定量的取引 (Quantitative trading) - ページ 7

 

Martin Scholl (オックスフォード大学): 「エージェントベースのモデルを使用した市場生態学の研究」



Martin Scholl (オックスフォード大学): 「エージェントベースのモデルを使用した市場生態学の研究」

オックスフォード大学の研究者 Martin Scholl は、エージェントベースのモデルを使用して市場生態学の研究を詳しく調査しました。効率的市場仮説のような仮定に依存する従来のアプローチとは異なり、ショールは新古典派金融で一般的に採用されている合理的期待均衡理論に異議を唱えています。同氏は、この理論ではすべての参加者が現実世界を完全に理解する必要があるが、個人投資家とファンドマネージャーの両方の認知限界を考慮すると非現実的だと考えている。その代わりに、生物学のツールを応用して現実世界の金融データを分析し、金融市場を理解する上で新たな視点を提供することを提唱しています。

市場の生態を調査するために、ショールは投資戦略を生物学の種に例え、個人投資家は特定の種の個人を代表します。特定の戦略を使用して投資された富の総額は、その種の存在量または総個体数サイズに匹敵します。ショール氏は、投資ゲームの玩具モデルで、エージェントが自分の富をマネーマーケット口座に残すか、配当金が支払われる株式に投資するかを選択できる簡略化したシナリオを導入しています。このモデルにより、さまざまな投資戦略の検討や、完全合理性という新古典派の仮定に対する反論が可能になります。

ショール氏は、市場の生態を研究するためにエージェントベースのモデルで採用されているさまざまな投資戦略を特定しています。 1 つ目は完全に合理的な戦略で、純資産価値を株式と現金に分割します。バリュー投資家は、配当の成長率を推定して将来の予測を立て、株価の将来を把握します。 2 番目の戦略には、最近の価格を分析して傾向を推測するトレンド フォロワーが含まれます。 3 番目の戦略には、流動性のニーズを満たすために市場に参入するものの、短期間では価格に敏感ではないノイズトレーダーが含まれます。ただし、それらの平均反転ノイズプロセスは、長い時間スケールの基本値に関連しています。

市場メカニズムをシミュレートし、市場の生態を研究するために、ショール氏と彼のチームは、ソフトウェア パッケージの助けを借りてエージェント ベースのモデルを利用しています。彼らは、賦与を固定し、異なる種の個体間で初期賦与を分割し、相対的なシェアを追跡することによって、モデルの異なる実行間の比較可能性を確保します。シミュレーションは 200 年間実行され、各種の平均年間利益を観察できます。興味深いことに、彼らは、各戦略には、その豊富さに関係なく、最も収益性が高い地域が少なくとも 1 つあることを発見しました。

ショール氏は実験で、トレンドフォロワーの行動と利益の再投資の影響を調べています。彼は、市場がその時間のほとんどを、大きな外れ値が存在する不安定で混沌とした領域に費やしており、その結果、斑点状のノイズが発生していることを観察しています。投資家が利益を再投資するとき、軌道は特定された中心点の周りで変動しますが、そこに向かって完全に収束するわけではありません。トレンドフォロワーの集中が高まると、リターンのボラティリティが高まります。ショール氏は、トレンド追従からの急速な脱却は、投資家の合理性と配当プロセスにおける正の自己相関によるものだと考えています。

ショール氏は、生物学で使用される捕食者と被食者のヴォルテラ方程式に似た、エージェントベースのモデルを利用して金融コミュニティのマトリックスを構築できると説明しています。特定の戦略の収益は個体群サイズと同等であり、個体群サイズの変化に対する収益の感度はコミュニティ マトリックスを表します。金融市場では、価格が均衡点から逸脱すると、さまざまな戦略間の競争が発生します。ショール氏は、金融市場は密度依存性を示しており、種の相互作用が生物系よりも複雑になっていると強調する。この密度依存性はバブルのような価格上昇のようなシナリオにつながりますが、そのような状況が非現実的であることは認められています。

