定量的取引 (Quantitative trading) - ページ 6

[MetaQuotes]

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。

• 00:00:00このセクションでは、アーネスト・チャンが、従来のポートフォリオ最適化手法と、過去に最適だったポートフォリオが将来は最適ではなくなる可能性があるという市場の体制変化の課題について説明します。同氏は、ほとんどの手法は過去の履歴リターンや情報を入力として使用しており、政権交代は考慮していない、と説明する。同氏は、ビッグデータとさまざまな市場で観察されるすべての変数を利用することで、機械学習がこの問題に対処できる可能性があると示唆しています。機械学習は、過去の収益のみに基づいていない期待収益を生成できるため、体制の変化に対処するのにより適しています。
  
  
• 00:05:00このセクションでは、アーネスト・チャンが金融におけるレジームの概念と、それが最適化にどのような影響を与えるかについて説明します。同氏は、弱気市場や強気市場のような実現可能な体制がいくつかある一方で、明示的に定義できず常に変化する隠れた体制も存在すると説明します。これらの体制は予測が難しく、従来の最適化手法を台無しにします。この理解により、チャン博士は、多数の変数を使用して現在の体制を測定し、それに適応できる条件付きポートフォリオ最適化の手法を開発しました。この手法により、さまざまな市場状況下での取引戦略のパフォーマンスを向上させることができます。
  
  
• 00:10:00このセクションでは、アーネスト・チャンが、最適化のための機械学習の使用と、教師あり学習を使用してパラメーターを適応させる方法について説明します。同氏は、教師あり学習では、シャープレシオや取引戦略の将来の 1 か月のリターンなど、最適化するパラメーターなどのラベル付きのターゲット変数があると説明しています。入力は、現在の体制を測定する市場変数とマクロ経済変数、およびトレーダーが調整できる制御変数の組み合わせであり、大規模なデータセットを形成します。最適化するには、パラメーターのさまざまな組み合わせを徹底的に検索して最大シャープ比を見つけます。これが条件付きパラメーターの最適化です。 Ernest Chan は、おもちゃ戦略を使用した簡単な例で締めくくっています。この例では、市場機能と制御機能を組み合わせて入力用の 1 行を形成する様子を示しています。
  
  
• 00:15:00このセクションでは、アーネスト・チャンが彼のチームが機械学習をポートフォリオの最適化にどのように適用しているかについて説明します。チームは、パラメーターの最適化に適用したのと同じ機械学習アプローチを使用して、このより広範な問題に取り組みます。彼らはビッグデータを入力特徴として使用し、隠れた体制を暗黙的に予測します。入力データとして過去のリターンとリターンの共分散のみに依存する古典的なポートフォリオ最適化手法とは異なり、この手法では、現在の市場状況、テクニカルおよびファンダメンタルズ指標、およびマクロ経済指標を考慮してレジームに適応し、現在の状況下で最適なポートフォリオを見つけます。市況。チームは Q&A の質問に答え、特定の仮想的な資本配分を考慮した場合のリターンを計算するためにシミュレーションではなく実際の市場データを使用すると説明します。
  
  
• 00:20:00このセクションでは、アーネスト・チャンが機械学習によるポートフォリオの最適化に使用される機能の種類について説明します。同氏は、時系列特徴のみが使用され、断面特徴は関与しないことを強調しています。この手法は、財務、ボラティリティ、価格、金利を測定する要因など、ポートフォリオまたは市場体制全体の特性に焦点を当てています。これは奇妙に思えるかもしれないが、チャン氏はこれを農民・フランス三要素モデルの説明的性質に関連付けている。機械学習モデルを使用する目的は、リターンを予測することではなく、リターンを正確にランク付けして、最適なポートフォリオの最適化を達成することです。
  
  
• 00:25:00このセクションでは、アーネスト・チャンが金融アプリケーションにおけるランキングの重要性と、それをポートフォリオの最適化にどのように適用できるかについて説明します。同氏は、機械学習モデルを使用してクロスセクションのリターンを予測する従来の方法では、リターンの予測の大きさと符号が正確でないと、ガベージイン、ガベージアウトの状況が生じる可能性があると説明しています。ただし、Fama-French Factor モデルと、予測よりもランキングが重要であるという概念を組み合わせた CPO 手法を使用すると、最適なソリューションは、プログラムのどのステップでもエラーに対してはるかに安定します。同氏は、この方法ではランキングが原因で機械学習の予測に多大な誤差が許容される可能性があるとも指摘しています。
  
  
• 00:30:00このセクションでは、アーネスト・チャンが、オプション購入活動のネット・デルタなどのよく知られた市場指標を使用して、行動ファイナンスの効果をどのように測定できるかについて説明します。彼は、彼の会社がこの指標を CBO モデルの機能の 1 つとして使用しており、現象の中心的な原因ではなく、現象の影響を考慮していると説明しました。次に、Chan 氏は、平均分散法を上回り、従来の資産を上回るパフォーマンスを含む、CBO モデルのパフォーマンスの具体的な結果を共有しました。さらに、CBO手法が他の手法と比較して、特定の期間において成長株と大型株にウェイトを割り当てる際にどのように優れたパフォーマンスを示したかの例も示しています。
  
  
• 00:35:00このセクションでは、講演者は、市場体制に適応できるため古典的な手法より優れたパフォーマンスを発揮する CBO (組合せベイジアン最適化) 手法とは異なり、投資と取引の古典的な手法がどのように固定的で適応的ではないかを説明します。よりよい性能。 CBO は、既存のポートフォリオにすでに取引コストが関連付けられている場合でも、取引を最適化して推奨するように設計されています。 CBO は追加の取引コストを負担せず、特定の株式の多かれ少なかれ購入を推奨するだけです。次に講演者は、CBO手法を採用し、ポートフォリオのパフォーマンスの向上が見られたクライアントの例を挙げました。
  
  
• 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。
  
  
• 00:50:00このセクションでは、アーネスト・チャンが、現金配分を指標として使用して、機械学習モデルが体制変更にどのように対応するかを示す例を示しています。 2022年に弱気相場が始まったとき、このモデルはほとんどの期間現金のままであり、ポートフォリオをマイナスリターンから救いました。また、学習アルゴリズムと最適化アルゴリズムの非線形的な性質により、目的関数は従来の最大シャープ レシオやリターンだけでなく、任意の値に設定できること、また、重み付け、ESG、売上高などの制約を設定できることにも言及しています。適用されます。このソフトウェアは柔軟性があり、クライアントが提供するあらゆる市場機能に対応できます。さらに、チャン氏は、ポートフォリオ内のコンポーネントの追加と削除が可能であり、リバランスのたびにモデルを再トレーニングできるため、このモデルは歴史の浅い株にも対応できると述べています。
  
  
• 00:55:00このセクションでは、チャンが S&P 500 指数とその構成要素のリターンの計算について説明します。同氏は、機械学習アルゴリズムは入力として株式リターンではなく時系列特徴を使用するため、機械学習アルゴリズムを使用してポートフォリオのリターンを計算することは、マーコウィッツ手法を使用することとは異なると説明します。チャン氏はまた、レジームチェンジは180の変数によって定義され、日次、月次、四半期ごとの測定値が機械学習アルゴリズムに入力される特徴として使用され、ポートフォリオの将来を予測するのに役立つ上位の特徴が選択されることにも言及した。最後に、Chan は問題を回帰問題ではなくランキング問題として再構成し、分類問題としても再構成することができます。
  
  
• 01:00:00このセクションでは、講演者は 1 つの最適なポートフォリオだけでなく、ポートフォリオのアンサンブルを使用する可能性について議論していますが、研究チームはさらに検討する必要があります。また、ポートフォリオの組み合わせが 100 万通りある場合、毎日 100 万通りの履歴データの組み合わせでモデルをトレーニングする必要があることも確認しています。しかし、彼らはそのような計算能力の必要性を排除する「秘伝のソース」について言及しています。講演者はまた、レジームを予測し、そのレジームの収益分布に基づいて調整するという 2 段階のプロセスを使用せず、代わりに視覚的な要素を使用してポートフォリオのパフォーマンスを直接予測しているとも説明しました。彼らは、そのトレーニング サンプルをモデルに大量に含めた場合、期待されるリターンは過去に起こったことと同様になるだろうと言って議論を終えています。

[MetaQuotes]

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。

• 00:00:00それらがより広く使用されるようになっているという事実。ビデオのこのセクションでは、アーネスト チャン博士が機械学習における彼の長い歴史と、それを金融に応用することにどのように価値を見いだしたかについて語りますが、最近までそれを行うのは難しかったと彼も認めています。彼は、単一ファクター モデルや線形モデルなど、何十年にもわたってクオンツ トレーダーにとってうまく機能してきたシンプルなモデルと戦略を提唱しています。クオンツ取引の台頭により、これらのモデルの収益性は低下しています。チャン氏は、ほとんどの人が行っていない方法で、どのようにして機械学習から価値を引き出すことができたかについて説明します。
  
  
• 00:05:00このセクションでは、アーネスト・チャン博士が金融機械学習における過剰適合の歴史的問題について説明します。モデルが複数のパラメーターに適合する必要がある場合、特に毎日の財務時系列のような低頻度の財務データを扱う場合、過剰適合のリスクが非常に高くなります。しかし、長年にわたる機械学習、特にディープラーニングの進歩により、過剰学習を克服することが可能になりました。ランダム フォレスト、相互検証、ドロップアウトなどの技術は過剰適合の削減に役立ち、アルゴリズムなどの他のツールは機械学習を透過的にします。ブラックボックス取引と透明性の欠如の問題は、たとえ利益が出たとしても、特定の取引を行った理由を説明できないことは受け入れられないことです。
  
  
• 00:10:00このセクションでは、アーネスト・チャン博士が機械学習における特徴選択の概念について説明します。これは、トレーダーや投資家が特定の機械学習モデルの結論につながる重要な変数をよりよく理解するのに役立ちます。特徴の選択は、結果につながる重要なインプットを特定することで、投資家が損失を出した理由や、モデルが間違った決定を下した理由についての洞察を得るのに役立ちます。チャン博士はまた、市場予測は再帰性の影響を受けるため、過去のパターンを検出することが困難になるため、機械学習は主要なシグナル生成器としてよりもリスク管理や資本配分に効果的に使用できることを強調しました。
  
  
• 00:15:00このセクションでは、アーネスト・チャン博士が、機械学習を使用して金融市場を予測することの限界について説明します。金融市場は常に進化しており、癌などの病気の予測とは比較できません。しかし、他のヘッジファンドはまったく同じパラメーターで競合していないため、機械学習を使用してトレーディング戦略などの個人情報を予測することは成功するアプローチになる可能性があると同氏は説明する。彼はまた、従来の定量的戦略と機械学習ベースの戦略を比較し、機械学習が非線形モデルを通じて代替の大規模データセットのモデリングに役立つことを指摘しました。
  
