Are you interested in creating your own Python trading bot and delving into the exciting world of algorithmic trading? Look no further! In this comprehensive...
This session aims to teach you about the methods of Optimal Portfolio Allocation Using Machine Learning. Learn how to use algorithms that leverage machine le...
There are three tutorials by EPAT alumni in this session - first by Desigan Reddy, second by Javier Cervantes, and third by Siddhant Vaidya.-----------------...
In this insightful video, Michael Harris explores the world of Quant Trading and Python trading strategies. He delves into the concepts of market complexity ...
クオンツ分析、テクニカル分析、ファンダメンタルズ分析の 3 種類の分析に重点を置き、アルゴリズム取引における分析の重要性が強調されています。分析のさまざまな側面には、過去のチャート、財務諸表、ミクロおよびマクロ経済要因の研究に加え、数学モデルや統計分析を使用してトレーディング戦略を作成することが含まれます。これらの戦略は本質的に、データを処理し、売買のためのシグナルを生成するアルゴリズムです。このプロセスには、ライブ取引に移る前の戦略開発、テスト、紙取引が含まれます。ライブ取引に接続するには、ブローカー接続と API が必要ですが、潜在的なソリューションとして iBridge PI が検討されています。戦略スペクトルの概念も紹介され、さまざまな利益要因と分析の種類が示されます。
発表者は、ヘッジファンドマネージャーが複数の口座を同時に処理するための効果的なツールの必要性について議論し、Average Piと呼ばれるハイブリッド取引プラットフォームを紹介します。 Average Pi は、Contopia と Quantopian の組み合わせとして説明されており、アルゴリズムと Python ベースの取引の制御を可能にします。 Integrity Broker を介した Interactive Brokers 取引プラットフォームの構成を含む、Windows システム上で Average Pi をダウンロードしてセットアップするプロセスが示されています。パッケージのメインの入口ファイル、runme.py が示されていますが、必要な変更はアカウント コードと、実行する選択された戦略の 2 つだけです。
Hui Liu 博士と Aditya Gupta がアルゴリズム取引に関するチュートリアルを提供し、例を使用して口座を表示する方法を示します。アルゴリズム取引用に特別に設計されたさまざまな関数を提供する Average Pi 内のデータ関数の初期化および処理の使用法について説明します。これらは、Average Pi プラットフォームを使用したコーディングがいかに簡単であるかを示しています。
Hui Liu 博士と Aditya Gupta が、移動平均を使用してポートフォリオ内の株をいつ売買するかを決定する方法を説明します。彼らは、Average Pi プラットフォームを使用してこの戦略の実装を実証し、その後、履歴データを適用してそのパフォーマンスを評価することでバックテストを開始します。このチュートリアルでは、Hybrid Pi 内の Test Me Py 関数を使用して、シミュレーション用の履歴データを入力し、口座残高と取引の詳細の結果を取得する方法について説明します。
講演者は、パフォーマンス分析チャートにアクセスして、アルゴリズム取引戦略のシミュレーション結果を表示する方法を説明します。このグラフには、バランス ログと、シャープ レシオ、平均、標準偏差などのさまざまな統計が表示され、さらにカスタマイズできます。講演者は、Average Pi が複数のアカウントを処理し、それらのバランスを再調整できることを強調しました。このプラットフォームは柔軟でユーザーフレンドリーで、アルゴリズム取引プラットフォームのセットアップ、バックテスト、ライブ取引、さまざまなブローカーとの取引、および複数のアカウントの管理に利用できます。さらに、講演者は視聴者に、コーディング支援のためのレンタルコーダーサービスを探索したり、無料チュートリアルのために YouTube チャンネルに登録したりするよう勧めています。
ビデオの最後の部分では、Hui Liu 博士が自己紹介し、ヘッジ ファンドの創設者であり、Interactive Brokers API と対話する Python パッケージの作成者としての経歴を共有します。彼は、Python を使用した TD Ameritrade および Interactive Brokers とのアルゴリズム取引に関連する今後のトピックについて簡単に説明し、将来のマスター クラスでこれらの主題をさらに探求するための準備を整えます。
このビデオでは、アルゴリズム取引の包括的な概要を提供し、自動取引戦略の構想から実装までの過程をカバーしています。分析の重要性を強調し、さまざまな種類の分析 (定量的、技術的、基礎的) について説明し、戦略の開発、テスト、実行のさまざまな側面を探ります。講演者は、iBridgePy や Average Pi などの Python ベースのプラットフォームの実用的なアプリケーションをデモンストレーションし、リアルタイムの価格追跡、履歴データの取得、注文、ポートフォリオのリバランスにおける機能を紹介します。
00:00:00このビデオでは、マスター クラスがカバーする内容のプレビューを示しています。これは、自動取引戦略を考案、作成、実装する過程です。講演者の Aditya Gupta は、ヘッジファンドの創設者であり、Interactive Brokers API と対話する Python パッケージの作成者でもある Hui Liu 博士を紹介し、Liu 博士が語る API に関連した驚くべき開発について言及します。次にビデオでは、自動取引の定義、アルゴリズム取引の 3 つの主要なステップ、およびテクニカル分析を使用した裁量取引からシステマティック取引に切り替える講演者の個人的な道のりについて説明します。
00:05:00アルゴリズム取引における分析の重要性について、定量分析、テクニカル分析、ファンダメンタルズ分析の 3 種類の分析について説明します。さまざまな種類の分析には、過去のチャート、財務諸表、ミクロおよびマクロ経済要因を研究し、数学モデルと統計分析を使用して戦略を作成することが含まれます。戦略はデータを取り込み、売買のシグナルを提供するアルゴリズムです。このプロセスには、戦略の開発とテスト、およびライブ取引に移る前のペーパー取引が含まれます。ライブ取引に接続するには、ブローカー接続と API が必要であり、I Bridge PI が潜在的なソリューションとして議論されています。戦略の範囲も示され、さまざまな利益要因と分析の種類が示されます。
00:30:00プレゼンターは、ヘッドフォン管理者が複数のアカウントを同時に管理するための優れたツールの必要性について話し合い、Average Pi と呼ばれるハイブリッド取引プラットフォームを紹介します。彼らは、Average Pi は Contopia と Quantopian のハイブリッドであり、制御アルゴリズムと Python 臓器売買をサポートしていると説明しています。発表者は、Integrity Broker の使用方法や対話型ブローカー取引プラットフォームの構成方法など、Windows システム上で Average Pi をダウンロードしてセットアップする方法をデモンストレーションします。また、パッケージのメイン入口ファイル runme.py も示しています。このファイルに必要な変更は、アカウント コードと、実行する選択した戦略の 2 つだけです。
00:35:00 Hui Liu 博士と Aditya Gupta がアルゴリズム取引に関するチュートリアルを行い、例を使用して口座を表示する方法を示します。これらは、アルゴリズム取引で使用するさまざまな関数を提供するプラットフォームである Average Pi でデータ関数の初期化と処理を使用する方法を示しています。また、S&P 500 指数に連動する SPY ETF の売値を出力する例を使用して、リアルタイム価格を表示するコードの作成方法も示しています。デモンストレーションを通じて、Average Pi プラットフォームを使用したコーディングがいかに簡単であるかを明らかにしています。
01:00:00 Hui Liu 博士と Aditya Gupta が、移動平均を使用してポートフォリオ内の株式を売買する方法を説明します。 Average Pi プラットフォームを使用してこの戦略を実装し、履歴データを適用してバックテストを行い、パフォーマンスがどの程度優れているかを確認する方法を示します。このチュートリアルでは、Hybrid Pi 内で Test Me Py 関数を使用して、シミュレーション用の履歴データを入力し、口座残高とトランザクションの詳細の結果を出力する方法を説明します。
01:05:00スピーカーは、パフォーマンス分析チャートにアクセスして、アルゴリズム取引戦略のシミュレーション結果を表示する方法を説明します。チャートにはバランスログと、シャープレシオ、平均、標準偏差などの統計が表示され、さらにカスタマイズできます。講演者は、Average Pi が複数のアカウントを処理し、それらをリバランスする方法についても強調します。このプラットフォームは柔軟で使いやすく、アルゴリズム取引プラットフォームのセットアップ、バックテスト、ライブ取引の併用、さまざまなブローカーとの取引、複数のアカウントの管理に利用できます。講演者はまた、コーディング支援のためにレンタルコーダーサービスをチェックしたり、無料チュートリアルのために YouTube チャンネルに登録したりするよう視聴者に勧めています。
In this hands-on masterclass, Dr Hui Liu and Aditya Gupta explained how to create an algorithmic trading strategy and implement it in live markets. They expl...
Application of AI & News Sentiment in Finance [Research Presentations]Topic 2: Long Term Enterprise Valuation Prediction by Prof S ChandrasekharThe talk focu...
Application of AI & News Sentiment in Finance [Research Presentations]Topic 1: Credit Risk Modeling by Dr Xiao QiaoDeep learning can be used to price and cal...
Compared to discretionary choices that an old-school trader/investor makes, quant trading is based on, ostensibly, more objective criteria. Are they systemat...
