00:40:00このセクションでは、アーネストは、各銘柄の 0 ~ 25% という制約にもかかわらず、株式ポートフォリオでプラスの利益を達成できたケース スタディについて話します。ポートフォリオはハイテク株で構成されており、2022年には大暴落すると予想されていたが、その期間中に50%を現金に割り当てる手法が利益創出に貢献した。彼らの手法の再現性について尋ねられたとき、アーネスト氏は、オプションのネットデルタなどの一部の機能は重要な入力機能であるが、それらの概要を Web サイトで公開していると説明しました。彼はまた、機械学習に勾配プロセス デシジョン ツリーやその他のアルゴリズムを使用することについても言及しており、市場体制を定義するアプローチは数百の特徴を使用した表現を通じて行われます。
00:45:00このセクションでは、Chan が、シャープ比などの応答変数を構築し、各市場状態の制御変数のさまざまなシナリオに関数 F を適合させることにより、機械学習を最適化に使用する方法を説明します。教師あり学習アルゴリズムのラベルは、シャープ比などの最大化される変数であり、最高のパフォーマンスのポートフォリオが見つかるまで、各ポートフォリオの提案が予測式に入力されます。チャン氏は、問題の複雑さはポートフォリオ内の資産の数に比例しないが、彼のチームは問題を管理するアルゴリズムを開発したと指摘しています。彼らが使用した最大のポートフォリオユニバースはS&P 500です。
Abstract: Conditional Portfolio Optimization is a portfolio optimization technique that adapts to market regimes via machine learning. Traditional portfolio...
QUANTT and QMIND came together to offer a unique experience for those interested in Financial Machine Learning (ML). Unifying these two clubs is Dr. Ernest C...
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。
00:40:00 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。
Dr. Thomas Starke Speaks on Machine Learning Trading with Deep Reinforcement Learning (DRL). In this captivating video, join Dr. Thomas Starke as he unravels...
00:35:00このセクションでは、アルゴリズムの進化を近似するアルゴリズム学習方程式に必要な条件について説明します。このシナリオでは状態が 1 つしかないため、エルゴード性の状態プロセス条件がすぐに満たされます。学習アルゴリズムの軌跡は、学習率が大きい場合と小さい場合の両方でシミュレーションされます。これは、アルゴリズム学習方程式による近似が学習率が小さい場合に良好であることを示しています。 ALE は、共謀的な結果が得られる確率を分析するのにも役立ちます。そのような結果につながる大きな引力の盆地があります。ビデオの次の部分では、各エージェントに、前の期間の相手のスプレッドに基づいて自分のスプレッドを条件付ける機能が与えられます。
Abstract: Recently there has been concern among regulators and legal theorists about the possibility that pricing algorithms can learn to collude with one a...
Abstract: Assets on blockchain trade 24x7 with very thin liquidity. This demands new fully automated processes, including Automated Market Making (AMM). We d...
Abstract: Blockchain users who submit transactions through private pools are guaranteed pre-trade privacy but face execution risk. We argue that private poo...
Abstract: Causal regularization solves several practical problems in live trading applications: estimating price impact when alpha is unknown and estimating...
ファン氏は方法論の説明の中で、チームが分位スクリーニングとバックテストを使用してさまざまな機能のパフォーマンスを評価した方法について説明します。彼らは、辞書ベースのアプローチと BERT を使用したコンテキストベースのアプローチに基づいて感情スコアを調査しました。チームはまた、企業業績との潜在的な相関関係を特定するために CEO のコメントに焦点を当て、文章の理解しやすさを測定する可読性スコアを詳しく調査しました。
Fan は、BERT の動作についての洞察を提供し、特定の単語の左右からコンテキスト情報をキャプチャする双方向エンコーダー表現を強調しています。チームは、自己ラベル付けと外部データセットを通じて感情ラベルを追加することで、感情分析用に BERT モデルを微調整しました。彼らの調査結果は、決算報告の記録の例が示すように、BERT ベースのセンチメント分析が辞書ベースのセンチメント分析よりも優れていることを示しました。
要約すると、Yuyu Fan の研究は、決算報告のトランスクリプトの分析における NLP と機械学習技術の力を示しています。感情分析、会計分析、可読性スコアリングの適用と、BERT などの高度なモデルの利用により、効率的な取引戦略の生成が可能になります。アライアンス・バーンスタインの投資チームが推奨しているように、コンテキスト主導のアプローチは素朴なアプローチよりも優れており、感情シグナルは特に米国の小型株にとって価値があることが証明されています。
00:00:00 Yuyu Fan は、自然言語処理 (NLP) を使用して金融業界の決算報告の記録を分析することについて話します。企業は決算報告を利用して財務情報やビジネス情報を投資コミュニティと共有し、アナリストは通常、企業の業績や株価に影響を与える可能性のある情報の記録を分析します。しかし、大規模な企業のトランスクリプトを手動で分析するのは労働集約的であるため、NLP と機械学習のテクニックが役に立ちます。このようなテクニックは、財務書類を分析し、効率的な取引戦略を策定するのに効果的であることが証明されています。 Yuyu Fan の調査は、米国大型株の典型的なテストを超えて、米国小型株や新興市場を含むさまざまなユニバースキャップを対象に拡大されています。さらに、分析はトランスクリプトの個々のセクションだけでなく結合されたセクションでも行われ、体系的な比較により、コンテキスト主導のアプローチが背景単語の単純なアプローチよりも優れていることが示されています。
00:15:00講演者は、可読性スコアの概念と、チームがそれを使用して CEO のコメントを分析する方法について説明します。可読性スコアは、難しい単語の数と文の長さを考慮して、テキストを読んで理解することがどれだけ難しいかを測定するために使用される指標です。スコアが高いほどテキストが理解しにくいことを意味し、スコアが低いほど理解しやすいことを意味します。ファン氏のチームは、「text stats」と呼ばれるオープンソースのPythonパッケージを使用してCEOのコメントの可読性スコアを計算し、コメントが理解しやすいほど企業の透明性と良好なパフォーマンスにつながる可能性が高いという仮説を立てた。次にチームは分位スクリーニングを使用してさまざまな機能を評価し、最もパフォーマンスの高い機能を投資チームに推奨しました。
00:20:00 Alliance Bernstein の Yuyu Fan が、感情分析を使用して CEO のスピーチの記録から洞察を抽出する方法について説明します。ファン氏は、感情スコアは、金融調査用に特別に設計された汎用辞書または独自の辞書を使用するなど、辞書ベースのアプローチを使用して計算できると説明します。結果は、LM ディクショナリに基づくセンチメント分析が、特に米国の小型株について、より多くの投資シグナルを伝えていることを示しています。毎月のリバランスが使用され、企業はセクター中立の五分位数によってランク付けされます。センチメント分析を使用すると、各五分位の結果がより区別しやすくなり、センチメントが高いほどパフォーマンスが向上することがわかります。
Welcome to the first of the UBS and CFEM AI, Data and Analytics Speaker Series!Yuyu Fan of Alliance Bernstein spoke about "Leveraging Text Mining to Extract ...
