プレゼンテーションは、TradeTT サイトの無料デモ口座を介した ADL プラットフォームへのアクセスに関するディスカッションに進み、即時にアクセスしてプラットフォームの機能を探索する機会を提供します。 ADLは主要な取引所と同じ場所に設置されており、ユーザーがさまざまな取引を試すためのgen-popサーバーなど、さまざまな場所の施設に配置されたサーバーのプールを提供していることが強調されています。講演者は Web サービスと API にも触れ、TT REST API のリリースと外国為替取引のための ADL プラットフォームの有用性について言及します。
Thursday 26th October 20177:30 PM IST | 10:00 AM EST | 10:00 PM SGTLearn how to build, deploy, and launch basic algo using ADLThe webinar covers:- What is AD...
00:20:00 Eric Hamer は、問題ステートメントの指定と機械学習の問題のタイプの特定から始めて、機械学習のプロセスについて説明します。 Hamer 氏は、機械学習ではすべてが数値である必要があり、データセットは通常、モデルのトレーニングと評価のためにそれぞれトレーニング データとテスト データに分割されると説明します。 Hamer 氏はまた、例を使用して、Quantiacs Python API を使用してミニ S&P 500 先物契約の予測を行い、Keras ニューラル ネットワーク API を使用して結果を表示する方法を説明しています。
00:25:00 Eric Hamer が、将来の株価を予測するために作成した機械学習モデルの限界について説明します。このモデルは一見すると価格を正確に予測しているように見えますが、詳しく調べてみると、実際には今日のデータを明日のデータの代用として使用しているだけであることがわかります。同じアルゴリズムが生データの戻り値に適用されると、モデルの予測は同じ形状に従いますが、真の値と同じ大きさではありません。ハマー氏はその後、取引データに適用した場合のモデルのパフォーマンスの悪さを実証し、潜在的な改善策について議論します。また、取引システム機能で使用されるソース コードの概要も説明します。
00:30:00 Eric Hamer が、S&P 500 先物のリターンを予測するための逐次 Keras モデルを作成する方法を示します。モデルは最低限のモデルから始まり、特定のレイヤーを追加します。次に、エリックは、実際の価格データであるトレーニング データを使用してモデルをトレーニングします。Y 値は、予測したい収益データです。モデルがトレーニングされると、エリックは設定からモデルを取り出し、それを使用して最新のデータに基づいて収益がどのようになるかを予測できるようになります。エリックの単純な S&P 500 ミニ モデルはうまく機能しませんが、勾配降下法やブースティングなどの適切なテクニックと最適化を使用すれば問題がどのように解決できるかを説明しています。
00:35:00 Eric Hamer が、量的金融に適用される機械学習アルゴリズムの有効性を高めるために使用できるいくつかの手法について説明します。たとえば、ブートストラップ集計手法などです。これには、データのさまざまな分割バージョンに対してアルゴリズムを実行することが含まれます。そこから何が学べるかを見るために。同氏は、戦略をシンプルに保ち、コンセンサスに達するために複数の予測を使用すること、また、過学習、データのクリーニング、欠損データや確率変数の考慮に注意することをアドバイスしています。全体として、同氏は機械学習と人工知能が金融市場を予測する上で重要なツールであり続けると信じている。
00:40:00講演者は、機械学習に関する専用セッションを提供する EpAT コースと ConTA コースを紹介します。 EpAT は、アルゴまたはクオンツ トレーディングの分野で成長を目指す専門家向けに設計されており、ConTA は、Python による機械学習を使用した回帰手法の実装についてのマイペース コースを提供しています。講演者は、機械学習に R と Python のどちらを選択するか、および代替データセットをテストする際の過剰適合を回避する方法についての質問にも答えます。講演者は、過学習を避けるために、トレーニング データとテスト データの両方でモデルをトレーニングし、2 つの誤差の差を調べることを推奨しています。
00:45:00 Eric Hamer は、アルゴ取引のための機械学習における過学習の落とし穴について議論し、ブートストラップ集計またはバギング手法を使用して、データセットをより小さなサブセットに分割して精度をテストすることを提案しています。同氏はまた、財務データにはノイズや変動があるため、精度が 50% を超えるものは良好であるとみなされる可能性があるとも指摘しています。
00:50:00 Eric Hamer は、取引戦略を自動化するためにテクノロジーを理解することの重要性を強調します。彼は、アルゴリズムトレーダーとして成功するために必要なさまざまなスキルを人々に訓練できる教育プログラムの必要性について言及しています。
Join Eric Hamer in this engaging YouTube video as he introduces you to the fascinating world of quantitative finance and its application in machine learning ...
定量的研究者であり Python 開発者である Brian Christopher は、従来の時系列分析の限界について包括的なプレゼンテーションを行い、リターンの予測と市場体制の特定のための有望な代替手段として、混合モデル、特に隠れマルコフ モデル (HMM) を紹介します。同氏は、財務予測に不可欠な非定常データと近似非線形分布を処理できるモデルの必要性を強調しています。
Christopher は、混合モデル、特に HMM を使用して、資産の最も可能性の高いレジームと、各レジームの関連する平均値および分散を推定する方法を検討しています。彼は、クラス パラメーターの計算と尤度データの評価を交互に行う計算プロセスについて説明します。よく知られた混合モデルであるガウス混合モデル (GMM) は、各領域がガウス分布に従うことを前提としています。 Christopher は、期待値最大化アルゴリズムを使用して、収束するまでの確率とレジーム パラメーターを計算する方法を示します。これを説明するために、彼はスパイ ETF の低ボラティリティ、中立、および高ボラティリティの体制を分類する例を示しています。
スピーカーは、混合モデル戦略の有効性を評価するために、出力されたデータを整理および分析する方法を説明します。さまざまなスライスおよびグループ化手法を使用して、メトリックと平均を評価できます。ジョンソン su 分布は、リターン系列の変動するボラティリティに適応するために使用され、正規分布と比較されます。クリストファーは、正規分布の精度は低く、単純に市場を維持する方が有益である可能性があると示唆しています。ただし、彼は個人に対して GitHub 上のデータを探索することを奨励し、質問があれば答えたり、ウェビナーに参加したりすることを申し出ています。
00:35:00講演者は、混合モデル戦略の有効性を判断するために、出力されたデータを整理および分析する方法について説明します。データはさまざまな方法でスライスおよびグループ化して、メトリクスと平均を評価できます。ジョンソン su 分布は、リターン系列の変動するボラティリティに適応するために使用され、正規分布と比較されます。講演者は、正規分布の精度が悪いため、市場を維持したほうがよいのではないかと示唆しています。ただし、講演者は github 上のデータの探索を奨励しており、あらゆる質問に答えたり、ウェビナーに参加したりするつもりです。
Date and Time:Tuesday, April 25th, 20178:00 PM IST | 09:30 AM CST | 8:30 AM MST This session explains and illustrated the use of Mixture Models with a sample...
Date and Time: Tuesday, March 7, 2017 (9:30 PM IST | 8:00 AM PST)Volatility is a cornerstone concept in options trading, and all traders have a theory of how...
Date and Time:Tuesday, February 21, 20177:00 PM IST | 9:30 PM SGT | 10:30 AM ARTSpeakers:- Deepak Shenoy (Founder and CEO, Capitalmind)- Maxime Fages (Found...