  
• 00:20:00このセクションでは、アーネスト・チャン博士が、市場の動きを予測するために非線形モデルを使用する利点について説明します。従来のクオンツ モデルは理解しやすく線形であるため、過剰適合が困難ですが、予測変数間の非線形依存関係を処理できません。一方、機械学習モデルは非線形依存性を簡単に処理できますが、その複雑さと不透明さにより複製が困難になります。さらに、機械学習モデルは成功の確率を提供し、より多くの情報に基づいた資本配分を可能にします。ただし、機械学習モデルには過学習が問題であり、統計的有意性の評価が難しい場合があります。バックテストのシミュレーションは不完全な解決策であり、市場の微妙な違いをシミュレーションで完全に捉えることはできません。
  
  
• 00:25:00このセクションでは、アーネスト・チャン博士が、従来の定量的戦略と機械学習ベースの戦略の違いについて説明します。同氏は、従来の戦略では市場をシミュレーションして正確なエラーバーを作成することがはるかに難しく、その有効性を評価することが困難であると説明しています。一方、機械学習モデルは、ランダム シードを切り替えるだけで複数のバック テストを簡単に生成でき、すべてのバック テストで異なる結果が得られる可能性があります。このランダム性により、バックテストの統計的有意性を簡単に評価できるため、トレーディングで機械学習を使用することの大きな利点となります。ただし、財務データ サイエンスは、たとえ評判の良いベンダーからのものであっても、通常は多くの問題があるため、戦略を構築する上で最も困難で時間のかかるステップです。
  
  
• 00:30:00このセクションでは、アーネスト チャン博士がセンチメント データの使用に関連する問題のいくつかについて概説します。同氏は、ニュースを処理する企業が見栄えを良くするために遡ってパラメーターを変更する可能性があるため、感情データは常に信頼できるわけではないと指摘する。データが偏見を持って見られているかどうかを知ることができないため、生のニュースレターを新しい感情に加工する必要があり、リスクが生じます。さらに、データは応答を自動化する上で大きな課題となります。金融データ サイエンスのステップは、ドメインの専門知識を通じて人間の知性を必要とするため、困難を伴いますが、これは金融機械学習の問題における逆説的な問題です。 2 番目のステップは機械学習ですが、これはテクノロジー業界がすでに解決しています。最後のステップは取引戦略の構築とバックテストです。これには、予測を一貫した戦略にまとめ、統計的有意性を評価する必要があります。
  
  
• 00:35:00このセクションでは、アーネスト・チャン博士が、金融の教科書に載っている標準的なルーチンに従って、予測をポートフォリオに変換する方法について説明します。ただし、これにはある程度のドメインの専門知識が必要であり、完全に自動化されるわけではありません。同氏はまた、特徴を固定化することや、市場を予測するのではなく戦略が利益を生むかどうかを予測するためにメタラベリングを使用することの重要性など、金融データサイエンスの難しさも強調しています。 Chan 博士は、さらに詳しい情報について、金融に適用されるメタラベリングに関するブログ投稿を読むことをお勧めします。また、ランダム フォレストは非線形性をうまく捉えており、適切な複雑性を備えているため、金融機械学習で最も人気のあるモデルの選択肢であるとも述べています。
  
  
• 00:40:00このセクションでは、アーネスト・チャン博士が、市場動向の予測と損失回避における機械学習の重要性について語ります。彼は、機械学習モデルを使用して世界経済におけるテロ活動の存在を検出したという個人的な経験を共有し、ファイザーのワクチン発表の場合のように、そのアドバイスに従わない場合のリスクについて警告しています。彼はまた、投資家に損失を説明する際の特徴選択の重要性を強調し、初心者向けに機械学習に関する自身の本を推奨しています。さらに、チャン博士は、正しい予測を行うにはデータのクリーンさと定常性が重要であることを強調し、そのために非定常時系列がモデルの正確な予測能力に悪影響を与える可能性がある例を紹介しました。
  
  
• 00:45:00このセクションでは、アーネスト・チャン博士が、基本データ、特にカテゴリデータを機械学習モデルに組み込むことについて説明します。線形回帰モデルはカテゴリデータを処理できませんが、機械学習モデルは実数値とカテゴリデータの両方を処理できます。しかし、金融機械学習には特徴を作成しデータを正しく解釈するための深い専門知識が必要であるため、機械学習が人間のトレーダーを完全に置き換えることはできないとチャン博士は強調します。さらに、ディープラーニングを盲目的に崇拝することに対して警告し、十分な関連データがなければディープラーニングは万能のソリューションではないと強調しています。最後に、彼は若い実務家に、ニッチな市場を見つけ、資金豊富な組織との直接の競争を避けるようアドバイスしています。
  
  
• 00:50:00このセクションでは、アーネスト・チャン博士が資本配分と、機械学習が資本資産配分モデルへの入力としてより洗練された期待収益をどのように提供できるかについて説明します。彼は、将来の成功を保証するものではなく、過去の実績を期待収益として使用することの矛盾に疑問を抱いています。また、機械学習は、分布の静的な確率のみを提供する古典的な統計とは異なり、毎日異なる確率で市場を微妙に理解することもできます。再帰型畳み込みニューラル ネットワークのような深層学習手法に関しては、非時系列入力や特徴選択には役に立たない可能性があるとチャン博士は考えています。
  
  
• 00:55:00このセクションでは、アーネスト・チャン博士が、ドメインの専門知識を必要とする予測を成功させるために必要な多様な横断的特徴を作成する際の深層学習の限界について説明します。彼はまた、さまざまな時間スケールにおける金融モデルにおける強化学習の位置についても意見を述べています。同氏は、強化学習は注文板に注文を出す人々に反応できるため、高頻度取引では非常に高い頻度で機能する可能性があるが、より長い時間スケールでは機能しないと考えている。最後に、彼は彼の会社 PredictNow.ai を、彼のような人の専門知識に興味がある人向けのノーコード金融機械学習の優れたリソースとして推奨しています。

[MetaQuotes]

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。

• 00:00:00トーマス・スターク博士は、数年来興味を持っていたテーマであるトレーディングのための深層強化学習を紹介します。強化学習 (RL) は、機械が監視なしでタスクを解決できるようにする技術であり、好ましい結果を生み出すために何をすべきかを自ら学習します。彼は、コンピューター ゲームのプレイ方法を学習したいマシンがどのようにゲーム シナリオから開始し、画面に表示される内容に応答しながらあるステップから次のステップに移動するかを説明します。最後にゲームは終了し、マシンは一連の決定に基づいて成功または失敗を達成します。
  
  
• 00:05:00 Thomas Starke 博士は、深層強化学習による取引について議論し、マルコフ決定プロセスの概念を説明します。このプロセスでは、状態が特定の市場パラメータに関連付けられ、アクションによってプロセスが 1 つの状態から次の状態に遷移します。遷移に応じて、エージェント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。取引では、市場パラメータを使用してエージェントがどのような状態にあるかを特定し、どのようなアクションをとるべきかを決定するのに役立ちます。
  
  
• 00:10:00トーマス・スターク博士は、システムの状態を知らせるさまざまな指標に基づいて、買うか売るか保有するかを決定することを含む、取引に関わる意思決定プロセスについて説明します。目標は、取引の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。ただし、状態に当面の利益や損失などの特定のラベルを付ける従来の機械学習アプローチでは、近い将来に取引が不利になる場合に誤ったラベルが表示される可能性があります。したがって、マシンは、最初は私たちに不利な場合でも、いつトレードに留まるべきかを理解し、トレードが平均線に戻るまで待ってトレードを終了するという信念を持っていなければなりません。
  
  
• 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。
  
  
• 00:30:00このセクションでは、Starke 博士が、トレーディングにおけるインプットの重要性と、インプットに何らかの予測値がどのように必要であるかについて説明します。そうしないと、システムは適切なトレーディングの決定を下すことができなくなります。同氏は、システムの既知の動作をテストし、選択した報酬関数に応じてニューラル 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必要性を強調しています。次に、取引におけるゲーミフィケーションがどのように機能するかを説明します。状態とは、過去の価格と現在の価格、テクニカル ガード データ、代替データ ソースであり、報酬は取引の損益です。強化学習器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することで、機械はより適切な取引決定を行うことを学習します。
  
  
• 00:35:00このセクションでは、Thomas Starke 博士が、強化学習を使用したトレーニング用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このセクションでは、Thomas Starke 博士が、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。
  
  
• 00:55:00このセクションでは、トーマス・スターク博士が、取引に強化学習を使用する際の課題について説明します。まず、強化学習は市場の行動の変化に適応するのが難しく、新しい行動を学習することが困難になります。さらに、大量のトレーニング データが必要ですが、市場データはまばらであることがよくあります。強化学習は効率的ですが、簡単に過剰適合する可能性があり、実際に機能するのは基本的な市場パターンのみです。より複雑なニューラル ネットワークを構築すればこの問題を解決できますが、時間のかかる作業です。結局のところ、強化学習は収益性の高い結果を生み出すための特効薬ではありません。取引で成功するためには、優れた市場経験と分野固有の知識が重要です。 Starke 博士は Quant NC の講義を提供しており、これらのシステムのコーディングに興味がある人は誰でも、LinkedIn でよく練られた質問をして彼に連絡することを勧めています。
  
  
• 01:00:00 Thomas Starke 博士が、深層強化学習を使用した取引に関するさまざまな質問に答えます。同氏は、ベルマン方程式では先読みバイアスが導入されず、注意深く分析した後にテクニカル指標を入力として使用できる場合があると説明しています。衛星画像は株価の予測に役立つ可能性があり、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強化取引を実行できます。また、強化取引アルゴリズムが市場の異常に対してどれほど敏感であるかについても説明し、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意味がない理由についても説明します。
  
  
• 01:05:00このセクションでは、トーマス・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・マシンではなく、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。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が不可欠であると説明しています。同氏は、人々は高頻度取引に強化学習を使用しようとしたが、最終的には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に終わったと述べています。同氏は、市場の知識を得ることが、金融業界でトレーディングのキャリアを積み、実際に取引を行い、その過程で多くのことを学ぶのに大きく役立つだろうと示唆しています。最後に、ニューラル ネットワークを使用してオプション取引で良い結果を得ることができるかどうかについて議論し、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す。
  
  
• 01:10:00このセクションでは、トーマス・スターク博士が、単にテクニカル指標に依存するのではなく、基礎となる商品を取引するための入力としてオプション データをどのように使用できるかについて説明します。また、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することや、スリッページのモデルを構築し、それらの要素を報酬関数に組み込むことで、スプレッド、手数料、スリッページをアルゴリズムに組み込む方法に関する質問にも答えています。同氏は、取引量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促し、出力値を使用してポートフォリオのウェイトをそれに応じて設定することを推奨しています。最後に、質問をし、講演に参加してくれた聴衆に感謝の言葉を述べました。

[MetaQuotes]