Abstract: In recent years, automated market makers (AMMs) and, more specifically, constant function market makers (CFMMs) such as Uniswap, have emerged as t...
Abstract: For the degree corrected stochastic block model in the presence of arbitrary or even adversarial outliers, we develop a convex-optimization-based c...
Ernest Chan (Predictnow.ai) - 「機械学習を最適化に使用する方法」
Ernest Chan (Predictnow.ai) - 「機械学習を最適化に使用する方法」
Predictnow.ai の共同創設者であるアーネスト チャンは、市場の体制変化に対処する際に従来のポートフォリオ最適化手法が直面する課題を詳しく掘り下げています。彼は、機械学習がこの問題の解決策を提供できると示唆しています。チャン氏は、ボラティリティ、価格、金利などのさまざまな財務面を測定する時系列機能の組み込みに重点を置き、チームがポートフォリオの最適化に機械学習技術をどのように適用しているかを説明します。農家とフランスの 3 要素モデルを、予測よりもランキングが重要であるという理解と組み合わせることで、最適なポートフォリオの最適化を達成することを目指しています。
Chan 氏は続けて、CBO モデルのパフォーマンスの具体的な結果を共有し、このアプローチを使用してポートフォリオのパフォーマンスの向上を経験したクライアントの例を紹介します。同氏は、機械学習モデルには体制の変化に適応する能力があり、進化する市場状況に効果的に対応できることを強調しています。さらに、時系列特徴を利用した機械学習アルゴリズムを使用して、S&P 500 指数とその構成要素のリターンをどのように計算できるかについても説明します。
さらに、チャン氏は、最適化と推測のためにチームが採用しているアンサンブル アプローチを強調します。彼は、大規模な計算能力の必要性を排除する「秘密のソース」について言及しています。制度を予測し、その収益分布を条件付けするという 2 段階のプロセスに従うのではなく、視覚的な要素を利用してポートフォリオのパフォーマンスを直接予測します。さらに、Chan 氏は、トレーニング サンプルの重要な部分をアルゴリズムに組み込むことで、期待されるリターンが過去の結果と一致することを明らかにしました。
アーネスト・チャン博士は、体制変更が存在する場合に従来のポートフォリオ最適化手法が直面する課題について説明し、この問題に対処する際の機械学習の役割を強調します。彼は、機械学習技術の応用、時系列特徴の重要性、最適なポートフォリオの最適化を達成する際のランキングの重要性について説明します。彼は具体的な結果とクライアントの成功事例を共有し、変化する市場状況に対する機械学習モデルの適応性を強調しています。 Chan はまた、機械学習アルゴリズムを使用した収益の計算についての洞察を提供し、アンサンブル アプローチと独自の方法論に光を当てます。
金融機械学習 - 実践者の視点 by アーネスト・チャン博士
金融機械学習 - 実践者の視点 by アーネスト・チャン博士
この有益なビデオでは、アーネスト チャン博士が金融機械学習の領域を掘り下げ、いくつかの重要な側面を調査し、重要な考慮事項に光を当てます。彼は過剰適合を避けることの重要性を強調し、モデルの透明性を主張しています。さらに、チャン博士は、市場の動きを予測するために非線形モデルを利用する利点を強調します。ただし、反射性や絶えず変化する市場のダイナミクスなど、金融市場における機械学習の限界についても説明しています。
チャン博士が強調する重要な点の 1 つは、金融データ サイエンスにおける専門知識の重要性です。彼は、モデルの結論に影響を与える重要な変数をより深く理解するために特徴を選択する必要性を強調しています。これらの重要なインプットを特定することで、投資家やトレーダーは損失について洞察を得ることができ、特定の決定が行われた理由を理解することができます。
チャン博士は、リスク管理と資本配分における機械学習の応用についても触れています。同氏はニッチな市場を見つけ、資金豊富な組織との直接競争を避けることを提案している。そうすることで、実践者はこれらの分野で成功する可能性を高めることができます。
チャン博士はビデオ全体を通じて、さまざまなモデルや戦略に関連する利点と課題を強調しています。同氏は、線形モデルなどの従来の定量的戦略は理解しやすく、過学習の傾向が少ないものの、予測変数間の非線形依存性に苦戦していると指摘しています。対照的に、機械学習モデルは非線形関係の処理に優れていますが、その複雑さと不透明さにより、結果の解釈や統計的有意性の評価に課題が生じる可能性があります。
チャン博士は、金融市場を予測するために機械学習を使用することの限界についても説明します。同氏は、市場は継続的に進化しているため、正確に予測することが困難であると強調しています。しかし、同氏は、機械学習は、同一のパラメーターで競合する可能性が低いトレーディング戦略などの個人情報の予測に成功する可能性があると示唆しています。
さらに、チャン博士は、カテゴリデータを含む基本データの機械学習モデルへの組み込みについても触れています。同氏は、実数値データとカテゴリデータの両方を処理する場合、機械学習モデルには線形回帰モデルよりも利点があると指摘しています。ただし、同氏は機械学習のみに依存しないように警告し、効果的な機能を作成し、データを正確に解釈するには深い分野の専門知識が依然として重要であると強調しています。