アルゴリズム取引プラットフォームと戦略の種類に基づくその選択について講演者が説明します。低頻度取引戦略の場合、ブローカーは多くの場合、さまざまなプログラミング言語の API コードを使用して自動取引を可能にする無料の Web ベースのプラットフォームを提供します。遅延に対する感度を高めるために、月額数百ドルのコストで展開可能なプラットフォームを使用できます。講演者はまた、使用するインフラストラクチャの種類は戦略によって異なり、高頻度のデータと分析にはトップクラスのパフォーマンスのサーバーが必要であることも強調しました。
講演者は、コーディング戦略、再利用可能なコードの提供、Python と R を学習する必要性について話し合います。また、戦略の検証、潜在的な ROI、およびある程度の数のトレーダーに必要なインフラストラクチャに関する質問にも答えます。講演者らは戦略を他人と共有することに警告し、ベストプラクティスを学び、独自の取引戦略のアイデアを開発することに集中することを提案しています。
最後に、講演者は出席者に感謝の意を表し、さらなる支援を申し出ます。時間の都合上、すべての質問に答えることはできませんでしたが、講演者は聴衆に質問を送るよう促し、Quant Institute チームの連絡先情報を提供しました。彼らはアルゴリズム取引への関心に感謝の意を表し、この分野での継続的な学習と実践の重要性を強調しています。
00:00:00スピーカーはアルゴリズム取引に関する有益なセッションを紹介し、視聴者を歓迎します。彼らは、アルゴリズム取引の分野に対する関心の高まりと、それが長年にわたって与えてきた影響に感謝の意を表します。講演者は、セッションで講演する IH および Quant Institute の共同創設者である Nitesh を紹介します。 Nitesh は金融市場で豊富な経験を持ち、初心者向けにアルゴリズム取引、トレンド、機会の概要を提供します。講演者はまた、アルゴリズム取引の人気の高まりと、今後 5 年間で世界中で 10% 以上の CAGR が予想される成長率を実証する最近のニュース記事にも焦点を当てています。
00:25:00講演者は、アルゴリズム取引プラットフォームと、使用されている戦略の種類に基づいてプラットフォームを選択する方法について説明します。低頻度取引戦略の場合、ブローカーは多くの場合、さまざまなプログラミング言語の API コードを使用して自動取引を可能にする無料の Web ベースのプラットフォームを提供します。遅延に対する感度が高い場合は、展開可能なプラットフォームを月額数百ドルで使用できます。講演者はまた、使用されるインフラストラクチャの種類は展開される戦略の種類によって異なり、高頻度のデータと分析にはトップクラスのパフォーマンスを備えたサーバーが必要であることにも言及しました。
01:30:00講演者は、コーディング戦略、再利用可能なコードの提供、Python と R を学習する必要性について話し合います。また、戦略の検証、潜在的な ROI、およびある程度の数のトレーダーに必要なインフラストラクチャに関する質問にも答えます。講演者は、自分の戦略を他の人に共有しないように警告し、ベストプラクティスを学び、独自の取引戦略のアイデアを考えることに集中することを提案します。
Know everything you wanted to know about Algorithmic Trading from the stalwart market practitioner Nitesh Khandelwal, Founder of iRage.Most Useful linksJoin ...
Tuesday, July 19, 201606:00 PM IST | 08:30 PM SGT | 12:30 PM GMTIntroduction: Recent global event such as Brexit and the subsequent volatility in the currenc...
This session focuses on explaining Quantitative Trading using Sentiment Analysis. The video discusses how quantitative analysis of news can be used to make a...
Date and Time:Tuesday, May 24, 201606:00 PM IST | 08:30 PM SGT | 12:30 PM GMTSession Contents:An overview of the Algorithmic Trading industry- Current market...
取引戦略開発会社の CEO 兼共同創設者が、アルゴ取引における AI と機械学習の素晴らしい可能性について説明します。これらのツールは大規模なクオンツ ヘッジ ファンドによって成功していることが証明されており、オープンソース ライブラリと、高度な数学やコンピューター サイエンスの知識を必要としないユーザーフレンドリーなツールのおかげで、そのアクセシビリティは大幅に向上しました。講演者は、アルゴリズム取引の文脈における AI と機械学習に関連する重要な用語も紹介します。人工知能は、環境を認識し、成功を最大化するために行動を起こす知的エージェントの研究として定義されます。 AI のサブセットである機械学習は、明示的なプログラミングを行わずに学習して予測できるアルゴリズムに焦点を当てています。機械学習の一分野であるパターン認識には、データ内のパターンを明らかにすることが含まれますが、相関規則学習には、それらのパターンに基づいて if-then ステートメントを作成することが含まれます。講演者は、ボリューム、速度、多様性、真実性という 4 つの V によって特徴付けられるビッグ データの概念について簡単に言及します。
プレゼンテーション中、講演者は自社のプラットフォームと Quanto Pian や Quanto Connect などの他社のプラットフォームとの比較に関する質問に答え、自社のプラットフォームが既存の戦略の自動化ではなく、戦略の発見と分析に重点を置いていることを強調しました。自動化戦略におけるテクニカル データの重要性は認識されていますが、そのプラットフォームには感情指標などの他のデータセットが含まれていることにも注目しています。 MetaTrader 4 が便利なツールとして実証され、トレーディングにおけるリスクと資金の管理戦略の重要性が議論されます。講演者は、自動取引戦略におけるベスト プラクティスとよくある落とし穴についても説明します。
講演者は、バリュー投資における機械学習の応用について探ります。アルゴリズム取引について前述したのと同じプロセスをバリュー投資にも適用できますが、テクニカル指標の代わりに、企業の固有の価値を定量化するデータセットが使用されます。たとえば、時価総額や株価収益率によって、これらのデータと資産の価格変動との関係が明らかになります。取引ごとの収益の最適化と、アルゴリズムが市場と同期していない時期の特定についても説明します。コーディングの経験と背景に応じて、Python と R が適切なプログラミング言語として推奨されます。
00:00:00トレーディング戦略開発会社の CEO 兼共同創設者が、AI と機械学習がアルゴトレーディングにとってエキサイティングなツールである理由と、それらが大手クオンツ ヘッジ ファンドによってどのように成功していることが証明されているかについて説明します。また、数学やコンピューター サイエンスの高度な知識を必要としないオープンソース ライブラリやツールのおかげで、これらのツールのアクセシビリティが大幅に向上したことも強調しています。このセクションでは、トレーダーやクオンツがこれらのテクニックを適用するための基本的な用語とベスト プラクティス、および取引結果を向上させるための特定のアプリケーションについても説明します。
00:05:00講演者は、アルゴリズム取引に関連する人工知能と機械学習に関連する重要な用語の定義を提供します。人工知能は、環境を認識し、成功の可能性を最大化するために行動を起こす知的エージェントの研究として定義されます。 AI のサブセットである機械学習は、明示的なプログラミングを行わずに学習して予測できるアルゴリズムに焦点を当てています。パターン認識は、データ内のパターンを明らかにすることに重点を置いた機械学習の分野であり、相関ルール学習には、それらのパターンを if-then ステートメントにフォーマットすることが含まれます。最後に、講演者はビッグデータについて簡単に触れ、ビッグデータは量、速度、多様性、真実性の 4 つの V に従っていると述べました。
00:55:00講演者は、自社のプラットフォームが既存の戦略の自動化に重点を置いているのに対し、Quanto Pian や Quanto Connect などの他のプラットフォームと比較してどうなるかという質問に答えます。一方、自社のプラットフォームは戦略の発見と分析に重点を置いています。彼らはまた、自動化された戦略におけるテクニカルデータの重要性についても議論しましたが、彼らのプラットフォームには感情指標などの他のデータセットも含まれていることを強調しました。さらに、講演者は MetaTrader 4 の使用法をデモンストレーションし、取引におけるリスクと資金管理戦略の重要性について議論しました。最後に、講演者は自動取引戦略におけるベストプラクティスとよくある落とし穴について説明しました。
In this session on "Leveraging Artificial Intelligence to Build Algorithmic Trading Strategies", our guest speaker, Mr Tad Slaff, CEO of Inovance covered the...