市場生態学の文脈で、ショールは彼の発見の実際的な意味について議論します。彼は、豊富な種を使用してさまざまな種類の捕食者間の関係を記述し、それによって市場の結果に影響を与える線形モデルを提示します。このアプローチは、投資の多面的な性質を強調し、密度に大きく依存する金融市場での損失や餌食になることを回避するために戦略を適切にサイジングすることの重要性を示しています。これは、株価は入手可能なすべての基本情報を反映し、金融市場をさまざまな条件の影響を受ける複雑なシステムとして提示するという従来の見方に疑問を投げかけます。

ショール氏は、市場生態学を研究するためのエージェントベースのモデル内での単純な線形モデルの使用についてさらに詳しく説明します。同氏は、市場活動の保有高と相対的な豊富さを分析することで、このアプローチが、合理性を前提としてファンダメンタルズを自動的に変換する部門由来のモデルよりも優れていることを発見しました。しかし、彼は自分のモデルの限界を認めており、その現実性を高めるためにさらなる研究が必要であると強調しています。彼が取り上げている側面の 1 つは、特にトレンドフォローに関連した、さまざまなレシピや定義に対するモデルの感度です。彼のモデルでは配当が重要な役割を果たしていますが、現実世界の金融市場に対してより現実的な要素を組み込むには追加の手順が必要になります。

彼のモデルにおけるエージェントの信念の適応性に関して、ショール氏は、市場運営にはファンドマネージャーが目論見書に記載された戦略に長期間従うことがよくあると指摘している。これは、機械的な資産配分プロセスの傾向を示しています。その結果、ショールは、適応性の低い行動と知能の低いモデルをモデル化することに傾いています。しかし、オックスフォード大学の彼のグループの他の研究者が、パラメーターを変更したり、新しい戦略を革新したりするための進化的アルゴリズムの応用を積極的に研究していることを強調しています。

Martin Scholl の研究は、エージェントベースのモデルを使用した市場生態学の研究に焦点を当てています。彼は金融市場をより深く理解するために生物学の概念を適用することで、伝統的な金融理論と仮定に挑戦します。ショールは、投資戦略を生物学の種と比較し、さまざまな戦略を分析し、市場メカニズムをシミュレートすることによって、金融市場の複雑さとさまざまな戦略間の相互作用を明らかにします。同氏の調査結果は、金融市場は密度に大きく依存しており、損失を回避し、この動的なエコシステムの餌食になるためには、投資戦略の適切なサイジングが重要であることを示唆しています。ショール氏の研究は、複雑なシステムとしての市場の性質についての貴重な洞察を提供し、株価はファンダメンタルズ情報のみを反映するという従来の見方とは対照的です。

  • 00:00:00オックスフォード大学の Martin Scholl が、エージェントベースのモデルを使用した市場生態学に関する研究について説明します。彼は、効率的市場仮説のような一般的な仮定に焦点を当てるのではなく、新古典派金融で使用される合理的期待均衡理論を問題視していると説明します。なぜなら、この理論ではすべての参加者の理解が現実世界と一致することが要求されるからです。同氏はまた、金融文献には 300 を超えるファクター モデルがあり、使用するのに最適なモデルを決定することが困難であり、個人投資家とファンド マネージャーの両方の認知能力には物理的な限界があることも明らかにしました。さらに、金融市場をより深く理解するために生物学のツールを現実世界のデータに適用することの重要性についても説明します。

  • 00:05:00 Martin は、エージェントベースのモデルを使用して市場生態学を研究する方法について説明します。同氏は、投資戦略は生物学における種に例えることができ、個人投資家は特定の種の個体に相当すると説明します。特定の戦略を使用して投資された富の合計は、その種の存在量または総個体数サイズとなります。ショール氏は、投資ゲームのおもちゃのモデルを導入しました。そこでは、エージェントはマネーマーケット口座に自分の富を残すか、配当金が支払われる株式に投資するかの選択が与えられます。このモデルは 1 つの銘柄で機能します。これは、ほとんどの場合に独自の清算価格を可能にする単純化された仮定です。ショールはまた、完全に合理的な投資家という新古典派の仮定についても言及し、このアプローチに対する反対を強調しています。

  • 00:10:00 Martin Scholl は、生物学の比喩を使用して市場生態学の概念を説明します。彼は、市場のエージェントを参加理由に応じて分類し、戦略を定義する方法として超過需要関数を導入しました。彼は、シグナル関数が投資プロセスでどのように使用されるか、また、情報の取得と分析に基づいて、投資ファンドが異なるとどのように異なることに特化する傾向があるかを説明します。戦略の分割は、何かを最適化するために特定のニッチに特化することが有益である進化する市場において非常に重要です。