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。

• 00:00:00このセクションでは、UT オースティン校の Harrison Walden が、金融業界におけるアルゴリズムによる共謀に関する最近の研究について説明します。同氏は、電子市場における取引の大部分はアルゴリズムによって実行されており、その多くは取引戦略を学習するために強化学習（RL）などの機械学習技術を使用していると指摘しています。 RLはディープヘッジと最適な執行において実質的な成功を収めているが、規制当局は企業が完全に自律的なアルゴリズム取引に依存していることに対し、明示的なコミュニケーションなしにタスクの癒着や市場価格のつり上げにつながる可能性があると懸念を表明している。ウォルデン氏の研究は、アルゴリズムによる共謀とその金融業界への潜在的な影響を研究するためのツールを提供することを目的としている。
  
  
• 00:05:00このセクションでは、Harrison Waldon が、金融環境における強化学習アルゴリズムの動作に関する既存の研究の限界について説明します。一部の実験証拠は、特定の強化学習アルゴリズムが特定のシナリオで複雑な共謀戦略を学習できることを示していますが、そのような実験には理論的な厳密さが欠けています。さらに、RL アルゴリズムの説明可能性の欠如は、特にマルチエージェント環境や金融市場などの非定常環境において、AFM などの組織にとって懸念事項です。 Waldon の研究を推進する主な疑問は、金融環境における相互作用する強化学習アルゴリズムの動作をどのように理解できるのか、そしてこれらのアルゴリズムが共謀することを証明できるのか、ということです。
  
  
• 00:10:00このセクションでは、Harrison Waldon が、強化学習 (RL) では、関数 F または学習ルールが、古いパラメータ値、現在の状態、現在のアクション、および場合によってはその後の状態を取得して情報を組み込むことについて説明しています。新しいパラメータのセット。目標は、最適なポリシーに近似する一連のパラメーターを見つけることです。 RL でよく使用されるアルゴリズムの 1 つは、非同期表形式 Q 学習です。これは、1 つのパラメーター値を各状態とアクションのペアに関連付け、それらを非同期方式で更新します。 Q ラーニングは、単一エージェント設定ではうまく機能しますが、市場で一般的なマルチエージェント設定や非定常設定ではより困難になります。金融における状態空間は、他のエージェントの提示価格のベクトルとして定義され、アクション空間には買い、売り、または保有が含まれます。
  
  
• 00:15:00このセクションでは、チームの研究で興味深い発見の 1 つが、無関係な市場要因で条件付けを開始すると、アルゴリズムが黒点取引を学習できるということを学びます。講演者は、Q 学習が他の Q 学習者との相互作用においてどのように動作するかを説明し、マルコフ決定プロセスのマルチエージェント類似物を確率的ゲームとして定義します。彼らは、たとえ遷移関数が固定されているとしても、エージェントが時間の経過とともにどのようにポリシーを学習して適応させ、状態プロセスの真のダイナミクスを非定常にするかを議論します。講演で使用される主な例は囚人のジレンマで、2 つの競合する流動性プロバイダーが存在する様式化された市場として解釈されます。
  
  
• 00:20:00アルゴリズムを備えた他のプレイヤーと囚人のジレンマ ゲームを繰り返しプレイすることを学習するアルゴリズムの動作を理解します。これを達成するには、状態プロセスに状態の概念を与える必要があり、私たちが到達したシステムはアルゴリズム学習方程式と呼ばれます。このシステムを導出するために、確率的近似による ode 法を使用してパラメータの進化を近似し、ポリシーの直接分析を可能にします。このモデルには制限が存在しますが、提示されたツールは汎用的なものであり、これらの制限に対処できます。
  
  
• 00:25:00このセクションでは、Harrison Waldon が、古典的な確率近似と ODE を利用してパラメータの進化を近似するアルゴリズム学習方程式について説明します。定常分布に関して学習ルールを条件付けし、固定パラメータを導入することにより、学習アルゴリズムを模倣する ODE システムを導き出します。これらのアルゴリズム学習方程式は、非縮退学習率やパラメーターのコンパクトさなどの特定の条件が与えられた場合のアルゴリズムの進化を近似できます。定常分布とポリシーはリプシッツ連続であり、これも重要であることがわかります。ダイナミクスが変化する非定常プロセスのため、使用される確率的近似が必要です。
  
  
• 00:30:00このセクションでは、Harrison Waldon がアルゴリズム学習方程式とその特性について説明します。ビデオで説明されている Q 学習の例は、コンパクトなセットでのパラメーターの維持、エルゴード マルコフ連鎖、ポリシーおよび学習ルールのリプシッツ連続性など、これらの方程式のすべての特性を満たしています。 Waldon は、適切な時間スケーリングの下では、アルゴリズムは任意の有限時間範囲に対して高い確率で ODE の解に近づき、学習率が十分に速く減衰すればほぼ確実に局所的に漸近的に安定した解に収束することを示しています。 Waldon は、ソフトマックスのアクション選択を備えた Q 学習を使用して、これらの方程式を繰り返し囚人のジレンマに適用することで検証すると結論付けています。
  
  
• 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。
  
  
• 00:40:00ビデオのこのセクションでは、Harrison Waldon が特定のアクションを実行する確率と、分析中のシミュレーションにおけるノイズの原因について説明しています。彼は、エルゴーティックな国家プロセス、政策の定常分布、および一連の政策が共謀結果を引き起こす頻度を調べるために、処罰の観点から各エージェントの政策の構成要素をどのように解釈するかについて議論します。また、軌道が数値的に収束するまでの初期条件の範囲に対する状態依存 Q 学習のアルゴリズム学習方程式のプロットも提供します。
  
  
• 00:45:00ビデオのこのセクションでは、Harrison Waldon が、アルゴリズム学習方程式を使用した Q 学習を使用して、確率的ゲームにおける共謀の動作を学習した結果について説明します。エージェントは、高い共謀確率で始めなかったとしても、ほぼ 100% の確率で共謀スプレッドを行う方法を学習することができました。この結果では、共謀による結果が引き寄せられる大きな領域だけでなく、相互に共謀による結果と相互に競争による結果の間を行ったり来たりするなどの予期せぬ行動も示されました。この研究で使用された方法論は、状態依存の強化学習アルゴリズムの広範なクラスの動作を近似できる、最小限に制限された十分条件を提供しました。ただし、定常分布の計算には数値的な困難があるため、いくつかの制限がありました。全体として、Q 学習はこれらの確率的ゲームにおける共謀行動の学習に成功しました。
  
  
• 00:50:00このセクションでは、Harrison Waldon が、リアプノフ関数の存在を示すことによって、アルゴリズムの学習方程式がアルゴリズムの漸近挙動に近似することを保証する方法を説明しますが、これは定常分布を扱う必要があるため困難です。この問題に対処するために、ウォルドンは、状態依存の滑らかな架空の遊びと呼ばれる古典的な架空の遊びを一般化した新しいアルゴリズムを導入しました。このアルゴリズムは、システム内のすべてのエージェントが定常的なポリシーに従ってプレイし、それらの戦略の信念がプレイの経験的な頻度によって形成されることを前提としています。このアルゴリズムは、システムにランダム性を追加し、ソフトマックス分布に従ってアクションを実行して、決定論的な学習ルールの問題を回避します。
  
  
• 00:55:00このセクションでは、ハリソン・ウォルドンは、アルゴリズムの学習方程式を使用して連続時間システムを分析し、滑らかな架空の遊びのアルゴリズムがシステムの休止点に収束することを保証でき、その一部は共謀的な戦略である可能性があると説明しています。 。割引係数が大きくなるにつれて、共謀的な結果を学習する可能性が高くなります。 Waldon はまた、より現実的な市場ダイナミクスの必要性と、均衡と価格を研究するための深層強化学習アルゴリズムにアルゴリズム学習方程式を適用する可能性についても説明します。最後に、彼は共謀の検出の難しさと、真の共謀と合理的な自己保存行動を区別するという課題を認めています。
  
  
• 01:00:00このセクションでは、Harrison Waldon が、静的なゲームの平衡が人々の間の動的な相互作用の現実の狭い反映であることについて説明します。彼は、どのような均衡行動を規制すべきかを検討する際、特に合理的であると見なされ、当事者間での直接的なコミュニケーションなしにアルゴリズムを通じて到達する可能性のある共謀行動に関して、全体的なアプローチの必要性を強調しています。セッションは、ウォルドンが出席者に感謝の意を表し、春学期シリーズを締めくくることで終了します。

[MetaQuotes]

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。

• 00:00:00このセクションでは、アイリーン・アルドリッジが金融業界での経歴と、市場がどのように機能するかに焦点を当てた微細構造への関心について説明します。次に、自動マーケットメイキングのトピックと、それがどのように暗号市場で生まれ、現在は伝統的な市場にも展開されているのかについて紹介します。彼女は、ブロックチェーン 101 の概要、金融におけるブロックチェーンの応用、プログラミング、実際の市場形成と従来の市場への波及のケーススタディを含むプレゼンテーションの概要を説明します。アルドリッジは電気工学の経歴があり、トレーディング、リスク管理、研究など、金融業界のさまざまな分野で働いてきました。
  
  
• 00:05:00このセクションでは、アイリーン・アルドリッジがブロックチェーン技術の基本について説明します。彼女は、これを、各行が前の行の暗号化された概要を保持しており、以前のデータを変更することが計算上困難になる、派手なデータベースであると説明しています。さらに、ブロックチェーンのマイニング プロセスと、ブロックの提案されたコンテンツを調べてメモリにコミットするプロセスについても説明します。アルドリッジ氏は、ブロックチェーンが事務手続きや支払いをブロックチェーンに移行し、透明性と分散化を高めるのに役立つと考えています。
  
  
• 00:10:00このセクションでは、Irene Aldridge が暗号エコシステムにおける分散モデルへの移行について説明します。このモデルでは、トランザクションはパブリックであり、Oracle サーバーに集中するのではなく、複数のサーバーに保存されます。これはプライバシーが犠牲になることを意味しますが、サーバー上にデータベースの複数のコピーを持つことで堅牢性が向上することは、公平なトレードオフであると考えられます。アルドリッジ氏は、ブロックチェーンのプロセスは比較的単純で、ブロックの定義から始まり、暗号署名またはハッシュを作成し、それが次のブロックにエンコードされると説明しています。次に、チェーンの再計算の計算の複雑さを大きくしすぎてハッキングの試みに対するセキュリティを確保することを目的として、プルーフ・オブ・ワークとマイニング手順の中核となる革新について説明します。
  