Trading Technologies の ADL® を使用して独自のアルゴを構築する
Trading Technologies の ADL® を使用して独自のアルゴを構築する
Trading Technologies の自動取引ツールのプロダクト マネージャーである Andrew Reynolds 氏は、取引アルゴリズムの開発プロセスを簡素化する画期的なソリューションとして ADL (Algo Design Lab) を紹介します。 ADL が登場する前は、独自のアルゴリズムの作成に興味のあるトレーダーはコーディングを学ぶ必要がありましたが、それには時間がかかり、開発サイクルも長くかかりました。ただし、ADL は、トレーダーがコードを 1 行も記述することなくアルゴリズムを設計および展開できる直感的なグラフィカル ツールを提供することで、プロセスに革命をもたらします。これにより、技術的能力の面で参入障壁が大幅に下がり、トレーダーは市場機会を迅速に活用できるようになります。 ADL は、設計されたアルゴリズムを、同じ場所に配置された高性能サーバー上で実行される十分にテストされたコードに変換することにより、最適なパフォーマンスを保証します。
レイノルズ氏は、ADL の主要な特徴と機能について説明します。 ADL キャンバスはワークスペースとして機能し、さまざまな取引概念と操作を表す幅広いブロックで構成されます。トレーダーはこれらのブロックを簡単にドラッグ アンド ドロップしてアルゴリズムを作成でき、各ブロックには特定のプロパティがあり、他のブロックに接続して目的のロジックを定義できます。グループ ブロックを使用すると、特定のロジックをカプセル化して、将来の再利用のためにライブラリ ブロックとして保存できます。整理を強化するために、ブックマークを追加したり、ブロックやセクションをすばやく移動するための検索メカニズムを利用したりできます。 ADL には、潜在的なブロック接続を検出する予測技術が組み込まれており、開発プロセスをさらに迅速化します。
プレゼンテーションが続くにつれて、インストラクターは ADL を使用したアルゴリズムの作成を段階的に実演します。このプラットフォームは、効率的な開発を支援するリアルタイムのフィードバックとユーザーフレンドリーな機能を提供します。インストラクターは、アルゴリズムへの入口側ロジックの追加、続いて出口側ロジックの組み込み、最後に入口側ロジックと出口側ロジックの両方を備えたアルゴリズムの作成を紹介します。アルゴリズムの望ましい機能を定義するために、注文ブロック、メッセージ情報エクストラクター、フィールド ブロック、アラート ブロックなどのさまざまなブロックが利用されます。デモンストレーション全体を通じて、インストラクターはジャンプ ブロックによって提供される読みやすさとカスタマイズ オプションを強調し、トレーダーが好みに応じてアルゴリズムを調整できるようにします。
次に、インストラクターは、既存の注文にアルゴリズム ロジックを適用できる注文管理アルゴ (OMA) を紹介し、必要に応じて価格、数量、ストップ価格、開示数量を柔軟に操作できます。彼らは、注文が約定されるまで価格を段階的に増加させる入札ドリフター戦略をどのように実装できるかを説明しています。インストラクターは、ADL が意図しないアクションや無限ループを防止し、ユーザーの安全と期待される動作を確保するように設計されていることを強調します。さらに、ADL には、トレーダーが事前定義された損失しきい値を設定できる損益リスク ブロック機能が組み込まれており、損失が指定金額を超えた場合にアルゴリズムが自動的に停止されます。
発表者は、ADL を使用したアルゴリズムの起動と監視について説明します。アルゴリズムの起動は、フロントエンド Auto Trader アルゴ ダッシュボード、オーダーブック、または MD Trader 内のさまざまなウィジェットから開始できます。 MD Trader ラダーから直接ワンクリックで起動できる機能が強調されており、トレーダーは商品を選択し、アルゴ パラメーターを簡単に変更できます。 ADL は、商品に基づいてコロケーション施設を選択する機能も提供し、トレーダーはアルゴリズムの進行状況をフロントエンドから直接監視できます。さらに、このプラットフォームは、アルゴリズムの起動時に各商品に異なるアカウントを指定することをサポートし、柔軟性とアカウント管理オプションを強化します。
発表者らは、Trading Technologies の Web サイトには、ADL 関連のトピックについて議論するためのサポート フォーラムなど、ADL についてさらに学ぶためのリソースが用意されていると強調しています。これらは、分析ブロックの今後の追加について視聴者に通知し、履歴データの抽出と ADL 内での組み込みの調査の実行を可能にします。ユーザーは、アルゴリズム内で履歴データを直接使用してカスタム研究を構築できます。発表者は、Trading Technologies がブローカー中立であり、プラットフォームをサポートする任意のブローカーに接続できることを強調しています。価格の詳細についても言及されており、スタッカー出力アルゴリズムのタイプが一般的な使用例として特定されています。
講演者は、ADL を使用してアルゴリズムを作成することの多用途性を詳しく掘り下げ、各トレーダーがアルゴリズム取引に独自の「秘密のソース」をもたらすことができることを強調しました。彼らは、人気のあるアルゴリズム戦略に関する追加情報や洞察を得る優れたリソースとして、Trading Technologies コミュニティ フォーラムを推奨しています。トレーダーが複数の取引を同時にモデル化できるようにする、自動トレーダーによるシングルクリック起動の利点について説明します。また、モバイルアプリで ADL ダッシュボードが利用可能になり、トレーダーがアルゴリズムをリモートで一時停止および再開できるようになることにも言及しています。
プレゼンテーションは、TradeTT サイトの無料デモ口座を介した ADL プラットフォームへのアクセスに関するディスカッションに進み、即時にアクセスしてプラットフォームの機能を探索する機会を提供します。 ADLは主要な取引所と同じ場所に設置されており、ユーザーがさまざまな取引を試すためのgen-popサーバーなど、さまざまな場所の施設に配置されたサーバーのプールを提供していることが強調されています。講演者は Web サービスと API にも触れ、TT REST API のリリースと外国為替取引のための ADL プラットフォームの有用性について言及します。
外国為替取引オプションに関して、講演者は、外国為替取引所に直接接続する当面の計画はないが、CME で外国為替機能が利用可能であり、NYSE がスポット外国為替契約を提供していることを明らかにしました。これらは、製品の機能強化を追跡して対処するフォーラムへの参加を視聴者に奨励します。結論には、バック プログラムのプレビューと、ウェビナー セッションを終了する前に参加者にアンケート フォームに記入するよう求めるメッセージが含まれています。
定量的ファイナンス |機械学習の概要 |量子論 |エリック・ハマー著
定量的ファイナンス |機械学習の概要 |量子論 |エリック・ハマー著
クオンティアックスの CTO であるエリック・ハマー氏は、ヘッジファンド業界の民主化を目的としたクオンティアックスとクアンティンスティの提携について紹介します。このコラボレーションでは、Quantiacs のオープンソース ツールとデータを使用して学生に実践的なスキルを身に付けるトレーニング セッションを提供します。クオンティアックスは、アルゴリズムを開発するクオンツ・アナリストと資本を結びつけるクラウドソーシングのヘッジファンドとして機能し、クアンティンスティはアルゴリズム取引のコースを提供している。ハマー氏は、参加するクオンツはクオンティアックスのコンテストに参加でき、そこで投資資金と利益の分け前を獲得する機会があることを強調している。
Hamer 氏は、Quantiacs がどのようにしてプログラマーのアルゴリズムを資本市場に結び付け、戦略が成功した場合にクオンツと Quantiacs の両方に利益をもたらすかを詳しく掘り下げています。 Quantiacs は、MATLAB および Python 用のダウンロード可能なデスクトップ ツールキット、サンプル取引戦略、および 1990 年に遡る無料の終日先物データを提供することにより、定量的取引の促進に努めています。また、クライアントのアルゴリズムの改善を支援するマクロ経済指標も組み込んでいます。さらに、Quantiacs は、ユーザーが無料でアルゴリズムを送信して評価できるオンライン プラットフォームを提供します。現在、先物に重点を置いているクアンティアックスは、将来的には株式市場にも同等のデータを提供できる可能性を目指しています。
講演者は、Quantiacs プラットフォームの取引戦略の 2 つの主な機能、つまりコスト関数と取引システムについて説明します。コスト関数は、特定の日の高値と安値の差の 5% を利用して、取引コストと手数料を計算します。一方、取引システムでは、ユーザーが価格情報を要求し、ポートフォリオの配分を決定する重みベクトルまたは行列を提供することができます。 Quantiacs はグローバル変数の使用を推奨せず、必要な状態情報を維持するための設定パラメーターを提供します。 Hamer 氏は、年間 2.5% の利益をもたらしたシンプルなトレーディング戦略の例を示しています。この戦略の出力には、株式曲線、ロングポジションとショートポジションのパフォーマンス、および個々の先物のパフォーマンスが含まれます。クオンティアックスは、良好なパフォーマンス、低いボラティリティ、リスク調整後のリターンを測定するシャープ レシオに基づいて戦略を評価します。