00:15:00 Thomas Starke 博士は、遡及ラベル付けと、それが取引の損益のすべてのステップにラベルを付ける難しさに対処するために強化学習でどのように使用されるかについて説明します。同氏は、従来の機械学習では取引のあらゆるステップにラベルを付けるため、損失が発生した場合に将来的に取引が利益になるかどうかを予測することが困難だと説明した。遡及ラベル付けでは、ベルマン方程式を使用して、たとえ即時の利益が生じない場合でも、各アクションと状態にゼロ以外の値を割り当て、平均および最終的な利益への回帰を可能にします。
00:20:00 Thomas Starke 博士は、トレーディングにおける満足感の遅れの問題を解決するために強化学習を使用する方法を説明します。ベルマン方程式はアクションの報酬を計算するために使用され、「r」は即時報酬を表し、「q」は累積報酬を表します。ガンマは、以前の結果と比較して将来の結果に重みを割り当てる割引係数です。強化学習を使用することで、取引の意思決定は当面の報酬だけでなく、将来のより高い報酬に向けたポジションの保持にも基づいて行われます。これにより、貪欲な意思決定と比較して、より多くの情報に基づいた意思決定が可能になります。
00:25:00 Thomas Starke 博士は、将来の結果に基づいて取引の意思決定を行う際に、深層強化学習がどのように役立つかを説明します。従来の強化学習では、過去の経験に基づいてテーブルを構築する必要がありますが、取引では、状態や影響が大量にあるため、これが複雑になります。したがって、解決策は、深層強化学習とニューラル ネットワークを使用して、巨大なテーブルを作成せずにこれらのテーブルを近似することです。彼は、取引のゲーミフィケーションを使用し、状態を定義するための適切な報酬関数と入力を見つける実装について説明します。全体として、深層強化学習の使用は取引の意思決定に役立ちます。
00:35:00 Thomas Starke 博士は、強化学習を使用したトレーニングの価格シリーズを構成する方法について説明します。価格シリーズを順番に実行する代わりに、異なる時点でランダムにエントリーおよびエグジットすることができ、どの方法を選択するかはユーザー次第であると彼は説明します。また、報酬関数の設計の難しさについても説明し、純粋なパーセンテージ損益、ティックあたりの利益、シャープ レシオ、およびさまざまな種類の罰則の使用など、トレーニングに使用できる報酬関数を構築するためのさまざまな例と方法を提供します。長距離の輸送時間やドローダウンを避けてください。
00:40:00 Thomas Starke 博士によると、始値、高値、安値、終値と出来高の値、ローソク足パターン、相対強度指数などのテクニカル指標、時刻/週/年、さまざまな時間粒度、入力など、多くのオプションがあります。他の金融商品の価格やテクニカル指標、センチメントや衛星画像などの代替データ。これらの入力は、コンピューター ゲームが入力機能を使用して意思決定を行うのと同様に、複雑な状態に構築されます。最終的に重要なのは、自分の取引スタイルに適した適切な報酬関数を見つけ、それに応じてシステムを最適化することです。
00:45:00 Thomas Starke 博士は、強化学習者が金融市場での取引に使用される前に受けなければならないテスト段階について説明します。彼は、きれいな正弦波、トレンド曲線、構造のないランダム化シリーズ、さまざまな種類の注文相関、きれいなテスト曲線のノイズ、繰り返しパターンなどの一連のテストを適用して、マシンが一貫した利益を上げているかどうかを判断し、コーディングの欠陥を見つけます。 。また、標準記憶、畳み込み記憶、長短期記憶 (LSTM) など、彼が使用するさまざまな種類のニューラル ネットワークについても説明し、シンプルなニューラル ネットワークが彼のニーズに十分であり、過度の計算量を必要としないため、彼が好むことについても説明します。
00:50:00 Thomas Starke 博士は、信号とノイズを区別する難しさや極小値の問題など、強化学習を使用した取引の課題について説明します。彼は、強化学習が、ルールや市場体制が変化するノイズの多い金融時系列や動的な金融システムに苦戦していることを示しました。ただし、単純な移動平均を使用して価格曲線を平滑化すると、強化学習機械のパフォーマンスが大幅に向上する可能性があることも示し、収益性の高い取引決定を行うことができる成功した機械学習システムを構築する方法についての洞察を提供します。
Dr. Thomas Starke Speaks on Machine Learning Trading with Deep Reinforcement Learning (DRL). In this captivating video, join Dr. Thomas Starke as he unravels...
ビデオでは、講演者がコンテンツ C の背景情報を提供し、取引と銀行業務での経験を紹介することから始まります。彼らは、システマティック取引、クオンツ取引、アルゴリズム取引、高頻度取引など、取引におけるさまざまな方法論について議論します。このビデオの主な焦点は、定量化可能な方法で取引戦略を開発および最適化するための洞察を提供し、裁量取引アプローチと定量取引アプローチを比較することです。
講演者は、トレーディング戦略の設計と実装に関わる機能を詳しく掘り下げます。彼らは、実際の市場での実現利益は自分ではコントロールできず、変えることはできないと強調しています。したがって、戦略を改善するにはパラメータを変更することで、いくつかの制約を与えて Pi の関数を最適化することが不可欠です。講演者は、構想、仮説テスト、ルール変換、バックテスト、リスク推定、展開、展開後に次の戦略を模索することの重要性など、戦略開発の段階について概説します。
コーディングとデータ分析技術を使用して取引戦略を最適化する方法についてのデモンストレーションが提供されます。この例では、Microsoft、Apple、Google の株式を使用して取引シグナルを計算し、始値と今日の終値に基づいてその後の値下がりを概算します。グラフをプロットすることで探索的分析を行い、価格変動の違いを視覚化します。ボラティリティ、価格、ボラティリティの割合などの要素を考慮して、さまざまな株式間で X の値を比較できるようにするためのデータ標準化について説明します。講演者は、インド市場の大型株依存株とS&P上位20指数におけるギャップアップとギャップダウンに関連する統計現象を強調し、これが始値レンジと終値バーの定義につながると説明した。
00:00:00講演者はコンテンツ C の背景を紹介し、トレーディングと銀行業務における講演者の経験について簡単に説明します。講演者は、システマティック取引、クオンツ取引、アルゴリズム取引、高頻度取引など、さまざまな取引手法の違いを説明します。このビデオの主な焦点は、典型的なクオンツ方式での取引戦略の開発と最適化の概要と、裁量取引とクオンツ取引の比較を提供することです。
00:15:00講師は、取引戦略の設計と実装に含まれるさまざまな機能について説明することから始めます。彼は、実際の市場での実現収益はコントロールの外にあり、変更することはできません。そのため、NP または s と P のパラメーターを変更することで、何らかの制約を与えて Pi の関数を最適化することが重要であると強調します。その後、講義は続きます。検証可能な仮説につながるアイデア出しから始めて、戦略開発のさまざまな段階について話し合います。次に、ルールをプログラム可能なルールに変換して仮説をテストし、その後バックテストを行ってルールが利益を生み出すか失敗するかを確認します。このテスト段階の結果はリスクと損益プロファイルの推定であり、その後、テスト段階で把握できなかったリスクに対処しながら戦略が展開されます。最後に、講師は、展開後に次の戦略を探すことの重要性を強調します。
This EPAT Demo Lecture was conducted by Prodipta Ghosh (Vice President, QuantInsti) which explained how one could Optimize a Trading Strategy.We have receive...
投資用Python取引ボットの使い方
投資用Python取引ボットの使い方
この有益なウェビナーに参加して、投資目的の Python 取引ボットの世界を詳しく掘り下げてみましょう。このビデオは初心者と経験豊富なトレーダーの両方に対応するように設計されており、アルゴリズム取引に Python を活用することに興味がある個人にとって貴重なリソースとして役立ちます。
ウェビナーを通じて、アルゴ取引戦略を向上させる実践的な洞察と知識を得ることができます。 Python は、豊富なライブラリと自動化機能を備えており、取引アプローチを合理化し、最適化する計り知れない可能性を提供します。 Python の力を活用することで、取引効率を向上させ、市場機会を活用できます。
アルゴリズム取引を始めたばかりの場合でも、既存のスキルを磨きたいと考えている場合でも、このビデオでは Python を使用したアルゴリズム取引の包括的な概要を説明します。これは、今日のダイナミックな金融情勢の中で先を行きたいと願うトレーダーや投資家にとって必見のリソースです。アルゴリズム取引における Python の役割について理解を深め、成功への新たな可能性を解き放つ準備をしてください。
取り上げられるトピック:
機械学習を活用した最適なポートフォリオ配分
機械学習を活用した最適なポートフォリオ配分
このセッションは、機械学習を使用した最適なポートフォリオ配分の手法について説明することを目的としています。機械学習を中核として活用するアルゴリズムを使用して資本配分を選択する方法を学びます。 JPモルガン・チェース社、株式(EDG)モデリング部門定量調査担当副社長、ビビン・トーマス氏による講演。
このディスカッションでは、特に機械学習アルゴリズムの利用に焦点を当てて、アルゴリズム取引の魅力的な領域を探っていきます。私たちの主な目的は、最適な資本配分の選択を行うために、中核で機械学習を活用する高度なアルゴリズムを設計することです。
これを達成するために、当社は、利用可能な資本を、バスケット資産とも呼ばれる慎重に選択された原資産グループに定期的に配分することに優れた低頻度戦略を開発します。機械学習技術を取り入れることで、資本配分プロセスの精度と効率の向上を目指します。
さらに、このフレームワーク内で動作する、Long-only、低頻度の資産割り当てアルゴリズムを構築します。これらのアルゴリズムは、意思決定において経験的なモメンタム指標のみに依存するバニラの割り当て戦略よりも優れたパフォーマンスを発揮するように設計されます。これらのアルゴリズムのパフォーマンスをベンチマーク戦略と比較することで、資産配分プロセスで機械学習を活用する価値と有効性を評価できます。
この調査を通じて、機械学習アルゴリズムを資本配分戦略に組み込むことの潜在的な利点と利点についての洞察を得ることができます。アルゴリズム取引のエキサイティングな世界を掘り下げ、これらの高度なアルゴリズムが資産配分や投資決定へのアプローチ方法にどのような革命をもたらすかを発見してください。