  • 00:15:00 Martin Scholl は、市場生態学を研究するためにエージェントベースのモデルで使用されるさまざまな戦略について説明します。最初の戦略は、純資産価値を株式と現金に分割する完全に合理的な戦略です。バリュー投資家は配当の成長率を推定して予測を立て、将来の株価を理解するのに役立ちます。 2 番目の戦略は、最近の価格を見てそれらの傾向を推定するトレンド フォロワーに基づいています。最後に、このモデルには、流動性のニーズを満たすために市場に参入するものの、価格には敏感ではないノイズ トレーダーが含まれているため、彼らのシグナルは短い時間スケールではランダムに見えます。しかし、Buscher らの推定によると、平均値を逆転させるノイズ プロセスは、長い時間スケールで基本値に関連付けられており、ゆっくりと平均値に戻ります。

  • 00:20:00 Martin は、エージェントベースのモデルを使用して市場メカニズムをシミュレートし、市場の生態を研究できるようにする方法を説明します。考えられる解決策は多数あるため、シミュレーションを分析的に処理することは困難です。したがって、ソフトウェア パッケージを使用して、さまざまな市場メカニズムをシミュレートします。モデルの異なる実行間で結果が比較できるようにするために、寄付金を修正します。彼らはまた、初期の寄付金をさまざまな種の個体に分配し、相対的な取り分を追跡します。彼らはシミュレーションを 200 年間実行し、各種の平均年間利益を調べました。彼らは、3 つの戦略すべてにおいて、たとえその種が最も豊富な地域ではないとしても、最も収益性の高い地域が少なくとも 1 つ存在することを観察しました。

  • 00:25:00オックスフォード大学の Martin Scholl 氏は、価格が基本的な値から乖離し、配当プロセスのランダムな実現と導入されたノイズにより巨額の損益が生じるトレンド フォロワーを伴う実験について説明しています。このシステムは、設計の大部分を不安定でカオスな領域に費やし、大きな外れ値が斑点状のノイズを生成します。 2番目の実験では、投資家に利益の再投資が許可され、富が再分配される形で軌跡がシンプレックスで追跡されましたが、それらは特定された中心点に向かってかすかに収束し、代わりに左右に変動しました。このシステムは、特定された魅力的な固定点の周囲の領域で見つかる傾向があり、市場清算価格は取引日ごとに発表され、トレーダーの評価と価格に影響を与えます。

  • 00:30:00 Martin は、トレンド フォロワー、バリュー投資家、ノイズ トレーダーによるシステム内の固定点を分析する際に、モンテカルロ実験を通じて得られるさまざまなフロー ラインについて説明します。線の太さは、戦略間で年間ベースで再分配される富の量を示しており、大量のトレンドフォロワーがシステム内でいかに巨額の損失を引き起こす可能性があるかを示しています。ショール氏は続けて、クラウディングはバリュー投資家とは異なる傾向にあり、トレンドフォロワーの集中が高まるとリターンのボラティリティが高まることを強調した。このシステムがトレンド追従から急速に離れていく根本原因は、投資家の合理性と配当プロセスにおける正の自己相関です。

  • 00:35:00 Martin Scholl は、エージェントベースのモデルを使用して市場の生態を研究する方法と、金融コミュニティ マトリックスを構築する方法を説明します。ショールは、生物学の個体群動態で使用される捕食者と被食者のヴォルテラ方程式に類似しています。これは、異なる個体群の動態、つまり個体群サイズに基づいて異なる種がどのように相互作用するかを記述するために使用されます。彼は、この概念は金融市場にも適用でき、特定の戦略のリターンが個体群サイズとみなされ、個体群サイズの変化に対する 1 つの種のリターンの感度が群集マトリックスを表すことになると指摘しています。

