべきだと述べ、それがもたらす潜在的なリスクについてアドバイスしている。
  
  
• 00:30:00ローラン・バーナット氏は、アルゴ取引週間のマスタークラスで、空売りの方法を学ぶことの重要性と空売りの方法を知らないことのリスクについて論じ、避けられない弱気市場に備えてトレーニングと練習を行うことの価値を強調しています。同氏はまた、空売りが市場のボラティリティを高め、最終的には株価の暴落につながる可能性があることにも触れている。バーナット氏は、借り手の活用と空売りに利用される株式の需要と供給の概念を簡単に掘り下げ、損失の最小化に関する質問に答え、先物市場でのスポット空売り戦略を調整する必要性について述べました。
  
  
• 00:35:00ローラン・ベルナットは、強気市場では空売りは必要ないという通説の誤りを暴きます。多くのヘッジファンドは2008年の金融危機前に空売りの学習を先延ばしにしていたため、市場崩壊時に甚大な被害を受けた。バーナット氏は、空売りは強気市場中に学ぶべきだと考えています。なぜなら、空売りは多くのアルファリークを伴う競争の激しい分野であり、強気市場中に学習すると、大きな影響を及ぼさずに間違いを犯す余地が与えられるからです。構造的衝撃に関する通説も誤りであることが明らかになりました。企業は倒産するかもしれないが、その論理はロングポジションには当てはまらず、ロングポジションを持つ人々は投資を守るために訪問し、訓練を受けることが多い。
  
  
• 00:40:00ローラン・ベルナットは、「観光客」であることと構造的な空売りを追求することの誤謬について説明しています。これは謙虚さの欠如を表していると彼は考えており、会計不正を発見するのは非常に難しいと言う。もう 1 つの問題は、ビジネス モデルの欠陥です。企業はそれを隠そうとするため、検出するのが困難です。バーナット氏はバリュエーションについても話し、意味がないと意味が分からなくなると述べています。彼は、古典的なトレンドフォローと平均回帰という 2 つの取引モードについて説明し、ロングサイドの人々は、それらのプロファイルと利益が相反するものであるため、その違いを理解する必要があると述べています。
  
  
• 00:45:00ローラン・ベルナットは空売り戦略について議論し、多くの人がペア取引を空売りと関連付けているにもかかわらず、空売り戦略ではないことを強調します。彼はまた、価格に基づいて市場を 3 つのバケツ (強気、弱気、決定的でない) にトリアージするレジームの定義と、レジームの定義、相対系列、およびバリュー トラップというやるべきことについても語ります。バーナット氏は、本当のストーリーや成長がなく、配当利回りが高い、パフォーマンスが低く「退屈な」銘柄に集中することを推奨しています。なぜなら、これらの銘柄は会話に追随してパフォーマンスを下回る傾向があり、それが空売り者の望みだからです。
  
  
• 00:50:00ローラン・ベルナットは、空売りに関してアイデア創出のつまずきについて議論し、企業の成長を高齢化の概念に喩えます。成長が何年も前に起こり、何も残っていないため、利回りが高くなっています。同氏はまた、S&P 500のグラフを示し、赤の実線と緑の実線がそれぞれ1年ぶりの高値と安値を更新した銘柄数を表し、点線が指数で割った相対系列の同じデータを表すことを説明した。どの指数の構成銘柄の半分もおおよそパフォーマンスを上回り、半分はパフォーマンスを下回っています。つまり、問題となるのは上下のタイミングにあるということです。 Bernut 氏は、代わりにセクター ローテーションを行うことを提案し、すべての領域定義方法のヒート マップを提示して、レジーム定義の議論に導きます。
  
  
• 00:55:00ローラン・ベルナットは、定量的分析であろうとファンダメンタルズ分析であろうと、トレーディングにおけるレジーム定義の重要性について議論します。レジーム定義は市場の概要として機能し、トレーダーに強気か弱気かを伝えます。トレーダーは、この体制を分析することで、特定の銘柄のパフォーマンスが優れている、またはパフォーマンスが低い理由を調査できます。これらの質問に対する答えは、セクターのローテーション、一時的なミスプライシング、および特定の銘柄のパフォーマンスの 3 つに分類されます。バーナット氏は、トレンドフォロー、平均回帰、i-breed という 3 つの古典的な取引戦略も紹介しています。
  
  
• 01:00:00ローラン・ベルナット氏は、古典的なトレンドフォロー戦略と平均回帰戦略の欠点について議論し、スケールアウトして短期利益を得る重要性を強調しています。これにより、トレーダーは迅速に利益を獲得して勝率を高めることができると同時に、宝くじのような取引を長期的に実行することができます。また、空売りのダイナミクスと、空売りの基本である純エクスポージャーのドリフトを理解する必要性についても説明します。最後に、このゲームで利益を上げるためには資金管理が不可欠であると述べています。
  
  
• 01:05:00講演者は空売りの希望時間枠についての質問に答えます。彼らは、トレンドフォローのポッドキャストで有名な友人のマイク・コベル氏のアプローチに従って、自分たちの空売りスタイルはトレンドフォローだと説明しています。また、機関投資家の関与を示すものとして、空売り時の借入利用の重要性も強調している。借入利用率が50を超えると、これは機関投資家が建物から撤退した兆候であり、株価を下げるのに残っているのは売却する可能性の低い安定株主だけであると講演者は主張する。したがって、セクターのローテーションが終了するまでに長期間続く可能性があるため、セクターのローテーションのサイクルに従い、比較的早い段階で取り組むことが重要です。
  
  
• 01:10:00ローラン・ベルナットは、株式市場におけるエクスポージャーの概念、特にグロス・エクスポージャー、ネット・エクスポージャー、ネット・ベータについて説明します。同氏は、強気市場では通常、投資家はネットロングをし、ネットベータがプラスになる一方、ボラティリティが低く、ベータが高いディフェンシブ株をショートするだろうと説明する。しかし、バーナット氏は、ネットベータをマイナスにするのは非常に難しく、世界中で少数の投資家だけがそれを実現できると指摘しています。
  
  
• 01:15:00ローラン・ベルナット氏が、マイナスの純エクスポージャーを持たずに弱気市場で適切にポジションを取る方法について説明します。弱気市場では、公共事業、生活必需品、食品などの低ベータ分野で防御的なロングポジションを取る必要があります。これらの保有株はボラティリティが低いため、超過規模になる可能性があります。一方、指数関数的に上昇した高ベータ株は最も大きく下落するため、空売りする必要があります。これにより、重いロングサイドと軽くてよりボラティリティの高いショートサイドが作成され、正味エクスポージャーが残留プラスにつながります。過去に銘柄選びは失敗しましたが、空売りはリスク管理とポジションサイジングに関するものであり、弱気市場で生き残るための戦略となっています。
  
  
• 01:20:00ローラン・ベルナットは、時間の経過とともに収益性の高いトレードを可能にするために勝者を拡大することの重要性について語ります。同氏は、早い段階で高い確率で利益を獲得し、その後は残りの取引を実行し、トレンドフォローによる大きな利益の可能性を考慮することをアドバイスしています。ただし、空売りをする場合は、ショートスクイーズのリスクがあるため、テーブルから資金をすぐに取り除くことが重要です。バーナット氏はまた、ストップロス注文は通常の取引決定の一部であるべきではなく、投資決定が無効になるか取り消される時点でのみ発注されるべきであると強調しています。ボラティリティ帯域内でストップロス注文を行うと、ノイズが発生し、ゲイン期待に悪影響を及ぼす可能性があります。
  
  
• 01:25:00ローラン・ベルナットは、ストップロスについて、また、ストップロスが平均損失、勝率、損失率の 4 つの変数のうち 3 つに影響を与えるため、利益期待における最大の変数であることについて説明します。同氏は、ストップロスを論理的かつ予算の問題として考え、最善の解決策を見つけるために試してみることをアドバイスしています。コモディティの空売りに特化することについての質問に答えて、バーナット氏は自分の知識の不足を認めながらも、相対的な段階をとって体制を検討するという彼の手法を使えば、株の取引が思っているよりも簡単になると示唆している。同氏は、お金は資金管理モジュールで生み出され、銘柄選択が利益の主な決定要因ではないことを強調して締めくくった。
  
  
• 01:30:00ローラン・ベルナット氏は、資金管理の収益の重要性と、収益を生み出すのは銘柄選びだけではないことについて語ります。彼は、異なるポートフォリオが同じ株式を保有していても、投資規模によって収益が異なっていたフィデリティ社の例を挙げています。次にバーナット氏は、グラフを例として使用し、等重み、等リスク、凸型、凹型などのさまざまな資金管理アルゴリズムを説明します。彼は、さまざまなアルゴリズムをさまざまなギアで車を運転することに例え、市場の状況に応じてリスクを調整することの重要性を強調しました。
  
  
• 01:35:00ローラン・ベルナット氏は、金融業界で利益を上げるには資金管理の重要性を強調しています。同氏は、ポジションサイジング、リスク管理、ポートフォリオ管理において最大の進歩が見られるだろうと示唆している。同氏は、ボトムラインの凹凸を調整することでリスクを調整し、異なるリスクプロファイルを作成することができ、これが取引に投入されるポートフォリオのサイズを管理する効率的な方法であると信じている。バーナット氏によると、これは機械学習と AI が次世代に渡って金融の大きな進歩に貢献する分野だという。
  
  
• 01:40:00ローラン・バーナットは、リスク管理、ロングショートポートフォリオにおけるブラックリッターマン最適化、ロングショートポートフォリオとレバレッジの関係について視聴者からの質問に答えます。バーナット氏は、リスク管理には、いつ再加速するか、ゆっくりと減速するかを知ることが必要であり、ロングショートポートフォリオを活用することでリターンは増大しますが、慎重に使用しないと両刃の剣にもなり得ると説明します。彼はまた、Black Litterman の最適化を個人的に使用したことはないものの、これはキャッピングの反復であるとも述べています。最後に、バーナット氏は、オープンリスクと相対的なリスク調整後のリターンを使用して自身のトレーディングのリスクを管理するという個人的なアプローチを共有しています。
  
  
• 01:45:00ローラン・ベルナットは、複合的なアプローチを使用するのではなく、独立して株式を管理することの好みについて語ります。時間枠に関しては、市場はこのレベルで多くの機会を提供しているため、彼は毎日取引しています。同氏はまた、長い時間枠ではプラスの期待を持ちやすいが、その結果、リターンが低下し、売上高が遅くなる可能性があるとも考えている。最後に、バーナットはコンピューターと取引するという課題に取り組み、私たちはコンピューターから罰せられるのではなく、コンピューターと競争しているのだということを思い出させます。
  
  
• 01:50:00ローラン・ベルナット氏が、小売取引における AI と機械学習の使用について説明します。彼は、ランダム性が残るため、市場予測に AI と機械学習を使用することは必ず失敗すると信じています。小売トレーダーが組織を構築することは、思っているよりも簡単です。出来高の推移や株価の動向を観察することで、大手機関の尻尾に乗ることができます。個人トレーダーは、高頻度取引では大手機関に勝つことはできませんが、広範な調査を必要とせず、いつでもトレンドやニッチな取引を行うことができます。全体として、バーナット氏は、ピックバイピック取引で大手機関と競争しようとしないようにアドバイスし、より簡単に参入して成功できる分野を見つけることを奨励しています。
  