  
• 00:15:00このセクションでは、アイリーン・アルドリッジが、暗号通貨のプルーフ・オブ・ワーク・マイニング・システムを悩ませている問題について議論します。彼女は、ほとんどの人にとってマイニングのコストが高くなりすぎており、特定のグループの人々だけがコストを支払う余裕があり、残りの人々はマイニングできないという均衡に陥っていると説明しています。さらに、マイナーの数は時間の経過とともに減少しており、システムは潜在的なハッキングに対して脆弱になっています。分散型モデルの強みは、コア エンジンによって最も長いチェーンが自動的に選択され、共謀者が追いついてハッキングされたブロックがシステムに導入されるのを防ぐことです。しかし、取引と採掘を行うマイナー間の利害関係やブロックのマイニングにかかる時間など、プルーフ・オブ・ワーク・システムに対する懸念が高まっています。現在、イーサリアムの12秒ごとのブロック集約や、マイニングのために人々に謎を解くことを求めるコインベースの決定など、新しいソリューションが開発されている。
  
  
• 00:20:00このセクションでは、講演者が仮想通貨エコシステムへのステーキングのプロセスについて説明します。これには、マイニングのためにシステムに資金を投入することが含まれます。利害関係者は、自分の株式や担保を特定の期間ロックアップすることができ、不正行為があった場合には、自分の株式でその代価を支払います。しかし、これは市場を操作する仮想通貨寡頭政治の寡占を生み出します。これに対抗するために、オフチェーン検証と自動マーケットメイキングが使用されてきました。後者は暗号通貨エコシステムでより人気があり、誰もがアクセスできるさまざまなオープンソース製品があり、理解しやすくなっています。講演者は、自動マーケットメイクの重要性とそれが仮想通貨市場での操作を防ぐ仕組みを理解するには、ステーキングやオフチェーン検証などの背景情報を理解することが不可欠であることを強調しました。
  
  
• 00:25:00このセクションでは、アイリーン・アルドリッジが、仮想通貨取引の世界に革命をもたらしたさまざまな自動マーケットメーカー (AMM) の背後にある原則について説明します。彼女は、AMM 曲線は曲率とオフセットが変化し、流動性に関連する不変条件によって形成され、価格は流動性プール内の残りの在庫の関数であると説明します。 AMM の利点の 1 つは、買値と買値のスプレッドがないため、スプレッドなしで 24 時間年中無休で取引でき、市場状況の変化に自動的に調整できることです。ただし、AMM は不安定な状況では損失を被る可能性があるため、従来の市場にはない取引手数料を課します。
  
  
• 00:30:00このセクションでは、アイリーン・アルドリッジが、自動マーケットメイキング (AMM) と、24 時間 365 日継続的な流動性、事前に見積もることができる公式のスリッページ、および凸状の曲線。アルドリッジ氏は、数量 1 と数量 2 の間の凸曲線に従う、人気のあるシステム UniSwap で使用される定数製品のマーケットメイク手法について説明します。アルドリッジ氏は、さまざまな取引所からデータを収集し、この一定の商品手法に基づいてデータをパラメータ化することで、執行ブローカーが流動性と執行のためにどのプラットフォームを選択するかをどのように決定できるかを強調しています。
  
  
• 00:35:00このセクションでは、Irene Aldridge が出来高と通貨のそれぞれの変化の計算について説明し、微細構造からのガール ティック ルールを使用して出来高が買いか売りかを決定する非常に単純なシミュレーションをシミュレートします。彼女はまた、パブリックとプライベートの 2 種類の流動性プールと、それらの間で行われる裁定取引について説明し、十分に流動性の高いプラットフォームではそれらの間に違いがあってはいけないことを強調しました。次に、オルドリッジ氏は、Bitfinex や Bitstamp などの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実証例を示し、それらの曲線を強調し、FTX は自動化されたマーケット メイキングの観点から期待されるものとはまったく似ていないと指摘し、それがポンジだった可能性があることを示唆しています。ずっと計画。
  
  
• 00:40:00このセクションでは、Irene Aldridge が自動マーケット メイキング (AMM) 曲線の設計について説明し、それらをさまざまな暗号通貨取引所の例と比較します。彼女は、市場の安定性を確保し、在庫が買い占められたときの急激な価格上昇を避けるために、AMM 設計で凸曲線を使用することの重要性を強調しています。さらに、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、取引手数料から彼らがどのように恩恵を受けるかについても説明します。アルドリッジ氏はまた、AMMシステムが従来の市場で使用されているという噂にも言及し、この設計がIBM株などの製品にどのように機能するかを検討する必要性を強調した。
  
  
• 00:45:00このセクションでは、アイリーン・アルドリッジが、従来の市場と、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自動マーケットメイキングの世界の融合について説明します。彼女は、個人が市場とどのように関わるか、トレーニング戦略がどのように構築されるか、どのように実行されるか、そしてすべてがどのように透明になるかについて、多くの変化が予想されると指摘しています。彼女はまた、自動化されたマーケットメーカーの影響により、市場の微細構造が変化しているとも指摘しています。 Irene は、AMM 曲線を推定するために IBM の毎日のデータがどのように使用されるか、およびより詳細なデータによってより正確な推定値を取得することがどのように容易になるかについて、基本的な理解を提供します。
  
  
• 00:50:00このセクションでは、アイリーン・アルドリッジが、従来のマーケットメイク手法がそれほど効果的ではない仮想通貨市場のような年中無休の取引環境における自動流動性の実装の実現可能性について議論します。彼女は、自動マーケットメイキングにより従来のマーケットメイキング手法に伴うリスクを排除でき、このテクノロジーは広く利用可能であ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使用しているわけではなく、リスク管理と外部性に対処するための研究が必要であると彼女は警告します。彼女はまた、このテクノロジーは 2002 年から存在しており、ビットコインのような暗号通貨の出現と同時期だったと述べています。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することで不当な利益が得られる可能性について尋ねられたとき、オルドリッジ氏は、これは未解決の問題であり、さらなる調査が必要であると述べた。
  
  
• 00:55:00このセクションでは、Irene Aldridge が、AMM ディーラーやコインを受け取って自動マーケット メイキング システム (AMM) を使用する人が他の人よりも先に注文フローを確認する方法について説明しますが、これが問題となります。ただし、利用可能なプラットフォームは多数あるため、自動化された市場形成曲線を調べて定量化することは、この問題を軽減するのに役立ちます。アイリーンはまた、この問題のせいで、マイナーは注文ブロックを調べて検証することで利益を得られる唯一の存在であるため、マイナーは続行する意欲があるとも指摘しています。しかし、民間のインセンティブがない限り、この分野でお金を稼ぐ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。アイリーン氏は、保険は鉱山労働者にとって、ほぼ無料で恩恵を受けて働くための自然なインセンティブになる可能性があると示唆しています。しかし、保険会社はブロックチェーンを自社の存続に対する大きな脅威とみなしているため、このような制度設計には抵抗があります。最後に、アイリーンは詐欺計画の可能性に関する質問に答え、IBM 曲線に詐欺計画が存在する可能性があり、底部が操作されていると主張できると述べています。
  
  
• 01:00:00このセクションでは、Irene Aldridge が集中指値注文帳における自動マーケット メイキング モデルの使用について説明します。市場参加者は、低コストで自動化された独自の AMM を利用し、市場に利益をもたらす可能性のある流動性を提供しています。それにもかかわらず、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のは現時点では困難です。アルドリッジ氏は、微細構造データを通じて不正行為者を特定することは未解決の問題である可能性があるが、AMM が市場を支配し続ければ、より合理化されたモデルが出現するだろうと示唆しています。

[MetaQuotes]

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。

• 00:00:00このセクションでは、Agostino Capponi が分散型取引所のトピックと、分散型取引所が直面する最前線のリスクについて紹介します。同氏は、ブロックチェーン アーキテクチャは、トランザクションをメモリ プールに送信することで機能し、バリデーターがそのトランザクションをブロックに追加してユーザーから料金を受け取るバリデーターによってアクセスされ、メモリ プールにアクセスできると説明しています。カッポーニ氏は、ユーザーはより高い手数料を提示することで取引を優先できるが、このシステムはフロントランニングにつながる可能性があると指摘する。彼は、この問題に対する潜在的な解決策としてプライベート プールの概念を紹介し、フロント ランニングを軽減する上でこれらのプールの有効性をテストするために、彼のチームがどのようにゲーム理論モデルを構築したかについて説明します。
  
  
• 00:05:00このセクションでは、Agostino Capponi が、ユーザーがトランザクションを確認して送信できるようにする、パブリック オープン アクセス ブロックチェーンにおけるフロント ランニングの問題について説明します。フロントランニング攻撃は、保留中または実行されたトランザクションに関する実用的な情報をユーザーが利用するときに発生します。カッポーニ氏は、攻撃者がユーザーより先に取引を実行するためにより高い手数料を課して価格を上昇させ、その後利益を得るために逆取引を実行するサンドイッチ攻撃について説明します。攻撃者の手数料が十分に高くないと失敗するリスクがありますが、攻撃者は通常、成功の可能性を高めるために命令のタイミングを計ります。
  
  
• 00:10:00このセクションでは、Agostino Capponi が、攻撃者が複数のトランザクションを送信するか、別のユーザーのトランザクションを置き換えて、目的のトランザクションを最初に実行する、抑制攻撃や置換攻撃など、いくつかのタイプのフロントランニング攻撃について説明します。カッポーニ氏は、フロントランニングがブロックチェーンの採用を制限する重大なリスクであるかどうかを疑問視し、2020年5月から2021年3月までのフロントランニング攻撃の数とそこから生み出された収益を示すグラフを提示し、これは約10,000イーサリアムまたは1億2,500万ドルの損失を示しています。前走に2人。
  
  
• 00:15:00このセクションでは、Agostino Capponi が、イーサリアム トランザクションにおけるフロント ランニングの問題と、それに関連する直接的および間接的なコストについて説明します。同氏は、この問題に対する 1 つの解決策は、プライベート トランザクション プールを使用することであると説明しています。プライベート トランザクション プールは、本質的にオフチェーンの並列チャネルであり、パブリック プールから分離されており、一部のバリデーターのみが監視できます。これらのプライベート プールに送信されたトランザクションは、バリデーターが誠実に動作する限りフロント ランニング リスクはゼロで、フロント ランニング トランザクションであることが判明した場合はプールから排除されます。全体として、プライベート トランザクション プールは、フロント ランニングが心配で、フロント ランニングを行わずにトランザクションを実行したい人にとって、優れたソリューションを提供します。
  
  
• 00:20:00このセクションでは、Agostino Capponi がプライベート トランザクション プールの使用法と、プライベート トランザクション プールがフロントランニングのリスクを軽減できるかどうかについて説明します。カッポーニ氏は、プライベート プールはバリデーターのみに表示され、オフチェーンにあるため、攻撃者はアクセスできないと説明します。これにより、バリデーターはフロントランに関与しないことを約束するため、フロントランになる可能性が排除され、保証が提供されます。 Capponi は、採用の問題と、ユーザーがトランザクションをプールに送信するかどうかについても取り上げています。さらに、攻撃者は依然として互いに競合する可能性があるものの、プライベート プールによりアービトラージ ボットによる投資不足のリスクを軽減できるとも述べています。最後に、彼は、プライベート プールの採用が観察されるかどうかを議論するための 3 人のエージェントによる単純なモデルを紹介します。
  