  • 00:40:00オックスフォード大学のマーティンは、すべての対角エントリが負で、すべての正のエントリが正であるため、金融市場生態系の種がどのように均衡点で自分自身と競合しているかを説明します。固定点が人口の特定の変化に対して堅牢なコミュニティ マトリックスで安定しているため、システムは安定しています。しかし、市場が均衡点から大きく離れると、相当数のバリュー投資家が存在する場合、トレンドフォロワーとバリュー投資家の間で競争が始まります。密度依存性は、種間の相互作用を生物学的相互作用よりも複雑にし、自然界よりも金融界でより一般的です。価格が乖離している不安定な領域では、トレンドフォロワーは他のトレンドフォロワーから恩恵を受け、価格はバブルのように上昇し続けますが、このシナリオは非常に非現実的です。

  • 00:45:00 Martin Scholl は、トレンド フォロワーの利点を短期間で論じています。トレンド フォロワーは、最高値で、または少なくとも価格が完全に暴落する前に売ることができるため、自分よりわずかに遅いトレンド フォロワーから恩恵を受けることができます。ただし、このモデルでは、トレンドフォローはシンプルであり、個人の戦略に関係なく、同じタイムスケールで動作します。ショール氏はまた、パッシブファンドやインデックストラッカーを特定の資産への富のコンセンサス配分を持つファンドとしてどのように表すことができるかについても議論しています。インデクサーの割合が高くなると、システムがより安定し、システム全体の速度が低下します。最後にショール氏は、種間の二項関係を理解するためにこれらの情報をすべて計算し、その結果食物網と呼ばれるものが生まれたと述べています。

  • 00:50:00 Martin は、エージェントベースのモデルを使用した市場生態学の研究について説明します。ショールは、ノードがどのように異なる種であり、エッジがそれらの間の相互作用であるかを説明します。栄養レベルを使用して、どの種が最も利益レベルが低いか、つまり他の種を捕食しないのか、どの種が最も交通量が多いか、つまりどの種が他のすべての種を捕食して頂点捕食者にするのかを判断できます。ショール氏は、トラフィックレベルが密度に応じてどのように劇的に変化するのか、そしてバリュー投資家がノイズトレーダーを食い物にし、トレンドフォロワーが相関関係を悪用することで、各グループがどのように配当割引に従うのかを説明します。

  • 00:55:00 Martin Scholl は、エージェントベースのモデルを使用して市場生態学を研究することの実際的な意味について説明します。市場の品質とミスプライシングに基づいた実験では、豊富な種を使用した単純な線形モデルが、市場の結果に影響を与えるさまざまな種類の捕食者の関係を記述するのに非常にうまく機能することが示されました。開発されたモデルにより、投資がどのように多次元であるかを観察することができ、戦略が市場の質にさまざまな影響を与えることが強調されます。ショール氏の研究によると、金融市場は密度に大きく依存しているため、投資家は損失を被ったり、自分自身が餌食になったりすることを避けるために、戦略を適切に設定する必要がある。このアプローチにより、株価が入手可能なすべての基本情報を反映すると考えられている従来の金融とは対照的に、市場をさまざまな条件に影響される複雑なシステムとして説明することができます。

  • 01:00:00ビデオのこのセクションでは、Martin Scholl が、エージェントベースのモデルを使用して市場生態学を研究するための単純な線形モデルの使用について説明します。同氏は、市場活動の保有高と相対的な豊富さを調べることで、合理性を前提としてファンダメンタルズを自動的に変換する部門由来のモデルを使用するよりも、このアプローチの方が優れた予測を提供できることを発見しました。彼はまた、モデルの限界と、モデルをより現実的なものにするためのさらなる研究の必要性についても述べています。彼が取り上げた質問の 1 つは、さまざまなレシピや定義に対するモデルの感度、特にトレンドフォローに関するもので、これは主に彼のモデルの配当によって動かされているが、現実世界の金融にとってより現実的なものにするためにはさらなるステップが必要であると彼は説明しています。市場。

  • 01:05:00 Martin Scholl が、エージェントベースのモデルを使用して市場生態学を研究するアプローチについて説明します。ショール氏は、エージェントが自身の信念を彼のモデルに適応させることができるとは想定していません。市場操作には通常、何十年にもわたって目論見書に概説された戦略に従ってファンドマネージャーが関与しており、資産配分プロセスが機械的になる傾向があることを示しています。ショールは、モデリングにおいて適応性の低い行動や知性の低下に傾く傾向があります。しかし、オックスフォード大学の研究グループの他の研究者たちは、進化的アルゴリズムを適用して戦略のパラメーターを変更し、さらには新しい戦略を革新することに取り組んでいます。
Martin Scholl (University of Oxford): "Studying Market Ecology Using Agent-Based Models"
Martin Scholl (University of Oxford): "Studying Market Ecology Using Agent-Based Models"
  • 2022.03.23
  • www.youtube.com
Abstract: This talk presents a mathematical analogy between financial trading strategies and biological species and shows how to apply standard concepts fro...
 