  
• 01:55:00ローラン・ベルナットは、空売り者がアナリストよりも早く情報を処理する点でいかに有利であるか、そして自分のニッチを見つけてマイナスの期待に集中することがいかに重要であるかを語ります。空売りの考え方を保つことについて尋ねられたバーナット氏は、謙虚さを保ち、自分が間違っているときは受け入れ、先に進んでストップロスを設定することをアドバイスしています。彼は、狩猟を釣りにたとえて、容赦なく株を切り、網を大きく広げる方法についても説明しています。最後に、彼は低頻度および中頻度のトレーダーが高頻度のトレーダーに対抗するチャンスがあるかどうかについて答え、HFT がより収益性が高いという問題ではなく、各トレーダーが自分のニッチを見つけて独自の権利で成功することが重要であると述べています。
  
  
• 02:00:00講演者は、取引における HFT の役割と、HFT が本質的にどのように機能し、何があっても減額される税として機能するかについて説明します。彼はまた、HFT での勝利は軍拡競争であり、自分が先を行くか、他人のランチ代を払うかのどちらかであるとも述べています。彼は、時間の観点からトレンドを見るのではなく、時間は間違った入れ物であり、代わりに体制に注目する方が良いと信じています。長期エクスポージャーと短期エクスポージャーの観点から、彼は投資信託のクオンツやガンマンが使用する標準的なロングエクステンション 130/30 または 140/40 モデルについて話します。これらは依然として資産配分ゲーム内でのみロングとして分類されているため人気がありますが、単なる総エクスポージャーレベル以外のネットベータベンチマークを検討することを彼は提案しています。
  
  
• 02:05:00スピーカーは、資産配分の観点から 130/30 戦略がどのように機能するか、また残余がどのようにしてロングとして分類されるかについて説明します。 130/30 戦略とは、130% のロング ポジションと 30% のショート ポジションを持つことを意味し、純エクスポージャーは 100%、現金残高はゼロに近くなります。この戦略を使用するファンドは引き続きロングオンリーとして分類され、それぞれのインデックスにベンチマークされます。講演者は、ネットベータの義務化が可能かどうかに関して興味深い学術的論点を提供していますが、それは彼がこれまで考えたこともなかった技術的な問題であると共有しています。セッションはここでフィードバックを提供して質問するよう提案し、取引におけるセンチメントと代替データの使用に関する次のセッションに参加するようリマインドして終了します。

[MetaQuotes]

最高の株の選び方とライブトレードの方法 by Dr. Hui Liu |アルゴ取引週間 2 日目

最高の株の選び方とライブトレードの方法 by Dr. Hui Liu |アルゴ取引週間 2 日目

アルゴ取引週 2 日目の紹介の中で、講演者はクオンツおよびアルゴ取引の専門家をフィーチャーした前回のセッションを認めました。これらの専門家が共有した貴重な洞察について簡単に言及し、その日のプレゼンテーションの準備を整えます。 2 日目は、Hui Liu 博士がプレゼンターとして主導し、最良の銘柄を選択し、ライブ取引を行うことに焦点を当てます。

講演者はまた、クオンツ取引とアルゴリズム取引の基礎をカバーする 3 つの異なるテストを含む現在進行中のアルゴ取引コンペティションについても強調します。コンテストの勝者は 9 月に発表され、イベントに期待と興奮の要素が加わります。さらに講演者は、翌日のセッションがアロハ・ベンドゥ率いる空売りに関する2時間のマスタークラスであることを明らかにした。このクラスの時間は、異なるタイムゾーンからの参加者に対応できるように調整されます。

Hui Liu 博士は、トレードのアイデアを生成し、検証し、過去のパフォーマンスをテストするための機械学習モデルを構築するプロセスについて説明することからプレゼンテーションを始めます。同氏は、トレーダーは財務報告書を読んだり、ソーシャルメディアプラットフォームを監視したりして企業の業績を評価することでアイデアを導き出すことができると示唆している。リウ博士はまた、S&P 500 指数を追跡し、貴重な履歴データ ソースとして機能する SPY ETF も紹介します。彼は、iBridgePi を使用した取引ロボットの作成に進む前に、統計モデルを採用し、バックテストを実施して取引アイデアを検証することの重要性を強調しています。

続いて、トレンド取引の基本と安く買って高く売ることの意義について劉博士が解説します。彼は、履歴データの収集と、機械学習モデルを開発するための Jupyter Notebook での Python の利用について詳しく説明します。 Liu 博士は、このモデルを使用して株スクリーニング機能を作成する方法を示し、取引目的で最も有望な株を特定するのに役立ちます。彼は、バックテストやライブ取引を通じて取引アイデアを検証することの重要性を強調しています。

次のセグメントでは、Liu 博士が Python を利用して Yahoo Finance API から履歴データを取得し、それを操作して機械学習モデルを構築する方法を実践的にデモンストレーションします。具体的には、SPY の毎日の足データを取得し、「履歴データのリクエスト」機能を使用します。 Liu 博士は、前日から当日まで、および当日から翌日までの終値の変化率を計算する列をデータに追加しました。同氏は、昨日から今日にかけて終値がマイナスに変化し、今日から明日にかけてプラスに変化することは、彼の予測が差し迫った価格上昇を示唆しているため、価格が下がったときに株を買うチャンスであることを示していると説明した。

次に、株価を予測するための機械学習モデルを構築するプロセスについて、Liu 博士が詳しく説明します。終値、昨日の価格変化、今日から明日までの価格変化のデータを取得します。線形回帰モデルを利用してデータを適合させ、結果を分析しました。 Liu 博士は、黒い線が機械学習モデルの予測を表すプロットを表示し、点在するデータ ポイントは Yahoo Finance からの S&P 500 の毎日の株価を表します。負の係数は負の相関を意味し、価格が下落すると上昇する可能性があり、その逆も同様です。リウ博士は、自動取引にこのモデルを使用して利益を生み出す可能性について熟考しています。

Liu 博士は、最適な銘柄を選択し、ライブ取引を行うプロセスについて説明します。同氏は、トレーダーに対し、市場終値付近で注文を出す前に、取引日の終わりに価格を調べて上向きか下向きの動きを判断することを推奨している。彼は、モデルがさまざまな銘柄でどのように機能するかについての洞察を得て、従うべき有利な銘柄を特定するための銘柄スクリーナーの構築を示しています。リュー博士は、自分のモデルが比較的単純で、昨日の価格に基づいて明日の価格を予測していることを認めており、そのため、予測精度を高め、取引をフィルタリングするために、移動平均収束ダイバージェンス（MACD）などの高度な指標を組み込むことを検討しています。

リュー博士は、MACD を利用して株価を予測しフィルタリングすることについて、安値買い高値モデルとの比較とともに検討しています。彼は SPY で MACD 10 と 30 を使用したときに得られた結果を提示し、比較的弱い傾向を明らかにしています。したがって、Liu 博士は、将来の予測に MACD を使用しても、以前ほど好ましい結果は得られない可能性があると結論付けています。彼は統計的機械学習モデルの構築について議論を進め、利益を生み出す潜在的な手段として低価格販売高モデルを検討しています。 Liu 博士は、バックテストとライブ取引を容易にする Python プラットフォームである Average Pi を取り上げ、その 100% プライバシー機能、複数のアカウントとの互換性、およびデータプロバイダーの柔軟性を強調しました。彼は、わずか数行のコードを使用して、Average Pi で低価格販売高モデルを構築するシンプルさと効率性を説明しています。

Liu 博士は、Algo Trading Week Day 2 を使用して取引するための設定をセットアップするプロセスを説明します。彼は、変数を定義して設定を確立するために、最初に初期化関数を実行することを強調します。一例として、彼は「安く買って高く売る」関数を毎取引日市場終了の 1 分前に実行するようにスケジュールし、昨日の価格が今日の価格よりも低かった場合にポートフォリオの 100% を SPY に投資するように指示します。 Liu 博士は、バックテストのトピックを詳しく掘り下げ、ブローカーやサードパーティプロバイダーからの履歴データを、分ごと、時間ごと、日ごとなど、さまざまな時間枠でどのように利用できるかを説明します。

次に、Liu 博士は、さまざまなデータ プロバイダーとパッケージを使用して、選択した戦略をバックテストするプロセスを示します。彼は、バックテスト期間の開始時刻と終了時刻を選択するとともに、実行のために選択したデータプロバイダーを確認することをアドバイスしています。デモ モードに移行すると、Liu 博士はプロセスを紹介し、インタラクティブ ブローカー (IB) などのデータ プロバイダーやローカルの履歴データを戦略のバックテストに使用できることを示しました。彼は、ローカル ファイルに保存されている利用可能な履歴データを利用して、バックテスト設定を構成するためのガイダンスを提供します。

Liu博士は、履歴データを使用してトレーディング戦略の有効性をテストするためのバックテストの使用法を実証します。彼は、広範なバックテスト期間にわたって意味のある毎日の足データを取得することが課題であることを認めています。この障害を克服するために、彼はシミュレートされた分足足データの概念を導入しました。この概念では、日足足の終値を利用してデータをシミュレートできます。これにより、バックテストの目的で必要な正確なデータにアクセスするのに苦労しているトレーダーのプロセスが簡素化されます。

リウ博士は、2000 年から 2020 年までの S&P 500 のバイアンドホールド戦略と比較して、「安く買って高く売る」モデルのバックテストの結果を示しています。このモデルはバイアンドホールド戦略を上回っており、その結果、ポートフォリオが形成されます。 200,000ドルと比較して800,000ドルの価値。同氏は、単純な線形回帰によって観察された相関関係は小さいにもかかわらず、このモデルが依然として肯定的な結果をもたらしていることを認めています。次に、Liu 博士はライブ取引の話題に移り、プログラムを実行する前に、2 行のコードを変更するだけで目的の戦略を選択し、インタラクティブ ブローカーの口座コードを入力するだけで簡単にできることを示しました。彼はプレゼンテーションを締めくくり、コーディングの支援が必要な場合は電子メールで連絡するか、カリフォルニア州サンノゼでの直接会議を手配するよう出席者に呼びかけました。

Q&A セッションでは、ライブトレードで同じ結果をもたらすバックテスト戦略の確実性に関して質問が投げかけられます。リウ博士は、過去のデータは過去を表しており、モデルは統計的な安定性を示す可能性があるが、価格自体は、特に市場終値付近では不安定であると説明します。したがって、将来の予測には変動が避けられません。ただし、長期間にわたって、全体的なモデルは当てはまるはずです。同氏は、そのシンプルさと理解しやすさから線形回帰モデルを利用していると述べていますが、より洗練された機械学習モデルがより良い結果を生み出す可能性があることも認めています。リウ博士はまた、取引コストとスリッページの問題にも言及し、ライブ取引戦略を実装する際にはそれらを考慮する必要があり、戦略の全体的なパフォーマンスに影響を与える可能性があると述べています。