感情分析チュートリアル |株価動向の予測と統計的裁定取引の使用方法を学ぶ
感情分析チュートリアル |株価動向の予測と統計的裁定取引の使用方法を学ぶ
このウェビナーでは、プレゼンターは、E-PAT プログラムを通じてアルゴリズム取引の旅を始めた 3 人の熟練した人物、Design Vetii、Javier Cervantes、Siddhantu を紹介します。彼らは、E-PAT プログラムでのさまざまなトピックや経験をカバーしながら、E-PAT のプレゼンテーションやプロジェクトを視聴者と共有します。
発表者は、主力プログラムである E-PAT が参加者に、プロジェクトの好みの資産クラスや戦略パラダイムに特化する機会を提供していることを強調しました。このカスタマイズされたアプローチにより、参加者は自分が選択した重点分野の専門知識を探索し開発することができます。
このセッションは録画され、YouTube とそのブログで共有され、意欲的なクオンツやアルゴリズム取引に興味のある個人に貴重な学習の機会を提供することが強調されています。プレゼンターは、経験豊富なトレーダーが共有する知識と E-PAT プロジェクトから得られる洞察を視聴者に活用するよう勧めます。
最初のプレゼンテーションは、南アフリカの債券ディーラーである Design Vetii によって行われます。 Design Vetii は、テクニカル分析を使用して株価トレンドを予測するプロジェクトを共有しています。彼らは、南アフリカのトップ 40 指数の上位 10 銘柄から 10 年間にわたるデータを収集しました。 Python を使用してこのデータから 6 つの一般的なテクニカル指標を導き出し、株価傾向分析のための機械学習モデルに組み込みました。発表者は、プロジェクト全体を通じて彼らの動機と機械学習分野への魅力について語ります。
次に、講演者は採用された投資戦略について説明し、機械学習アルゴリズムの結果を紹介します。彼らは 10 銘柄で構成される均等に加重されたポートフォリオを利用し、日次および週次の両方のリバランス戦略を実施しました。日次リバランス ポートフォリオの過去 2 年半のリターンは 44.69% で、上位 40 社のベンチマーク リターンの 21.45% を上回っています。同様に、毎週のリバランス ポートフォリオは大幅なアウトパフォームを示し、ベンチマークを 36.52% 上回るリターンを生み出しました。講演者は、機械学習モデルのパラメーターを微調整するのに必要な時間と労力を認め、このプロセスから得られる学習経験を強調します。ただし、戦略を相対強度、ボリンジャーバンド、MACD などのテクニカル指標とのみ比較することには限界があり、潜在的な欠陥があることも認識しています。
講演者はプロジェクトから学んだ教訓を振り返り、将来それを改善する方法を熟考します。彼らは、上位 10 銘柄で構成されるインデックスを調査することへの関心について言及し、金融時系列の機械学習アルゴリズムでシャッフル属性を使用した際に犯した間違いを認めています。講演者は、Python でコーディングし、機械学習とテクニカル指標を組み合わせた戦略を開発する能力に誇りを持っています。彼らは、P 比率、センチメント分析、その他のマーカーなどの基本的な要素を将来のプロジェクトに組み込むとともに、代替の機械学習モデルを検討することを提案しています。さらに、講演者はテクニカル指標の選択とランダム フォレスト アルゴリズムの実装に関する聴衆からの質問に答えます。
プレゼンテーションの後、プレゼンターは視聴者との質疑応答を行います。日中取引戦略に関する質問や、財務分析の文脈で機械学習を学ぶための推奨書籍など、さまざまな質問に対応します。発表者は、従来の指標を理解するためのテクニカル分析の本を提案し、将来の研究のために指標や基本的要素の型破りな見方を機械学習アルゴリズムに組み込むことに重点を置く可能性についても言及しました。
質疑応答の後、プレゼンターは次の講演者として、トレーディングおよびクレジット市場で 8 年以上の経験を持つメキシコ出身の社債トレーダー、ハビエル セルバンテスを紹介します。ハビエル氏は、時価総額が小さく集中していることが特徴のメキシコ市場の株価動向を予測するために統計的裁定取引を使用することに関する研究を共有します。同氏は、専用の資金が存在しないこと、参加者から得られる流動性が限られていること、裁定取引戦略の競争環境に起因するこの機会の魅力について説明しています。
ハビエル氏は、メキシコ株に関する情報を収集するためのデータベースを構築するプロセスについて説明し、不完全で欠陥のあるデータ、フィルタリングとクリーニングの問題、戦略の基礎となる前提など、遭遇する課題の概要を説明します。これらの課題に対処するために、発行体の範囲の約 40% が削除され、1 日の取引量が少ない銘柄が除外されました。
次に、プレゼンターは、6 つの異なる株式ペアに適用されたハビエルの統計的裁定取引戦略の結果を分析し、肯定的な結果が得られました。ペアのリターンは低く、ほとんどが負の相関関係を示し、分散ポートフォリオとしての戦略の実行に大きな利益をもたらす可能性があることを示唆しています。 6 つのペアすべてで構成されるポートフォリオの結果を分析する際、発表者は、年間成長率 19%、最大ドローダウンはわずか 5%、合計シャープ レシオ 2.45 を強調し、個々のペアと比較して顕著な優位性を実証しました。さらに、プレゼンターは、取引コスト、さまざまな期間、市場状況、ストップロス戦略の導入の必要性など、実物資本を投入する前に考慮すべきいくつかのリスクを強調します。
講演者は、たとえ初期の定常性が観察されたとしても、ペア間の長期的な関係が崩れる可能性があるため、統計的裁定取引戦略を定期的にテストして長期にわたる信頼性を確保することの重要性を強調しました。彼らは、さまざまな市場セクターに関する仮定に基づいて手動でペアを選択するのではなく、機械学習アルゴリズムを使用して取引戦略に適格なペアを選択する可能性を示唆しています。講演者は、モデルの効率を高め、収益の信頼性を向上させるためにさらなる研究の余地が十分にあると述べて締めくくりました。 Q&Aセッションでは、データに使用された期間、ペアのリターン間の負の相関からの重要なポイント、日中戦略の実装の実現可能性などに関する質問に答えます。
最後に、プレゼンターはプロジェクトの経験を共有するトレーダーである Siddhantu を紹介します。シッダントゥ氏はトレーダーとしての経歴について話し始め、ニュースやセンチメントが株価に及ぼす影響について疑問を持つきっかけとなったメドキャップホテルチェーン株に関わる事件について詳しく語る。彼らはプロジェクトの概要を説明しており、ニュース抽出、感情分析、取引戦略の 3 つの部分に分かれています。 Nvidia Corporation は、その流動性と変動性により、プロジェクトの株式として選択されます。
Siddhantu は、newsapi.org データベースを使用してニュース記事を収集し、Python の新聞ライブラリを使用してセンチメント スコアを抽出するプロセスについて説明します。次にセンチメント スコアを利用して、極端なスコアに基づいてロングまたはショートの取引スキームを生成します。講演者は、プログラミング段階で直面する課題を共有しますが、成功を達成するには適切なツールを選択し、メンターからサポートを受けることの重要性を強調します。結果は心強いものですが、講演者はバックテストに慎重に取り組む必要性を強調し、プロジェクトの各段階で改善の余地があることを認めました。彼らは、センチメント スコアの生成における精度の点で、Python の Vader センチメント アナライザー ツールを推奨しています。
講演者は感情分析と、ニュース記事に適用した場合の限界について説明します。彼らは、感情分析はツイートやソーシャルメディアのコメントから感情を検出するのには効果的だが、ネガティブな出来事の報告には違いがあるため、ニュース記事には適さない可能性があると指摘している。また、センチメント分析に使用されるソース、ベイダースコアを取引シグナルに変換するプロセス、センチメント分析におけるディープラーニングの利用(まだ調査していませんが、その可能性は認識しています)、およびその他の関連トピックに関する聴衆の質問にも答えます。 。
最後に、講演者はセンチメント分析プログラムのバックテストに使用されたデータを詳しく調べます。彼らは、毎日の平均感情スコアを計算するために、影響力のあるニュース記事を毎日約 10 ~ 15 件収集したと説明しています。プログラムでは、約 6 か月分のこれらの記事が活用されました。株価収益率については、6 か月にわたる Nvidia 株の日次レベルのデータが組み込まれています。講演者は、取引シグナルは感情スコアのみから導出され、取引またはバックテスト中に株式のファンダメンタルズまたはテクニカルな側面は考慮されていないことを明らかにしました。
クオンツトレーディング |マイケル・ハリスが解説する戦略
クオンツトレーディング |マイケル・ハリスが解説する戦略
このチュートリアルでは、市場の複雑性と再帰性の概念を紹介し、説明します。焦点は、米国株式市場やその他の市場で起こった特定の体制変化にあります。プレゼンターのマイケル・ハリスは、これらの体制変更が戦略開発にどのような影響を与える可能性があるかを調査し、データと戦略の組み合わせを調整することでその影響を最小限に抑えるための洞察を提供します。
このチュートリアルは実践的なものになるように設計されており、参加者は自分のシステムで分析を再現できます。 Amibroker はウェビナー中の分析に使用され、参加者はセッション後にさらに練習するために Python コードをダウンロードできます。
Michael は、市場の勢いと平均回帰の動的な状態変化を測定する、新しく開発された指標も共有しています。このインジケーターのコードが提供されるので、参加者はそれを独自の取引戦略に組み込むことができます。
講演者のマイケル・ハリス氏は、30年にわたる商品および通貨先物取引の豊富な経験を持っています。彼は、「価格パターンによる短期取引」、「価格パターンに基づく株式取引テクニック」、「収益性と体系的な取引」、「テクニカル分析に騙される: チャート作成の危険性」など、トレーディングに関する数冊の本の著者です。バックテストとデータマイニング。」彼は、Price Action Lab ブログの著者であり、DLPAL ソフトウェアの開発者でもあります。 Michael は、コロンビア大学で制御システムと最適化に重点を置いた機械工学の修士号と、予測と金融工学に重点を置いたオペレーションズ リサーチの修士号を 2 つ取得しています。
このチュートリアルは章に分かれており、市場の複雑さと体制の変化のさまざまな側面をカバーしています。講演者の紹介でチュートリアルの準備が整い、続いて取り上げるトピックの概要が説明されます。インデックス取引戦略について説明し、定量的な主張におけるその限界を強調します。次に、平均回帰戦略について議論し、体制変化とそれがどのように起こるかについてのより深い探求につながります。 S&P 市場における平均回帰のダイナミクスが分析され、金融市場に存在する複雑さが強調されます。