資本配分の分野では、チャン博士は、機械学習がどのようにしてより洗練された期待収益を提供できるかを強調し、将来の成功の唯一の指標として過去の実績を使用することに挑戦します。また、古典的な統計による静的な確率分布とは異なり、確率が日々変化する機械学習が提供できる市場理解のニュアンスについても説明します。
チャン博士は最後に、分野の専門知識を必要とする多様な横断的機能を作成する際の深層学習の限界について述べました。彼は、金融モデルにおける強化学習の適用可能性についての考えを共有し、高頻度では潜在的な有効性があるものの、より長い時間スケールでは限界があることに注目しています。
金融機械学習のさらなる探索に興味がある人には、ノーコードの金融機械学習の専門知識を提供する貴重なリソースとして、チャン博士は彼の会社 PredictNow.ai を推奨しています。
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分野の専門家であるトーマス・スターク博士は、洞察力に富んだプレゼンテーションを行い、聴衆との質疑応答セッションを行いました。以下は彼の講演の詳細な要約です。
シュタルケ博士はまず、取引のための深層強化学習を紹介し、機械が直接の監督なしでタスクを解決できるようにする深層強化学習の能力を強調しました。彼は、コンピューター ゲームをプレイするために機械学習のアナロジーを使用しました。機械学習では、画面に表示されている内容に基づいて意思決定を行うことを学習し、一連の意思決定に基づいて成功または失敗を達成します。
次に彼は、状態が市場パラメーターに関連付けられ、アクションによってプロセスがある状態から別の状態に移行する、取引におけるマルコフ決定プロセスの概念について説明しました。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。市場パラメーターは、マシンが取るべき行動について情報に基づいた決定を下すのに役立ちます。
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、購入するか、売却するか、保有するかを決定することが含まれます。シュタルケ博士は、不正確な予測につながる可能性があるため、各州の目先の利益または損失のラベルだけに依存しないことが重要であると強調しました。代わりに、マシンは、最初は取引に逆行した場合でも、取引を終了する前に取引が平均線に戻るのを待って、取引に留まるタイミングを理解する必要があります。
取引の損益のすべての段階にラベルを付けることの難しさに対処するために、シュタルケ博士は遡及ラベルを導入しました。このアプローチでは、ベルマン方程式を使用して、たとえ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。これにより、平均値への回帰と最終的な利益の可能性が考慮されます。
深層強化学習は、将来の結果に基づいて取引の意思決定を行うのに役立ちます。従来の強化学習手法は過去の経験に基づいてテーブルを構築しますが、取引では状態と影響の数が膨大になります。この複雑さに対処するために、深層強化学習ではニューラル ネットワークを利用してこれらのテーブルを近似し、巨大なテーブルを作成せずに実現可能としています。スターク博士は、状態を定義するための適切な報酬関数と入力を見つけ、最終的には取引のためのより良い意思決定を可能にすることの重要性について説明しました。
トレーディングにおけるインプットの重要性が強調され、予測価値を持つ必要性が強調されました。 Starke博士は、システムの既知の動作をテストし、選択した報酬関数に基づいてニューラルネットワークの適切なタイプ、サイズ、コスト関数を選択することの重要性を強調しました。同氏は、過去および現在の価格、テクニカルガードデータ、代替データソースが状態を構成し、報酬が取引の損益(P&L)となるゲーミフィケーションが取引にどのように採用されているかについて説明した。このマシンはベルマン方程式を使用して観測値を遡及的にラベル付けし、ニューラル ネットワークによって近似されたテーブルを継続的に更新して意思決定を改善します。
強化学習によるトレーニングに関して、Starke 博士は、さまざまなポイントでランダムに出入りするなど、価格シリーズを構成するさまざまな方法について説明しました。また、報酬関数を設計するという課題にも取り組み、純粋なパーセンテージ損益、ティックあたりの利益、シャープレシオなどの例や、長距離やドローダウンを回避する方法を示しました。
取引の入力に関して、シュタルケ博士は、始値、高値、安値、終値および出来高の値、ローソク足パターン、相対強さ指数、時間帯/週/年などのテクニカル指標、価格とテクニカルの入力など、多数のオプションについて言及しました。他の楽器のインジケーター。センチメントや衛星画像などの代替データ ソースも考慮できます。重要なのは、コンピューター ゲームで意思決定を行うために入力特徴が使用されるのと同様に、これらの入力を複雑な状態に構築することです。
シュタルケ博士は、強化学習器が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した。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された系列、さまざまなタイプの次数相関、きれいなテスト曲線のノイズ、繰り返しパターンなど、さまざまなテストの概要を説明しました。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判断し、コーディングの欠陥を特定するのに役立ちます。 Starke 博士は、標準記憶、畳み込み記憶、長期短期記憶 (LSTM) など、使用されるさまざまなタイプのニューラル ネットワークについても説明しました。彼は、過度の計算量を必要とせずにニーズを満たす、より単純なニューラル ネットワークを好むと表明しました。