買い安値売り高モデルと組み合わせて他のテクニカル指標を使用することに関して、別の疑問が生じます。リウ博士は、トレーダーが戦略に追加の指標を組み込むことを可能にする、Average Pi プラットフォームの柔軟性を強調してこれに答えています。彼は、移動平均収束ダイバージェンス (MACD) 指標が取引をフィルターし、予測精度を高めるための貴重な追加機能になる可能性があると述べています。

参加者は、取引シグナルと市場終了の間の時間間隔の重要性について質問します。リウ博士は、選択される時間間隔は個人の好みや取引戦略によって異なると説明しています。希望する取引執行時間に応じて、市場が終了するまでに数分から数時間かかる場合もあります。同氏はトレーダーに対し、さまざまな時間間隔を試して、特定の戦略に最適なものを見つけるようアドバイスしています。

市場のボラティリティが「ロー・ロー・セル・ハイ」モデルに及ぼす影響に関する質問に答えて、Liu 博士は、ボラティリティの増大が潜在的により多くの取引機会を生み出す可能性があることを認めました。ただし、ボラティリティが高くなるとリスクも高くなるため、トレーダーはリスク許容度を慎重に検討し、それに応じて戦略を調整する必要があると同氏は警告する。

参加者は、安く買って高く売るモデルの潜在的な制限について尋ねます。 Liu 博士は、モデルの単純さが長所であると同時に限界でもあることを認めています。プラスの結果を生み出す可能性もありますが、より複雑な市場動向を捉えることができない可能性があり、特定の取引機会を逃す可能性があります。同氏は、より高度な戦略やモデルを探索したいトレーダーは、クオンツ・ファイナンスをさらに深く掘り下げ、他の機械学習アルゴリズムを探索することを検討すべきだと示唆しています。

Q&A セッションは、Liu 博士が参加者にさらなる質問やコーディングの支援をする用意があることを表明し、電子メールで連絡するよう勧めて終了しました。

• 00:00:00講演者はアルゴ取引週 2 日目を紹介し、クオンツおよびアルゴ取引に関する専門家との前回のセッションについて簡単に言及します。この日のプレゼンテーションの焦点は、Hui Liu 博士による最良の株の選び方とライブトレードです。講演者はまた、アルゴ取引コンペティションと、クオンツ取引とアルゴリズム取引の柱に関する 3 つの異なるテストについても簡単に説明し、勝者は 9 月末に発表されます。明日のセッションは、アロハ・ベンドゥによる空売りに関する2時間のマスタークラスで、参加者の所在地に応じて通常より早く実施されます。
  
  
• 00:05:00 Hui Liu 博士は、取引のアイデアを思いつき、それを検証し、機械学習モデルを構築して過去のパフォーマンスをテストする方法について説明します。同氏は、財務報告書を読んだり、ソーシャルメディアを利用して企業の業績についての感触を得ることが、取引のアイデアを思いつく方法の1つになる可能性があると示唆している。次に、S&P 500 指数を追跡する SPY ETF と、それを履歴データ ソースとして使用する方法について話します。 Liu博士はまた、iBridgePiを使用して取引ロボットを作成する前に、統計モデルとバックテストを使用して取引アイデアを検証することについても言及しました。
  
  
• 00:10:00 Hui Liu 博士が、トレンド取引の基本と、安く買って高く売ることの重要性について説明します。この概念に基づいて、Jupyter Notebook で Python を使用して履歴データを収集し、機械学習モデルを構築する方法を説明します。また、このモデルを使用して、取引に最適な銘柄を特定するのに役立つ銘柄スクリーナーを作成する方法も示します。最後に、バックテストやライブ取引を通じて取引アイデアを検証することの重要性を強調しています。
  
  
• 00:15:00 Hui Liu 博士は、Python を使用して Yahoo Finance API から履歴データを取得し、そのデータを操作して機械学習モデルを構築する方法を示します。 SPY のデータは日足バーで取得され、履歴データの取得に使用される機能は「履歴データのリクエスト」です。機械学習モデルを構築するために、Liu 博士は、昨日から今日、および今日から明日の終値の変化をパーセンテージで計算するいくつかの列を追加しました。昨日から今日までの終値の変化がマイナスで、今日から明日の終値の変化がプラスであれば、価格は下がると予測しているため、価格が下がったときに株を買うチャンスがあることを意味すると彼は説明します。上。
  
  
• 00:20:00 Hui Liu 博士が、株価を予測するための機械学習モデルを構築するプロセスを説明します。彼は、終値、昨日の価格変化、そして今日から明日までの価格変化に関するデータを収集することから始めます。次に、線形回帰モデルを使用してデータを適合させ、結果を分析します。プロット上の黒い線は機械学習モデルの予測を表し、点在するデータ ポイントは Yahoo Finance による S&P 500 の毎日の株価を表します。Liu 氏は、負の係数は負の相関を意味し、価格が下落すると株価が下がることを示していると説明しています。価格が上昇すると、価格は下落する可能性が高くなります。最終的に、Liu 氏は、このモデルを自動取引に使用して利益を得ることができるかどうかを検討します。
  
  
• 00:25:00 Hui Liu 博士が、最良の株の選び方とライブトレードについて説明します。同氏は、トレーダーは取引日の終わりに価格を見て価格が上がるか下がるかを確認し、取引市場の終わりに注文を出すことを提案しています。彼は、モデルが他の銘柄に対してどのように機能するのか、どの銘柄をフォローするのが良いのかを理解するための銘柄スクリーナーを構築する方法を示しています。 Liu 博士は、昨日の価格を使用して明日を予測するため、モデルが単純すぎるため、移動平均収束ダイバージェンス (MACD) などの高度な指標を使用して取引を予測しフィルター処理することを検討していると説明します。
  
  
• 00:30:00 Hui Liu 博士が、MACD を使用した株の予測とフィルタリング、およびそれと安値買い高値モデルとの比較について説明します。彼は、Spy で MACD 10 と 30 を使用した場合の結果を示し、比較的弱い傾向を明らかにし、将来の予測に MACD を使用しても以前ほど成功しないだろうと結論付けています。 Liu 博士は、統計的機械学習モデルを構築し、潜在的に利益を上げるための低価格販売高モデルの検討について説明します。次に、バックテストとライブ取引のための Python プラットフォームである Average Pi の使用について説明し、複数のアカウントを管理し、バックテストに任意のデータ プロバイダーを使用できる 100% プライバシー機能を強調しました。最後に、Liu 博士は、わずか数行のコードを使用して Average Pi で低価格販売高モデルを構築する方法を説明し、そのシンプルさと効率性を強調しました。
  
  
• 00:35:00 Hui Liu 博士が、Algo Trading Week Day 2 を使用して取引するための設定をセットアップするプロセスについて説明します。Liu 博士は、実行の開始時に初期化関数を実行して変数を定義し、設定をセットアップします。一例として、Liu 博士は、毎取引日市場終了 1 分前に「安く買って高く売る」機能を実行し、昨日の価格が今日の価格よりも低かった場合にポートフォリオの 100% を SPY に購入するようにスケジュールを設定しています。次に、Liu 博士は、ブローカーやサードパーティのデータプロバイダーからの分単位、時間単位、または日単位での履歴データを使用してバックテストを行う方法について説明します。
  
  
• 00:40:00 Hui Liu 博士は、さまざまなデータ プロバイダーとパッケージを使用して、選択した戦略をバックテストする方法を示します。バックテストの最も簡単な方法は、バックテストの開始時刻と終了時刻を選択し、データプロバイダーにバックテストの実行を確認することだと説明しています。 Liu 博士はデモ モードに切り替えてプロセスを示し、IB やローカル履歴データなどのデータ プロバイダーを使用して戦略をバックテストできると述べました。さらに、ローカル ファイルにある履歴データを使用しながらバックテスト プロセスをセットアップする方法についても説明します。
  
  
• 00:45:00 Hui Liu 博士は、過去のデータを使用してバックテストを使用して取引戦略の有効性をテストする方法を示します。同氏は、データは意味のあるものである必要があるが、トレーダーはバックテストの長い時間枠で毎日の足データを見つけるのに苦労するかもしれないと説明しています。ただし、この問題を解決するために、彼はシミュレートされた分足足データの概念を導入しました。データが利用できない場合、日足足の終値を使用してデータをシミュレートできます。これは、バックテスト用の正しいデータを見つけるのに苦労しているトレーダーのプロセスを簡素化するのに役立ちます。
  
  
• 00:50:00 Hui Liu 博士は、2000 年から 2020 年までの S&P 500 のバイ・アンド・ホールド戦略と比較した「安く買って高く売る」モデルのバックテストの結果を実証します。モデルはバイ・アンド・ホールド戦略を上回りました。 、ポートフォリオの価値は 200,000 ドルと比較して 800,000 ドルになります。同氏は、単純な線形回帰を使用した相関関係は小さい数値であったにもかかわらず、それでも良好な結果が得られたと指摘しています。その後、Liu 博士はライブ取引に移行します。これは、プログラムを実行する前に戦略を選択し、IB (Interactive Brokers) の口座コードを入力するために 2 行のコードを変更するだけで簡単だと言います。彼は、コーディングのサポートが必要な場合は電子メールで連絡するか、カリフォルニア州サンノゼにいる場合は直接会うよう出席者に呼びかけてプレゼンテーションを締めくくりました。
  
  
• 00:55:00 Hui Liu 博士は、ライブトレードで同一の結果をもたらすバックテスト戦略の確実性についての質問に答えます。同氏は、過去のデータは単なる過去のものであり、モデルは統計的には安定しているかもしれないが、価格は特に市場終値付近では変動しやすいと説明する。したがって、将来を予測するには常に変動が存在しますが、長期的には全体的なモデルは依然として真実です。線形回帰モデルを使用している理由は、それが最も理解しやすいからですが、ランダム フォレスト モデルなどの他のモデルも使用できると彼は述べています。ただし、モデルを簡単に説明するのは難しいため、過学習を避けるためにより単純なモデルを使用する必要があります。
  
  
• 01:00:00 Liu 博士は、モデルを再トレーニングする頻度と、ストップロスまたはテイクプロフィットを通じてリスクを管理する方法について説明します。彼は、再トレーニングはモデルの種類と所有するデータの量によって決まると示唆しています。より多くのデータがあれば、より良い結果と予測可能性が得られます。ストップロスによるリスク管理に関しては、モデルに直接組み込むのは難しいが、バックテストフレームワークに組み込んでストップロスポイントを設定し、ストップロスのない戦略と結果を比較することは可能だと同氏はアドバイスする。最後に、同氏は通常のトレーダーに対し、高頻度取引には関与しないよう警告している。その分野では金融機関に勝つ方法はないからだ。
  
  
• 01:05:00 Hui Liu 博士が、バックテストに必要な最低レベルと、信頼できる結果を得るために必要なデータ量について説明します。同氏は、信頼性の高いテストの最低レベルは取得できるデータ ポイントの最大数であり、日足または時間足に基づいて判断する必要があると述べています。彼は、因子の数をモデルと比較する場合、因子ごとに、モデルに適合させるために 100 個のデータ ポイントが必要であると示唆しています。そうしないと、モデルはそれほど優れたものにはならないでしょう。最後に、主催者は劉先生に感謝の意を表し、次のクラスを発表します。