市場の複雑さによる悪影響に対処し、それがトレーダーにもたらす課題を強調しています。このチュートリアルは、金融市場のさらなる複雑さに関する説明で終わり、さらに詳しく調べるためのリソースを提供します。続いて質疑応答のセッションが行われ、参加者は疑問を解消したり、さらなる洞察を求めたりすることができます。
このチュートリアルでは、この分野の経験豊富なトレーダーおよび著者が、市場の複雑さ、体制の変化、およびそれらが取引戦略に与える影響についての貴重な洞察を提供します。
章:
00:00 - スピーカーの紹介
02:23 - チュートリアルの概要
03:54 - インデックス取引戦略の説明
07:30 - 定量的主張の制限
10:45 - 平均復帰戦略
11:38 - 政権交代
16:30 - それはどのように起こるか
18:17 - S&P 平均回帰ダイナミクス
24:35 - 金融市場の複雑さ
26:42 - 悪影響
36:56 - 金融市場のさらなる複雑化
42:17 - リソース
43:35 - 質疑応答
アルゴリズム取引 |完全なチュートリアル |アイデアから市場を活性化する |ホイ・リュー博士とアディティア・グプタ博士
アルゴリズム取引 |完全なチュートリアル |アイデアから市場を活性化する |ホイ・リュー博士とアディティア・グプタ博士
このビデオでは、講演者が自動取引戦略の考案、作成、実装に関するマスター クラスの包括的な概要を説明します。講演者の Aditya Gupta は、ヘッジファンドの創設者であり、Interactive Brokers API と対話する Python パッケージの作者である Hui Liu 博士を紹介します。彼はまた、Liu 博士が説明する API に関連した驚きの開発についても言及します。
このビデオは、自動取引の定義を説明し、アルゴリズム取引に含まれる 3 つの主要なステップを強調することから始まります。講演者は、テクニカル分析を使用して裁量取引からシステマティック取引に移行するまでの個人的な道のりを共有します。
クオンツ分析、テクニカル分析、ファンダメンタルズ分析の 3 種類の分析に重点を置き、アルゴリズム取引における分析の重要性が強調されています。分析のさまざまな側面には、過去のチャート、財務諸表、ミクロおよびマクロ経済要因の研究に加え、数学モデルや統計分析を使用してトレーディング戦略を作成することが含まれます。これらの戦略は本質的に、データを処理し、売買のためのシグナルを生成するアルゴリズムです。このプロセスには、ライブ取引に移る前の戦略開発、テスト、紙取引が含まれます。ライブ取引に接続するには、ブローカー接続と API が必要ですが、潜在的なソリューションとして iBridge PI が検討されています。戦略スペクトルの概念も紹介され、さまざまな利益要因と分析の種類が示されます。
講演者は定量分析と、トレーディング戦略やポートフォリオ管理の作成における定量分析の役割について詳しく説明します。彼らは、定量的分析には数学的モデルと統計分析を使用して過去のデータから洞察を得ることが含まれており、それを定量的トレーディング戦略の開発に適用できると説明しています。定量分析は、リスク管理や戦略のテイクプロフィットとストップロスのレベルの計算に特に役立ちます。彼らは、pandas、numpy、matplotlib などのライブラリを使用して単純な移動平均クロスオーバー戦略を作成し、戦略のリターンを計算するプロセスをデモンストレーションします。
シャープレシオ、年間複利成長率(CAGR)、最大ドローダウンなど、アルゴリズム取引で使用されるさまざまなパフォーマンス指標について説明します。バックテストのバイアスやプロセスにおけるよくある間違いを回避することの重要性が強調されます。講演者はまた、定量分析に必要なスキルセットについても概説します。これには、数学と統計の知識、データの処理への関心、Python コーディングの習熟度、財務の理解などが含まれます。これらは、データ ソースと分析から始まり、シグナル実行に至るまでの自動取引戦略作成のプロセスを概説し、それをアプリケーション プログラミング インターフェイス (API) にリンクします。 Hui Liu 博士は自己紹介し、簡単な背景を説明し、Python を使用した TD Ameritrade および Interactive Brokers とのアルゴリズム取引に関する今後のトピックの概要を説明します。
次に講演者は、iBridgePy プラットフォームを使用したアルゴリズム取引の 3 つの基礎、つまりリアルタイムの価格表示、履歴データの取得、注文の発注に焦点を当てます。これら 3 つの基礎は、複雑な戦略を構築するための構成要素として機能します。講演者は、ポートフォリオのリバランス、安く買って高く売る戦略、移動平均クロスオーバーを使用したトレンドキャッチ戦略の 3 つのサンプル戦略を紹介します。プレッシャーの軽減や人的ミスの減少など、アルゴリズム取引の利点が強調されています。講演者は、コーディングに過剰な労力を費やすのではなく、iBridgePy のような取引プラットフォームを利用して、良い戦略の研究に時間を投資することを推奨しています。 iBridgePy プラットフォーム内でバックテストとライブ取引をシームレスに切り替える柔軟性も強調されています。
このビデオでは、アルゴリズム取引に利用できるさまざまなブローカーと Python プラットフォームのオプションについて説明します。 TD Ameritrade は、手数料ゼロの電子取引プラットフォームを提供する米国に拠点を置く証券会社として紹介されています。インタラクティブ・ブローカーズは、取引を自動化するために中小規模のヘッジファンドによって一般的に使用されている API ソリューションの大手プロバイダーとして注目されています。米国に本拠を置く別の証券会社であるロビンフッドは、その手数料無料取引とアルゴ取引機能で言及されています。トレーダーの知的財産の保護、同時バックテストとライブ取引のサポート、さまざまなパッケージ オプションとの互換性など、Python 取引プラットフォーム iBridgePy を使用する利点が検討されます。 iBridgePy は、さまざまなブローカーとの取引や複数のアカウントの管理も容易にします。
発表者は、ヘッジファンドマネージャーが複数の口座を同時に処理するための効果的なツールの必要性について議論し、Average Piと呼ばれるハイブリッド取引プラットフォームを紹介します。 Average Pi は、Contopia と Quantopian の組み合わせとして説明されており、アルゴリズムと Python ベースの取引の制御を可能にします。 Integrity Broker を介した Interactive Brokers 取引プラットフォームの構成を含む、Windows システム上で Average Pi をダウンロードしてセットアップするプロセスが示されています。パッケージのメインの入口ファイル、runme.py が示されていますが、必要な変更はアカウント コードと、実行する選択された戦略の 2 つだけです。
Hui Liu 博士と Aditya Gupta がアルゴリズム取引に関するチュートリアルを提供し、例を使用して口座を表示する方法を示します。アルゴリズム取引用に特別に設計されたさまざまな関数を提供する Average Pi 内のデータ関数の初期化および処理の使用法について説明します。これらは、Average Pi プラットフォームを使用したコーディングがいかに簡単であるかを示しています。
講演者は、リアルタイム価格の表示と履歴データの取得という 2 つのトピックについて詳しく説明します。リアルタイム価格については、ハンドル データ関数を使用して毎秒タイムスタンプと売値を出力するようにコードが構造化されているデモが表示されます。研究目的で履歴データを取得するために、講演者は履歴データ要求関数について説明し、始値、高値、安値、終値、出来高などの履歴データを含むパンダ データ フレームを取得するためにこの関数を使用する方法を示します。コード構造が検査され、履歴データを取得してコンソールに出力を出力するためにコードが更新されるデモが表示されます。
講演者は、iBridgePy で売値が 100.01 ドルを超えた場合に、SPY の 100 株を 99.95 ドルで購入する指値注文を行う方法を実演します。取引する契約数量と株式数量が定義され、「注文」機能を利用して指値注文を出します。講演者はまた、注文のステータスを追跡する「注文ステータス モニター」機能を使用して、市場価格で注文を行う方法も実演します。これらの基本的な手順を紹介した後、講演者は、次の段階では、取引する契約と取引戦略を構築するための取引決定の頻度を決定することが含まれると説明します。
アルゴリズム取引戦略の実行に必要な手順について説明します。定期的にデータを処理し、スケジュール機能などの機能を使用してタスクをスケジュールする必要性について説明します。テクニカル指標を計算するプロセスについて説明します。これには、ブローカーから履歴データをリクエストし、計算にパンダのデータ フレーム機能を利用することが含まれます。成行注文や指値注文などの注文タイプが検討され、コードまたはアルゴリズムへの逆指値注文の組み込みについて簡単に説明されます。
次に、スピーカーは、ファンド マネージャーの間で一般的なアプローチである、取引指示に基づいてポートフォリオのリバランスを行うためのデモンストレーション戦略について説明します。 Python ディクショナリを使用した取引命令の手動実行が実証され、毎日の取引決定をスケジュールし、注文目標パーセンテージを使用してアカウントのバランスを自動的にリバランスする簡単なコードが示されます。口座のリバランスとそのポジションの表示プロセスを紹介するライブ デモが提供されています。
Python を使用して実装できる 3 つの異なる取引戦略について説明します。 1 つ目は、ユーザーが自分のポジション、シェア、コストベースを監視できるようにする単純なリバランス戦略です。 2 つ目は、終値が前日の価格よりも低い場合に取引機会を特定するために使用される平均回帰戦略です。最後に、履歴データを使用して潜在的な売買機会のクロスオーバー ポイントを計算することに重点を置き、移動平均クロスオーバー戦略について説明します。 3 つの戦略はすべて、市場が特定の時間に閉まる前に取引の決定を下し、成行注文を使用して取引を実行することを含みます。すべての戦略を実装するコードは単純で、Python とスケジュール関数を使用して簡単に実装できます。
Hui Liu 博士と Aditya Gupta が、移動平均を使用してポートフォリオ内の株をいつ売買するかを決定する方法を説明します。彼らは、Average Pi プラットフォームを使用してこの戦略の実装を実証し、その後、履歴データを適用してそのパフォーマンスを評価することでバックテストを開始します。このチュートリアルでは、Hybrid Pi 内の Test Me Py 関数を使用して、シミュレーション用の履歴データを入力し、口座残高と取引の詳細の結果を取得する方法について説明します。