  
• 00:25:00このセクションでは、Agostino Capponi がプライベート トランザクション プールの概念と、それがフロントランニング リスクを軽減するかどうかについて説明します。同氏は、トランザクションを送信するにはプライベート プールとパブリック プールの 2 つの場所が考えられると説明しています。バリデーターがどのプールを監視するかを決定した後、ユーザーは優先料金を破って、トランザクションを送信する場所を選択します。次に、攻撃者は機会をスキャンし、トランザクションを送信し、送信先を決定します。カッポーニ氏は、機会を発見する際の確率と、前線で成功する確率の重要性を強調しています。
  
  
• 00:30:00このセクションでは、講演者がプライベート トランザクション プールの概念と、フロントランニング リスクを軽減できるかどうかについて説明します。プライベート トランザクション プールは、ブロックを追加するバリデーターのみがトランザクションを確認できるため、フロントランニング リスクに対する保護を提供し、他の仲裁者がユーザーより先に機会を特定することを防ぎます。ただし、プライベート プール経由での送信には実行リスクが伴います。すべてのバリデーターがプライベート プールに存在するわけではなく、トランザクションが表示されないため実行されない可能性があります。プライベート プール トランザクションはパブリック プール トランザクションよりも優先されますが、プライベート プールを監視するバリデーターの数は実行リスクに影響を与えるため、ユーザーがプライベート プール経由でトランザクションを送信する前に考慮すべき懸念事項となります。
  
  
• 00:35:00このセクションでは、Agostino Capponi が、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が、絶対確実ではない、と説明しています。攻撃者は、命令を実行する優先権を得るために競争に参加し、プライベートプールとパブリックプールの両方を使用して実行リスクを軽減しながら、優先的に実行することができます。一方、フロントランニングできるユーザーは、プライベート プールでのバリデーターの採用率とフロントランニング コストに基づいて、トランザクションをプライベート プールに送信するかパブリック プールに送信するかを決定します。導入率が高い場合は、フロントランになることを避けるためにプライベート プールを使用しますが、導入率が低い場合は、フロントランになるリスクにもかかわらず、実行に多くのブロックを待機することを避けるためにパブリック プールを選択する可能性があります。
  
  
• 00:40:00このセクションでは、Agostino Capponi が、プライベート トランザクション プールがフロント ランニング リスクをどのように軽減できる可能性があるかを説明します。ユーザーがプライベート プールに送信し、すべてのバリデーターがそのプールに参加すると、裁定取引の機会がないため、フロント ランニングのリスクが排除されます。ただし、フロントランニング リスクが低い場合、すべてのバリデーターがプライベート プールを採用するとは限りません。つまり、ユーザーは代わりにパブリック プールを選択し、再びフロントランニング リスクにさらされる可能性があります。
  
  
• 00:45:00このセクションでは、Agostino Capponi が、プライベート トランザクション プールがフロントランニング リスクを軽減し、実行に必要な最低手数料を削減できるかどうかについて議論します。先行リスクは損失が大きい場合にのみ排除され、それでも一部の先行損失は排除できないと主張されています。さらに、有力な攻撃者間の競争は、最大抽出可能価値 (MEV) を通じてバリデーターまたはマイナーに利益をもたらします。バリデーターは、より高い料金を獲得できる場合にのみプライベート プールを採用したいと考えているため、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料金が必ずしも削減されるわけではありません。さらに、プライベートプールの存在によりブロックスペースの需要が増加する可能性があり、実行に必要な手数料が増加する可能性があります。結局のところ、プライベート プールは常にフロントランニング リスクを軽減するとは限りませんが、執行に必要な手数料が増加し、割り当ての非効率性が生じる可能性があります。
  
  
• 00:50:00このセクションでは、講演者はブロックチェーンのフロントランニング リスクによって引き起こされる非効率について説明します。最初の非効率性は、フロントランになるリスクを理由にトランザクションを送信しないことをユーザーが決定する可能性があることから生じ、これにより、トランザクションの最適な割り当てが行われない可能性があります。 2 番目の非効率性は、攻撃者が被害者より先にトランザクションを実行し、その結果価値が移転されるフロントランニング攻撃から生じます。これらのリスクを軽減するために、トランザクションの価値を高め、ユーザーがフロントランニングを恐れることなく送信できるようにするプライベート トランザクション プールが提案されています。ただし、MEV が不良であり、その結果としてバリデーターの収益が失われるため、すべてのバリデーターによるプライベート プールの採用が常に達成できるわけではありません。
  
  
• 00:55:00このセクションでは、Agostino Capponi が、社会的に最適な結果であるにもかかわらず、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ついて議論しています。その理由は、MEV (最大抽出可能価値) を失うことになり、メリットがなければ切り替えないからです。解決策は、フロントラン可能なユーザーが、フロントランにならなかった場合に節約できたであろう金額と同等の金銭を支払うことを約束することで、バリデーターに補助金を出すことだろう。このデータは、最初に実行するための競争が激しい場合、フラッシュ ボット プライベート プールの採用により、攻撃者のコストと収益の比率が大幅に低下することを示しています。

• 01:00:00このセクションでは、Agostino Capponi がプライベート トランザクション プールに関する研究と、それがフロントランニングのリスクを軽減するかどうかについて説明します。同氏は、プライベートプールはフロントランニングの大きな損失をある程度軽減することはできるが、アービトラージボットを実行している攻撃者にとっては状況を悪化させる可能性があるため有益ではないと説明する。フロントランになる確率は、フロントランのために支払う必要がある価格と比較して、トランザクションで発生するスリッページを調べることで推定できます。カッポーニ氏は、フロントランとなる確率と、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の間には正の相関関係があると指摘しています。同氏は、すべてのバリデーターがプールを監視しているわけではないため、プライベート プールでは最適な割り当てを実現できず、その結果、フロントランニング リスクやフロントラン可能なトランザクションに割り当てられるブロック スペースなどの非効率が生じると結論付けています。
  
  
• 01:05:00このセクションでは、コロンビア大学の Agostino Capponi が、ブロックチェーン、特にイーサリアムとポリゴンにおけるフロントランニング リスクを回避するためのプライベート トランザクション プールの使用について説明します。同氏はまた、現在、プロバイダーの報酬をすべて受け取る独占的なエンティティが存在しており、イーサリアムはこれを防ぐために、マイナー抽出可能価値（MEV）の書き込みや再分配などの解決策を検討していると述べた。カッポーニ氏はまた、ブロックチェーン取引と、公式を理解していない人から理解している人への価値の移転という文脈での数学破壊兵器という物議を醸している問題も提起しています。
  
  
• 01:10:00このセクションでは、プライベート トランザクション プールでのフロントランニングの問題と、それがファミリー オフィスなどの洗練されていないユーザーにどのような影響を与える可能性があるかについて講演者が議論します。彼らは、システムをより公平にするために、フロントランを避けるためにトランザクションのタイミングをより適切に調整する方法をこれらのユーザーに教育する方法が必要であると提案しています。彼らはまた、フロントランニングを行うボットは非常に洗練されており、複雑なアルゴリズムを使用して、最大の利益を生み出しながらトランザクションを実行する最適な方法を決定していることにも注目しています。講演者らは、トランザクションの検証時間がより決定的であれば、ユーザーはトランザクションのタイミングをより適切に計り、フロントランニングのリスクを軽減することが容易になるだろうと示唆しています。

[MetaQuotes]

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。

• 00:00:00 Kevin Webster がライブ取引実験と因果的機械学習について語ります。同氏は、ヘッジファンドがブローカーを通じて取引するシナリオについて説明しています。ブローカーは取引を実行し、顧客の利益を最優先に行動したことを証明しながら最良の執行を保証する責任を負います。このブローカーは、クライアントがアルファシグナルに基づいてランダムに取引を行っておらず、取引中に観察されるリターンには、価格への影響と取引によって引き起こされる予測される価格変動が混在しているため、困難に直面しています。 Webster は、因果正則化を使用してこの問題に対処することを目指しており、予測される価格の動きと注文フローの関係を学習するモデルを提案しています。
  
  
• 00:05:00講演者は、リターンの 2 つの要素であるアルファ シグナルと価格への影響の区別について説明します。アルファシグナルは、株式が取引されるかどうかに関係なく発生する価格変動を予測するのに対し、価格インパクトは取引によって引き起こされる価格変動を表します。トレーダーは価格設定バックノールを使用して、価格が取引にどのように反応するかをシミュレーションし、仮定のシナリオに答えます。ただし、トレーダーが価格変動を引き起こしたのか、それともそれを予測したのかを区別することは困難であり、予測バイアスが生じます。 CFM 独自のデータとその他の技術は、回帰で取引を引き起こした取引シグナルを考慮に入れることで、バイアスを排除し、予測バイアスを修正するのに役立ちます。
  
  
• 00:10:00ビデオのこのセクションでは、ケビン ウェブスター博士がトレーディングにおける予測バイアスの問題と、それがブローカーとアルファ研究者の両方にどのような影響を与えるかについて説明します。彼は、アルファ研究者はアルファシグナルを持っているかもしれないが、適切な価格影響モデルを持っていない可能性があり、それがアルファの過大評価につながる可能性があると説明しています。逆に、ブローカーがアルファを知らなければ、クライアントにとって取引が遅すぎることになります。ウェブスター博士は、コストのかかるランダム化取引、または、ランダム化取引データと履歴データの両方をインテリジェントな方法で組み合わせて従来の計量経済学よりも優れたパフォーマンスを得る方法である因果正則化の使用を提案しています。彼は最後に、シミュレーションを使用してこれらの方法のパフォーマンスを比較すると述べています。
  
  
• 00:15:00 Kevin Webster 博士は、計量経済テストの 3 つの方法について説明し、因果推論の重要性を強調し、それがテクノロジー業界、特に機械学習コミュニティでどのようにすでに積極的に使用されているかについて説明します。同氏はさらに、これらの企業がどのように因果的機械学習を活用して、チームが真実に基づいて迅速に調整し、驚くべき発見の再調査を排除し、欠陥のある実験の再実行を回避し、重要な決定の二度推測を防止できるようにしているかを強調した。ウェブスター博士の手法は因果関係テストと計量経済テストを組み合わせて利用しており、5 分の 1 のデータに基づいてより正確な予測を可能にします。
  
  
• 00:20:00著者は、取引のアルファ、取引の規模、取引中の収益という 3 つの変数を含む研究のための因果グラフを提案します。彼は、彼のアルファ モデルの基礎的な機能が株式のさまざまな基本的な価格の動きを引き起こし、彼の取引アルゴリズムがアルファ シグナルに反応して取引を引き起こすと想定しています。彼はまた、取引が価格インパクトとして知られる価格変動を引き起こすと仮定しています。ウェブスター博士によると、トレーダーがどのような派手な回帰手法を使用しても、アルファを観察せずに価格への影響を推定することはできません。トレーダーは、ランダム化することで価格への影響を見積もることができます。これは金融業界で積極的に使用されており、ランダム化取引費用として知られています。ただし、そのようなランダム化には費用がかかるため、その使用は実質的な注文にのみ限定されます。
  