[MetaQuotes]

クオンツとして成功する方法 |アーネスト・チャン博士 |アルゴ取引週 1 日目

クオンツとして成功する方法 |アーネスト・チャン博士 |アルゴ取引週 1 日目

アーネスト・チャン博士とのQ&Aセッションは、初心者にアルゴリズム取引の基礎を学ぶ機会を提供し、専門家が知識を新たにできるように設計されたアルゴリズム取引コンテストについて講演者が紹介することから始まります。このコンテストでは、上位 3 名の優勝者に奨学金や賞状などの賞品が提供されます。 PredictNow.ai と QTS Capital Management の創設者兼 CEO であり、クオンツ トレーディングに関する 3 冊の本の著者でもあるチャン博士が、その専門知識を聴衆に共有します。

チャン博士はまず、米国の取引所の取引高の最大90％がアルゴリズム取引によるものであるとの推計を踏まえ、過去10年間の量的取引の優位性を強調した。同氏は定量取引が裁量取引よりも優れているとは主張していないが、取引戦略を自動化または体系化する機会を見逃さないことが重要であると強調している。個人トレーダーが金融機関と競合するという観点から、チャン博士は、能力が限られたニッチ戦略が最良の機会を提供すると示唆しています。これらの戦略は大規模な機関にとって魅力的ではないことが多く、取引頻度が低いため、独立系トレーダーにとっては実行可能な選択肢となります。

議論は続き、チャン博士は、大手機関が競合していないアルゴリズム取引のニッチ市場を見つけることの重要性について言及しました。同氏は、大手企業との直接競争を避けるようアドバイスし、競合がほとんどまたはまったくない分野を探すことを推奨している。チャン博士は、博士号を持つことの重要性についての質問に答えます。クオンツ取引とアルゴリズム取引で。同氏は、「ゲームに参加する」、つまり自分の資金を賭けて行動することがクオンツで成功するために重要であると強調する。同氏は、トレーダーは理論的な知識だけに頼るのではなく、トレーディング戦略自体をバックテストしたり、トレーディングに関するブログや書籍を読んだりして、市場を直感的に理解することに重点を置くことを提案しています。

チャン博士は、クオンツトレーダーとして成功するには、博士号よりも実務経験と市場理解を優先すべきだとアドバイスしています。同氏は、クオンツとして成功するには時間がかかると指摘し、トップクオンツファンドへの参加を目指す際には、トレーディング戦略や特定の市場現象に焦点を当てた独自の研究をホワイトペーパーの形で執筆することで、差別化を図ることを提案している。同氏は、1回のトレード成功などの短い実績だけでは、一貫性や知識を証明するには不十分だと警告する。注文フローデータをトレーディング戦略に組み込むことについての質問に答えて、チャン博士はその指標としての価値を認めているが、単独では包括的な指標はないため、他の指標と組み合わせて使用する必要があると強調した。

個別の指標を使用してトレーディング戦略を構築することの限界については、チャン博士が説明します。同氏は、多くの人がこれらの指標を使用しており、その有効性が低下していると指摘しています。彼は、これらを機械学習プログラムの多くの機能の 1 つとして組み込むことを提案しています。クオンツ業界における年齢差別について尋ねられたとき、チャン博士は、誰かが個人事業主として活動している場合、年齢差別は問題にならないと強調した。彼はまた、アルファの生成における機械学習の使用についての見解を共有し、過剰適合のリスクについて警告し、代わりにリスク管理のツールとして機械学習を推奨しています。低レイテンシー取引に関して、チャン博士は、この分野では定量的取引が必要であると主張します。最後に、クオンツベースのヘッジファンドを始めようとする人にとっては、成功した実績以上に管理スキルが不可欠であると彼はアドバイスしています。

チャン博士は、資金管理を成功させるには、トレーディングスキルだけでなく、管理スキルや事業開発スキルも必要であると強調します。リーダーとしての資質と経営管理の背景を持つことが極めて重要です。インド市場を定量的に理解することについて尋ねられると、主に規制のせいで知識が不足していることを認めた。戦略を実際に使用する前に紙の取引にどのくらいの時間を費やすべきかという問題について、チャン博士は、それは取引の効率に依存すると説明します。毎秒取引を実行する高頻度取引戦略の場合、2 週間のペーパー取引で十分に運用を開始できる場合があります。逆に、ホールド戦略の場合、実行された取引数に基づいて統計的有意性を獲得するには、3 か月間ペーパー取引が必要な場合があります。

チャン博士はさらに、収益性の高いアルファはほとんどが非価格ベースであることが最近の研究で示されているにもかかわらず、時系列アプローチが依然としてアルファ・ポートフォリオの中核であるべきかどうかについて議論します。同氏は、経験豊富なクオンツの注目を集めるために、業界カンファレンスに出席し、LinkedInなどのプラットフォームを通じて専門家とネットワーキングし、トレーディングで強力な実績を築くことを提案している。同氏は、個人が指導者を探し、潜在的な協力者に連絡を取るために積極的な措置を講じることを奨励しています。

次に、チャン博士は、成功するクオンツ トレーディング チームを雇用し、訓練する方法についての洞察を共有します。同氏は、採用される個人は、リスク管理、デリバティブ価格設定、データサイエンスなど、チームが注力している特定の機能において実証された専門知識を持っている必要があるとアドバイスしています。チームの目標が収益性の高い取引戦略を開発することである場合、その分野ですでに実績のある人を雇用するのが最善です。さらに、チャン博士は、取引にとって普遍的に理想的な市場はなく、チームは自分たちが最もよく知っていることに集中する必要があると強調しています。また、中・低頻度トレーダーと比較して、高頻度トレーダーが短期的な市場の方向性を予測する上でどのように有利であるかについても説明します。

チャン博士は、短い時間枠を超えた市場の動きを正確に予測するという課題と、高頻度の取引予測を利用する際の複雑さを掘り下げて議論を続けます。彼は、自分自身で取引するのではなく、熟練したトレーダーを雇うことを含む、取引に対する個人的なアプローチを共有しています。チャン博士は、裁量戦略を採用するか量的戦略を採用するかに関係なく、優れた実績を持つトレーダーを雇用することの重要性を強調します。年間の累積成長率について尋ねられると、SECの規制によりこの情報は開示できないと明言した。最後に、クオンツトレーダーは通常、すべての資産クラスで同じ戦略を使用するわけではないため、アルゴリズム取引の目的で Python や MATLAB などのプログラミング言語を比較するのは困難であると彼は指摘します。

Chan 博士は、トレーディングにおける MATLAB と Python の使用について説明し、個人的には MATLAB を好みますが、トレーダーによって好みが異なり、言語の選択が最も重要な要素ではないことを認めています。同氏は、取引コストの最適化はその分野の専門家でも難しいため、トレーダーにとって最優先事項ではないと考えている。機械学習戦略の見直しや再トレーニングについては、市場体制が大きく変化した場合にのみ行うことを同氏は提案している。また、取引スキルを向上させるために、Python や MATLAB などの新しい言語を学習して機会を拡大することも推奨しています。

チャン博士は、クオンツトレーダーになりたい人にキャリアに関するアドバイスを提供してセッションを締めくくりました。彼は、個人の長所と短所をより深く理解するために、オプション取引などのさまざまな分野を探索することを提案しています。同氏は、現在は機械学習ベースのリスク管理システムをより広く利用できるようにすることに重点を置いていると述べ、近い将来に機械トレーディング本の第 2 版を発行する予定はないと明言した。トレーダーを雇用する際には、長期にわたる一貫した実績を求め、短い時間枠での取引には時系列手法と計量経済モデルを使用することを推奨しています。出口戦略は特定の取引戦略と一致しており、それに応じてストップまたは利益目標の出口を実装する必要があります。

ビデオの終わりに、司会者は貴重な洞察と、クオンツの成功に関するさまざまな質問に答えるために時間を費やしてくれたアーネスト・チャン博士に感謝の意を表します。視聴者は、未回答の質問がある場合は、確実に対処するために電子メールで送信することをお勧めします。司会者は、来週、アルゴリズム取引の分野で他の著名なゲストとの追加セッションを発表し、聴衆のサポートに感謝の意を表し、引き続き視聴するよう奨励します。

• 00:00:00アーネスト・チャン博士とのこの Q&A セッションでは、聴衆からの質問が、事前に選択された質問とともに取り上げられます。質疑応答に入る前に、講演者は、初心者がアルゴリズム取引の基礎を学び、専門家が知識をブラッシュアップできる機会を提供するアルゴリズム取引コンテストについて紹介しました。コンテストの上位3名には、奨学金や賞状などの賞品が授与されます。 Dr. Chan は、PredictNow.ai および QTS Capital Management の創設者兼 CEO であり、クオンツ トレーディングに関する 3 冊の本の著者です。
  
  
• 00:05:00アーネスト・チャン博士は、クオンツ取引はすでに過去 10 年間で主要な取引形式となっており、米国の取引所の取引高の最大 90% がアルゴリズム取引によるものであるとの推定もある、と説明しています。同氏は、定量取引が裁量取引よりも優れているとは主張していないが、戦略を自動化または体系化する機会を無視するのは賢明ではないと強調する。機関投資家と競合する個人トレーダーに関して言えば、チャン博士は、キャパシティが限られたニッチ戦略が最良の機会であると示唆しています。これらの戦略は大規模な機関にとって魅力的ではないことが多く、取引頻度が低いため、独立系トレーダーにとっては実行可能な選択肢となります。
  
  
• 00:10:00アーネスト・チャン博士は、大手機関が競合していないアルゴ取引のニッチ市場を見つけ、何としても競争を避けることの重要性について語ります。同氏は大手企業と競争しないようアドバイスし、競争のないニッチな分野を見つけることを勧めている。彼はまた、博士号を持つことの重要性についての質問にも答えます。クオンツ取引とアルゴ取引の分野で、クオンツで成功するにはゲームに参加することが重要であるとアドバイスしています。自分のお金を賭けなければ、トレードの仕方を学んだり、数学やデータサイエンスなどの二次的なことに集中したりすることはできません。自分で取引戦略をバックテストしたり、取引に関するブログや書籍を読んだりして、市場を直感的に理解することが不可欠です。
  
  
• 00:15:00アーネスト・チャン博士は、クオンツトレーダーとして成功するには、博士号から得た理論的知識ではなく市場そのものに焦点を当てるべきだとアドバイスしています。彼は、実践的な経験に重点を置くことが必要であり、クオンツとして成功するには時間がかかると示唆しています。トップクオンツファンドへの参加を目指す際に自分を差別化するために、トレーディング戦略や特定の市場現象に焦点を当てた独自の研究をホワイトペーパーの形で書くことを彼は勧めている。同氏はまた、取引の成功といった短い実績だけでは一貫性や知識を証明するには不十分だと警告する。注文フローデータの組み込みに関するフォローアップの質問に答えて、彼は、これは良い指標ではあるが、単独の指標としては十分ではなく、併用すべき指標は他にもたくさんあるとアドバイスしました。
  