講演者は、パフォーマンス分析チャートにアクセスして、アルゴリズム取引戦略のシミュレーション結果を表示する方法を説明します。このグラフには、バランス ログと、シャープ レシオ、平均、標準偏差などのさまざまな統計が表示され、さらにカスタマイズできます。講演者は、Average Pi が複数のアカウントを処理し、それらのバランスを再調整できることを強調しました。このプラットフォームは柔軟でユーザーフレンドリーで、アルゴリズム取引プラットフォームのセットアップ、バックテスト、ライブ取引、さまざまなブローカーとの取引、および複数のアカウントの管理に利用できます。さらに、講演者は視聴者に、コーディング支援のためのレンタルコーダーサービスを探索したり、無料チュートリアルのために YouTube チャンネルに登録したりするよう勧めています。
発表者は、Interactive Brokers の iBridge を他の種類の契約とともに先物やオプションの取引にどのように使用できるかについて説明します。彼らは、スーパー シンボル機能により、ストック オプション、フィルター、インデックス、外国為替などのさまざまなタイプの契約を定義できると説明しています。香港取引所で取引されている株式ではない仕組み商品の例が示されています。スーパーシンボル機能により、株式以外のあらゆる契約タイプの取引が可能になります。ストップロスについて簡単に説明し、ストップロスをコードに組み込む方法やアルゴリズムに組み込む方法を強調します。
発表者はアルゴリズム取引におけるリスク管理の重要性を強調して議論を続けます。彼らは、市場が不利な動きをした場合に潜在的な損失を制限するためのリスク軽減戦略としてストップロスを導入する必要性を強調しています。ストップロスをコードまたはアルゴリズムに統合して、証券が所定の価格レベルに達したときに自動的に証券の売却をトリガーすることができます。
次に、ポジションサイジングの概念を詳しく掘り下げます。これには、利用可能な資本とリスク許容度に基づいて、取引する株式または契約の適切な量を決定することが含まれます。適切なポジションサイジングは、資本の配分がトレーダーのリスク管理戦略と確実に一致するようにすることで、リスクを管理し、リターンを最適化するのに役立ちます。
講演者はアルゴリズム取引におけるパフォーマンス評価とモニタリングの重要性についても触れています。彼らは、シャープレシオ、年間複利成長率(CAGR)、最大ドローダウンなど、取引戦略の有効性を評価するために使用されるさまざまなパフォーマンス指標について説明します。これらの指標は、リスク調整後のリターン、長期的な成長、および戦略に関連する潜在的な下振れリスクについての洞察を提供します。
バックテストでよくある落とし穴やバイアスを回避するために、発表者はデータの整合性を確保し、アウトオブサンプル テストを使用することの重要性を強調します。彼らは、過剰な最適化または「カーブ フィッティング」(戦略を過去のデータに近づけすぎて調整することを指します)を警告し、変化する市場状況に対する戦略の適応性の欠如により、ライブ取引でのパフォーマンスの低下につながります。
講演者らは、アルゴリズム取引を成功させるにはスキルと知識の組み合わせが必要であることを強調しています。彼らは、数学と統計の強固な基礎、データの操作への関心、Python を使用したコーディングの熟練度、および金融市場についての十分な理解の必要性について言及しています。アルゴリズム取引に興味のある個人が、学習リソースと実践的な応用を通じて知識とスキルセットを継続的に拡大することを奨励します。
ビデオの最後の部分では、Hui Liu 博士が自己紹介し、ヘッジ ファンドの創設者であり、Interactive Brokers API と対話する Python パッケージの作成者としての経歴を共有します。彼は、Python を使用した TD Ameritrade および Interactive Brokers とのアルゴリズム取引に関連する今後のトピックについて簡単に説明し、将来のマスター クラスでこれらの主題をさらに探求するための準備を整えます。
このビデオでは、アルゴリズム取引の包括的な概要を提供し、自動取引戦略の構想から実装までの過程をカバーしています。分析の重要性を強調し、さまざまな種類の分析 (定量的、技術的、基礎的) について説明し、戦略の開発、テスト、実行のさまざまな側面を探ります。講演者は、iBridgePy や Average Pi などの Python ベースのプラットフォームの実用的なアプリケーションをデモンストレーションし、リアルタイムの価格追跡、履歴データの取得、注文、ポートフォリオのリバランスにおける機能を紹介します。
S Chandrasekhar教授による長期企業価値予測 |研究発表会
S Chandrasekhar教授による長期企業価値予測 |研究発表会
S. Chandrasekhar 教授は、バンガロールの IFIM ビジネス スクールの上級教授であり、ビジネス分析のディレクターです。学界で 20 年以上の経験があり、ニューデリーの FORE 経営大学院の理事長教授、ラクナウのインド経営大学院教授などの役職を歴任しました。彼は、カンプール工科大学で電気工学の学士号、コンピュータ サイエンスの修士号、米国ジョージア大学で定量および情報システムの博士号を取得しています。
このプレゼンテーションでは、S. Chandrasekhar 教授が、高度な機械学習と自然言語処理技術を使用して企業の長期的な企業価値 (EV) を予測することに焦点を当てています。主に株主価値を考慮する時価総額とは異なり、企業価値は長期債務や現金準備金などの要素を組み込むことにより、企業のより包括的な評価を提供します。
EV を計算するには、長期借入金を加算し、手元資金を差し引くことで時価総額を調整します。このアプローチは、企業価値を最大 6 か月前に定期的に予測することで、投資家や格付け会社が投資の成長について長期的な視点を獲得し、関連するリスクを管理するのに役立ちます。
Xiao Qiao博士による信用リスクモデリング |研究発表会
Xiao Qiao博士による信用リスクモデリング |研究発表会
おはようこんにちはこんばんは。私の名前は Vedant です。Quantum C 出身です。本日は、このイベントのホストを務めさせていただきます。 Parachronic Technologies の共同創設者である Xiao 博士も参加し、深層学習を使用した信用リスク モデリングに関する専門知識を共有します。シャオ博士の研究関心は主に資産価格設定、金融計量経済学、投資を中心に展開されています。彼の業績は、フォーブス、CFA インスティテュート、機関投資家などの著名な機関によって認められています。さらに、Xiao 博士は、Journal of Portfolio Management および Global Commodities Applied Research Digest の編集委員を務めています。彼はシカゴ大学で金融学の博士号を取得しています。
このセッションでは、Xiao 博士が信用リスク モデリングのトピックを掘り下げ、この分野での深層学習の応用を探ります。同氏は、複雑な信用リスク モデルの価格設定と調整にディープ ラーニングをどのように利用できるかについて、特にクローズド形式のソリューションが利用できない場合の有効性に焦点を当てて説明します。ディープラーニングは、このようなシナリオにおいて概念的にシンプルで効率的な代替ソリューションを提供します。 Xiao 博士は、Quan Institute の 10 周年記念に参加できたことに感謝の意を表し、彼の洞察を共有できることに興奮しています。
今後は、クレジット市場、特に市場の巨大な規模とクレジット・デフォルト・スワップ(CDS)の重要性の増大を中心に議論が行われます。 2019年の時点でCDSの想定元本残高は約8兆円と推定されており、市場は着実に成長を続けています。 CDS 指数の想定額も大幅な成長を遂げ、近年ではほぼ 6 兆に達しています。さらに、世界の債券市場は 100 兆ドルを超えており、その大部分は発行機関のデフォルトの可能性による固有の信用リスクを伴う社債で構成されています。
信用市場が進化し、より複雑になるにつれて、デフォルト・リスクの動的な性質を捉えるための信用リスク・モデルもますます複雑になっています。これらのモデルでは、さまざまな期間や満期にわたる金融市場に存在するランダム性を考慮するために、確率的状態変数がよく使用されます。ただし、これらのモデルの複雑さが増すにつれて、その推定と解の計算コストが高くなっています。この問題は、プレゼンテーションの後半で焦点になります。
機械学習は、金融を含むさまざまな分野に変革的な影響を与え、近年注目を集めています。横断的な資産価格設定や株式ポートフォリオの構築など、実証的ファイナンスでの採用が増えています。特に、ディープラーニングは、デリバティブ価格やオプション価格の近似、確率的ボラティリティ モデルの調整に使用されています。この論文では、シャオ博士とその同僚であるケンポス キャピタルのジェラルド ムンゾ氏が、深層学習を信用リスク モデリングに適用することを提案しています。彼らの研究は、深層学習が複雑な信用リスク モデル ソリューションを効果的に置き換えることができ、その結果、効率的かつ正確な信用スプレッド計算が可能になることを実証しています。
さらに詳しい背景を提供するために、Xiao 博士は信用リスク モデリングの概念を紹介します。同氏は、デフォルト可能な債券の価格は、デフォルトと非デフォルトの両方のシナリオにおける割引キャッシュ フローの確率加重平均によって決定されると説明しています。デフォルトの確率は、デフォルトの可能性を定量化するため、信用リスク モデルにおいて重要な量です。信用リスク モデルには、構造モデルと縮小形式モデルという 2 つの主なタイプが存在します。構造モデルは、デフォルト事象と企業の資本構造との間に直接的な関係を確立します。一方、縮小形式モデルは、デフォルトのリスクを統計プロセスとして表し、通常はデフォルトの強度パラメータを使用したポアソンプロセスを利用します。 Xiao博士は、信用リスクモデルには、信用スプレッドを導き出すための価格設定関数の解決が含まれており、数値積分やグリッド検索が必要なため、計算量が多くなる可能性があることを強調しています。
ここでディープラーニングが登場します。 Xiao 博士はニューラル ネットワークとディープ ラーニングについて説明し、それらを信用リスク モデリングにどのように適用できるかを示します。ニューラル ネットワークは非線形性を導入します。
ディープラーニングの基本コンポーネントであるニューラル ネットワークは、人間の脳の構造を模倣した相互接続された人工ニューロンの層で構成されています。これらのネットワークは、トレーニングと呼ばれるプロセスを通じて、データから複雑なパターンと関係を学習できます。トレーニング中、ネットワークは内部パラメーターを調整して、予測出力と実際の出力の差を最小限に抑え、パフォーマンスを最適化します。