  
• 00:25:00講演者は、実験の規模と期間が限られているため、観察データと比較してランダム化取引実験の限界について説明します。妥当なパラメータセットの場合、観察データセットは介入データセットよりも大きくなる可能性があり、トレーダーは間違いを犯すことを考慮して、実験を展開する前に実験を計画する必要があります。ランダム取引を提出する前に、シミュレータを使用して実験のコストと信頼区間を決定することが重要です。バイアスを考慮せずにアルファを無視すると、バイアスが高く分散が低くなります。
  
  
• 00:30:00 Kevin Webster 博士は、従来の計量経済学の限界を説明し、因果正則化の概念を紹介します。これは Amazon から生まれた手法であり、バイアス データをトレーニング データとして使用し、不偏データをテスト データとして使用してメタ パラメータを調整する必要があります。この方法では、少量の実験データのみを使用する従来の方法とは異なり、低バイアス、低分散の推定量が保証されます。因果正則化アルゴリズムにより、利用可能な大規模な組織データを使用してバイアスを修正し、トレーダーに正確な推定値を提供することができます。
  
  
• 00:35:00ビデオのこのセクションでは、ケビン ウェブスター博士が、取引データに信頼がない場合に影響を知らずにアルファを推定する際の課題について説明します。彼は、モデルフリーで価格設定テクノロジーを必要としない、不偏データを取得するために取引がランダムに送信されないソリューションを提案しています。ただし、欠点は、アルファの信頼区間を取得するために取引の大部分を無視する必要があることであり、これはトレーダーにとって現実的ではない可能性があります。次に、この問題に対処し、より少ないデータで同じ結果を得る機械学習手法を提案します。因果的機械学習は、取引コスト分析、価格への影響、アルファ調査などの取引アプリケーションに適用でき、深く偏った取引データが利用できるため、取引データ体制において従来の計量経済学を上回ります。
  
  
• 00:40:00講演者は、A/B テストに含まれる根本的な不確実性と、統計的に有意ではあるが取引ごとのレベルではないグラウンド トゥルースを見つける際に統計分析がどのように重要な役割を果たすかについて説明します。同氏は、価格への影響を定義し、その定義に統計的な数値を添付することが、予測のバイアスと戦うのに役立つと強調しています。しかし、予測バイアスに対抗する手段がなければ、分析は主観的なものになり、見る人の目に依存してしまいます。ウェブスター博士はまた、観察された公開データに伴う課題と、介入データがどのように分析により多くの洞察を提供できるかについても説明します。彼は、これは答えるのが難しい質問ではあるものの、A/B テストは多くの銀行や証券会社が採用する一般的な変革であることを認めています。
  
  
• 00:45:00 Kevin Webster 博士が転移学習と因果正則化の関係について簡単に説明しています。同氏は、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、それが別のデータセットでうまく機能することを期待することから、この 2 つは類似点があると指摘しています。転移学習には因果的解釈がありませんが、相互検証により転移学習の証明は機能し、これは因果的正則化にも当てはまります。数学的な類似性にもかかわらず、ウェブスター博士は、このアプローチの因果関係の解釈は非常に斬新であると主張しています。

[MetaQuotes]

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。

• 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。
  
  
• 00:05:00 Yuyu Fan は、テキスト マイニング分析に使用されたデータについて説明し、プレゼンテーションと Q&A セクションの 2 つのセクションで構成される決算報告の記録の構造について説明します。彼らは、これらの個々のセクションと結合されたセクションのそれぞれに対して NLP 特徴を生成しました。生成される NLP 特徴の 3 つのカテゴリは、センチメント、アカウンティング、および可読性スコアです。また、分析のための簡単なバックテスト方法も提供します。センチメント特徴はさらに 2 つのカテゴリに分類され、1 つは辞書に基づき、もう 1 つはコンテキストに基づきます。
  
  
• 00:10:00 Alliance Bernstein の Yuyu Fan は、強力でパフォーマンスの高い投資シグナルを見つけるために生成された 200 以上の特徴をテキスト マイニングを使用してスクリーニングする方法について説明します。データマイニングだけでなく、ファンダメンタルズ分析や経済的直感、先行研究も考慮します。特徴値によってコンポーネントをランク付けし、分位ごとに月次収益を追跡してパフォーマンスを評価します。最初のカテゴリーは単純な単語数で、特徴の 1 つはアナリストの質問の単語数です。これは、行動が異なる新興市場を除いて、通常、事前の予想と一貫したパフォーマンスを示しています。彼らは、年率リターンやウォールなどの基本的な指標を使用してパフォーマンスを評価し、このシグナルがそれほど良好ではなく、まあまあであることを発見しました。
  
  
• 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。
  
  
• 00:25:00 Alliance Bernstein の Yuyu Fan は、チームがテキスト マイニングを利用して洞察を抽出し、話者の感情を評価した方法を説明します。彼らはCEOのセンチメントとアナリストのセンチメントの違いを分析し、CEOが分析結果を自分の発言に合わせて歪めている可能性があるため、アナリストのセンチメントの方が信頼できる指標である可能性があることを発見した。彼らはまた、特に BERT と呼ばれる Transformer モデルを利用して、自然言語理解についても掘り下げました。 BERT は双方向エンコーダ表現を利用します。つまり、左右の周囲の情報を考慮して、コンテキスト内の特定の単語の意味をより適切に予測します。
  
  
• 00:30:00 Yuyu Fan が、BERT (トランスフォーマーの双方向エンコーダー表現) モデルが感情分析にどのように機能するかを説明します。モデルのエンコーダー部分は、言語の水平理解 (翻訳を必要としない言語理解) に使用されます。モデルのこの部分の埋め込みは文全体からの情報を表すことができ、感情分類モデルを作成するために微調整できます。事前トレーニングされた BERT モデルを使用し、下流の感情分類タスクを追加することにより、微調整がはるかに簡単になります。センチメント ラベルは自己ラベル付けによって追加され、外部データセットを通じてラベルが与えられ、モデルは -1 から 1 の範囲でセンチメント スコアを予測するようにトレーニングされます。最後に、Fan は、BERT ベースのセンチメント分析が辞書に基づくセンチメント分析よりも優れていることを示しました。決算報告の記録からの例を使用したセンチメント分析。
  
  
• 00:35:00 Alliance Bernstein の Yuyu Fan が、テキスト マイニングと、事前トレーニングされた BERT モデルを特定のラベル文で微調整して財務テキストの分類を改善する方法について説明します。事前トレーニングされたモデルは英語トークンを広範囲にカバーしているため、組み合わせを捕捉して単語を生成できますが、特定の金融用語を捕捉できない場合があります。肯定的な単語と否定的な単語の両方を含む文のパフォーマンスについて尋ねられたとき、Yuyu Fan 氏は、分類はアナリストの解釈と期待に依存する可能性があるが、収益の 10% 増加を報告する文自体は肯定的なものとして分類できると説明しました。
  
  
• 00:40:00 Alliance Bernstein の Yuyu Fan は、センチメント分析の精度について厳密なしきい値を設定するのは難しいと説明しています。学術分野では大きな違いを生む可能性がありますが、実際のアプリケーションでは、90% の精度と 92% の精度は、平均または標準偏差を使用してセクション レベルに集計すると同様のパフォーマンスにつながる可能性があるため、あまり違いがない可能性があります。ファン氏は、自社のモデルの精度はすべての文で約 90% であり、センチメント シグナルは米国の小型株企業で良好に機能するため、投資チームが使用を推奨しているシグナルになっていると説明します。ファン氏はまた、効率的なトレーディング戦略を形成するためのクオンツシグナルとして使用できるNLP機能についてより詳細な論文を発表し、現在モデルを改善するためのデータ増強に取り組んでいることを共有した。
  
  
• 00:45:00 Alliance Bernstein のデータ サイエンティストである Yuyu Fan が、NLP 機能が従来の基本的および定量的機能とどのように相関しているかについて説明します。彼らは、相関関係が一般に低く、可読性とセンチメントのアカウントが大型株のモメンタムに関して 0.54 程度の中程度の相関関係を持っていることを発見しました。また、税統計などのパッケージを使用して可読性を測定し、その用途に合わせてカスタマイズする方法についても説明します。ファン氏はさらに、リターンの方法論を明確にしており、1カ月のリターンを追跡し、リバランス日の前（通常は大型株の四半期決算発表後）に入手可能な最新情報を持つ企業のみを対象に含めるという。最後に、彼女は CO2 裁定取引に関する質問に答え、手法で使用される BERT と FinBERT の違いを明確にしました。
  
  
• 00:50:00 Yuyu Fan は、洞察を抽出するためのテキスト マイニングの使用について説明します。彼女は、特に金融関連の申請、収益、ニュースに焦点を当てた BERT モデルの金融利用モデルの開発について言及しています。このモデルは、事前トレーニングされたバージョンと微調整されたバージョンを区別し、正、負、および中立の出力確率のラベルを付けます。ファン氏は、モデルの精度はセクターごとに異なるため、特定のトピックのセンチメント分類を改善するためにデータを拡張する方法を模索していると述べています。このセクションは、分析のために音声データをトランスクリプトに変換するプロセスについての説明で終わります。
  
  
• 00:55:00 Alliance Bernstein の Yuyu Fan が、洞察を抽出するためのテキスト マイニングの使用について説明します。同社は、高品質のベンダー データのほか、コラボレーションのための転写サービスやベンダー ソリューションに SMT を使用しています。また、Open AI の Whisper と呼ばれるモデルの実験も行っています。これは、多言語転写を含む音声転写に大規模なトランスフォーマー モデルを使用します。ただし、時間の都合上、質疑応答はここまでとさせていただきます。

[MetaQuotes]

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。

• 00:00:00このセクションでは、コロンビア大学の Ciamac Moallemi が、主に暗号世界の自動マーケットメーカーに焦点を当てて、流動性供給と自動マーケットメイキングについて説明します。同氏は、取引の問題は従来の金融における電子指値注文帳によって主に解決されているが、この構造を仮想通貨に大規模に採用する場合にはいくつかの問題があると説明する。モアレミ氏は、取引にブロックチェーンを使用する際の計算コストとストレージコストについて、また、自動マーケットメーカーが価格設定アルゴリズムを使用して資産の買値と売値の両方を見積もることでこれらの問題にどのように対処し、市場に流動性を提供できるかについて説明します。
  