次に、スターク博士は、取引に強化学習を使用する際の課題を詳しく掘り下げました。同氏は、特にノイズの多い金融時系列では、信号とノイズを区別するのが難しいことを認めた。同氏はまた、市場行動の変化に適応するための強化学習の苦悩が、新しい行動を学習することを困難にしていることを強調しました。さらに、強化学習には大量のトレーニング データが必要である一方、市場データはまばらであることが多いと述べました。強化学習は基本的な市場パターンに基づいて作用する傾向があり、簡単に過剰適合する可能性があるため、過適合も問題となります。より複雑なニューラル ネットワークを構築するとこの問題を軽減できますが、時間のかかる作業です。全体として、Starke 博士は、強化学習は収益性の高い結果を保証するソリューションではなく、取引で成功するには市場経験と分野固有の知識を持つことが重要であると強調しました。
Q&A セッション中、Starke 博士は深層強化学習を使用した取引に関連するさまざまな質問に答えました。同氏は、ベルマン方程式は先読みバイアスを導入しないことを明らかにし、慎重な分析後のインプットとしてテクニカル指標を使用する可能性について議論しました。また、株価予測に衛星画像を活用する可能性を検討し、ニューラルネットワークの計算時間に応じて短い時間枠で補強取引が可能であることも説明した。同氏は、強化取引アルゴリズムは市場の異常に敏感であると警告し、強化学習を使用してランダムデシジョンツリーをトレーニングしても有意義な結果が得られない理由を説明しました。
スターク博士は、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ました。彼は、使用される報酬関数に基づいて損失関数を調整することの重要性を強調しました。強化学習を高頻度取引に適用する試みはいくつか行われているが、シュタルケ博士は、リアルタイム市場では応答性が欠けている遅いニューラルネットワークの課題を強調した。同氏は、金融業界でトレーディングのキャリアを追求することに興味のある個人に対し、市場の知識を身につけ、実際の取引に従事し、その経験から学ぶようアドバイスした。最後に、彼はタスクの複雑さを認識しながら、ニューラル ネットワークとオプション取引を組み合わせる際の課題について説明しました。
結論として、Thomas Starke 博士は、深層強化学習を使用した取引に関する貴重な洞察を提供しました。彼は、トレーディングにおける意思決定プロセス、遡及的ラベル付け、ベルマン方程式、入力の重要性、テスト段階、トレーディングのための強化学習に関連する課題などのトピックを取り上げました。スターク博士は講演と質疑応答セッションを通じて、金融市場で深層強化学習を活用するためのガイダンスと実践的な考慮事項を提供しました。
Harrison Waldon (UT オースティン): 「アルゴリズム学習方程式」
Harrison Waldon (UT オースティン): 「アルゴリズム学習方程式」
テキサス大学オースティン校の研究者ハリソン・ウォルドン氏は、強化学習(RL)アルゴリズムの相互作用と潜在的な共謀に焦点を当て、金融市場におけるアルゴリズム的共謀に関する研究を発表した。同氏は、自律的なアルゴリズム取引と、明示的なコミュニケーションを伴わない共謀による価格つり上げの可能性に関する規制当局の懸念について言及した。
ウォルドン氏の研究は、金融環境における RL アルゴリズムの動作を理解し、アルゴリズムが共謀することを学習できるかどうかを判断することを目的としていました。彼は、アルゴリズム学習方程式 (ALE) を利用して、特定の条件下でのアルゴリズムの進化を近似する常微分方程式 (ODE) 系を導き出しました。これらの ALE は、Q 学習アルゴリズムにおける共謀行為を検証することができ、アルゴリズムの進化の適切な近似を提供し、共謀の結果を引き寄せる大きな領域を実証しました。
ただし、定常分布を計算し、真の共謀と合理的な自己保存行動を区別するには課題があります。定常分布を決定するには数値的な困難が生じ、真の共謀と自己利益に基づく行動を区別することは依然として課題です。
Waldon は、静的なゲームの平衡を動的なインタラクションに適用した場合の限界を強調し、行動を制御するための包括的なアプローチの必要性を強調しました。当事者間で直接コミュニケーションを行わずにアルゴリズムによって促進される共謀行為については、慎重な検討が必要です。講演はウォルドン氏が出席者に感謝の意を表し、春学期シリーズの終了を告げて終了した。
Irene Aldridge (AbleBlox および AbleMarkets): 「暗号エコシステムと AMM の設計」
Irene Aldridge (AbleBlox および AbleMarkets): 「暗号エコシステムと AMM の設計」
AbleMarkets の創設者兼マネージング ディレクターであるアイリーン アルドリッジは、ブロックチェーン テクノロジー、自動マーケット メイキング (AMM)、および従来の市場と AMM の世界の融合のさまざまな側面を詳しく掘り下げています。彼女は金融におけるこれらのトピックの重要性を強調し、それらに関連する潜在的な課題と解決策を探ります。
アルドリッジ氏はまず、金融業界における彼女の経歴と、市場運営の理解に重点を置いた微細構造に関する専門知識の概要を説明します。彼女は、当初は暗号通貨市場で顕著だったが、現在は伝統的な市場にも拡大している自動マーケットメイクモデルの採用が増えていることを強調しています。彼女は、ブロックチェーンの入門概念、金融とプログラミングにおけるブロックチェーンの応用、市場形成と従来の市場へのその影響の実世界のケーススタディを取り上げたプレゼンテーションの構成を概説します。