Xiao 博士は、過去のデータに基づいてニューラル ネットワークをトレーニングすることで、ディープ ラーニングを活用して複雑な信用リスク モデルを近似できると説明します。ニューラル ネットワークは、経済的要因や金融的要因などの入力変数と、対応する信用スプレッドの間のマッピングを学習します。トレーニングが完了すると、ネットワークを使用して新しい入力データの信用スプレッドを効率的に推定できます。
信用リスク モデリングでディープ ラーニングを使用する主な利点の 1 つは、複雑な価格設定関数を近似できることです。従来、信用リスク モデルでは数値統合手法とグリッド検索を使用して価格設定関数を解決していましたが、これは計算量が多く時間がかかる場合があります。ディープ ラーニングは、ニューラル ネットワークの学習されたマッピングを通じて価格設定関数を直接近似することにより、より効率的な代替手段を提供します。
Xiao博士は、深層学習モデルは、信用リスクモデルによく見られる入力変数間の非線形関係や相互作用を捉えることができることを強調しています。この柔軟性により、ニューラル ネットワークは信用市場の複雑さに適応し、正確な信用スプレッド推定値を生成できます。
さらに、深層学習モデルは、従来の方法と比較して、欠落または不完全なデータをより効果的に処理できます。彼らは、入手可能なデータから学習し、情報が欠落している場合でも合理的な予測を立てる能力を備えています。これは、データがまばらであるかギャップが含まれる可能性がある信用リスク モデリングにおいて特に有益です。
信用リスクモデリングにおけるディープラーニングの有効性を検証するために、シャオ博士と彼の同僚は、社債の大規模なデータセットを使用して広範な実証実験を実施しました。彼らは、深層学習ベースの信用スプレッド推定のパフォーマンスを、従来の信用リスク モデルから得られたものと比較しました。その結果、深層学習モデルは精度と計算効率の点で従来のモデルを常に上回っていることが実証されました。
Xiao博士は、信用リスクモデリングにおけるディープラーニングの変革の可能性を強調してプレゼンテーションを締めくくりました。彼は、特に閉じた形式のソリューションが利用できない場合や計算量が多い場合に、複雑な信用リスク モデルを近似する際の深層学習モデルの効率、精度、柔軟性を強調しています。
プレゼンテーションの後、フロアでは聴衆からの質問が受け付けられます。参加者は、信用リスクモデリングにおけるディープラーニングの具体的な応用、データ要件、モデルの解釈可能性、その他の関連トピックについて質問できます。シャオ博士は、聴衆と関わり、彼の専門知識と研究結果に基づいてさらなる洞察を提供する機会を歓迎します。
シャオ博士のプレゼンテーション後の質疑応答:
聴衆 1: 「シャオ博士、有益なプレゼンテーションをありがとうございました。信用リスク モデリングにおけるディープ ラーニング モデルの解釈可能性について興味があります。従来のモデルは、多くの場合、信用スプレッド推定を推進する要因に対する透明性を提供します。ディープ ラーニング モデルはどのように機能するのか解釈可能性を処理しますか?」
シャオ博士: 「それは素晴らしい質問です。深層学習モデルの解釈は、その固有の複雑さのため、難しい場合があります。深層ニューラル ネットワークはブラック ボックスとして動作するため、内部の仕組みを直接理解し、個々のニューロンの活性化を解釈することが困難です。しかし、深層学習の解釈可能性を高めるための研究が継続的に行われています。」
「特徴重要度分析、勾配ベースの手法、注意メカニズムなどの技術は、モデルの予測に影響を与える要因を明らかにするのに役立ちます。さまざまな入力変数に対するネットワークの応答を調べることで、信用スプレッドを決定する際のそれらの相対的な重要性について洞察を得ることができます。 。」
「さらに、LIME (Local Interpretable Model-Agnostic Explains) や SHAP (SHapley Additive exPlanations) などのモデルに依存しない解釈可能性手法は、深層学習モデルに適用できます。これらの手法は、モデルを局所的に近似することによって、個々の予測の説明を提供します。具体的なインプット。」
「これらの技術はある程度の解釈可能性を提供しますが、深層学習モデルの主な強みは、データ内の複雑なパターンと関係を捕捉する能力にあることに注意することが重要です。解釈可能性とモデルのパフォーマンスの間のトレードオフは、信用を考慮した考慮事項です」リスクモデリングが重要であり、研究者はこの 2 つのバランスをとる方法を積極的に模索しています。」
聴衆 2: 「洞察をありがとう、シャオ博士。信用リスク モデリングで深層学習モデルをトレーニングするためのデータ要件に興味があります。必要なデータの量と質について詳しく教えていただけますか?」
シャオ博士: 「その通りです。ディープラーニングモデルは通常、効果的なトレーニングのために大量のデータから恩恵を受けます。信用リスクモデリングでは、信用市場の複雑さを捉えるために、多様で包括的なデータセットを持つことが極めて重要です。」
「深層学習モデルをトレーニングするためのデータには、マクロ経済要因、業界固有の変数、過去の信用スプレッド、関連する市場データなど、さまざまな経済指標や財務指標が含まれている必要があります。データセットが多様で代表的であればあるほど、モデルはより適切に一般化できます」新しい信用リスクシナリオに対応します。」
「データ品質に関しては、入力変数の精度、一貫性、関連性を確保することが重要です。データ クリーニング、正規化、特徴量エンジニアリングなどのデータ前処理手法は、トレーニング用のデータセットを準備する際に重要な役割を果たします。外れ値の除去、欠損値に対処し、データを適切にスケーリングすることは、信頼性の高いモデルのパフォーマンスを確保するための重要なステップです。」
「さらに、信用リスクモデルは変化する市場状況に適応する必要があるため、最新のデータを維持することが不可欠です。深層学習モデルの継続的な精度を確保するには、定期的な更新とデータの品質と関連性の監視が必要です。」
これらは聴衆からのいくつかの質問にすぎませんでしたが、Q&A セッションでは、モデルの堅牢性、信用リスク モデリングにおける深層学習の潜在的な制限、現実世界の実装の課題などのトピックについて、他のさまざまな質問や議論が続けられます。シャオ博士は聴衆と積極的に関わり、研究から得た専門知識や洞察を共有します。
クオンツ戦略に影響を与えるものは何ですか? 【パネルディスカッション】 - 2020年9月24日
クオンツ戦略に影響を与えるものは何ですか? 【パネルディスカッション】 - 2020年9月24日
金融におけるアルファ志向の戦略に関するパネルディスカッションの中で、ニコラス氏は投資信託やヘッジファンドでアルファを生み出すのは非常に難しいと主張し、投資家の99%は積極的にアルファポジションを追求すべきではないと述べた。同氏は、市場中立的なヘッジファンドでアルファを生み出すという課題を強調し、ファクター投資が市場をアウトパフォームするためのより現実的な選択肢であると示唆している。
委員会はニコラス氏の意見に同意し、ファクター投資における体系的な戦略を開発するために独自のデータソースを見つけて使用することの重要性を強調しています。彼らは、このアプローチがアルファ生成を成功させる鍵であると信じています。また、現在の市場で真のアルファを達成することの難しさについても議論し、資産配分やリスク管理などの代替戦略を提案します。
同委員会は、アルファの追求だけに焦点を当てないようアドバイスし、カバーされていないため効率が低い市場内のニッチ分野に注目することを提案している。彼らは、ベータ戦略など、しっかりと構築されたポートフォリオベンチマークを構築することの重要性を強調し、投資家がS&P 500以外にも目を向けて収益性の高い銘柄を見つけるよう奨励しています。
パネリストらは、たとえアルファが特定されたとしても、プライムブローカーとの潜在的な競合により、それを収穫できない可能性があると警告している。彼らはまた、先物における主要な投資領域の一部ではない、またはマネージャーの権限の一部ではない資産を取引する利点についても議論します。このような資産は混雑が少ないことが多く、その結果、市場でよく知られている資産と比較してシャープレシオが高くなります。ただし、これらの資産の取引には、流動性の低下と取引労力の増加により、より小さなポートフォリオサイズが必要となり、より高い手数料が発生する可能性があることを彼らは認めています。
ローラン氏は、ロングサイドで銘柄を選ぶなど従来のアクティブ運用戦略は決してうまく機能しなかったというニコラス氏の見解に同意する。同氏は、困難な市場で進化しパフォーマンスを発揮する能力を実証するアクティブ運用マネージャーに立証責任が移ってきたと考えている。
このパネルでは、ロングショート投資戦略のショートサイドを考慮することの重要性についても議論しています。彼らは、リスク管理の必要性と、取引コストや市場構造の変化の影響の調査を含む広範なバックテストを通じた戦略のストレステストの必要性を強調しています。パネルは、検証プロセスを経て生き残る少数を特定する戦略に十分な時間を費やすことを推奨しています。
議論は、アルファ生成の戦略の実際的な意味と視覚化に移ります。委員会は学術研究の価値を認めているが、実際的な意味や実装の詳細が欠けていることが多いと指摘している。彼らは、ポートフォリオの観点から実行でき、取引コストを耐え、顧客の期待に沿う戦略を作成することの重要性を強調しています。取引ドローダウンを示すチャートなどの視覚的表現は、投資家が大幅なドローダウン中に戦略を保持するのに役立つため、表よりも好まれます。
講演者は、クライアントの目的に沿って、経済的および基本的な理由と同期した戦略を構築することの重要性を強調します。彼らは、シンプルさと説明可能性の必要性を強調し、戦略はいくつかの簡単な文で要約できる必要があると述べています。バックテストは、戦略が機能することを証明することだけを目的とするのではなく、その限界を押し上げることで戦略の回復力をテストすることを目的としています。
パネルはクオンツ戦略の影響を反映し、資産クラスや時間枠に関係なく、平均回帰とトレンドフォローが 2 つの基本的な戦略であると特定しています。彼らは、トレンドフォローを勝率が低くボラティリティの高い宝くじを購入することと比較し、高い勝率と低いボラティリティで一度に1ドルを生み出す戦略として平均回帰を強調しています。彼らは、これらの戦略を傾けたり組み合わせたりすることで、損失を管理し、利益の期待を最適化することの重要性について議論します。彼らはまた、空売りや機関投資家の尻尾に乗るという課題にも触れています。
リスク管理が議論の中心となり、委員会は株式市場戦略における前向きな期待の必要性を強調した。彼らは株式市場を無限でランダムで複雑なゲームと考えており、潜在的な損失を軽減するために、高い勝率の取引と宝くじを組み合わせることを提案しています。パネルはまた、戦略をいつ廃止するかについても議論し、常に最新の調査情報を入手し、戦略に影響を与える可能性のある構造変化や市場変動を考慮することの重要性を強調しています。戦略の廃止は、徹底的な調査とフレームワークの変更を行った後にのみ行う必要があります。