  
• 00:05:00このセクションでは、講演者は、更新レートが高く、計算とストレージが限られている環境での取引に指値注文ブックを使用する際の課題について説明します。マーケットメイキングには積極的なマーケットメーカーの参加が必要ですが、暗号通貨の世界では、特に新しいトークンの場合、ブートストラップするのが難しい場合があります。これらの課題に対処するために、人々は流動性プロバイダーを利用してETHや米ドルなどの資産をプールに入れる自動マーケットメーカー（AMM）を開発しました。これらの AMM は計算効率が高く、並べ替えや比較が必要ないため、ブロックチェーン環境に最適です。流動性プロバイダーにはプールに対する取引に対して手数料が支払われ、価格はプール内の内容に応じて設定されます。
  
  
• 00:10:00このセクションでは、Ciamac Moallemi が流動性プロバイダーの観点から流動性供給と自動マーケット メイキング (AMM) について説明し、UniSwap のような AMM システムを使用するコストと利点を概説します。モアレミ氏は、パッシブ流動性プロバイダーはAMMシステムを通じて手数料を稼ぐことができるが、逆選択などのマーケットメイクには常にコストがかかると説明する。 UniSwap V2 の具体例を使用して、Moallemi 氏は、ボラティリティに対する逆選択コストは通常 3 ベーシス ポイントであり、その結果、1 億 2,500 万ドル相当のプールに対して年間約 39,000 のコストがかかることを示しています。コストがかかるにもかかわらず、AMM システムは流動性プロバイダーにプラスの利益をもたらす可能性があるが、それに伴うリスクとコストを正確に評価することが不可欠である、とモアレミ氏は指摘します。
  
  
• 00:15:00このセクションでは、コロンビア大学の Ciamac Moallemi が流動性供給と自動マーケットメイクについて説明します。モアレミ氏は、流動性プロバイダーの収益の背後にある要因、特にボラティリティと取引量の重要性を強調しています。彼はまた、ヘッジリターン、取引手数料、レバーコストを含むLPリターン分解の基本的な計算についても説明しています。モアレミ氏は、レバーコストは、中央集権的な取引所で価格が設定され、AMMが不正確な価格で取引され、スリッページに悩まされることから生じる逆選択コストであると説明する。これにより裁定取引の機会が生まれ、裁定取引者がプールから利益を得て、ゼロサムゲームが発生します。情報に基づいたトレーダーと裁定取引者の違いについても説明します。
  
  
• 00:20:00このセクションでは、Ciamac Moallemi が、逆選択の古典的なモデルを使用して、情報に基づいた取引を測定することの難しさと、ボラティリティがどのように発生するかについて説明します。彼はまた、オプションの価格設定の解釈と、クローズド フォーラムの計算式を使用して連続時間で作業する利便性についても語ります。モアレミ氏は、予測市場や自動マーケットメーカーなど、マーケットメイクの世界で人気のある他のトピックについても言及します。次に、ブロックチェーンがコンピューターとしてどのように機能し、より複雑で高価なシステムであるイーサリアムを使用して移行と支払いを追跡するかを説明します。ブロックチェーンは遅くてコストがかかるにもかかわらず、依然として取引および予測市場において重要な部分を占めています。
  
  
• 00:25:00このセクションでは、Ciamac Moallemi が、遅いコンピューター、特に小規模なトランザクションや単純な計算タスクを必要とするシナリオの利用における金融の重要性について説明します。彼は、金融関連アプリケーションでイーサリアム システムに費やされるリソースの割合を反映するグラフを示しています。取引が最大のサブカテゴリであり、Uniswap が最も重要なプロトコルまたはスマート コントラクトです。暗号通貨の取引のほとんどは取引所で行われますが、Uniswap のような分散型取引所も重要であり、合計約 1 兆ドルが取引されています。モアレミは、市場価格を価格として、「x」で示されるリスク資産と「y」で示される無リスク資産という 2 つの資産を取引するためのモデルとして、確率的ボラティリティを備えた連続時間ブラックショールズ設定を提示します。リスク資産を分子で表したもの。
  
  
• 00:30:00ビデオのこのセクションでは、Ciamac Moallemi が金融業界における流動性供給と自動マーケットメイクの概念と、それらがどのように機能するかを説明します。彼は、このプロセスの収益がいかにランダムウォークであるか、そしてこの概念が金融においていかに標準的なモデルであるかについて語ります。彼は続けて、自動マーケットメーカーの概念を定関数マーケットメーカーとして説明し、機能は結合関数によって一定に保たれます。流動性プロバイダーは準備金を提供し、トレーダーは関数を一定に保つ曲線上の別の点に移動することしかできません。対角線の傾きから瞬間価格がわかります。このメカニズムは、不変式を満たすためにどのような在庫があるかを認識し、取引に「はい」または「いいえ」を決定します。
  
  
• 00:35:00このセクションでは、Ciamac Moallemi が、Binance のような従来の取引所とは対照的に、ブロックチェーン上で自動マーケット メイキング (AMM) を使用する利点について説明します。ブロックチェーン上にあることで、担保付き融資やポートフォリオの最適化など、従来の取引所では不可能なさまざまなサービスが可能になります。さらに、ブロックチェーン上の取引はコンピュータープログラムのサブルーチンにすることができ、これは従来の取引所では利用できない機能です。 AMM の手数料は数量に比例しますが、流動性プロバイダーのレベルは時間の経過とともに変化し、手数料配分に影響を与える可能性があります。市場モデルには 2 種類のトレーダーが関与します。1 つは集中取引所と外部市場を常に監視する裁定取引者、もう 1 つはブロックチェーン上に存在することで利益を得るノイズトレーダーです。分析では、一定の流動性プロバイダー、手数料の現金支払いを前提とし、ブロックチェーン内の離散時間と連続時間は無視しています。
  
  
• 00:40:00このセクションでは、Ciamac Moallemi が流動性供給と自動マーケットメイクの概念を説明します。彼は、x を y で取引する例を使用していますが、最も遅いのは取引レートです。彼は、超平面をサポートする価格である二重変数に移行することで問題をより適切に説明できる方法について説明しています。彼は、プール値関数が重要なオブジェクトであり、関数が滑らかで 2 回連続微分可能であると仮定していると説明しています。モアレミはまた、一定の製品のケースと、裁定取引者がバランスをとるように動機付けられている結合機能の特性についても説明します。裁定取引業者は常に市場を監視し、可能な限り多くのお金を稼ぐためにプールに最小の価値を残します。
  
  
• 00:45:00このセクションでは、コロンビア大学の Ciamac Moallemi が、リバランス戦略や裁定取引の利用など、流動性の提供と自動マーケットメイキングに必要な重要な要素について説明します。リバランス戦略には、裁定取引業者と同じ方法でリスク資産の売買が含まれますが、公正な市場価格で集中取引所で取引されます。レバー損失対リバランス定理は、プロセスが非マイナス、非減少、予測可能であることを特徴づけ、プールの準備金の価値が取引所での取引と比較して体系的に損失をもたらすことを示しています。これらの重要な要素は、効果的な流動性供給と市場形成にとって重要です。
  
  
• 00:50:00このセクションでは、Ciamac Moallemi が、リバランス戦略に関連するリスクとコスト、およびそれらをヘッジできる可能性について説明します。同氏は、ポートフォリオの価値の瞬間的な変化には 2 つの要素があると説明しています。1 つ目の要素は市場リスクであり、市場にさらされていることを意味します。2 つ目の要素は局所的にはリスクがなく予測可能ですが、体系的なランニングコストがかかります。 Moallemi は、瞬間レバーの計算式と、瞬間的な変動と現在の価格レベルで利用可能な流動性の量によってレバーがどのように影響を受けるかをさらに詳しく説明します。彼はまた、定数製品のマーケット メーカーにこの公式をどのように適用できるかを示します。
  
  
• 00:55:00このセクションで、Moallemi は、プールの価値がゼロになることはありませんが、代替プールよりも価値が低くなる可能性があると説明しています。リバランス戦略は、価格が上昇したときに売り、価格が下がったときに購入するため、時間の経過とともに体系的に利益を得る可能性があります。さらに、モアレミ氏はモデルの仮定について議論し、ほとんどの流動性プールについては外部市場を仮定するのが合理的であるが、ロングテールについてはこれは適切な仮定ではないと述べています。ただし、このモデルは予測モデルとして依然として有用であり、一貫した価格設定を提供します。次に、Moallemi 氏は、このモデルを予測モデルとして使用し、LP が徴収した手数料とプール価値の変化を調べ、金融のネガティブ リバランス取引で市場リスクをヘッジする方法を説明します。
  
  
• 01:00:00このセクションでは、コロンビア大学の Ciamac Moallemi が、流動性供給と自動マーケットメイクに関するモデルの実証結果について説明します。彼は、自分の公式を使用した場合のヘッジされた損益 (P&L) とイーサリアム ブロックチェーンの実際のデータを比較し、それらが近いことを発見し、彼のモデルが正しいことを示しています。次に、2 億ドルのコインを含む Uniswap プールの例の毎日のボラティリティと損益変動を調べます。損益の変動は市場リスクによるものであり、モアレミ氏は、取引コストや資金調達コストのせいで必ずしも儲かる戦略ではない場合でも、自身の公式を使用して損益をヘッジできることを実証し、その結果プラスのリターンと高いシャープ・レシオが得られることを示しています。同氏は、このツールを使用して、仲介業者に支払われるコストを削減することで自動マーケットメーカーを改善できると示唆しています。
  
  
• 01:05:00このセクションでは、Ciamac Moallemi が、流動性供給と自動マーケットメイクにおける不正な価格によって引き起こされる非効率性を軽減する方法について説明します。同氏は、オラクルをデータソースとして使用してバイナンスのような取引所から価格を取得し、外部価格をスマートコントラクトに組み込んで市場外取引を防ぐことを提案している。さらに、モアレミは、手数料を支払わずにプールに対して取引できる承認された参加者に裁定権を販売し、価格差が小さいことを優先して利益を得られるようにするというアイデアを提示しています。これらの参加者は利益の一部を LPS に還元して、悪い価格を緩和し、LP とノイズトレーダーの両方がこの戦略から利益を得られるようにするでしょう。 Moallemi 氏は、Binance で取引するための AMM の実装や仮想通貨市場での空売りに関する質問にも答えています。同氏は、空売りは資金調達コストの関係でコストが高くなる可能性があり、出来高とボラティリティには高い相関関係があり、そのため出来高はロングだがボラティリティはショートという戦略はリスクを伴う可能性があると指摘している。
  
  
• 01:10:00このセクションでは、Moallemi が、スマート コントラクトの見積依頼 (RFQ) プロトコルの問題について説明します。これは、他の人の応答を待つ必要があり、スマート コントラクトのアトミック性が損なわれるからです。ただし、ジャストインタイム流動性と呼ばれる一般的な間接的な代替手段を使用すると、大量の注文が処理される前にフロントランして流動性を提供できます。モアレミ氏はまた、従来のマーケットメーカーがどのようにリスクをヘッジし、売却前に短期間株式を保有するかについても説明する一方、流動性プロバイダーも市場リスクを管理するためにヘッジをすべきであると説明した。流動性プール モデルは、コンピューターが遅く、利用可能なコインが大量にあるため、暗号通貨で最もよく機能します。
  