ブロックチェーン技術を探求するオルドリッジ氏は、ブロックチェーン技術を、各行が前の行の暗号化された要約を保持し、データの整合性を保証する高度なデータベースであると説明しています。彼女は、提案されたコンテンツが検証されてチェーンに追加されるブロックチェーンに関わるマイニング プロセスについて説明します。これにより、事務処理と支払いシステムの透明性と分散化が高まります。
アルドリッジ氏は、暗号通貨エコシステムにおける分散化への移行について議論し、サーバー上にデータベースの複数のコピーを持つことによるプライバシーと堅牢性の間のトレードオフを強調しています。彼女は、ブロックの定義や暗号署名の作成から、ハッキングの試みに対するセキュリティを確保するプルーフ・オブ・ワークやマイニングの中核的なイノベーションに至るまで、ブロックチェーンのプロセスについて説明します。
しかし、アルドリッジ氏は、マイニングコストの増加、マイナー数の減少、潜在的な脆弱性など、プルーフ・オブ・ワーク・マイニング・システムに関連する課題があることを認識しています。彼女は、イーサリアムのブロック集約やコインベースによるマイニングの謎の排除など、代替ソリューションを強調しています。
講演者は次に、ステークホルダーがネットワークの運営をサポートするために資金を投入する暗号エコシステムでのステーキングについて説明します。彼女は、仮想通貨オリガルヒが市場を操作するという潜在的な問題を認識しており、この問題に対抗するためにオフチェーン検証と自動マーケットメイキングがどのように実装されているかについて説明しています。アルドリッジ氏は、仮想通貨市場における操作を防ぐ上での自動マーケットメイキングの重要性を理解するために、これらの概念を理解することの重要性を強調しています。
アルドリッジ氏は、自動マーケットメーカー (AMM) の背後にある原則を詳しく掘り下げ、仮想通貨取引に対する AMM の革命的な影響を強調します。彼女は、流動性関連の不変条件によって形成される AMM 曲線が、流動性プール内の残りの在庫に基づいて価格を決定する方法について説明します。彼女は、年中無休の流動性、公式のスリッページ推定、凸曲線による公正価値の決定など、AMM の利点を強調しています。ただし、AMMは不安定な状況では損失に直面する可能性があり、それが取引手数料の導入につながる可能性があるとも彼女は述べています。
アルドリッジ氏は、AMM を従来の市場と比較し、継続的な流動性、予測可能なスリッページ、公正価値の決定など、自動化されたマーケットメイクの利点について説明します。彼女は、UniSwap が採用しているコンスタントプロダクトマーケットメイキング手法について説明し、執行ブローカーがパラメータ化されたデータに基づいて流動性と執行のためのプラットフォームをどのように選択できるかを示しています。
講演者は、出来高変化の計算と公的流動性プールと民間流動性プールの区別について説明します。彼女は、さまざまな取引所のビットコインとイーサリアムを使用した経験的な例を示し、それらの曲線の違いを指摘し、特定のプラットフォームに関する潜在的な懸念を示唆しています。
アルドリッジ氏は、市場の安定性を確保するために、凸形状を使用して AMM 曲線を設計することの重要性を強調しています。彼女は、システムにおける流動性プロバイダーとトレーダーの役割と、それらが取引手数料からどのように恩恵を受けるかについて説明します。彼女はまた、AMM システムが従来の市場で使用される可能性を提起し、IBM 株などの資産への適用の検討を促しています。
アルドリッジ氏は、従来のマーケットメーカーがすでに同様のシステムを導入していることを指摘し、従来のマーケットと自動マーケットメイキングの融合を模索している。彼女は、市場の相互作用、取引戦略、執行方法、透明性において予想される変化を強調しています。自動マーケットメーカーが市場の微細構造に及ぼす影響についても議論します。
暗号通貨市場のような24時間365日の取引環境での自動流動性の実装の実現可能性について、オルドリッジ氏は、自動マーケットメイクによって従来のマーケットメイク方法に伴うリスクを排除でき、このテクノロジーはすぐに利用できると説明しています。ただし、すべての仮想通貨取引所が自動マーケットメイキングを利用しているわけではないと彼女は警告し、リスク管理と外部性に対処するための研究の必要性を強調しています。アルドリッジ氏は、自動市場形成技術は2002年にビットコインなどの仮想通貨とほぼ同時期に登場したと指摘する。
自動マーケットメイクディーラーが個人情報にアクセスできることによる潜在的な不当な利益についての質問に対し、オルドリッジ氏はそれが問題を引き起こすことを認めた。しかし、彼女は、さまざまなプラットフォームにわたる自動化された市場形成曲線を調べて定量化することが、この問題を軽減するのに役立つ可能性があると示唆しています。彼女は、マイナーは注文ブロックにアクセスして検証することで利益を得ることができるため、作業を継続する動機があると指摘しています。それにもかかわらず、民間のインセンティブがない限り、この分野で利益を生み出すことはますます困難になり、寡占の形成につながっています。オルドリッジ氏は、保険は鉱夫にとってほぼ無料で働く自然なインセンティブとして機能する可能性があると提案している。しかし、保険会社はブロックチェーンが業界に対する大きな脅威であると認識しており、その結果、そのようなシステム設計に抵抗が生じています。彼女はまた、詐欺計画の可能性にも言及し、IBM 曲線における潜在的な操作を強調しています。