機械学習の概念と量的金融におけるその応用は、Hamer によって紹介されています。彼は、アメリカの証券取引所における取引のかなりの部分、約 85% から 90% がコンピューターで生成されたものであることを強調しました。回帰、分類、クラスタリングなどの機械学習手法は、この分野でますます普及してきています。 Hamer 氏は、機械学習に関連するいくつかの落とし穴について説明し、過剰な取引を行わずにリスク調整後の利益を最大化することの重要性を強調しています。ニューラル ネットワークは優れた結果をもたらしますが、実行時間が長くなる可能性があり、従来の CPU アーキテクチャは最適ではない可能性があります。ただし、高性能 GPU が利用できるため、実行時間が大幅に短縮されます。 Python や MATLAB などのオープンソース ライブラリは存在しますが、機械学習アルゴリズムのセットアップとトレーニングは、労力と労力を必要とする複雑なプロセスとなる場合があります。
Hamer は、問題ステートメントを指定し、機械学習の問題の種類を特定することから始めて、機械学習のプロセスを詳しく調べています。彼は機械学習における数値データの要件を説明し、モデルのトレーニングと評価のためのトレーニング セットとテスト セットへのデータの分割について説明します。 Hamer は、Quantiacs Python API を利用してミニ S&P 500 先物契約を予測し、Keras ニューラル ネットワーク API を使用して結果を表示する方法を示す例を提供しています。
将来の株価を予測するために作成された機械学習モデルの限界について、Hamer が議論しています。このモデルは最初は価格を正確に予測しているように見えますが、詳しく調べてみると、単に今日のデータを明日のデータの代用として使用しているだけであることがわかります。同じアルゴリズムを生データの戻り値に適用すると、モデルの予測は同様の形状に従いますが、真の値と同じ大きさではありません。ハマー氏は、取引データに適用した場合のモデルのパフォーマンスが低いことを実証し、改善の可能性を探ります。また、取引システム機能で使用されるソース コードの概要も説明します。
Hamer 氏は、S&P 500 先物のリターンを予測するための逐次 Keras モデルの作成を実証します。モデルは基本構造から始まり、特定のレイヤーが組み込まれます。 Hamer は、実際の価格データで構成されるトレーニング データを使用してモデルをトレーニングします。一方、y 値は予測される収益データを表します。トレーニングが完了すると、Hamer は設定からモデルを抽出し、それを使用して最新のデータに基づいて収益を予測できます。ハマー氏の単純な S&P 500 ミニ モデルのパフォーマンスは良好ではありませんが、勾配降下法やブースティングなどの適切なテクニックと最適化によって問題を解決できると説明しています。
量的金融における機械学習アルゴリズムの有効性を高めるための手法について、Hamer が説明しています。彼は、ブートストラップ集計手法を使用することを提案しています。これには、データの複数のサブセットに対してアルゴリズムを実行して洞察を得ることが含まれます。戦略をシンプルにし、コンセンサスに達するために複数の予測を利用し、過学習、データ クリーニング、欠損データと確率変数の処理に注意することも推奨されます。ハマー氏は、機械学習と人工知能が金融市場を予測するための重要なツールであり続けると信じています。
講演者は、機械学習に関する専用セッションを提供する EpAT コースと ConTA コースを紹介します。 EpAT はアルゴまたはクオンツ トレーディング分野での成長を求める専門家に対応し、ConTA は Python による機械学習を使用した回帰手法の実装についてのマイペース コースを提供します。 Hamer は、機械学習に R と Python のどちらを選択するかに関する質問に答え、代替データセットをテストする際の過剰適合を回避するためのアドバイスを提供します。彼は、過学習を防ぐために、トレーニング データとテスト データの両方でモデルをトレーニングし、2 つのセット間の誤差の違いを調べることを提案しています。
Hamer 氏は、アルゴ取引のための機械学習における過剰適合の危険性を強調し、ブートストラップ集計またはバギング手法を採用して、精度テストのためにデータセットをより小さなサブセットに分割することを提案しています。財務データにはノイズや変動があるため、50% を超える精度は良好であると考えられます。
最後に、Hamer 氏は、取引戦略を自動化するテクノロジーを理解することの重要性を強調します。同氏は、アルゴリズムトレーダーとして成功するために必要な多様なスキルのトレーニングを提供する教育プログラムの必要性を強調しています。
良好なパフォーマンス、低いボラティリティ、およびリスク調整後のリターンを測定するシャープ レシオに基づいています。
混合モデルを使用して市場の底値を予測できますか?ブライアン・クリストファー著 - 2017 年 4 月 25 日
混合モデルを使用して市場の底値を予測できますか?ブライアン・クリストファー著 - 2017 年 4 月 25 日
定量的研究者であり Python 開発者である Brian Christopher は、従来の時系列分析の限界について包括的なプレゼンテーションを行い、リターンの予測と市場体制の特定のための有望な代替手段として、混合モデル、特に隠れマルコフ モデル (HMM) を紹介します。同氏は、財務予測に不可欠な非定常データと近似非線形分布を処理できるモデルの必要性を強調しています。
Christopher は、混合モデル、特に HMM を使用して、資産の最も可能性の高いレジームと、各レジームの関連する平均値および分散を推定する方法を検討しています。彼は、クラス パラメーターの計算と尤度データの評価を交互に行う計算プロセスについて説明します。よく知られた混合モデルであるガウス混合モデル (GMM) は、各領域がガウス分布に従うことを前提としています。 Christopher は、期待値最大化アルゴリズムを使用して、収束するまでの確率とレジーム パラメーターを計算する方法を示します。これを説明するために、彼はスパイ ETF の低ボラティリティ、中立、および高ボラティリティの体制を分類する例を示しています。
次に、Christopher は、GMM が非定常および非線形のデータセットを処理し、従来の時系列分析の制限を克服する方法を詳しく掘り下げます。彼は、資産リターンと米国国債の 10 年から 3 か月のスプレッドを含む 4 つの要素を利用してシーケンスのリターンとパラメータを推定する、おもちゃの戦略を紹介します。 GMM は適合と予測に使用され、最後のレジーム ラベルの推定値を抽出して特定のレジームの平均と分散を決定します。正規分布を仮定する代わりに、データの非線形性を考慮する戦略の一部として、ジョンソン su 分布が利用されます。
講演者は、信頼区間外のリターンは外れ値であるという仮定に基づいて市場の底値を予測する戦略について説明します。 1,000 個のサンプルを通じて 99% 信頼区間を構築することにより、より低い信頼区間を下回るリターンは外れ値とみなされます。クリストファーは、指定された日数の間、ETF のロングのみまたは買いのポジションを想定して、外れ値イベント後のリターンを分析します。このモデルはボラティリティの変化に適応しており、全体的な精度は約 73% ですが、株式曲線はバイ アンド ホールド戦略ほどうまく機能しません。 Christopher 氏は、プレゼンテーションで使用されたデータセットは GitHub で入手できるため、聴衆が自分でデータを探索することを推奨しています。
クリストファーは、混合モデルを使用してさまざまな ETF の市場底値を予測する分析を共有しています。彼は、さまざまなルックバック期間と保有期間にわたる各ETFのリターン中央値の分布を調査しました。 SPY、Triple Q、および TLT はさまざまな次元で一貫して優れたパフォーマンスを示しますが、GLD、EFA、EEM はより対称的な分布を示します。また、合計比率 (0 を超えるイベントの合計収益を 0 未満の収益で割ったものを測定し、1 より大きい値を成功とみなします) も評価します。 SPY、Triple Q、TLT は、複数のディメンションおよびルックバック期間にわたって優れたパフォーマンスを示しています。しかし、クリストファー氏は、保有期間が長くなると市場全体の傾向により大きな影響を受ける可能性があると警告しています。