  
• 00:20:00アーネスト・チャン博士は、個別の指標を使用する人が多いため、トレーディング戦略を構築するために個々の指標を使用することの限界について説明します。彼は、これらを機械学習プログラムの多くの機能の 1 つとして組み込むことを提案しています。クオンツ業界における年齢差別について尋ねられたチャン博士は、個人事業主であれば年齢差別は問題にならないと指摘した。彼はまた、アルファの生成における機械学習の使用についての見解を共有し、過剰適合のリスクを強調し、代わりにリスク管理ツールとして機械学習を推奨しています。低レイテンシー取引に関して、チャン博士は、この分野では定量的取引が必要であると主張します。最後に、クオンツベースのヘッジファンドを始めたい人には、成功した実績以上に管理スキルが不可欠であると彼はアドバイスします。
  
  
• 00:25:00アーネスト・チャン博士は、ファンド管理を成功させるにはトレーディングスキルだけでなく、管理スキルや事業開発スキルも必要であることを強調しています。したがって、リーダーとしての資質と経営管理の背景を持つことが極めて重要です。インド市場を定量的に理解することについて尋ねられると、主に規制のため知識がないと認めた。戦略を実際に使用する前に紙の取引にどのくらいの時間を費やすべきかという問題について、チャン博士は、それは取引の効率に依存すると説明します。毎秒取引する高頻度取引戦略の場合、2 週間の紙取引で十分に運用を開始できます。一方、ホールド戦略の場合、特性の数に基づいて統計的有意性を得るために 3 か月間ペーパートレードが必要になる場合があります。最後に、収益性の高いアルファはほとんどが非価格ベースであることが最近の研究で示されているにもかかわらず、時系列アプローチが依然としてアルファ ポートフォリオの中心であるべきかどうかについて議論します。
  
  
• 00:30:00アーネスト・チャン博士は、業界カンファレンスに出席し、LinkedIn やその他のプラットフォームを通じて専門家とネットワークを作り、トレーディングで強力な実績を築くことを提案しています。また、指導者を探し、潜在的な協力者に積極的に連絡を取るようアドバイスしています。確固たる評判を築き、学習して改善する意欲を示すことは、経験豊富なクオンツの注目を集めるのに役立ちます。
  
  
• 00:35:00アーネスト・チャン博士が、成功するクオンツ・トレーディング・チームを雇用し、訓練する方法について語ります。同氏は、採用される人材は、リスク管理、デリバティブ価格設定、データサイエンスなど、チームが重点的に取り組んでいる特定の機能に関する専門知識を証明する必要があるとアドバイスしています。チームの目標が収益性の高い取引戦略を開発することである場合、すでに実績のある人を雇うのが最善です。さらに、チャン氏は、トレードに普遍的に適した市場など存在しないため、チームは自分たちが最もよく知っていることに集中する必要があると述べています。最後に、彼は、中および低頻度のトレーダーと比較して、高頻度のトレーダーが短期的な市場の方向性を予測する上でどのように有利であるかについて説明します。
  
  
• 00:40:00アーネスト・チャン博士が、短い時間枠を超えた市場の動きを正確に予測することの難しさと、高頻度の取引予測を活用するという課題について説明します。彼はまた、自分自身でトレードするのではなく、熟練したトレーダーを雇うことを含む、トレードに対する個人的なアプローチについても触れています。チャン氏は、裁量戦略を利用するか量的戦略を利用するかに関係なく、優れた実績を持つトレーダーを雇用することの重要性を強調します。年間の累積成長率について尋ねられたチャン氏は、SECの規制によりこの情報を開示できないと述べた。最後に、クオンツトレーダーは通常、すべての資産クラスで同じ戦略を使用するわけではなく、アルゴ取引で Python と MATLAB を比較するのは難しいと述べています。
  
  
• 00:45:00 Ernest Chan 博士が、取引における Matlab と Python の使用について説明します。彼は個人的に Matlab を好みますが、トレーダーによって好みが異なり、言語が最も重要な要素ではないことも認めています。また、取引コストの最適化は、その分野の専門家であっても難しいため、トレーダーにとって優先すべきではないとも考えています。機械学習戦略の見直しや再トレーニングに関しては、市場体制が劇的に変化した場合にのみ行うべきであり、Python や Matlab などの新しい言語を学習してスキルを向上させることはトレーダーの機会を拡大するのに役立つと同氏は提案しています。
  
  
• 00:50:00アーネスト・チャン博士が、クオンツトレーダーになりたい人へのキャリアアドバイスについて語ります。彼は、個人の長所と短所をより深く理解するために、オプション取引などのさまざまな分野を試してみることを提案しています。また、同氏は現在、機械学習ベースのリスク管理システムをより広く利用できるようにすることに重点を置いており、近い将来に機械取引本の第 2 版を発行する計画はないとも述べています。トレーダーを雇用する際には、長期にわたる一貫した実績を求めており、短い時間枠での取引には時系列手法と計量経済モデルを使用することを推奨しています。同氏は、エグジット戦略は特定の取引戦略に依存すると指摘し、それに応じてストップまたは利益目標エグジットを実装することを提案しています。
  
  
• 00:55:00ビデオは、時間を割いてクオンツの成功に関するさまざまな質問に洞察力に富んだ回答をくれたアーネスト・チャン博士にホストが感謝の意を示して終わります。視聴者は、セッション中に回答されなかった質問については、確実に回答できるよう電子メールで送信することをお勧めします。主催者は、アルゴ取引の分野で他の著名なゲストとの追加セッションが来週中に行われることを発表しました。視聴者の皆様には、ご支援に感謝し、引き続き視聴をよろしくお願いいたします。

[MetaQuotes]

クオンツ取引とアルゴリズム取引を始める前に... [パネルディスカッション] |アルゴ取引週 0 日目

クオンツ取引とアルゴリズム取引を始める前に... [パネルディスカッション] |アルゴ取引週 0 日目

アルゴ トレーディング ウィークは、主催者が主導し、業界の専門家をフィーチャーした魅力的なパネル ディスカッションで始まります。主催者はまず、マーケティングおよびアウトリーチ活動の責任者を招き、イベントとその目的についての背景を説明してもらいます。マーケティング責任者は、アルゴ取引ウィークの主な目的は、アルゴリズム取引をよりアクセスしやすくし、主流にすることであると説明しています。このイベントは、ウェビナー、ワークショップ、無料リソースなどのさまざまな教育的取り組みを通じてこれを達成することを目的としています。さらに、Algo Trading Week は同社の 11 周年を祝うもので、7 ～ 8 日間にわたり、幅広いセッションやコンテストが開催されます。

次に、講演者は Quantra コースを紹介し、コースのかなりの部分 (約 20 ～ 25 パーセント以上) が無料で利用できることを強調しました。これはコミュニティのサポートと貢献によって可能になりました。講演者は、もっとやりたいという願望を表明し、それがどのようにして 1 週間の学習フェスティバルを企画するに至ったのかを説明します。このフェスティバルには業界トップの専門家が集まり、知識や洞察を共有します。講演者は受け取った肯定的な反応に感謝の意を表します。

続いて、講演者がディスカッションに参加するパネリストを紹介します。このパネルには、Contra コンテンツ チームを率いる Ishaan 氏、QuantInsti の共同創設者兼 CEO の Nitish 氏、Blue Shift の副社長である Pradipta 氏、そして iRage の共同創設者兼 CEO の Rajiv 氏が含まれています。これらの尊敬されるパネリストは、多様な視点と専門知識をテーブルにもたらします。

その後、議論はクオンツ取引およびアルゴリズム取引でのキャリアに必要なスキルと学歴の話題に移ります。パネルは、この分野を掘り下げる前に、自分の興味と情熱を一致させることの重要性を強調しています。彼らは個人に対し、多大な時間と労力を費やす覚悟をするようアドバイスし、金融市場、プログラミング手法、統計と計量経済学を明確に理解する必要性を強調しています。委員会は、これらの分野のうち 1 つまたは 2 つの専門知識が必要であるが、3 つすべてで最低限の資格基準を満たさなければならないと強調しています。パネルディスカッションでは、個人が現場で競争力のある選手になるために必要なスキルを開発するのに、短期間のコースがどのように役立つかについても議論します。

次に、パネリストはクオンツ取引およびアルゴリズム取引のコースを受講するメリットを詳しく掘り下げます。彼らは、適切な取引プロセスに従い、数学と統計を利用して市場の異常を調査することの重要性を強調しています。バックテストや仮説検証に欠かせないPythonのスキルを学びます。さらに、参加者は、BlueShift などのプラットフォーム上で戦略をペーパートレードしたり、ライブトレードしたりすることができます。パネリストはまた、市場のさまざまなアルファ源について、また小売ユーザーが既製の戦略だけに頼るのではなくリサーチおよびライブ取引プラットフォームを利用することでどのように利益を得られるかについても議論します。彼らは、トレーディング戦略のリスクを評価する際には、その戦略を単独で考慮するだけでなく、その戦略がポジションやポートフォリオ全体に与える影響も考慮する必要があると強調しています。

テスト戦略とアルファ版へのアクセスの重要性については、パネルでさらに議論されます。彼らは、異なるスキルとプロセスが必要となる独自のプラットフォームを構築するのではなく、体系的な研究に BlueShift のようなプラットフォームを利用することの重要性を強調しています。パネリストらは、取引はさまざまなスタイルに分類でき、市場の発展の影響もそれに応じて異なると指摘しています。彼らは、機械学習チェス プログラムのアナロジーを使用して、クオンツ取引業界がテクノロジーとデータ分析の進歩からどのように恩恵を受けることができるかを説明しています。また、市場ボリュームとデータ可用性の増加により、中および高頻度の取引戦略に利用できる大量の情報が強調表示されます。

パネリストは、定量的およびアルゴリズム取引に対するテクノロジーの影響に焦点を移します。彼らはビッグデータと自動化の重要性が高まっていることを強調し、高頻度トレーダーが激化する競争に直面していることを認めています。パネリストらはこの分野への参入を検討している個人投資家の懸念に言及し、戦略を急ぎすぎないよう警告している。

パネリストは、投資する前に戦略を徹底的にテストし、理解することの重要性を強調しています。彼らは、適切な評価なしに実装を急ぐ危険を回避する必要性を強調しています。彼らは、特定の戦略を使用する前に、なぜその戦略が成功すると予想されるのかを理解することが重要であると強調しています。

パネリストは、トレーディングの成功確率を高めるために、アルファ的なアイデア、テスト、リスク管理などのインプットに焦点を当てることの重要性を強調します。彼らは、このプロセスは遅くて退屈に見えるかもしれないが、このプロセスを堅持し、性急な意思決定を避ける必要があることを認めています。裁量取引から体系的な取引への移行を検討している人に対して、パネリストは、市場取引の基本的な理解、初歩的な数学と戦略のスキル、プログラミング、特に Python を習得することを推奨しています。また、成功したトレーダーについて読み、その経験から学び、試行錯誤による損失を避けるよう個人にアドバイスしています。