一元化された指値注文帳の文脈で、オルドリッジ氏は、市場参加者が費用対効果の高い自動化された方法で流動性を提供し、潜在的に利益をもたらすAMMなどの自動マーケットメイクモデルをどのように活用しているかを説明します。ただし、AMM を使用するトレーダーと手動で指値注文を行うトレーダーを区別することは依然として課題です。アルドリッジ氏は、微細構造データ分析を通じて悪意のあるユーザーを特定することで潜在的な解決策が得られる可能性があると示唆しています。彼女は、AMM が市場を支配し続ければ、より効率的で合理化されたモデルが出現すると信じています。
要約すると、アイリーン・アルドリッジの議論は、ブロックチェーン技術、自動化された市場形成、従来の市場と AMM 世界の融合のさまざまな側面をカバーしています。彼女はブロックチェーンの基本を探り、プルーフ・オブ・ワーク・マイニング・システムに関連する課題と潜在的な解決策について議論し、従来の市場に対する AMM の利点を強調します。オルドリッジ氏はまた、自動流動性の実装の実現可能性、自動マーケットメイクディーラーが個人情報にアクセスできる問題、マイナーへのインセンティブとしての保険の潜在的な役割に関する懸念にも言及しています。彼女は洞察を通じて、金融と自動市場形成の世界における現在の状況と将来の可能性について貴重な視点を提供します。
Agostino Capponi (コロンビア): 「プライベート トランザクション プールはフロントランニング リスクを軽減しますか?」
Agostino Capponi (コロンビア): 「プライベート トランザクション プールはフロントランニング リスクを軽減しますか?」
コロンビア大学の研究者であるアゴスティーノ・カッポーニ氏は、分散型取引所におけるフロントランニングの問題を詳しく調査し、潜在的な解決策としてプライベートトランザクションプールを提案しています。これらのプライベート プールはオフチェーンでパブリック プールから分離して動作し、フロント ランニングに関与しないことを約束したバリデーターが確実にそれらを処理します。ただし、カッポーニ氏は、すべてのバリデーターがプライベート プールに参加しているわけではないため、プライベート プールの使用には実行リスクが伴うことを認めています。つまり、トランザクションが気づかれずに実行されない可能性があるということです。プライベート プールの採用によって、実行に必要な最低優先手数料が必ずしも削減されるわけではないことに注意することが重要です。さらに、カッポーニ氏は、最前線にいる攻撃者間の競争は、最大抽出可能価値 (MEV) を通じて検証者に利益をもたらすと指摘しています。最終的に、プライベート プールはフロントランニング リスクを軽減できますが、執行に必要な手数料が増加し、配分の非効率につながる可能性があります。
カッポーニ氏は、プライベート プールを経由してルーティングされるトランザクションの割合と、最適な割り当てを複雑にするフロントランの確率との相関関係を強調しています。彼はまた、制圧攻撃や移動攻撃など、さまざまなタイプの先頭攻撃を調査し、先頭攻撃によって被る相当な損失を示すデータを提示します。これらのリスクに対処するために、カッポーニ氏は、トランザクションのタイミングについてユーザーを教育し、トランザクションの検証をより決定論的にして、より公平なシステムを構築することを提案しています。
このディスカッションでは、プライベート トランザクション プールのダイナミクス、導入の課題、およびそれに伴う潜在的なトレードオフについて触れています。カッポーニ氏は、プライベート プールがどのようにフロント ランニングに対する保護を提供するかを説明していますが、その有効性はプライベート プールに参加しているバリデーターの数に依存すると警告しています。さらに、MEV の喪失によりバリデーターがプライベート プールを採用しない問題にも言及し、プライベート プールの採用を奨励するためのユーザー補助金などの潜在的な解決策を提案しています。
プライベートトランザクションプールはフロントランニングリスクをある程度軽減できるものの、確実なものではなく、最適な割り当てが達成できない可能性があるとカッポーニ氏は強調する。この複雑さは、攻撃者間の競争、プライベート プールでのバリデーターの採用率、およびその結果としての実行手数料への影響などの要因から生じます。この議論では、ブロックチェーンコミュニティが最前線のリスクに対処し、公平かつ効率的な分散型交換環境を確保する上での重要な考慮事項が提起されています。
ケビン・ウェブスター博士: 「より少ないコストでより多くを得る - 因果正則化によるより良い A/B テスト」
ケビン・ウェブスター博士: 「より少ないコストでより多くを得る - 因果正則化によるより良い A/B テスト」
このビデオでは、ケビン ウェブスター博士が、取引実験と因果的機械学習に関連する課題を掘り下げ、さまざまな重要なトピックを展開しています。彼が扱う顕著な問題の 1 つは、取引における予測バイアスです。取引中に観察されるリターンは、価格への影響と予測される価格変動の組み合わせです。このバイアスを軽減するために、ウェブスター博士は、ランダム化された取引データの使用と因果的正則化の適用という 2 つのアプローチを提案しています。取引の原因となった取引シグナルを回帰モデルに組み込むことで、バイアスを排除できます。
ウェブスター博士は、取引のアルファ、取引の規模、取引中の収益という 3 つの変数を含む因果グラフの概念を導入しました。同氏は、アルファを観察せずに価格への影響を正確に見積もることは困難であり、この点において従来の計量経済学の手法では不十分であると主張しています。同氏は、サイズと期間が限られているため、ランダム化された取引実験には限界があることを強調し、慎重な実験設計とシミュレーターを使用したコスト見積もりの必要性を強調しました。