発表者は、混合モデルを使用して市場の底値を予測する、市場のさまざまな資産のパフォーマンスについて説明します。この研究では、SPY、Triple Q、TLT、GLD などの資産が、ステップ数やルックバック期間などの変数に応じて良好なパフォーマンスを示すことが明らかになりました。ただし、特定の資産のパフォーマンスは、保有期間が長くなると悪化します。この調査では、さまざまなコンポーネントにわたるリターンの中央値を評価し、EEM や Aoife などの資産の有望な結果を特定しています。適切なサンプリング分布の重要性が強調され、ジョンソン su 分布の使用が効果的であることが示されています。全体として、混合モデルを利用して市場の底値を予測する戦略は説得力があることが証明されています。
クリストファー氏は、GMM は SPY、トリプル Q、TLT などの資産で一貫して成功を示しているが、同等以上のパフォーマンスを発揮する代替戦略があると説明します。彼は、モデル ランナー クラスのコードと、GMM コンポーネントを実装するモデル実行コンビニエンス関数について簡単に説明します。同氏は、先読みバイアスを避けるためにモデルがウォークフォワード方式で実装されたことを強調しました。さらに、Christopher は使用したデータを GitHub で HDF5 形式で提供しています。
スピーカーは、混合モデル戦略の有効性を評価するために、出力されたデータを整理および分析する方法を説明します。さまざまなスライスおよびグループ化手法を使用して、メトリックと平均を評価できます。ジョンソン su 分布は、リターン系列の変動するボラティリティに適応するために使用され、正規分布と比較されます。クリストファーは、正規分布の精度は低く、単純に市場を維持する方が有益である可能性があると示唆しています。ただし、彼は個人に対して GitHub 上のデータを探索することを奨励し、質問があれば答えたり、ウェビナーに参加したりすることを申し出ています。
Q&A セッションでは、混合モデルを使用して市場の底値を予測することに関するウェビナーに関する聴衆の質問にクリストファーが答えます。彼は、ジョンソン分布の形状パラメータを粗いパラメータ検索によって決定し、その結果を広範囲に調査したわけではないことを明らかにしました。また、モデルに役立つ要素をどのように選択したかについても説明し、米国ベースの資産リターンの予測におけるモデルの成功を高めるために米国ベースの金利や債券指標を含めたことを強調しています。
クリストファーは、価格ではなく収益への GMM の適用、価格を使用する場合の規模の問題、複数の要因によるバイアス分散の問題、ルックバックとバックテストの類似性に関する追加の聴衆の質問に答えます。同氏は、より広範囲の資産にわたってより予測性の高い要因の組み合わせについて、さらなる調査と研究を行うことを提案しています。また、過剰適合を避けるために、GMM コンポーネントの数に自然な制限を設定することの重要性も強調しています。クリストファーは、さらに質問や詳細について質問するよう聴衆に勧めます。
Implied Volatility From Theory to Practice by Arnav Sheth - 2017 年 3 月 7 日
Implied Volatility From Theory to Practice by Arnav Sheth - 2017 年 3 月 7 日
ボラティリティに関する広範な知識を持つ尊敬される教授であるアルナブ・シェス氏が、「理論から実践までの暗黙のボラティリティ」と題されたウェビナーの講演者として登壇します。司会者はシェスを紹介し、本の出版やコンサルティングおよび分析プラットフォームの設立など、この分野における彼の専門知識を強調します。このウェビナーは、参加者にインプライド ボラティリティ、さまざまなタイプのボラティリティ、インプライド ボラティリティを利用した取引戦略、さらに詳しく調べるための利用可能なオンライン リソースとシカゴ オプション取引所 (CBOE) インデックスについての包括的な理解を提供することを目的としています。
シェス氏は、まずオプションの簡潔な概要を説明し、過去のボラティリティや暗示的なボラティリティなどのさまざまなボラティリティを取り上げます。彼は 1 つのトレーディング戦略を詳細に掘り下げ、いくつかの CBOE インデックスについて議論し、その応用についての実践的な洞察を提供します。歴史的背景を説明するために、シェスはオプションの起源を共有し、紀元前 500 年頃の最初に記録されたオプション契約まで遡ります。彼は、豊作の時期にすべてのオリーブ圧搾機の独占的権利を確保した数学者であり哲学者であるタレスの話を詳しく語ります。この物語は、オプション取引の初期の現れを示しています。
オプションの現代的な定義に移り、シェスはコール オプションの概念を明確にし、原資産の将来に対する投機やヘッジを可能にする契約であると説明しています。同氏は、コールオプションは受信者に契約を解除する権利を与えるが義務ではないと強調する。シェス氏はコールオプションとプットオプション取引の基本を説明し、コールオプションは買い手に原資産を指定された価格で買う権利を与えるのに対し、プットオプションは買い手に原資産をあらかじめ決められた価格で売る権利を与えることを強調した。価格。同氏は、オプション取引はゼロサムゲームである、つまり、すべての勝者には敗者が存在し、その結果、利益と損失の合計がゼロになることを強調しています。シェス氏は、原株を所有せずにコールオプションを売却するリスクについて警告しているが、株を所有している場合にはコールオプションを売却することでリスクを軽減できると指摘している。
シェスはオプション契約をさらに掘り下げ、ロングコール、ショートコール、ロングプット、ショートプットのオプションをカバーします。同氏は、潜在的な損益結果について説明し、初心者が「ネイキッド・オプション」取引に参加しないよう警告している。さらに、利益と見返りを計算する際に、お金の時間的価値を考慮することの重要性を強調しています。シェス氏はヨーロッパとアメリカのオプションを区別し、ヨーロッパのオプションは満了時にのみ行使できるが、アメリカのオプションはいつでも行使できることを明確にしています。彼はこのセクションを、ブラック・ショールズ・マートンの価格設定モデルを紹介して締めくくっていますが、これを「レバレッジをかけた株式購入」に例えています。
次に、ブラック・ショールズ・マートン (BSM) モデルとその基礎となる仮定に焦点が移ります。シェス氏はこれらの仮定の 1 つを強調し、リターンの変動性は既知であり、オプションの存続期間を通じて一定であると述べています。彼はさらに、過去の資産収益率の標準偏差を表す歴史的ボラティリティについて説明します。シェス氏は、オプションの潜在的な収益性を予測することの重要性を説明し、ボラティリティが高くなると、資産が最終的に「イン・ザ・マネー」になる可能性が高くなるため、オプション価格が上昇することを強調しました。
次に、シェスは、市場オプションを使用したブラック-ショールズ モデルから、インプライド ボラティリティと、ボラティリティのリバース エンジニアリングにおけるその役割を調査します。インプライド ボラティリティは市場の予想ボラティリティとして解釈され、市場のオプション価格に基づいて計算されます。シェス氏は、30 日満期のアット・ザ・マネー S&P 500 オプションを利用してインプライド・ボラティリティを推定する VIX を導入しました。 VIX は、オプションの有効期限中に市場が予想するボラティリティを測定します。同氏は、トレーダーは、オプションの価格から導き出されるインプライド・ボラティリティを、その逆ではなく、オプションの価格設定に使用することが多いと指摘しています。シェス氏は、異なるストライクが同じ原資産に関連付けられている場合、その暗黙のボラティリティは一定に保たれるはずだと強調します。
シェス氏はオプション価格設定におけるボラティリティ・スキューの概念について説明を続けます。彼は、権利行使価格が乖離すると、インプライド ボラティリティが過去のボラティリティからどのように逸脱し、その結果、ボラティリティ スキューが生じるかを示しています。シェス氏は、このスキューは1987年以降に出現し、それがオプション価格に反映されているため、トレーダーにチャンスをもたらしていると強調した。彼は、暗黙のボラティリティと実現ボラティリティの差を表す「ボラティリティ リスク プレミアム」という用語を導入しました。このプレミアムは取引戦略に活用できます。シェス氏は、ブラック・ショールズモデルは主にオプションの価格設定に使用されますが、インプライド・ボラティリティを取得するためによく利用されることを明らかにしました。
オプション市場におけるインプライド・ボラティリティの計算が次の話題になります。シェス氏は、トレーダーが原資産の特定のオプションの市場価値を利用し、これらの価値をブラック・ショールズ モデルに入力してボラティリティをリバース エンジニアリングする方法を説明します。インプライド ボラティリティは、指定された期間 (多くの場合 30 日間) のオプション市場による予想ボラティリティとして解釈されます。シェス氏はボラティリティ リスク プレミアムの概念を導入し、オプション市場が実際のボラティリティをいかに過大評価する傾向があるかを示しています。彼は、ボラティリティ プレミアムの頻度分布を提示してこのセクションを締めくくっています。