このパネルでは、複数の投資戦略を管理し、パフォーマンスが低い戦略に対処することの難しさを取り上げます。彼らは、投資義務を遵守し、顧客の期待を理解することの重要性を強調しています。委員会は、新しい戦略を見つけてそれを実行するプロセスを確立しつつ、パフォーマンスの悪い戦略をいつ廃止するかを把握することを提案しています。彼らは、パフォーマンスの悪い戦略に対処するための 2 つのアプローチについて説明します。長期的な視野で戦略を保持するか、トレンドフォロー手法を使用してポートフォリオから削除するかのいずれかです。この決定は、マルチ戦略、マルチアセットのファンドの特定の権限と資金によって決まります。
パネリストたちは、クオンツ投資の課題と、研究の量に関係なく、行われた研究を信じることの重要性を強調しています。彼らは戦略をより良いものに変える可能性について言及し、真に多様化する戦略の希少性を強調しています。彼らはまた、テスラなどの株の空売りについても触れており、特にストーリーに基づいたバリュエーションの空売りでは、株の空売りは本質的にアイデアや信念を空売りすることであると指摘している。彼らは、2005 年の日本の例を挙げています。そこでは、ある消費者金融会社は、驚異的な評価額を持っていましたが、数年後に最終的に倒産するまで、平穏な空売り状態が続いていました。
講演者たちは、従来の期待と一致しない超現実的な評価に基づいた戦略を中止することの落とし穴について議論します。彼らは、時価総額がトヨタのような大企業の時価総額を上回っているテスラのような企業について言及している。パネリストらは、対称性の方が難しいことは認めながらも、短辺と長辺の両方に同じルールを設けることの重要性を強調しています。彼らは、多くの戦略は改善できると信じており、資産クラスが異なっていても、本質的には経済成長への賭けである。
パネルはまた、真に分散し、金融の不確実性とボラティリティから恩恵を受ける戦略を見つけることの難しさについても議論します。彼らは、この点で古典的なヘッジファンド戦略の限界を強調し、意欲的なクオンツに対して、テンプレートに従って考え、機能しない戦略は喜んで破棄することを推奨しています。彼らは、個人投資家が低コストの分散ETFに焦点を当て、リスク管理を優先することを示唆しています。
パネルディスカッションは、金融市場の効率性と、個人投資家が専門家と競争する際に直面する課題について言及してディスカッションを締めくくります。彼らは、福音ではなく学術研究論文をインスピレーションとして使用し、より広範な市場との過度の相関関係を避けるために主流ではないアイデアを見つけることを推奨しています。彼らは、自分たちの仕事をさらに詳しく知りたい人のために、Twitter ハンドル、LinkedIn プロフィール、Web サイトを提供しています。
このパネルは、アルファ探索戦略のさまざまな側面を掘り下げ、その困難さ、代替アプローチ、リスク管理の考慮事項、実際的な影響と視覚化の重要性を強調しています。彼らの洞察は、金融の複雑な状況をナビゲートする投資家やクオンツにとって貴重な指針を提供します。
深層強化学習を使用した取引 |トーマス・スターク博士
深層強化学習を使用した取引 |トーマス・スターク博士
トレーディングのための深層強化学習の専門家であるトーマス・スターク博士は、強化学習 (RL) の概念とトレーディング領域におけるその応用を紹介します。強化学習により、機械は、好ましい結果を最大化するために取るべき最善の行動を決定することにより、明示的な監督なしでタスクを実行する方法を学習できます。彼は、コンピューター ゲームをプレイするための機械学習の例を使用しています。このゲームでは、画面上の視覚的な合図に応答しながら、さまざまなステップを経てゲームが進行します。マシンの成功または失敗は、ゲーム全体を通じて行われた決定によって決まります。
シュタルケ博士は、マルコフの意思決定プロセスについて議論することで、深層強化学習を使用した取引の詳細を掘り下げます。このプロセスでは、各状態は特定の市場パラメータに対応し、実行されるアクションによってプロセスが次の状態に移行します。遷移に応じて、エージェント (マシン) はプラスまたはマイナスの報酬を受け取ります。目的は、特定のポリシーと状態を考慮して期待される報酬を最大化することです。取引のコンテキストでは、市場パラメータは現在の状態を特定するのに役立ち、エージェントは情報に基づいてどのような行動を取るべきかを決定できます。
取引における意思決定プロセスには、システムの状態を知らせるさまざまな指標に基づいてポジションを買うか、売るか、保持するかを決定することが含まれます。最終的な目標は、取引から生じる利益または損失である可能な限り最高の報酬を受け取ることです。スターク博士は、従来の機械学習アプローチでは、当面の利益や損失などの特定のラベルが状態に割り当てられると指摘しています。ただし、取引が一時的に予想に反した場合、誤ったラベルが表示される可能性があります。マシンは、最初に損失が発生した場合でも、取引を終了する前に取引が平均線に戻るまで待つという信念を持ち、いつ取引を継続するかを理解する必要があります。
取引の損益のすべてのステップにラベルを付けるという困難に対処するために、Starke 博士は強化学習に遡及ラベルを導入しました。従来の機械学習では、取引のすべてのステップにラベルを付けるため、最初に損失があったとしても、取引が将来的に利益を得る可能性があるかどうかを予測することが困難になります。遡及ラベル付けでは、ベルマン方程式を利用して、すぐに利益が得られない場合でも、各アクションと状態にゼロ以外の値を割り当てます。このアプローチにより、平均値への回帰と最終的な収益性の可能性が考慮されます。
満足感の遅延はトレーディングにおける重要な課題であり、スターク博士は強化学習がこのハードルを克服するのにどのように役立つかを説明します。ベルマン方程式は、即時報酬 (「r」) と累積報酬 (「q」) の両方を組み込んだアクションの報酬を計算するために使用されます。割引係数 (「ガンマ」) は、以前の結果と比較して将来の結果に与えられる重みを決定します。強化学習を活用することで、取引の意思決定は当面の報酬だけに基づくだけでなく、将来のより高い報酬の可能性も考慮に入れられます。このアプローチにより、純粋に貪欲な意思決定と比較して、より多くの情報に基づいた意思決定が可能になります。
深層強化学習は、金融市場が複雑であり、考慮すべき状態や影響が多数あるため、取引において特に役立ちます。 Starke 博士は、ディープ ニューラル ネットワークを使用して過去の経験に基づいてテーブルを近似し、巨大なテーブルが不要になることを強調しています。彼は、予測値を持つ入力を選択し、システムの既知の動作をテストすることの重要性を強調しています。取引の状態には、過去および現在の価格、テクニカル ガード データ、センチメントや衛星画像などの代替データ ソースなどが含まれます。状態を定義するための適切な報酬関数と入力を見つけることが重要です。ニューラル ネットワークによって近似されたテーブルが継続的に更新されるため、マシンは徐々に学習し、より適切な取引決定を行うことができます。
Starke 博士は、強化学習を使用してトレーニングの価格シリーズを構成する方法について説明します。価格シリーズを順番に実行する代わりに、異なる時点でランダムにエントリーおよびエグジットすることができます。方法の選択は、ユーザーの特定の要件と好みによって異なります。また、報酬関数の設計という課題についても掘り下げ、純粋なパーセンテージ損益計算書(P&L)、ティックあたりの利益、シャープレシオ、長期にわたるドローダウンや過剰な取引期間を避けるためのさまざまな種類のペナルティの使用などの例を示しています。
入力に関して、スターク博士は、始値、高値、安値、終値、出来高の値、ローソク足パターン、相対強さ指数などのテクニカル指標、およびさまざまな時間関連要素を含む複数のオプションを提案しています。入力には、他の金融商品の価格やテクニカル指標、センチメント分析や衛星画像などの代替データソースも含めることができます。これらの入力は、コンピューター ゲームが入力機能を利用して意思決定を行うのと同様に、複雑な状態を構築するために結合されます。自分の取引スタイルに合った適切な報酬関数を見つけることは、それに応じてシステムを最適化できるため、非常に重要です。
テストフェーズは、トレーディングにおける強化学習にとって不可欠なステップです。 Starke 博士は、きれいな正弦波、トレンド曲線、構造のないランダム化された系列、さまざまな種類の次数相関、きれいなテスト曲線のノイズ、繰り返しパターンなど、彼が実施する一連のテストについて説明します。これらのテストは、マシンが一貫して利益を生み出しているかどうかを評価し、コーディングの欠陥を特定するのに役立ちます。また、標準ネットワーク、畳み込みネットワーク、長短期記憶 (LSTM) ネットワークなど、さまざまなタイプのニューラル ネットワークの使用についても説明します。スターク博士は、彼のニーズを十分に満たし、過度の計算量を必要としない、より単純なニューラル ネットワークを好みます。
Starke 博士は、信号とノイズの区別や極小値の問題など、強化学習を使用した取引の課題を認識しています。強化学習は、ノイズの多い金融時系列や、ルールや市場体制の変化を特徴とする動的な金融システムと格闘します。ただし、単純な移動平均を使用して価格曲線を平滑化すると、強化学習マシンのパフォーマンスが大幅に向上する可能性があることを実証しました。この洞察は、収益性の高い取引決定を行うことができる成功した機械学習システムを構築するためのガイダンスを提供します。
聴衆の質問に関して、シュタルケ博士はさらなる洞察を提供します。彼は、ベルマン方程式は先読みバイアスの導入を回避し、テクニカル指標は慎重な分析の後に入力として使用できることを確認しています。同氏は、衛星画像が株価の予測に役立つ可能性があると示唆している。時間枠に関しては、ニューラル ネットワークの計算時間に応じて、強化取引を小さな時間枠に適用できます。彼は、市場の異常に対する強化取引アルゴリズムの感度について議論し、強化学習を使用してランダムなデシジョン ツリーをトレーニングすることが無意味である理由を説明します。
ニューラル ネットワークの選択について尋ねられたとき、Starke 博士は、問題への適合性から、ディシジョン ツリーやサポート ベクター マシンの代わりに、取引にニューラル ネットワークを使用することを推奨しています。最適なパフォーマンスを得るには、報酬関数に基づいて損失関数を調整することが不可欠です。同氏は、高頻度取引に強化学習を使用する試みがいくつか行われてきたことを認めているが、リアルタイム市場での応答性に欠ける遅いニューラルネットワークでは限界があった。シュタルケ博士は、トレーディングのキャリアを成功させるために市場の知識を獲得し、実際の取引を行い、そのプロセス全体を通じて幅広く学ぶことの重要性を強調しています。最後に、ニューラル ネットワークとオプション取引の組み合わせに関連する課題について説明します。