ケビン・ウェブスター: 「価格への影響が会計上の損益をどのように歪めるか」



ケビン・ウェブスター: 「価格への影響が会計上の損益をどのように歪めるか」

Kevin Webster は YouTube ビデオで、価格への影響が会計上の損益計算書 (P&L) をどのように歪めるかというテーマを掘り下げています。同氏は、リスクを効果的に管理するために価格への影響を正確にモデル化することの重要性を強調し、流動性の低いポジションが残らないようにするために流動性リスクを管理することの重要性を強調しています。ウェブスター氏は、さまざまな価格影響モデルが利用可能であることを認めていますが、データの大部分については一般的に一致しています。

講演は、価格への影響と流動性リスクの交差点について取り上げることから始まり、特に金融危機以前は主要市場の流動性が当然のことと考えられていたことを指摘しています。ウェブスターは、価格の影響がどのように利益の錯覚を生み出し、財務的価値から価格の乖離を引き起こすかを説明する強力な引用を共有しています。講演の目的は、この概念を数学的に定式化し、利益の幻想を排除するための清算の市場への影響の推定に基づく定量的な枠組みを提供することです。

ウェブスター氏は、価格への影響を取引の因果モデルとして説明し、より積極的な取引により価格がさらに上昇し、その逆も同様です。価格影響モデルは、取引コストの分析と最適な執行に広く使用されており、予想される取引コストを見積もり、執行戦略を最適化するための取引前ツールとして機能します。彼は、注文のスリッページを最小限に抑え、機械的な動きとアルファ スリッページの両方を考慮することに重点を置き、トレーダーがアルゴリズムのパフォーマンスを四半期ベースで評価できる模擬取引コスト分析レポートを紹介します。

講演者は、市場ストレス期間中の資産流動化のシミュレーションを含む流動性ストレステストに関して欧州証券市場局(ESMA)が発行したガイドラインについて説明します。リスクエクスポージャーを軽減するには、価格変動などの市場の反応をシミュレートし、ヘッジ戦略を採用することが重要です。ウェブスターは、カショーリ、ブシュロン、ファーマー、ESMA やバッフルド委員会などの規制委員会の著作を含む、流動性ストレステストと会計損益への価格の影響に関するさまざまな文献を参照しています。同氏は、会計上の損益に影響を与え、高額な清算コストをもたらす可能性のある状況を軽減するために、流動性ストレステストの必要性を強調している。

取引フットプリントの概念が導入され、会計上の損益に対する価格の影響を歪める影響を測定し、損益のさまざまな定義を結び付けます。ウェブスターは、カサディオ・ブシャール・ファーマー論文によって導き出された会計損益に関する重要な結論を説明するために、単純な投げ売りモデルを提示しています。彼は、数値トレーダーやプラットフォームマネージャーがどのようにして最終的な損益を過大評価し、取引が完了したときにデフレにつながるかを日々観察していることを説明します。ただし、このインフレ特性はリアルタイムで測定および表示でき、トレーダーに実用的な情報を提供します。ウェブスター氏は、ポジションインフレの損失は多くの場合一時的であり、リスク許容度に依存すると指摘する。

株式ポジションの評価に関する問題と、それが企業の損益に与える影響について説明します。ウェブスター氏は、株価のポジションをマークするためにどの価格を使用するかを決定する際のあいまいさと、会計上の損益と取引アルゴリズムで使用される基本的な損益の違いを強調しています。トレーディングフットプリントは会計損益とファンダメンタルズ損益の差として定義され、ポジションがクローズされると曖昧さが解消されます。講演者は、この性質が成り立つ特定の仮定を立てて、ポジションのインフレを調査します。衝撃モデルとその 2 つのケース、フリューヴィルスとボンドによって研究されたオリジナルの OW モルと W モルについても触れられています。