講演者は、ストラドル売りの概念に焦点を当て、インプライド・ボラティリティに基づいた取引戦略を詳しく説明します。シェス氏は、インプライド・ボラティリティは通常、実現ボラティリティよりも高く、その結果、オプションの価格が高すぎると強調しています。その結果、戦略にはストラドルを売り、ボラティリティを空売りすることが含まれます。これらの戦略に関連するリスクを評価するために、シェスはリスクを評価するためのフレームワークを提供するギリシャの測定値を導入しています。彼は、アット・ザ・マネー・ストラドルの購入を含むシナリオの例を示し、基礎となる株価に基づいた損益の結果について説明します。シェス氏は最後に、株価が大幅に変動した場合、オプションの価格設定はボラティリティに敏感でなくなる可能性があると警告しました。
ビデオでは、株価の変動に対するヘッジとしてのオプションの使用について説明します。シェス氏は、株価の値に最も近いコールとプットを同時に購入するか、両方を売却することでデルタ中立性を達成できるが、ベガを完全にヘッジすることはできないと説明しています。次にシェス氏は、ボラティリティプレミアムを活用する便利な方法としてCBOEインデックスを紹介し、特にカバードコール戦略を含むBXM（バイライトマンスリー）インデックスとBFLYアイアンバタフライオプションについて言及しました。同氏は、所有株にカバードコールを書くことで、原株のみを保有することに伴うリスクを軽減できるが、コールされた場合に株を失う可能性も伴うと説明する。最後に、シェス氏は、S&P 500 に対して 3 ストライクで 4 つのオプションを売買するアイアン バタフライの戦略について説明します。
ウェビナーの終わりに向かって、シェスはアウトオブザマネーのプットとアウトオブザマネーのコールの購入を含む戦略を紹介します。この戦略では、リバース ストラドルに似たショート ボラティリティ ポジションが得られますが、利益の可能性を高めるためにわずかに誇張された見返りが得られます。
金融市場データをファンダメンタルズ分析および定量分析に使用する方法 - 2017 年 2 月 21 日
金融市場データをファンダメンタルズ分析および定量分析に使用する方法 - 2017 年 2 月 21 日
講演者:
ファンダメンタルズを有利に取引する方法を学び、高頻度データ分析を取り巻く課題を理解し、先物取引の機会と注意点を発見し、最も人気のある取引戦略の 1 つであるペア取引に関するステップバイステップのチュートリアルのライブ デモンストレーションを視聴します。ストラテジー！
アルゴリズム取引に関する説明会
アルゴリズム取引に関する説明会
アルゴリズム取引に関する説明セッションの冒頭で、講演者はこの分野への関心の高まりに感謝の意を表し、それが長年にわたって与えてきた重大な影響を認めました。彼らは、IH と Quant Institute の共同創設者である Nitesh をセッションの講演者として紹介します。 Nitesh は金融市場で豊富な経験を持っていると言われており、特に初心者向けにアルゴリズム取引、トレンド、機会の概要を提供します。講演者は、アルゴリズム取引の人気の高まりと、今後 5 年間で世界中で 10% 以上の CAGR が予測される成長率を実証する最近のニュース記事を強調します。
講演者はアルゴリズム取引の成長と機会について詳しく語り、世界中で二桁のパーセンテージを誇る急速な拡大を強調しました。これらはさまざまな取引所からのデータを提示し、株式市場や商品市場におけるアルゴリズム取引の量が増加していることを示しています。アルゴリズム取引を定義するために、彼らはそれを、利益を生み出すことを目的として、定義された一連の命令でプログラムされたコンピューターを使用して高速かつ頻繁に取引注文を行うプロセスであると説明しています。アルゴリズム取引におけるテクノロジーの重要な役割は、特に高頻度取引において強調されており、取引戦略の収益性の重要な部分 (最大 60 ～ 70%) を占めています。
アルゴリズム取引の重要な側面に移り、講演者はテクノロジー、インフラストラクチャ、戦略について説明します。これらは、テクノクラートやテクノロジー指向のトレーダーが先頭に立って、今日のアルゴリズム取引の世界におけるテクノロジーの顕著な役割を強調しています。インフラストラクチャはトレーダーの成功確率を定義する重要な要素として認識されており、使用されるインフラストラクチャの種類の重要性が強調されています。最後に講演者は、トレーディング戦略自体が収益性と成功を最終的に決定するものであり、トレーダー全体の成功確率の 30 ～ 70% を占めると説明しました。構想、モデリング、最適化、実行など、戦略開発のさまざまな段階の概要を説明します。
最適化、テスト、実行などのアルゴリズム取引の段階が講演者によって説明されます。彼らは、取引モデルの入力変数を最適化し、実行を進める前に一貫した出力を確保することの重要性を強調しています。さらに、実行を自動化する場合、講演者は潜在的なリスクについて警告し、安全性を確保し運用上のリスクを防ぐための堅牢なリスク管理システムの必要性を強調します。彼らは、統計的にレッグの相場が大幅な利益と取引あたりのより高いリターンにつながると述べています。
重大な損失の可能性を含め、アルゴリズム取引に伴うリスクについて議論し、オペレーショナルリスク管理の重要性を強調します。講演者はまた、より高速な執行を可能にする高速ラインやコロケーションなど、アルゴリズム取引に必要なインフラストラクチャについても強調します。メンバーシップの取得またはブローカーでの口座開設による市場アクセスから始まる、アルゴリズムトレーディングデスクをセットアップする実際の手順が説明されています。講演者は、ライセンス要件は規制当局によって異なる可能性があると述べています。適切なアルゴリズム取引プラットフォームを選択することは非常に重要であり、実行する特定の戦略によって異なります。
アルゴリズム取引プラットフォームと戦略の種類に基づくその選択について講演者が説明します。低頻度取引戦略の場合、ブローカーは多くの場合、さまざまなプログラミング言語の API コードを使用して自動取引を可能にする無料の Web ベースのプラットフォームを提供します。遅延に対する感度を高めるために、月額数百ドルのコストで展開可能なプラットフォームを使用できます。講演者はまた、使用するインフラストラクチャの種類は戦略によって異なり、高頻度のデータと分析にはトップクラスのパフォーマンスのサーバーが必要であることも強調しました。
講演者は、さまざまな規制やテクノロジーを考慮しながら、アルゴリズム取引に必要なさまざまなタイプのアクセスとインフラストラクチャについて詳しく説明します。コロケーションおよびプロキシミティ ホスティングの概念を説明し、待ち時間、注文ルーティング ライン、市場データなどの要素を強調しています。特に大量のティックごとのデータを扱う場合には、戦略を最適化するための堅牢なデータベースと分析の重要性が強調されます。これらのツールへのアクセスのコストと、さまざまな取引戦略に必要なデータ使用のレベルが調査されます。
講演者は、アルゴリズム取引ではデータ処理やモデル構築に R や Matlab などの Excel よりも高度なツールが必要であると説明します。また、世界的な傾向である自動化に伴うコンプライアンスと監査の要件の増加についても言及しています。トレーダーは、取引が監査可能であること、コードと戦略がエッジケースや暴走ケースから適切に保護されていること、エチケット保護が適切に行われていることを確認することをお勧めします。また、分析、テクノロジー、金融市場の基本を理解し、3 つの分野すべてを専門とするチーム メンバーを少なくとも 1 人含むチームを編成することをお勧めします。これは、数値処理、パターン認識、タイピング速度、金融市場の理解、規律などのスキルが必要だった従来のトレーディング成功の秘訣と比較されます。
講演者は、アルゴリズム取引を使用したクオンツ取引の成功の秘訣について説明します。彼らは、金融コンピューティングの熟練だけでなく、数学的および統計的な深い理解の必要性を強調しています。テクノロジーと市場構造を理解することは、ハードウェアの機能とネットワークが取引の成功にどのような役割を果たしているかを全体的に理解することと同様に重要です。金融市場の理解も不可欠であり、戦略をコーディングしてモデル化する方法を知っているとさらに有利になります。高頻度ショップを立ち上げる人にとって、これらの要素はすべて重要です。講演者は、特に金融業界の多くの個人が成功に必要なテクノロジーの理解を欠いているため、トレーディングの世界に参入する個人にとって EPAT の重要性を強調しています。
トレードに必要な定量分析ツールのうち、テクノロジーへの理解不足への対応について講演者が語ります。彼らは、アルゴリズム取引の専門知識を獲得したい社会人向けの ePACT (アルゴリズム取引エグゼクティブ プログラム) の創設について言及しています。 ePACT プログラムは、6 か月間の統合オンライン プログラムで、4 ～ 4 か月半の週末授業と、その後のさらに 1 か月半 ～ 2 か月のプロジェクト作業が含まれます。プロジェクトの作業により、参加者は自分が選択したドメインに特化することができます。このプログラムは、業界の専門家が教える 9 つの異なるモジュールで構成されており、取り上げられる内容が業界のニーズやトレンドと一致していることを確認します。