アルゴリズム取引の潜在的な落とし穴とその回避方法についてパネリストが議論します。彼らは、徹底的なバックテストと分析を通じて戦略のバイアスを特定し、さまざまな市場条件で機能することを確認することの重要性を強調しています。パネリストらは、理解が不足していると機会を逃したり、高頻度取引戦略の取引執行が大幅に遅れたりする可能性があるため、為替活動のモデリングを過小評価しないよう警告している。彼らは、戦略開発に体系的なアプローチを採用し、単純な要素と複雑な要素の両方を使用して広範囲にテストすることを推奨しています。パネリストは、熟練して成功するクオントトレーダーになるために、コース、ウェビナー、実践を通じて必要なスキルを習得することを提案しています。

パネリストは、アルゴリズム取引に興味のある個人に貴重なアドバイスを提供します。彼らは、先読みバイアス、バックテストへの過度の依存、および関連するリスクを考慮せずに高いリターンに対する過度の自信を警告しています。パネリストらはまた、過剰なレバレッジを避けることの重要性を強調し、リターンを評価する際に伴うリスクを考慮するようトレーダーに思い出させた。彼らは、バックテスト結果を歪める可能性のあるバイアスの存在を強調し、これらのバイアスを理解し、適切に対処する必要性を強調しています。

講演者は、取引の成功の可能性を高めるためにバックテストを行う際に適切なツールと方法を使用することの重要性を強調します。彼らは、データを正しく解釈する能力を持つトレーダーが自由にアクセスできるオープンソース システムとデータ サイエンス ライブラリの台頭によって得られる機会を強調しています。さらに、クラウド インフラストラクチャを使用してサーバーを柔軟にレンタルできるため、コスト削減につながる可能性についても言及しています。講演者は、トレーディングで成功を収めるという課題を認識しており、トレーディングの意思決定における恐怖や貪欲などの感情的な影響を避けるために、客観的かつ体系的にアプローチすることの重要性を強調しています。クアントラが提供するようなコースを受講して、クオンツ取引やアルゴリズム取引のスキルを高めることを推奨しています。

次にスピーカーは、取引のすべての構成要素を客観的に学び、存在するさまざまな戦略を認識することの重要性について説明します。これらは、クオンツ取引やアルゴリズム取引、あるいはその他の分野を問わず、教育に投資する価値を強調しています。講演者は、トレーディングの基本を学ぶことに興味のある個人向けのコンテストを発表します。このコンテストは、トレーダー、プログラマー、および知識を強化したいと考えている人なら誰でも参加できます。このコンテストは、金融市場、数学と統計、プログラミングと機械学習をカバーする 3 つのクイズで構成されます。スピーカーはテスト準備のためのリソースを提供します。

講演者は、アルゴ取引週間の今後のクイズに関する詳細情報を提供し、取り上げられる日付とトピックを指定します。スコアによって最終的なリーダーボードが決定されるため、参加者は、指定されたリソースまたはその他の希望する手段を使用して準備することをお勧めします。講演者は、上位 3 位または上位 10 位の参加者にランクされる可能性を高めるために、3 つのクイズすべてに回答することを提案しています。さらに、講演者はクオントのセットアップに必要なハードウェア要件について説明し、実行ハードウェアがラップトップのように単純であるか、クラウド上の最小構成である可能性があることを説明します。ただし、より高度な研究機能を使用するには、少なくとも 4GB の RAM を搭載したより優れたコンピューターが必要になる場合があります。

次にパネルは、高頻度取引 (HFT) と計算量の多い資金のハードウェア要件を詳しく調べます。彼らは、HFT では、より高速な交換接続を実現するために頻繁なハードウェアのアップグレードと機能強化が必要であり、これがアルファ世代の重要な要素であると強調しています。スピードと広範なリサーチとデータ分析が必要な取引戦略には、サーバーグレードのインフラストラクチャが必要です。同委員会はまた、アルゴリズム取引を「ファイア・アンド・フォーゲット」メカニズムとして扱うことに対して警告し、クラウドベースの取引システムを利用している場合でも、戦略のパフォーマンスを定期的に監視し、必要に応じて是正措置を講じる必要性を強調している。

パネルディスカッションが終わりに近づくと、パネリストはセッションに耳を傾け、積極的に参加してくれた聴衆に感謝の意を表します。彼らは、1時間にわたる議論を通じて示した忍耐強さに感謝し、翌日に開催される次のセッションまで別れを告げた。パネルディスカッションは、イベントに参加したすべての人に感謝と祈りを捧げて終了します。

• 00:00:00アルゴ トレーディング ウィークの主催者は、業界の専門家を招いたパネル ディスカッションでイベントを開始します。主催者はマーケティングおよびアウトリーチ活動の責任者を招き、イベントの背景とイベントが作成された理由について説明します。マーケティング責任者は、アルゴリズム取引をよりアクセスしやすくし、ウェビナー、ワークショップ、無料リソースなどの教育的取り組みを通じてアルゴリズム取引を主流にすることが目標であると説明しています。アルゴトレーディングウィークは同社の11周年を祝うもので、今後7～8日間にわたってさまざまなセッションやコンテストが開催される。
  
  
• 00:05:00講演者は Quantra コースについて語り、コミュニティのサポートと貢献のおかげでコースの 20 ～ 25 パーセント以上が無料であると述べています。彼らは、もっと何かをしたかったと説明し、業界の優秀な人々と知識を共有するために 1 週間の学習フェスティバルを企画したところ、肯定的な反応が得られました。次に講演者は、Contra コンテンツ チームを率いる Ishaan 氏、QuantInsti の共同創設者兼 CEO の Nitish 氏、Blue Shift の副社長である Pradipta 氏、 iRage。その後、議論はクオンツ取引とアルゴリズム取引に必要なスキルと学歴の話題に移ります。
  
  
• 00:10:00パネルは、クオンツ取引とアルゴリズム取引の世界に飛び込む前に、自分の興味と情熱を一致させることの重要性について議論します。彼らは、個人が多大な時間と労力を惜しみなく投入し、金融市場、プログラミング手法、統計と計量経済学について明確に理解する必要があるとアドバイスしています。彼らは、3 つの柱はすべて同様に重要であり、1 つまたは 2 つの専門知識が必要であるが、3 つすべてで最低限の資格基準を満たさなければならないことを強調しています。このパネルでは、ユーザーが現場で競争力のあるプレーヤーになるために必要なスキルを構築するのに、短期間のコースがどのように役立つかについても議論します。
  
  
• 00:15:00パネリストは、クオンツ取引およびアルゴリズム取引のコースを受講する利点について話し合います。このコースでは、取引において適切なプロセスに従い、数学と統計を使用して異常を調査することの重要性を強調します。このコースでは、仮説をバックテストして検証するための Python のスキルを教えられると同時に、BlueShift などのプラットフォームで戦略を紙に書いたりライブトレードしたりする能力も得られます。パネリストはまた、市場におけるさまざまなアルファのソースと、小売ユーザーが既製の戦略に頼るのではなくリサーチおよびライブ取引プラットフォームを使用することでどのように利益を得ることができるかについても議論します。トレーディング戦略のリスクは、それ自体だけではなく、ポジションやポートフォリオ全体にも関係します。
  
  
• 00:20:00パネルは、小売トレーダーであっても戦略をテストし、アルファ版にアクセスすることの重要性について議論します。また、体系的な研究に、異なるスキルとプロセスが必要となる独自のプラットフォームを構築するのではなく、Blueshift のようなプラットフォームを使用する利点についても説明します。パネリストは、取引はさまざまなスタイルに分かれる可能性があり、市場の発展の影響もそれに応じて異なると指摘しています。彼らは、機械学習チェス プログラムのアナロジーを使用して、クオンツ取引業界がテクノロジーとデータ分析の進歩からどのように恩恵を受けることができるかを説明しています。また、取引所の取引量の増加や、中・高頻度の取引戦略に利用できる膨大な量の情報についても言及しています。
  
  
• 00:25:00講演者は、定量的およびアルゴリズム取引の分野におけるテクノロジーの影響について話し合います。ビッグデータと自動化はますます重要になっており、高頻度トレーダーはさらなる競争に直面しています。講演者は、この分野への参入を検討している個人投資家の懸念に対処し、戦略を急ぎすぎると実行する危険性について警告し、投資前に戦略を徹底的にテストして理解することの重要性を強調します。特定の戦略を使用する前に、なぜその戦略が成功するのかを理解することが重要です。
  
  
• 00:30:00成功の確率を高めるには、アルファ版のアイデア、テスト、リスク管理などのインプットに焦点を当てることが重要です。遅くて退屈なプロセスのように思えるかもしれませんが、それを粘り強く実行し、あまりにも急いで実装に着手しないようにする必要があります。裁量取引から体系的取引への移行を検討している人にとって、市場取引の基本的な理解、初歩的な数学と戦略のスキル、およびプログラミング (特に Python) を習得することが重要です。成功したトレーダーについて読んで、試行錯誤による損失を避けることもお勧めします。
  
  
• 00:35:00パネリストは、アルゴリズム取引の潜在的な落とし穴と、それを回避する方法について話し合います。彼らは、戦略内のバイアスを特定し、バックテストと分析を通じて戦略がさまざまな市場体制にわたって機能することを確認することの重要性を強調しています。さらに、彼らは為替活動のモデリングを過小評価しないように警告しています。理解が不足していると、機会を逃したり、高頻度取引戦略の取引実行に大幅な遅れが生じる可能性があります。講演者らは、戦略開発に体系的なアプローチをとり、単純な要素だけでなくより複雑な要素も含めて広範囲にテストすることを推奨しています。最後に、彼らは、熟練した成功したクオントトレーダーになるために、コース、ウェビナー、実践を通じて必要なスキルを習得することを提案しています。
  
  
• 00:40:00パネリストはアルゴリズム取引に興味のある人にアドバイスを提供します。彼らは、先読みバイアス、バックテストへの過度の依存、および関連するリスクを考慮せずに高いリターンを過信することに対して警告しています。パネリストらはまた、過剰なレバレッジに警告し、関連するリスクを考慮しなければリターン自体にはあまり意味がないことを念頭に置くようトレーダーにアドバイスしている。さらに、バックテストの結果を歪める可能性のある多くのバイアスが存在し、これらのバイアスを理解し、対処することが不可欠であると彼らは示唆しています。
  
  
• 00:45:00講演者は、取引の成功の可能性を高めるために、バックテストの際に適切なツールと方法を使用することの重要性を強調します。また、データの言語を理解し、正しく解釈できるトレーダーが自由に利用できるオープンソース システムとデータ サイエンス ライブラリの台頭によって得られる機会も強調しています。さらに、コストを節約するために、クラウド インフラストラクチャを使用して、分単位、時間単位、秒単位、または日単位でサーバーをレンタルする可能性についても言及しています。講演者らはまた、取引で成功することの難しさを強調し、恐怖や貪欲などの感情が取引の意思決定に影響を与えるのを避けるために、客観的かつ体系的にアプローチする必要性を強調します。彼らは、定量的およびアルゴリズム取引のスキルを向上させるために、クアントラが提供するようなコースを受講することを推奨しています。
  