従来の計量経済学の欠点を克服するために、ウェブスター博士は因果正則化を提唱しています。 Amazon から派生したこの方法では、トレーニングには偏りのあるデータを、テストには偏りのないデータを利用するため、低バイアス、低分散の推定値が得られます。利用可能な豊富な組織データを活用してバイアスを修正し、より正確な予測を可能にします。
特に取引データに信頼性がない場合、その影響を知らずにアルファを推定することは、大きな課題となります。ウェブスター博士は、価格設定テクノロジーに依存せずに不偏なデータを取得するために、取引をランダムに送信することを提案しています。ただし、このアプローチでは、アルファの信頼区間を確立するために取引の大部分を放棄する必要があり、現実的ではない可能性があります。あるいは、因果的機械学習を活用して、より少ないデータで同様の結果を達成することを提案しています。因果的機械学習は、取引コスト分析、価格影響評価、アルファリサーチなどの取引アプリケーションで特に価値があることが証明されており、深く偏った取引データが利用できるため、従来の計量経済学を上回ります。
講演者はまた、A/B テストにおける統計分析の重要性についても掘り下げ、価格への影響を定義し、予測バイアスに対抗するために統計的尺度を付加する必要性を強調しました。このバイアスに対処しないと、分析は主観的になり、個人の解釈に依存することになります。ウェブスター博士は、観察された公開データによってもたらされる課題を認識しており、介入データから得られる洞察を強調しています。どのアプローチを採用するかという質問に答えるのは複雑ですが、A/B テストは銀行業界や証券業界では依然として一般的な手法です。
最後に、Webster 博士は転移学習と因果的正則化の関係について簡単に説明します。どちらも 1 つのデータセットでモデルをトレーニングし、それを別のデータセットに適用する必要がありますが、転移学習には因果関係の解釈が欠けています。この 2 つの類似点は検証プロセスにあり、相互検証が重要な役割を果たします。数学的な類似点にもかかわらず、ウェブスター博士は、このアプローチにおける因果関係の解釈の新規性を強調しています。
Yuyu Fan (Alliance Bernstein): 「テキスト マイニングを活用して洞察を抽出する」
Yuyu Fan (Alliance Bernstein): 「テキスト マイニングを活用して洞察を抽出する」
Alliance Bernstein の研究者である Yuyu Fan は、決算報告の記録を分析し、効果的な取引戦略を生成する際の自然言語処理 (NLP) と機械学習のアプリケーションについて貴重な洞察を提供します。
Fan のチームは、センチメント分析、会計分析、可読性スコアリングなどのさまざまな手法を使用して、決算報告のトランスクリプトから抽出された 200 以上の特徴をスクリーニングしました。彼らは、BERT (トランスフォーマーの双方向エンコーダー表現) などの高度なモデルを利用して、CEO の感情とアナリストの感情を比較して、講演者の感情を評価しました。興味深いことに、彼らはアナリストのセンチメントがより信頼できる傾向があることを発見しました。
分析はトランスクリプトの個々のセクションと結合されたセクションの両方で行われ、チームはコンテキスト主導のアプローチが背景の単語に基づく単純なアプローチよりも優れていることを発見しました。特に米国の小型株のセンチメントシグナルは良好なパフォーマンスを示し、投資チームによって推奨されました。
ファン氏は方法論の説明の中で、チームが分位スクリーニングとバックテストを使用してさまざまな機能のパフォーマンスを評価した方法について説明します。彼らは、辞書ベースのアプローチと BERT を使用したコンテキストベースのアプローチに基づいて感情スコアを調査しました。チームはまた、企業業績との潜在的な相関関係を特定するために CEO のコメントに焦点を当て、文章の理解しやすさを測定する可読性スコアを詳しく調査しました。
Fan は、BERT の動作についての洞察を提供し、特定の単語の左右からコンテキスト情報をキャプチャする双方向エンコーダー表現を強調しています。チームは、自己ラベル付けと外部データセットを通じて感情ラベルを追加することで、感情分析用に BERT モデルを微調整しました。彼らの調査結果は、決算報告の記録の例が示すように、BERT ベースのセンチメント分析が辞書ベースのセンチメント分析よりも優れていることを示しました。
さらに、ファン氏はセンチメント分析の精度しきい値を設定する際の課題について説明し、実際のパフォーマンスは精度レベル間で大きく変わらない可能性があると強調しています。彼女は、米国の小型株に対するセンチメントシグナルが成功し、それが投資チームによる推奨につながったことを強調しています。ファン氏はまた、データ増強を通じてモデルを強化する継続的な取り組みとともに、効率的な取引戦略を作成するためのクオンツシグナルとして機能する可能性があるNLPの機能を詳しく説明した論文の出版についても言及しています。
議論は、NLP の特徴と従来の基本的および定量的特徴の間の相関関係をカバーするように拡張され、可読性とセンチメント アカウンティングで観察された中程度の相関関係が強調されています。ファンは、リバランス前に入手可能な最新情報に基づいた企業の選択など、リターンの方法論を明確にしています。
最後にファン氏は、CO2 裁定取引、BERT と FinBERT の違い、金融関連の申請、収益、ニュースに特化した BERT の金融利用モデルの開発などのトピックに触れています。文字起こしサービスとベンダー ソリューションを使用して、分析のために音声データを文字起こしに変換するプロセスについても説明します。