  
• 01:15:00このセクションでは、スピーカーは指値注文ブックに対する自動マーケット メーカー (AMM) の利点について、特にシンプルさとアクセシビリティの点で説明します。彼らは、指値注文ブックの複雑な性質により、マーケットメーカーやトレーダーですら、アルゴリズムと多数のPHDなしでは指値注文ブックを使用することが困難であり、同様にアルゴリズムを使用する機関投資家にとってより平等な競争の場を生み出すと説明しています。ただし、AMM はプロセスを簡素化し、平均的な参加者が広範な知識やリソースを必要とせずにメリットを享受できるようにします。講演者は、AMM を正しい方向への一歩にする、あまり知識のない参加者に利益をもたらす、より良い構造の可能性を感じています。

[MetaQuotes]

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。

• 00:00:00アンドレア ミンカ教授が、2 つの異なる例に基づいて金融ネットワークをクラスター化するアルゴリズムの開発に関する自身の取り組みについて説明します。最初の例は、ポートフォリオ選択におけるアプリケーションと重複するポートフォリオのネットワークに関するもので、2 番目の例はエクスポージャーのネットワークに関するもので、システミック リスク分析とネットワーク内のリスク レベルの理解に関連しています。目標は、クラスタリング アルゴリズムを金融ネットワークに適合させ、1 つの金融機関の非流動性や債務不履行に対して脆弱な意味のあるクラスターを作成することです。クラスターが大きくなるほど、そのクラスター内のメンバーに対するストレスの潜在的な影響も大きくなり、金融ネットワーク構造を理解することの重要性が強調されます。
  
  
• 00:05:00 Andreea Minca は、現実世界のすべてのネットワークに共通する金融ネットワークのクラスタリングの課題について説明します。クラスタリングの問題は、グループ内の接続がグループ間の接続よりも大きいグループをノードが形成する傾向があるために存在します。さまざまなクラスタリング アルゴリズムがありますが、金融ネットワークは次数、重み、コミュニティ間の接続性の点で異質性を示すため、金融ネットワークの異質性が課題となっています。さらに、外れ値が存在するため、既製のアルゴリズムを適用することが困難になります。これは、既製のアルゴリズムはインライン ノードと同じ接続パターンを持つ可能性がありますが、単独では 1 つのクラスターとして扱うことができないためです。金融ネットワークのクラスタリングにはいくつかの問題が影響しており、既存のアルゴリズムの適用が困難になっています。
  
  
• 00:10:00コーネル大学 OIE の Andreea Minca が、異種金融ネットワークをクラスタリングする際に直面する課題と、それらを克服するための新しい正則化用語の導入について説明します。主な課題の 1 つは、任意の接続パターンを持ち、敵として動作する外れ値の存在であり、スペクトル クラスタリングなどのクラスタリング アルゴリズムのパフォーマンスを妨げます。クラスタリング問題自体は NP 困難な組み合わせ問題であり、扱いやすいアルゴリズムを備えた半明確なプログラムでは緩和できます。目標は、特定の条件が真のクラスターの回復に当てはまり、導入された正則化項によって異常な接続パターンを持つ外れ値にペナルティが課されることを証明することです。
  
  
• 00:15:00 Andreea Minca が、異種金融ネットワークにおけるクラスタリング パターンを検出するための確率ブロック モデルと次数補正確率ブロック モデルのアプリケーションについて説明します。目標は、接続パターンに基づいて外れ値を検出することです。提供される理論上の保証により、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うことなく、正確な回復が保証されます。密度ギャップ条件は、クラスター間エッジ密度とクラスター内エッジ密度の差に基づいています。結果は外れ値の数に依存せず、内値の数のみに依存するため、以前の文献よりも堅牢です。同じクラスター内のノードの構造によりノードの次数が高くなる可能性があるため、金融ネットワークの異質性により、次数に基づいて外れ値を検出することが困難になります。
  
  
• 00:20:00 Andreea Minca が、金融ネットワークにおける異質性の概念と、それがクラスタリング アルゴリズムにどのような影響を与えるかを説明します。彼女は韓国の銀行システムの例を用いて、同じセクターの銀行と保険会社がどのように異質性を示す可能性があり、外れ値として分類されるべきではないかを説明しています。 Minca 氏は、金融ネットワークにおけるヘビーテール度数分布には、接続パターンと各ノードの度数範囲の境界への寄与を注意深く調べる必要があると指摘しています。彼女はまた、均質なペナルティをすべてのノードに使用することはできないため、アルゴリズム内で次数を考慮したペナルティ項の必要性を強調しています。最後に、Minca はクラスタリング モデルの基礎について概説します。これには、各クラスターの異質性パラメーターと接続性行列の指定が含まれます。
  
  
• 00:25:00 Andreea Minca は、既製のクラスタリング手法を使用する場合に外れ値が存在する場合のクラスタリングの課題について説明します。外れ値を検出する目的は、クラスタリング自体を妨げたり、レイヤー内のメモの分類を誤って妨げたりすることなく、緊急アラートを発することです。異質性パラメーターを通じて接続性を調整することで、最初の外れ値の隣接行列に対応する方法で隣接行列を記述し、観察された画像からクラスターと外れ値の基礎となる構造にマッピングする順列行列を見つけることができます。これらの調整は、金融ネットワークにおける多くのモデリングの選択肢に対応するのに役立ちます。
  
  
• 00:30:00ビデオのこのセクションでは、Andreea Minca が、金融ネットワークのクラスターと外れ値の構造を特定するために、パーティション マトリックスとノードの順列を見つけるプロセスについて説明します。このアルゴリズムは、どのノードが同じクラスターに属しているかを示すパーティション マトリックスを見つけることに基づいており、任意のエントリは外れ値を表します。この概念を説明するために、Minca は韓国の金融ネットワークの例を示しています。アルゴリズムの目的は、ネットワーク内に存在する各セクターの正確な識別を決定することです。
  
  
• 00:35:00コーネル大学 OIE の教授である Andreea Minca が、半合成ネットワークの作成とアルゴリズムのテストに関する自身の取り組みについて語ります。彼女は、韓国銀行が公開したすべての金融機関の資産と負債の規模に関するデータに基づいてネットワークを構築し、任意の保険会社から任意の銀行への総フローに基づいてそれらを接続していると説明します。次に、モジュール性最大化アルゴリズムを使用して、観察された接続パターンに基づいてどの金融機関がどのセクターに属しているかを特定します。このアルゴリズムでは、モジュール性の違いを最小限に抑えるために、チューニング パラメーターとパーティション マトリックス制約も導入されています。
  
  
• 00:40:00 Andreea Minca は、異種金融ネットワークをクラスタリングする際のパーティション マトリックスを検索するという課題について説明します。これは、特定の制約により解決が困難な問題です。これを克服するために、行列のエントリが 0 と 1 の間にあり、正の半定値である問題の緩和が導入されます。問題の不均一性は、ペナルティ項を通じて対処されます。この場合、対角項のペナルティによって、次数が正規の変動を超えている潜在的な外れ値にペナルティが課されます。 2 つの調整パラメータは対角ペナルティの強さを制御し、観察されたノードの次数によって決定され、外れ値と強力なコミュニティ メンバーシップを持つノードの識別を可能にします。ビデオで使用されている韓国業界の例は、韓国のネットワークでの露出のスナップショットであり、時系列要素はありません。
  
  
• 00:45:00 Cornell OIE の Andreea Minca は、異種金融ネットワークのクラスタリングと、ギブス サンプラーを使用してギャップを埋めることによって集計値と一致するサンプル ネットワークを再作成する方法について説明します。アルゴリズムのパフォーマンスは、誤分類率と回復確率によってテストできます。誤分類率と回復確率は、サンプル サイズが大きくなるにつれて一定の速度で 1 になる傾向があります。韓国セクターを例として、Minca は、接続性マトリックスが異なるセクター間の接続の確率をどのように表すことができるか、またマトリックスからクラスタリング結果がどのように取得されるかを示します。
  
  
• 00:50:00 Andreea Minca は、接続パターンに基づいてネットワーク内の各機関の正しい金融セクターを特定するという課題について説明します。彼女は、アルゴリズムは接続の不均一性に対して堅牢である必要があり、誤分類率がパフォーマンス基準として使用されると説明します。ミンカは、彼女が提示したアルゴリズムと他の既存のアルゴリズムの誤分類率を比較し、スペクトル クラスタリング ベースのアルゴリズムのパフォーマンスが最も悪いことを強調しました。これは、金融ネットワークが遭遇する問題に対処するために既存のアルゴリズムを微調整する必要性を強調しています。さらに、ミンカ氏は投資ポートフォリオ管理におけるアルゴリズムの応用についても簡単に触れています。重複するポートフォリオのネットワークを再作成することで、ポートフォリオの保有状況に基づいて金融機関の相互作用の強さを測定でき、投資の意思決定に役立つ可能性があります。
  
  
• 00:55:00 Andreea Minca が、クラスタリング アルゴリズムと、それを重複する金融ポートフォリオに適用して効率的にリスクを割り当て、投資を分散する方法について説明します。アルゴリズムは、ポートフォリオの強さと重複のレベルに基づいてポートフォリオをクラスタリングすることにより、10 年間で大きくなり、重複の増加を示す 5 つのクラスターを回復できます。これは、他の既存のクラスタリング方法よりも効果的なクラスタを生成するツールを提供します。さらに、ミンカ氏は、追加のアルゴリズムが韓国の例のギャップをどのように埋め、政府からの集計データと一致する個別のネットワークを作成するのかについて説明します。
  
  
• 01:00:00 Andreea Minca が、金融ネットワークのクラスタリング アルゴリズムを通じて多様化を達成する問題について説明します。彼女は、クラスター間の接続性が非常に高いクラスターと、接続性のないクラスターが存在すると、多様化は達成できないことを示しています。その代わりに、彼女はクラスターリスクパリティアプローチの下で多様化のための5つの選択肢を特定するアプローチを提示しています。彼女はまた、自分の研究のプレプリント、ツールの可用性、クラスター数に対するアルゴリズムの感度に関する質問に答え、同時にクラスター化アルゴリズムのパフォーマンスを定量化するための標準投資カテゴリーの使用も提案しています。
  
  
• 01:05:00 Andreea Minca は、5 つの投資戦略から 5 つのクラスターを回復する例を使用して、クラスター化アルゴリズムとクラスターの回復のトピックについて説明します。また、ドメインに関する十分な知識やクラスター数に関する仮定がなければ、さまざまな選択によるクラスタリング結果を比較するのは難しい場合があるとも指摘しています。ただし、この問題に関する理論的な結果はなく、クラスタリング アルゴリズムを使用する際には十分な情報に基づいた意思決定を行うことの重要性が強調されています。