ePACT プログラムのさまざまなモジュールについて説明します。金融市場の紹介から始まり、基本統計、デリバティブとリスク、高度な統計、定量的取引戦略について説明します。クオンツ トレーディング戦略モジュールでは、さまざまなトレーディング戦略をカバーしており、アルゴリズム トレーディング デスクのセットアップや関連するビジネス側面の検討に関連するトピックも含まれています。このプログラムでは、Python を使用したアルゴリズム取引プラットフォームの実装についても取り上げており、Python の基本とさまざまなプラットフォームで取引戦略を実装する方法について説明します。参加者には、プロジェクトの作業を監督するメンターが割り当てられ、選択したドメイン内の専門分野として機能します。
講演者は、キャリアサービスチームがアルゴリズム取引プログラムの参加者および卒業生に提供するサポートサービスについて説明します。これらは、実践による学習、ライブ講義、録画された講義へのアクセスの重要性を強調しています。講演者は、業界の要件と企業が応募者に求めているプロフィールを示すグラフを提示し、プログラムが関連するトピックを確実にカバーするようにします。彼らは、このプログラムにはさまざまな国の業界リーダーが講師として参加しており、卒業生は世界 30 か国以上に拠点を置いていると述べています。アルゴリズム取引の意識を高めるために同研究所が主催するさまざまなイベントやプログラムも強調されています。
講演者は、アルゴリズム取引に関する視聴者からのさまざまな質問に答えます。彼らは、米国国民はインドで取引口座を開設できるが、清算ブローカーで口座を開設するには保管機関を経由し、特定のプロセスに従う必要があることを確認している。講演者は、アルゴリズム取引デスクの設立やアルゴ取引の開始に興味がある人に、アプ・チャン博士とラリー・ハリスの本を勧めています。彼らはまた、Symphony Fintech、Automated Trading、YouTrade など、インドでアルゴリズム取引に利用できるいくつかのプラットフォームについても言及しています。実際のテクニカルデータは、取引所から直接、またはブローカーを通じて入手できます。さらに、学生がコースで開発したのと同じ戦略を採用し、それをライブトレードに適用できることを確認します。
講演者はアルゴリズム取引に関する視聴者からのさまざまな質問に答え続けます。彼らは、さまざまなツールを使用した戦略のコーディングとバックテストが可能であり、実際の取引に移植するのは難しくないと説明しています。インド市場での取引に関する規制、コンプライアンス、ライセンスに関する質問にも対応します。講演者は、適格な自動取引戦略には取引所からの許可が必要であり、デモが必要であると説明します。また、モメンタムベース、統計的裁定取引、機械学習ベースの戦略など、一般的な取引戦略についても説明します。
講演者は、コースでカバーされる取引戦略の種類について説明し、新しい戦略を開発し、テストし、実行する方法を学ぶことの重要性を強調します。コース卒業生の就職の見通し、平均給与、ローソク足パターンの分析に必要なプログラミング スキルなどの質問に答えます。コースを受講する社会人専門家の知識レベルと拘束時間、およびインドでのアルゴリズムトレーディングデスクの設置に関連するコストに関する懸念にも対処します。講演者は、プログラムの価値を最大化するには、プログラムを開始する前に主要な概念の基本を理解することの重要性を強調します。
講演者は、アルゴリズム取引に関するさまざまな質問に答え、株式市場の知識が限られている人は、コースを進める前にこれらの分野の基本的な理解を得るために営業専門家に指導を受けられることを示唆しています。彼らは、アルゴリズム取引は、取引の規律を確保し、複数の商品を含めるように戦略を拡大したいと考えている個人のトレーダーにとって有用であると説明しています。講演者はまた、あるコースから別のコースへの移行や、アルゴ取引サービスを提供するインドのブローカーに関する懸念についても言及します。最後に、取引所でのサーバーのコロケーションは、アルゴリズムトレーダーに不当な利益をもたらすものではなく、より狭い買値と売値のスプレッドを提供することで個人トレーダーに利益をもたらすと説明しています。
講演者は、小売トレーダーにとってのアルゴリズム取引の利点と、テクノロジーがどのように損失を最小限に抑えることができるかについて説明します。彼らは、非プログラマーがアルゴリズム取引のために Python を学習することと、インド居住者が世界市場で取引できるかどうかについての質問に対処します。彼らは、自社が仲介やアルゴリズム取引プラットフォームを提供するのではなく、教育に主に焦点を当てていることを明らかにしています。講演者は、自分たちのプログラムが 30 か国以上からの何百人もの参加者を助けてきたことを強調し、興味のある人は詳細について事業開発チームや営業チームに連絡するよう勧めています。
講演者は、すべての戦略が取引所によって承認される必要があるかどうか、戦略を保護する方法など、視聴者からのいくつかの質問に答えます。彼らは、アルゴプロバイダーはトレーダーの戦略を見ることができず、取引所は戦略が市場に大混乱を引き起こさないようにすることに主に関心があると説明しています。彼らはプログラムの学生割引について言及し、インドの商品市場でのアルゴ取引の利用可能性について議論します。さらに、役割に応じてHFTプロファイルにおける線形代数と確率分布の重要性を強調し、アルゴ取引はオプションや外国為替を含むあらゆる取引手段に世界中で適用できることを強調しています。
講演者は、コーディング戦略、再利用可能なコードの提供、Python と R を学習する必要性について話し合います。また、戦略の検証、潜在的な ROI、およびある程度の数のトレーダーに必要なインフラストラクチャに関する質問にも答えます。講演者らは戦略を他人と共有することに警告し、ベストプラクティスを学び、独自の取引戦略のアイデアを開発することに集中することを提案しています。
講演者は、戦略のバックテストに理想的な時間枠、中規模の取引に必要な最小インターネット帯域幅、仲介業者による取得を回避する方法など、アルゴリズム取引に関するさまざまな質問に答えます。また、インドにおけるアルゴリズム取引に最適なベンダーや、エリオット波動理論のような裁量取引戦略をプログラムできるかどうかについても議論します。講演者らは、プログラミングに慣れていて、明確なルールを念頭に置いていれば、どんな戦略でもコーディングできると示唆しています。彼らはトレーダーに対し、個々の要件と各ベンダーの長所と短所に基づいてベンダーを選択するようアドバイスしています。
最後に、講演者は出席者に感謝の意を表し、さらなる支援を申し出ます。時間の都合上、すべての質問に答えることはできませんでしたが、講演者は聴衆に質問を送るよう促し、Quant Institute チームの連絡先情報を提供しました。彼らはアルゴリズム取引への関心に感謝の意を表し、この分野での継続的な学習と実践の重要性を強調しています。
Brexit と最近の市場出来事がアルゴリズム取引に与える影響 - 2016 年 7 月 19 日
Brexit と最近の市場出来事がアルゴリズム取引に与える影響 - 2016 年 7 月 19 日
Nitesh Khandelwal は、さまざまな役割でさまざまな資産クラスに携わり、金融市場で豊富な経験をもたらしています。彼は、インドでのアルゴリズム取引テクノロジーと戦略サービスの提供を専門とする評判の高い企業である iRageCapital Advisory Private Limited の共同創設者です。 Nitesh は、iRageCapital と QuantInsti のビジネス面を推進する上で極めて重要な役割を果たしました。 QuantInsti では、デリバティブおよび市場間研究のトレーニング部門の責任者も務めました。現在、シンガポールの iRage Global Advisory Services Pte Ltd で取締役を務めています。 Nitesh は銀行財務部門での経歴を持ち、FX および金利分野の専門知識に加え、独自のトレーディング デスクでの経験も備えています。 IIT Kanpur で電気工学の学士号を取得し、IIM Lucknow で経営学の大学院を取得しています。
Brexit などの最近の世界的な出来事と、それに伴う為替市場の変動は、投資家の間で大きな懸念を引き起こしています。このような出来事の後、市場参加者が取引活動に慎重になるため、リスク回避の傾向が高まるのは自然なことです。しかし、このような激動の時代にあっても、自動トレーダーは繁栄しています。メディアの報道によると、アルゴリズム取引を採用しているヘッジファンドは、特にストレスの多い市場環境において、マニュアルトレーダーを常に上回っています。
有益なセッションの内容:
今季最大の取引イベントの分析
クオンツ/アルゴトレーダーになるための要件
センチメント分析を使用した定量的取引 |ラジブ・ランジャン・ボラー著
センチメント分析を使用した定量的取引 |ラジブ・ランジャン・ボラー著
感情分析。意見マイニングとも呼ばれる、特に特定のトピックや製品などに対する筆者の態度が肯定的か否定的か中立的かを判断するために、テキスト内で表現された意見を計算的に特定して分類するプロセスです。
Nitesh Khandelwal によるアルゴリズム取引に関する説明セッション - 2016 年 5 月 24 日
Nitesh Khandelwal によるアルゴリズム取引に関する説明セッション - 2016 年 5 月 24 日
セッション内容：