  
• 00:50:00スピーカーは、取引のすべての構成要素を客観的に学び、存在するさまざまな戦略を認識することの重要性について説明します。彼らは、クオンツ取引やアルゴリズム取引、あるいはその他の分野であっても、自分の教育に投資することを重視しています。次に講演者は、取引の基本を学ぶことに興味のある個人向けのコンテストを紹介します。このコンテストはトレーダー、プログラマー、そして知識を磨きたいと考えている人なら誰でも参加でき、金融市場、数学と統計、プログラミングと機械学習をカバーする 3 つのクイズで構成されます。クイズは特定の日に行われ、勝者は 9 月末に発表されます。講演者は、テスト準備のためのリソースも提供します。
  
  
• 00:55:00スピーカーは、アルゴ取引週間の今後のクイズに関する情報を提供し、取り上げられる日付とトピックを指定します。参加者は、示されたリソースまたはその他の希望する手段を使用してクイズの準備をすることができますが、スコアによって最終的なリーダーボードが決まります。講演者は、トップ 3 または 10 に入る確率を高めるために 3 つのクイズすべてに答えることを提案しています。次に講演者は、クオンツのセットアップに必要なハードウェア要件について説明し、実行ハードウェアはラップトップやクラウド上の最小構成と同じくらいシンプルでよい一方で、より高度な研究機能には少なくとも 4GB RAM を搭載したより優れたコンピュータが必要であることを説明しました。
  
  
• 01:00:00パネルでは、高頻度取引 (HFT) および計算量の多い資金のハードウェア要件について議論します。彼らは、HFT では取引所に迅速に到達するために頻繁なハードウェアのアップグレードと機能強化が必要であり、これが重要なアルファであると指摘しています。スピードと大量のリサーチとデータが必要な取引戦略には、サーバーグレードのインフラストラクチャが必要です。彼らはまた、アルゴリズム取引を「ファイア・アンド・フォーゲット」メカニズムとして扱うことに対して警告し、取引システムがクラウドベースであっても、戦略のパフォーマンスを定期的に監視し、必要に応じて修正措置を講じることが重要であると指摘している。
  
  
• 01:05:00パネリストは、視聴者が自分たちの議論に耳を傾け、聞いてくれたことに感謝します。彼らは、1 時間にわたるセッション中の皆さんの忍耐に感謝の意を表し、翌日の次のセッションで再会するまで別れを告げます。パネルは最後に感謝と願いを込めて締めくくります。

[MetaQuotes]

取引戦略を自動化する方法 |アルゴトレーディングコース

取引戦略を自動化する方法 |アルゴトレーディングコース

Rishabh Mittal は、Quantra のコンテンツ チームに所属する定量アナリストです。彼の専門知識は、教師なし学習手法、特に K 平均法を適用して取引可能なシグナルを生成することにあります。彼は、特にコンスタント・プロポーション・ポートフォリオ保険（CPPI）などの手法を利用して、金融市場でのポジションサイジングのための革新的なアルゴリズムの開発に積極的に取り組んでいます。 Quantra に入社する前に、Rishabh はさまざまなクライアント向けに TradingView を使用して体系的な取引戦略を作成する経験を積みました。

「取引戦略を自動化する方法」と題されたこのウェビナーでは、リシャブ氏が取引戦略を自動化するプロセスを詳しく掘り下げ、体系的な取引戦略を実践する方法を参加者にガイドします。ウェビナーは、戦略を自動化するために必要な前提条件に取り組むことから始まります。

リシャブ氏はその後、自動取引に不可欠なイベント駆動型のアプローチに焦点を当てます。彼は、ブローカーとの接続、リアルタイム データの取得、取得したデータに基づくシグナルの生成、最終的にブローカーへの注文などのトピックを検討します。

セッションの締めくくりとして、Rishabh 氏は、Blueshift を使用した市場でのペーパー取引のデモ戦略の設定を段階的にデモンストレーションします。参加者は、シミュレートされた取引環境で戦略を実装およびテストするための実践的な洞察を得ることができます。

Rishabh Mittal がこの有益なウェビナーに参加し、取引戦略の自動化に関する専門知識を共有し、体系的な取引アプローチを理論から実践に移すための貴重なガイダンスを提供します。

[MetaQuotes]

取引アルゴリズムをゼロから作成する方法 [アルゴ取引ウェビナー] - 2021 年 7 月 22 日

取引アルゴリズムをゼロから作成する方法 [アルゴ取引ウェビナー] - 2021 年 7 月 22 日

ウェビナー中、Ashutosh 氏は、金融デリバティブ取引の分野における 10 年以上にわたる幅広い経験を共有しました。同氏は、高度なデータサイエンスと機械学習技術を金融データの分析に適用する専門知識を強調しました。 Ashutosh は権威ある修士号を取得しており、認定財務アナリスト (FF) の資格を持っています。現在、彼は Quantum City チームの貴重なメンバーであり、世界初の検証済みアルゴリズム取引認定である EPAT コースの開発と指導を担当しています。

このウェビナーは主に、取引アルゴリズムをゼロから作成するプロセスを通じて参加者をガイドすることに焦点を当てていました。アシュトシュ氏は、取引アルゴリズム、市場におけるそのさまざまな応用、そしてアイデアを戦略に変換し、最終的には取引アルゴリズムに変換することを理解することの重要性を強調しました。基本的に、アルゴリズムは、データを分析し、所定のルールに基づいて買い注文と売り注文を生成することにより、トレーダーが有益な意思決定を行うのを支援するコンピューター プログラムとして機能します。また、外部環境との対話も容易になり、注文を効果的に送受信できます。

アシュトシュ氏は、取引の実践的な側面に入る前に、自分の取引範囲を定義し、望ましいアルファを決定することの重要性を強調しました。アルファは利益の原動力を表しており、その利益は独自の市場視点、競争での優位性の獲得、個々の目標に合わせた特定の戦略の実行など、さまざまな源泉から生まれます。

ビデオ コンテンツでは、リサーチ、トレーディング、ポストトレーディングというトレーディングの 3 つの基本的な段階をカバーしました。 Ashutosh は、アイデアを具体的な取引アルゴリズムに変換するプロセスに焦点を当てて、これらの段階を説明し、さまざまな取引戦略の例を提供しました。彼は、過去 63 日以内に株価変動率 (roc) が 2 を超えたときに株式を購入するなどの単純なルールでも、取引アルゴリズムの基礎を形成できることを実証しました。

ウェビナー全体を通じて、さまざまなトレーダーが取引アルゴリズムをゼロから構築するアプローチを紹介しました。あるトレーダーは、インド市場からのデータを活用してビジュアルコーディングを利用し、注文制限と一株あたりの手数料を組み込みました。別のトレーダーは、取引ユニバースの定義から始まり、roc を計算するためのアルファ関数の作成、取引ルールの確立、最後にロジック ブロックを使用した戦略の実装という段階的なプロセスをデモンストレーションしました。

このビデオでは、取引アルゴリズムの重要なコンポーネント、つまり条件、注文の送信、注文の受信についての包括的な洞察が得られました。さらに、自動実行のアルゴリズムをスケジュールする方法も紹介しました。ベータとモメンタムに基づく戦略は、平均値を逸らす戦略とともに、市場トレンドを活用する手段として提示されました。

アシュトシュ氏は、株式ユニバースの定義、関連するヘッジの計算、取引ルールの実行などの主要な側面をカバーしながら、取引アルゴリズムをゼロから作成するプロセスについて説明しました。同氏はまた、アルゴリズムのバックテストを実行し、パフォーマンスを向上させるためにアルゴリズムを最適化することの重要性を強調した。

情報に基づいた意思決定を行うためにベータと市場との相関関係を利用することに重点を置き、定量的手法と取引スキルの向上におけるその役割について議論しました。 Ashutosh はまた、取引の旅をさらにサポートするために、参加者に無料のカウンセリング電話の機会を提供しました。

さらに、ウェビナーではアルゴリズム内で利用できるさまざまな種類のデータを検討し、EPAT コースのコスト評価プロセスについても取り上げました。参加者には、指導とサポートを提供するコースカウンセラーのリストも提供されました。

Ashutosh のウェビナーでは、取引アルゴリズムをゼロから作成するための包括的なガイドが提供されました。参加者は、プレゼンテーション中に回答が得られなかった質問があれば提出するよう奨励され、テーマを徹底的に理解することができました。

• 00:00:00 Ashutosh は、10 年以上にわたり金融デリバティブ取引の分野にどのように関与し、高度なデータ サイエンスと機械学習技術を金融データに適用した経験があるかを語ります。彼は名門大学で修士号を取得しており、公認金融アナリスト（FF）の資格も持っています。彼は現在、quantumcity チームの一員であり、世界初の検証済みアルゴリズム取引認定資格である epact コースの開発と指導を担当しています。
  
  
• 00:05:00このウェビナーは、取引アルゴリズムをゼロから作成する方法に焦点を当てており、取引アルゴリズムについて学ぶ必要がある理由、アルゴリズムが市場で使用されるさまざまな方法、変換方法などのトピックを取り上げています。アイデアを戦略に、戦略を取引アルゴリズムに。
  
  
• 00:10:00アルゴリズムは、トレーダーが収益性の高い取引決定を下すのに役立つコンピューター プログラムです。データを分析し、事前に設定されたルールに基づいて買い注文と売り注文を生成します。また、命令を送受信するために外部世界と対話します。
  
  
• 00:15:00取引を開始する前に、取引ユニバースを定義し、達成したいアルファを決定することが重要です。アルファは利益の背後にある理由であり、特別な方法で市場変数を観察すること、市場に対して優位性を持つこと、特定の戦略に従うことなど、さまざまなソースから得られます。
  
  
• 00:20:00このビデオでは、取引アルゴリズムをゼロから作成する方法を、リサーチ、取引、取引後の取引の 3 つのフェーズに焦点を当てて説明します。このビデオでは、さまざまな取引戦略の例が示され、アイデアを取引アルゴリズムに変換する方法が説明されています。
  
  
• 00:25:00このビデオでは、プレゼンターが取引アルゴリズムをゼロから作成する方法を説明します。ルールは、過去 63 日間の変化率 (roc) が 2 より大きい場合に株式を購入するという単純なものにすることができます。
  
  
• 00:30:00このビデオでは、トレーダーがビジュアル コーディングを使用して取引アルゴリズムをゼロから作成する方法を説明しています。このトレーダーはインド市場のデータを使用し、注文と一株当たりの手数料の制限を設定しています。
  
  
• 00:35:00このビデオでは、トレーダーが取引アルゴリズムをゼロから作成する方法を示しています。まず、取引戦略で使用するすべての株式を含むユニバースを定義します。次に、roc を計算するためのアルファ関数を作成し、取引ルールを定義します。最後に、ロジック ブロックを使用して取引戦略を実行する方法を示します。
  
  
• 00:40:00このビデオでは、取引アルゴリズムをゼロから作成する方法を説明します。このビデオでは、アルゴリズムの 3 つの部分 (条件、注文の送信、注文の受信) について説明します。このビデオでは、アルゴリズムを自動的に実行するようにスケジュールする方法も示しています。
  