要約すると、Yuyu Fan の研究は、決算報告のトランスクリプトの分析における NLP と機械学習技術の力を示しています。感情分析、会計分析、可読性スコアリングの適用と、BERT などの高度なモデルの利用により、効率的な取引戦略の生成が可能になります。アライアンス・バーンスタインの投資チームが推奨しているように、コンテキスト主導のアプローチは素朴なアプローチよりも優れており、感情シグナルは特に米国の小型株にとって価値があることが証明されています。
Ciamac Moallemi (コロンビア): 「流動性供給と自動マーケットメイキング」
Ciamac Moallemi (コロンビア): 「流動性供給と自動マーケットメイキング」
この包括的なディスカッションでは、コロンビア大学のシアマック・モアレミ教授が、流動性供給と自動マーケットメイク(AMM)の複雑さをさまざまな角度から掘り下げています。同氏は、ブロックチェーンプラットフォームが直面する計算とストレージの課題に対処する上での AMM の関連性と、流動性プロバイダーにプラスの利益を生み出す AMM の能力を強調しています。この概念を説明するために、Moallemi は UniSwap V2 のボラティリティに対する逆選択コストを提示し、1 億 2,500 万ドルのプールに対して年間約 39,000 ドルのコストがかかることを明らかにしています。彼は、流動性プロバイダーのリターンを決定する際のボラティリティと取引高の重要性を強調し、AMM が裁定取引者や情報に基づいたトレーダーをどのように扱うかについて説明します。
Moallemi 氏は、ブロックチェーン上で AMM を利用する利点を強調し、プールされた価値機能と結合機能の役割を探ります。同氏は、リバランス戦略に伴うリスクとコストをヘッジする重要性を強調しています。さらに、モアレミ氏は、イーサリアムブロックチェーンの実際のデータと比較しながら、流動性供給と自動マーケットメイクのための独自のモデルを紹介しています。彼は、彼のモデルが仲介者に支払われるコストを削減することで、AMM をどのように強化できる可能性があるかについて説明します。モアレミ氏は、データソースとしてオラクルを利用したり、承認された参加者に裁定権を販売して手数料なしでプールに対して取引できるようにしたりするなど、最適以下の価格によって引き起こされる非効率を軽減するためのさまざまなアプローチを提案しています。
さらに、Moallemi 氏は、特にシンプルさとアクセシビリティの点で、従来の指値注文ブックに対する AMM の利点を説明しています。同氏は、AMM が複雑なアルゴリズムや広範なリソースの必要性を排除することで、どのようにしてそれほど洗練されていない参加者に対して競争の場を平準化するかを強調しています。 Moallemi 氏は、AMM を正しい方向への一歩として位置づけ、より幅広い参加者に利益をもたらすより良い構造の可能性について楽観的な見方を表明して締めくくりました。
Andreea Minca (コーネル大学 OIE): 異種金融ネットワークのクラスタリング
Andreea Minca (コーネル大学 OIE): 異種金融ネットワークのクラスタリング
コーネル大学 ORIE の金融ネットワーク分野の著名な専門家であるアンドレア ミンカ教授は、異種金融ネットワークのクラスタリングの複雑さを探ることに研究を捧げてきました。彼女は、これらのネットワークによってもたらされる特有の課題、特に任意の接続パターンを持つ外れ値の存在に取り組むために、革新的な正則化用語を導入しました。これらの外れ値は、スペクトル クラスタリング アルゴリズムのパフォーマンスを妨げ、クラスタリングを NP 困難組み合わせ問題として知られる計算的に困難な問題に変えます。
これらの外れ値を接続パターンに基づいて特定するために、Minca は確率ブロック モデルと次数補正された確率ブロック モデルを利用します。これらのモデルは、外れ値ノードの数を知ることを除いて、外れ値ノードについての仮定を行わずに、正確な回復を理論的に保証します。金融ネットワークに固有の異質性により、ノード次数のみに基づく外れ値の検出はさらに複雑になります。
Minca は、パーティション マトリックスとノードの順列を構築することによって、ネットワークをクラスターと外れ値に分割するプロセスを詳しく調べます。彼女は、このアプローチを韓国の銀行システムの分析に適用することで例示しています。さらに、Minca はネットワーク内のギャップを埋めるために Gibbs サンプラーを採用しており、重複するポートフォリオの強さと重複レベルに基づいてクラスター化することで、効率的なリスク配分と投資の多様化を可能にします。
ミンカ氏は自身の研究の中で、接続性のないクラスターではなく、意味のある相互接続性を示すクラスターを生成することの重要性を強調しています。彼女は、クラスターリスクパリティフレームワークの下で多様化のための5つの代替案を提供するアプローチを提案し、金融ネットワークで多様化を達成するためにクラスター化アルゴリズムを使用する際には慎重な検討が必要であることを強調しています。 Minca 氏は、標準的な投資カテゴリを使用してクラスタリング アルゴリズムのパフォーマンスを定量化することをアドバイスし、これらの手法を利用する際の情報に基づいた意思決定の重要性を強調します。
全体として、アンドリーア ミンカ教授の研究は、異種金融ネットワークのクラスタリングの複雑さについて貴重な洞察を提供し、これらのネットワークに関連する課題に対処するための革新的なアプローチと実用的なソリューションを提供します。彼女の研究は、リスク分析、ポートフォリオ選択、金融システムの構造ダイナミクスの理解の進歩に貢献しています。