人工知能を活用してアルゴリズム取引戦略を構築する
人工知能を活用してアルゴリズム取引戦略を構築する
取引戦略開発会社の CEO 兼共同創設者が、アルゴ取引における AI と機械学習の素晴らしい可能性について説明します。これらのツールは大規模なクオンツ ヘッジ ファンドによって成功していることが証明されており、オープンソース ライブラリと、高度な数学やコンピューター サイエンスの知識を必要としないユーザーフレンドリーなツールのおかげで、そのアクセシビリティは大幅に向上しました。講演者は、アルゴリズム取引の文脈における AI と機械学習に関連する重要な用語も紹介します。人工知能は、環境を認識し、成功を最大化するために行動を起こす知的エージェントの研究として定義されます。 AI のサブセットである機械学習は、明示的なプログラミングを行わずに学習して予測できるアルゴリズムに焦点を当てています。機械学習の一分野であるパターン認識には、データ内のパターンを明らかにすることが含まれますが、相関規則学習には、それらのパターンに基づいて if-then ステートメントを作成することが含まれます。講演者は、ボリューム、速度、多様性、真実性という 4 つの V によって特徴付けられるビッグ データの概念について簡単に言及します。
発表者は、ビッグ データ、真実性、人工知能、機械学習、パターン認識、データ マイニングなど、議論される用語と概念の概要を説明します。次に、アルゴリズム取引戦略を構築する際のベスト プラクティスとよくある落とし穴を詳しく掘り下げます。これらには、成功のための具体的な目標を定義すること、複雑さよりもシンプルさを優先すること、単一のモデルに依存するのではなく堅牢なプロセスとワークフローの作成に重点を置くこと、偏った結果を避けるためにプロセス全体を通して健全な懐疑主義を維持することが含まれます。
講演者は、取引戦略を構築するための指標とデータセットを選択するという課題に機械学習がどのように対処できるかについて議論します。デシジョン ツリーとランダム フォレストは、最適なデータ分割を検索することで重要な指標を特定する手法として導入されています。ランダム フォレストは、複雑ではあるものの、デシジョン ツリーよりも堅牢で強力であることが知られています。講演者はまた、「ラッパー」と呼ばれる手法を使用してインジケーターセットを組み合わせることで、より強力な組み合わせをどのように作成できるかについても検討します。
次に講演者は、アルゴリズム取引戦略におけるテクニカル指標の使用と、根底にあるパターンやトレンドを特定する際のその利点について説明します。機械学習に基づいて指標パラメーターを最適化するという問題が提起され、複数の分類器を組み合わせてデータを分析し、さまざまなパターンや情報を明らかにするアンサンブル学習の概念が導入されます。機械学習における特徴選択と特徴抽出の区別についても言及されており、複数の分類器を使用する場合は曲線フィッティングに注意する必要があります。
発表者は、取引戦略の解釈可能性を維持しながら機械学習アルゴリズムを活用する方法として、パターン認識と相関ルール学習の組み合わせを実証します。彼らは、サポート ベクター マシンを使用して、3 期間 RSI と、オーストラリア USD の始値と 50 期間 SMA の間の価格差との関係を分析する例を提供しています。明確なパターンは取引ルールに変換されます。ただし、高次元データの分析、自動化の課題、出力の解釈など、この方法には限界があることを彼らは認識しています。講演者は、これらの懸念に対処し、トレーダーが希望する指標でアルゴリズムを活用できるようにするための可能な解決策として Trade を紹介します。
プレゼンターは、クラウドベースの取引プラットフォームを使用して取引戦略を構築する方法をデモンストレーションします。彼らは、5 年間のデータを使用して日足チャートでオーストラリアドルを取引する戦略を構築する例を使用しています。カーブフィッティングを避けるため、アルゴリズムは 2015 年 1 月 1 日までのみトレーニングされ、1 年間のサンプル外データがテスト用に残されます。偏ったバックテストを避けるために、このサンプル外データを無駄にしないことが重要であることが強調されます。指標分析とパターン識別に機械学習アルゴリズムを使用することは、取引戦略を最適化するための柔軟かつ強力なアプローチとして提示されます。
プレゼンターは続けて、Trade-Ideas のプラットフォームとオープンソース指標ライブラリ TA Lib を使用して取引戦略を構築するプロセスをデモンストレーションします。彼らは、5 年間の豪ドル米ドルの価格変動を分析し、強いシグナルのあるレンジを特定し、インジケーターのレンジを選択してそれらの関係に注目することでロングのルールを洗練させます。 50 期間の SMA と相対的な価格のルールを追加することで、強いシグナルのある 2 つの異なる範囲を特定します。 Trade-Ideas を使用すると、機械学習アルゴリズムの結果を分析し、ヒストグラムから直接ルールを構築してより明確に解釈できるため、その利点が強調されます。
プレゼンターは、適切な指標の選択や強いショートシグナルを見つけるためのルールの調整など、トレーディング戦略のショートルールを構築する手順について説明します。最適な戦略を見つけるには、インジケーターを使用してさまざまなパターンをテストして探索することが重要です。コードを生成し、取引コストを含めて MetaTrader4 でサンプル外の戦略をテストする方法も実証されています。発表者は、このアプローチがアルゴリズム取引に関連していることを認めています。
講演者は、戦略構築プロセスでは使用されなかった最新のサンプル外データに基づいて構築された戦略をテストする方法を説明します。シミュレーションは、通貨と株式の人気取引プラットフォームである MetaTrader を使用して実行されます。このプラットフォームの活発な開発者コミュニティは、自動化された戦略やカスタム指標を作成し、同じデータをテストして取引するための優れた機会を提供します。シミュレーションの焦点は、サンプル外のデータに対する戦略のパフォーマンスを評価することです。講演者は、このツールは仲介業者に直接ホワイトラベルを付けることで無料で利用できるようにすることを計画している新興企業によって開発されたと述べました。
講演者は、バックテスト後の戦略へのリスクおよび資金管理手法の組み込みについて説明します。ドローダウンを減らし、ダウンサイドリスクから守る方法として、単純なテイクプロフィットとストップロスの対策について説明します。カーブフィッティングを防ぐために、講演者は、ライブ開始前の幅広いビン選択、アウトオブサンプルテスト、およびデモアカウントの使用を強調します。トレーディング戦略においてブラックボックスニューラルネットワークよりもシンプルさと透明性を優先することについても言及されています。
プレゼンテーション中、講演者は自社のプラットフォームと Quanto Pian や Quanto Connect などの他社のプラットフォームとの比較に関する質問に答え、自社のプラットフォームが既存の戦略の自動化ではなく、戦略の発見と分析に重点を置いていることを強調しました。自動化戦略におけるテクニカル データの重要性は認識されていますが、そのプラットフォームには感情指標などの他のデータセットが含まれていることにも注目しています。 MetaTrader 4 が便利なツールとして実証され、トレーディングにおけるリスクと資金の管理戦略の重要性が議論されます。講演者は、自動取引戦略におけるベスト プラクティスとよくある落とし穴についても説明します。
講演者は、複雑さと過剰適合の間のトレードオフを強調しながら、トレーディング戦略におけるインジケーターの使用について説明します。彼らは、十分な情報を含めることと過剰適合を避けることとの間のバランスをとるために、戦略ごとに 3 ～ 5 つの指標を使用することを推奨しています。アルゴリズムに入力されるデータまたは機能の重要性と、出力がどのように実装されるかが強調表示されます。基礎となるアルゴリズムは、使用される指標とその実装ほど重要ではないと考えられています。 MetaTrader 4 での遺伝的オプティマイザーの使用に関する質問や、インジケーターをプラットフォームに合わせる重要性についても取り上げます。
講演者は、バリュー投資における機械学習の応用について探ります。アルゴリズム取引について前述したのと同じプロセスをバリュー投資にも適用できますが、テクニカル指標の代わりに、企業の固有の価値を定量化するデータセットが使用されます。たとえば、時価総額や株価収益率によって、これらのデータと資産の価格変動との関係が明らかになります。取引ごとの収益の最適化と、アルゴリズムが市場と同期していない時期の特定についても説明します。コーディングの経験と背景に応じて、Python と R が適切なプログラミング言語として推奨されます。
最後に、講演者は金融とテクノロジーの融合を伴うアルゴリズム取引に必要な必須のスキルと知識を強調します。市場、ビッグデータ統計、戦略を自動化するテクノロジーを理解することが重要です。定量的教育プログラムは、アルゴリズムトレーダーとして成功するために、さまざまな操作やスキルで必要なトレーニングを取得する手段として提案されています。 Python はアルゴリズムを構築するための優れたオプションとして推奨されます。