  
• 00:45:00このビデオでは、取引アルゴリズムをゼロから作成する方法を説明しています。この戦略はベータと勢いに基づいており、市場のトレンドを活用するように設計されています。このビデオでは、意地悪な方向転換戦略についても取り上げています。
  
  
• 00:50:00プレゼンターは、株のユニバースの定義、関連するヘッジの計算、取引ルールの実行など、取引アルゴリズムをゼロから作成する方法を説明します。発表者は、アルゴリズムのバック テストを実行する方法とアルゴリズムを最適化する方法についても説明します。
  
  
• 00:55:00このビデオでは、ベータの重要性や市場との相関関係など、取引アルゴリズムをゼロから作成する方法について説明します。プレゼンターは、定量的手法を利用して取引スキルを向上させる方法についても説明します。最後に、プレゼンターは無料カウンセリングに関する情報を共有します。
  
  
• 01:00:00このウェビナーでは、アルゴリズムを最初から作成する方法と、アルゴリズムで使用できるさまざまな種類のデータについて説明します。このウェビナーでは、コースの費用の計算方法についても説明し、コース カウンセラーのリストも提供します。
  
  
• 01:05:00このビデオでは、Blueshift の Ashitosh Sharma が、Blueshift のビジュアル エディターと戦略を使用して取引アルゴリズムをゼロから作成する方法を共有しています。 Blueshift を使用すると、ユーザーは戦略をバックテストしたり、紙上で取引したりすることもできます。
  
  
• 01:10:00プレゼンターは、取引アルゴリズムをゼロから作成する方法について説明します。その後、出席者はプレゼンテーションで回答されなかった質問を送信できます。

[MetaQuotes]

機械学習と感情分析 [アルゴ取引プロジェクト ウェビナー]

機械学習と感情分析 [アルゴ取引プロジェクト ウェビナー]

皆様、

皆さんに私の声がはっきりと聞こえることを願っています。

Quantum City の YouTube チャンネルへようこそ。当社のウェビナーに定期的に参加している方は、センチメント分析とポートフォリオ配分における機械学習に焦点を当てた、最近のアルゴ取引プロジェクトのウェビナーを覚えているかもしれません。私たちは、2 人の尊敬される EPAT 卒業生、カルロス ペラルとヴィヴィアン トーマスをプロジェクトの成果を発表するために招待することができて光栄でした。残念ながら、プレゼンテーション後のプレゼンテーションはハードウェア障害により中断され、その時点では詳しく説明することができませんでした。しかし、カルロスがさらに何時間もかけてプレゼンテーションを個別に録画し、私たちと共有してくれたのは幸運でした。

それでは、早速、カルロスのプレゼンテーションを見てみましょう。ありがとう。

「皆さん、こんにちは。今日のプレゼンテーションでは、昨年 3 月に完了した EPAT (アルゴリズム取引エグゼクティブ プログラム) プログラムの最後のプロジェクトを紹介します。まず、自己紹介をさせてください。私の名前はカルロス マーティンです。私はコンピュータ エンジニアリングの学士号を取得しています。主にスペインとベルギーにある複数のクライアントで 10 年以上働いています。主なスキルはソフトウェア開発で、過去 5 年間はヨーロッパの機関で働いています。

このプロジェクトの動機は、機械学習、特に感情分析に対する私の興味に由来しています。これらの技術は近年目覚ましい進歩を遂げており、機械学習モデルはテキスト分析、音声認識、言語翻訳、そしてこのプロジェクトの焦点である感情分析などのさまざまな領域に適用されていると思います。主な目的は、ニュースセンチメントと価格感応度の相関関係を見つけ、センチメントスコアを活用して取引シグナルを生成することです。

技術的分析または定量的分析に依存する従来のアプローチとは異なり、このプロジェクトでは定性的データを新しい情報源として利用します。目標は、この定性データを取引シグナルに変換することです。プロジェクトは、テキスト分析と取引戦略の実装という 2 つの主要な部分に分かれています。

テキスト分析部分には、ニュースのダウンロード、前処理の実行、感情スコアを生成するための機械学習モデルの実装が含まれます。このプロジェクトでは、感情スコアを生成するために長短期記憶 (LSTM) モデルを選択しました。取引部分には、取引戦略の実装、株価の分析、戦略のパフォーマンスの評価が含まれます。

プロジェクトの構造を詳しく見てみましょう。テキスト分析部分は、ニュース データの初期取得と前処理を処理するニュース マネージャーで構成されます。クラスを使用して外部 Web サービスに接続し、JSON 形式でニュースを取得しました。これらのニュース データは CSV ファイルに保存されます。感情分析部分には、テキストの前処理と、Analytic Evaluator と呼ばれるライブラリを使用して極性スコアを生成する NLP (自然言語処理) ハンドラーが含まれます。このライブラリは、ニュースにバイナリ スコアを割り当て、ネガティブ (-1) またはポジティブ (1) のいずれかのラベルを付けます。このステップはモデルをトレーニングするために重要です。

モデルは前処理されたニュースを受け取り、二項分類用のシグモイド関数を使用してトレーニングされます。出力されたセンチメント スコアは、ポジティブまたはネガティブに分類されます。その後、取引戦略が実装され、生成された感情スコアが取引シグナルに変換されます。値 -1 は売りシグナルを表し、値 1 は買いシグナルを表します。

このプロジェクトは、Apple、Amazon、Twitter、Facebook の 4 つの銘柄を使用してテストされました。センチメント スコア戦略はバイ アンド ホールド戦略と比較されました。パフォーマンスは、リターン、シャープレシオ、および戦略リターンを使用して評価されました。結果は銘柄によって異なり、一部の銘柄ではバイアンドホールド戦略と比較してセンチメントスコア戦略を使用した方がパフォーマンスが向上しました。ただし、感情スコア戦略が、特に特定の期間にうまく機能しない場合がありました。

結論として、このプロジェクトは、ネガティブなトレンド、悪いニュース、潜在的な取引機会の間の相関関係を強調しています。センチメント分析をトレーディング戦略に組み込むことで、定性データを活用して市場センチメントを体系的に把握することが可能になります。このアプローチは、従来の技術的および定量的分析を補完する追加の情報層を提供できます。

ただし、センチメント分析は確実な方法ではなく、その有効性はさまざまな要因によって異なる可能性があることに注意することが重要です。市場の状況、ニュースソースの品質と信頼性、センチメント分析モデルの精度はすべて、戦略の成功を決定する役割を果たします。

さらに、変化する市場力学や進化するニュースパターンに適応するためにセンチメント分析モデルを継続的に評価し、改良することが重要です。長期にわたる戦略の有効性を確保するには、戦略のパフォーマンスを定期的に監視し、必要な調整を行うことが必要です。

全体として、このプロジェクトはアルゴリズム取引におけるセンチメント分析の可能性を示しています。これは、定性データを取引戦略に組み込むための新しい道を開き、この分野でのさらなる研究開発のためのフレームワークを提供します。

このプロジェクトに取り組むためのプラットフォームとリソースを提供してくれた EPAT プログラムと Quantum City チームに感謝の意を表したいと思います。それは豊かな経験であり、センチメント分析はアルゴリズム取引の分野で貴重な洞察を提供できると信じています。

ご視聴いただきありがとうございます。このプレゼンテーションが有益であると感じていただければ幸いです。ご質問がある場合、またはさらに詳しく話し合いたい場合は、お気軽にお問い合わせください。すてきな一日を！

• 00:00:00 Carlos Peral が、センチメント分析とポートフォリオ配分における機械学習に焦点を当てた、QuantInsti プログラムの最終プロジェクトを紹介します。 Carlos はコンピュータ エンジニアリングの背景があり、10 年以上ソフトウェア開発に携わっており、主な関心は機械学習のトピックです。彼は、機械学習モデルにおける近年の目覚ましい成長と、感情分析を含むそれらが使用される幅広い領域について説明します。カルロス氏のプロジェクトの目的は、敏感な価格とニュースセンチメントスコアの間の相関関係を見つけ、この情報を利用して取引シグナルを作成することです。彼は、定量的なデータではなく定性的なデータを新しい情報源として使用して問題に取り組み、このデータを取引シグナルに変換します。
  
  
• 00:05:00講演者は、感情分析および機械学習プロジェクトのアルゴリズムの 2 つの主要な部分について説明します。最初の部分はテキスト分析に焦点を当てており、感情スコアは長期短期記憶モデルと Web サービスから取得したニュースの前処理を通じて生成されます。 2 番目の部分には、取引戦略の実装と株価の分析が含まれます。プロジェクトの 5 つのステップには、ニュースのダウンロード、前処理、LCT モデルの作成、感情スコアのニュース予測、株価分析が含まれます。感情分析コンポーネントには、パフォーマンスを向上させるためのテキストの前処理が含まれています。ニュースの取得とセンチメント スコアの生成に関連するクラスがプロジェクトで利用できます。
  
  
• 00:10:00スピーカーは、感情分析アルゴリズム取引プロジェクトへのアプローチに含まれるさまざまな手順を説明します。まず、ニュースがダウンロードされ、Analytic Evader と呼ばれるライブラリを使用してポジティブかネガティブに分類される前に前処理されます。次のステップでは、以前のニュースと機密データを分類するためのモデルをトレーニングします。バックテスト段階は、取引指標を検証するために続きます。このプロジェクトは 2018 年 3 月から 2020 年 12 月までテストされました。
  
  
• 00:15:00スピーカーは、特にバックテストに大きな影響を与えるため、感情スコアの値を設定することの重要性について説明します。彼らは中立的なニュースを使用せず、0.08未満のニュースにはマイナスのスコアを設定し、それより高いスコアにはプラスのスコアを設定すると説明しています。講演者は続けて、NLTK ライブラリを使用してスコアを生成し、二項分類用のシグマ関数を使用して LCT モデルをトレーニングおよびコンパイルした方法を説明しました。彼らは、Apple、Amazon、Twitter、Facebook の 4 つの銘柄について、センチメント スコア戦略とバイ アンド ホールド戦略のリターンを比較しています。講演者は各銘柄のグラフを示し、パンデミック中の改善を含め、センチメントに基づく取引が買いと保有を上回る期間があるようだと説明した。
  
  
• 00:20:00プレゼンターは、バイアンドコール戦略と比較した場合、ネガティブなトレンドと悪いニュース、そして良いパフォーマンスの間には一定の相関関係があると結論付けています。ただし、ニュースを正確に分類し、肯定的または否定的なラベルを割り当てるには、高品質のデータソースを使用し、センチメントの極性の精度を向上させることが不可欠であると彼は示唆しています。同氏は、センチメントに基づく戦略を完全に信頼するにはさらに多くの作業を行う必要があると考えており、優れたモデルを特定の戦略に組み込むことができると示唆しています。結論として、このプレゼンテーションではセンチメント分析を投資戦略に組み込む可能性について光を当てていますが、センチメントの極性を洗練するにはさらなる研究と改善が必要であると警告しています。