シュタルケ博士はまた、テクニカル指標のみに依存するのではなく、原商品を取引するための入力としてオプション データを使用することについても言及しています。彼は、ニューラル ネットワークを使用して売買するロット数を決定し、スリッページ モデルを構築してこれらの要素を報酬関数に統合することで、スプレッド、手数料、スリッページなどの要素をアルゴリズムに組み込むことについての洞察を提供します。同氏は、取引高を決定するためにニューラルネットワークを使用する場合には注意を勧告し、出力値を使用してポートフォリオの重みをそれに応じて調整することを提案しています。最後に、聴衆の質問と講演への参加に感謝の意を表し、LinkedIn を通じたさらなる参加と交流を呼びかけています。
プレゼンテーション中、シュタルケ博士は、強化学習によるトレーディング分野における継続的な学習と改善の重要性を強調しました。同氏は、ニューラルネットワークを常に更新し、新しいデータや市場状況に基づいてシステムを改良する必要性を強調しました。この反復プロセスにより、マシンは変化するダイナミクスに適応し、時間の経過とともに意思決定能力が強化されます。
Starke 博士は、モデル検証の概念とサンプル外テストの重要性についても説明しました。トレーニングされたモデルのパフォーマンスを目に見えないデータで評価し、モデルが適切に一般化され、特定の市場条件に過剰適合していないことを確認することが重要です。アウトオブサンプルテストは、システムの堅牢性を検証するのに役立ち、そのパフォーマンスのより現実的な評価を提供します。
さらに、強化学習との取引におけるデータ前処理と特徴エンジニアリングの課題にも触れました。適切な形式でデータを準備し、有益な特徴を選択することは、効果的な取引モデルを構築するための重要なステップです。 Starke 博士は、ニューラル ネットワークの入力データを最適化するために、正規化、スケーリング、特徴選択などのさまざまな手法を検討することを提案しました。
さらに、シュタルケ博士は、強化学習の限界と、市場の異常事態や極端な現象に対する強化学習の脆弱性を認めました。強化学習は貴重な洞察を提供し、収益性の高い戦略を生み出すことができますが、注意を払い、取引に伴う固有のリスクを理解することが重要です。リスク管理と分散戦略は、潜在的な損失を軽減し、長期的な成功を確実にする上で重要な役割を果たします。
結論として、Starke 博士のプレゼンテーションは、トレーディングにおける強化学習の応用の包括的な概要を提供しました。彼は、情報に基づいた取引の意思決定を行うための深層強化学習アルゴリズムの使用に関連する主要な概念、課題、ベスト プラクティスについて説明しました。ニューラル ネットワークの力と強化学習の原理を活用することで、トレーダーは戦略を強化し、動的で複雑な金融市場でより優れたパフォーマンスを達成できる可能性があります。
EPAT スニーク ピーク レクチャー - 取引戦略を最適化するには? - 2020年2月27日
EPAT スニーク ピーク レクチャー - 取引戦略を最適化するには? - 2020年2月27日
ビデオでは、講演者がコンテンツ C の背景情報を提供し、取引と銀行業務での経験を紹介することから始まります。彼らは、システマティック取引、クオンツ取引、アルゴリズム取引、高頻度取引など、取引におけるさまざまな方法論について議論します。このビデオの主な焦点は、定量化可能な方法で取引戦略を開発および最適化するための洞察を提供し、裁量取引アプローチと定量取引アプローチを比較することです。
講演者は、トレードにおけるアウトパフォーマンスとヒット率の重要性を強調しています。彼らは、95% の確率で少なくとも 50% の銘柄でアウトパフォームを達成するには、トレーダーは一定回数予測を正さなければなりませんが、その回数は追跡および取引される資産の数に応じて増加すると説明しています。この点では、より多くの銘柄を追跡できるシステマティック取引の方が裁量取引よりも有利です。ただし、裁量取引では、追跡する銘柄数が少なくなるため、より深い独自の洞察が得られます。講演者は、ベンチマークを上回る投資マネージャーのパフォーマンスは、的中率とベット数の平方根に正比例するという投資管理の基本法則を紹介します。
テクニカルトレーダー、ファンダメンタルズトレーダー、クオンツトレーダーなど、さまざまなタイプのトレーダーは、さまざまな方法でリスクとリターンを捉えます。講演者は、これらの取引アプローチのほとんどすべてをルールとして表現することができ、体系的な取引が可能になると説明します。取引戦略は、市場の局面に関係なく、いつ購入、売却、または保持するかを決定する一連の数学的なルールとして定義されます。取引戦略の目標は、受信データに基づいてシグナル関数を生成し、それを原資産の目標ポジションに変換することです。取引は市場のランダム性と確率的な性質により複雑ですが、ルールベースの戦略はリスク管理に役立ちます。
講演者は、トレーディング戦略の設計と実装に関わる機能を詳しく掘り下げます。彼らは、実際の市場での実現利益は自分ではコントロールできず、変えることはできないと強調しています。したがって、戦略を改善するにはパラメータを変更することで、いくつかの制約を与えて Pi の関数を最適化することが不可欠です。講演者は、構想、仮説テスト、ルール変換、バックテスト、リスク推定、展開、展開後に次の戦略を模索することの重要性など、戦略開発の段階について概説します。
アルファ、ベータ、イプシロンなどの要素を考慮して、トレーディング戦略における投資収益率の方程式が説明されています。講演者はまた、戦略におけるリスクとパネルについても議論し、特異なリスクがどのように分散され、期待されるリターンの一部ではないのかについて説明します。ベータとアルファの概念が導入され、市場要因へのエクスポージャーと、バリューやモメンタムなどの購入要因によるさらなる多様化の可能性に対して、パッシブで広範囲に基づくインデックスが提案されています。アルファの作成は、慎重な選択やタイミングが必要な難しいタスクとして認識されています。
講演者は、トレーディング戦略におけるアルファと市場タイミングの重要性を強調します。彼らは、効果的な戦略には一定のアルファを捉え、市場要因の変化を予測する必要があると説明しています。この能力が欠けている場合、パッシブ投資が唯一の実行可能な選択肢になります。講演者は、バックテストに進む前に、着想と注意深く観察しながらシンプルな取引戦略の開発を始めることをアドバイスしています。最初の洞察を得るには、日次価格を使用して潜在的なアイデアを深く掘り下げることをお勧めします。
コーディングとデータ分析技術を使用して取引戦略を最適化する方法についてのデモンストレーションが提供されます。この例では、Microsoft、Apple、Google の株式を使用して取引シグナルを計算し、始値と今日の終値に基づいてその後の値下がりを概算します。グラフをプロットすることで探索的分析を行い、価格変動の違いを視覚化します。ボラティリティ、価格、ボラティリティの割合などの要素を考慮して、さまざまな株式間で X の値を比較できるようにするためのデータ標準化について説明します。講演者は、インド市場の大型株依存株とS&P上位20指数におけるギャップアップとギャップダウンに関連する統計現象を強調し、これが始値レンジと終値バーの定義につながると説明した。
次に講演者は、トレーディングでのキャリアを追求することに興味のあるトレーダーや個人にとっての EPAT (アルゴリズム取引エグゼクティブ プログラム) プログラムの利点について議論します。 EPATプログラムはトレーディングに焦点を当てた実践的なプログラムであり、トレーダーを目指す人や証券会社のトレーディングデスクで働く人に適していると彼らは強調している。このプログラムは、取引戦略、リスク管理テクニック、アルゴリズム取引の実践的な側面について包括的に理解を提供します。
理論的な側面に重点を置いたプログラムとは対照的に、EPAT プログラムは、現実世界の取引シナリオに直接適用できる実践的な知識を提供します。講演者は、リスククオンツを目指す人たちに、理論的概念をさらに深く掘り下げる他のプログラムを検討するよう勧めています。
トレーディングに不可欠な統計のトピックについて尋ねられたとき、講演者は、トレーディングにおける統計の適用に関する洞察を得るために、大学レベルの統計の本を参照することを勧めています。また、クオンツ ファイナンスのブログや Twitter アカウントをフォローして、貴重な学習教材にアクセスし、この分野の最新のトレンドや開発状況を常に最新の状態に保つことも推奨しています。
戦略開発に関して、講演者はトレーディングのアイデアをコードに変換するために統計と定量化の観点から考えることの重要性を強調しました。 EPAT プログラムは、優れた収益性の高い取引戦略を定義するために必要なスキルをトレーダーに提供します。彼らは戦略開発に力を入れる必要性を強調し、アルゴ取引で安定した利益を上げるには献身と忍耐が必要であることを認めています。
講演者は聴衆からの特定の質問に答え、コード内のローカル安値と高値の定義、オプション取引用のコードの入手と使用、サンプル コードの検索などのトピックに関するガイダンスを提供します。コードサンプルは GitHub で見つけることができると述べ、EPAT プログラムには取引戦略のコンポーネントが含まれていることを明らかにしていますが、ポジションサイジングがカバーされているかどうかは不明です。
次に、講演者は、鉄のコンドルのような単純なオプション戦略におけるアルゴ取引の応用について説明します。彼らは、約定タイミングが重要な役割を果たす高頻度取引における約定速度の重要性を強調しています。しかし、中長期的な戦略では、スピードよりもアルファソースが重要です。アルゴ取引は、潜在的な取引を見逃さないように、さまざまな株式の複数のオプションを監視する場合に特に役立ちます。
講演者は、トレーディング戦略における代替データの使用についての見解を共有します。彼らはその有効性について複雑な感情を表し、一部の代替データには価値があるものの、すべてのデータ ソースが有用な洞察をもたらすわけではないと指摘しています。トレーディング戦略に異常値を組み込むかどうかの決定は、特定のトレーディングと採用されている戦略のリスク プロファイルによって異なります。
変化する市場状況に基づいて自らを最適化する機能を備えた適応戦略についても説明します。講演者は、適応戦略を作成するためのさまざまなテクニックに焦点を当て、取引パフォーマンスと適応性を向上させる可能性を強調します。
結論として、講演者は、さまざまな種類のチャートに基づいて取引戦略を構築することは可能ですが、確実に成功するには特定のルールを設けることが不可欠であると繰り返し述べています。彼らは、市場には「フリーランチ」など存在しないと警告し、取引の決定には規律正しく体系的なアプローチの重要性を強調している。
このビデオの最後には、EPAT プログラムやキャリアやビジネスに対する潜在的なメリットについて追加の質問があれば視聴者に尋ねるよう呼びかけています。興味のある方は、提供されているフォーラムやその他のコミュニケーション チャネルを通じて、プログラム カウンセラーに連絡して、入学の詳細や料金の柔軟性について問い合わせることをお勧めします。