ウェブスター氏は、このモデルが意味をなすためには、自己資金調達方程式の条件とともに、ラムダとベータの間の裁定なし条件が満たされる必要があると説明しています。彼は、取引終了時の予想損益の計算と、取引フットプリントがどのように会計損益にバイアスをもたらすかについて詳しく説明しています。ポジションインフレ特性により、ポジションはエントリーフェーズ中にインフレートし、ホールドフェーズ中に留まり、最終的に蒸発します。これらすべての側面は取引画面上でリアルタイムに観察でき、トレーダーに貴重な洞察を提供します。

ウェブスター氏はさらに、価格の影響によって引き起こされる会計上の損益の歪みについて説明しています。彼は、アルファなしでもトレーダーがどのようにして収益性の高い取引を行うことができるかについて説明していますが、これらの利益は取引コストのせいで短命であると警告しています。損失を避けるためには、早い段階で価格変動を監視することが重要です。さらにウェブスター氏は、ポートフォリオマネージャーはポートフォリオを全体として見ることを好むと指摘し、数理ファイナンスの世界ではポートフォリオの規模と回転率を制御する定常ポートフォリオの概念を導入している。

次に、固定ポートフォリオの概念を、取引コストの推定に関連して検討します。プロパゲーターのタイムスケールを理解することで、トレーダーは自分のポジションがどの程度膨らむのか、またポジションを清算する際に失われる可能性がある利益の錯覚を見積もることができます。ウェブスターは経験的データを使用してフレームワークを実証し、現実世界のシナリオへの適用可能性を示しています。彼はフレームワークを投げ売りモデルに適用し、会計損益とファンダメンタルズ損益の違いを説明し、それらがトレーダーのリスク回避に基づいてさまざまな目的関数にどのように影響を与えるかを強調しています。

講演者は、投げ売りや他の市場参加者の取引活動がトレーダーの損益とポジションに及ぼす影響を詳しく掘り下げます。積極的なヘッジはクラウディング効果やポジションインフレを引き起こし、永久的な損失を招く可能性があります。価格への影響を正確にモデル化することは、効果的なリスク管理にとって極めて重要であり、非流動性ポジションに陥ることを避けるために流動性リスクの管理が重要視されます。

ウェブスター氏は、さまざまな価格影響モデルが利用可能であるものの、データの大部分については一般的に一致していることを認めています。ただし、影響の持続量と持続時間には差が生じる場合があります。一時的な脱臼は数日から1か月ほど続くことがあります。リスク管理の観点からは明確な行動方針がありますが、トレーダーとパフォーマンスの観点からは効果的なコミュニケーションが鍵となります。損益が機械的かどうかを理解し、機械的な部分を取り除くことで、トレーダーは取引の実際のアルファまたはエッジに集中できるようになります。

講演者は「価格操作禁止」の原則について説明し、トレーダーが利益を得たとしても、最終的には蒸発してしまうため維持できないことを強調した。ポジションのインフレは、時間の経過とともに取引額の減少または即時清算につながり、損益がゼロまたはマイナスになる場合もあります。したがって、トレーダーは持続可能な利益を生み出すために他の変数に依存する必要があります。ウェブスターは、初期の影響状態、市場の他の部分によって引き起こされる影響、トレーダーのヘッジと市場の他の部分からの影響の間の相関関係をさらに調査します。

結論として、ケビン ウェブスターは、価格への影響が会計上の損益をどのように歪めるかについて包括的な理解を提供します。同氏は、ボラティリティの高い流動性体制における追加コストと、それがより広範な市場との相関関係にあることを明らかにし、それがバイアスに与える影響を強調しています。規制の観点から見ると、社債や保険会社はこのバイアスの影響をより大きく受ける可能性があります。ウェブスター氏は、株式以外の市場については詳細な答えが不足していることを認めていますが、価格への影響とそれによる損益への潜在的な歪みを理解するための強固な数学的基盤を提供しています。

  • 00:00:00 は、価格が会計上の損益にどのような影響を与えるかについてのこの講演の基礎です。この講演の動機は、価格への影響と流動性リスクの交差点、そして金融危機以前は主要市場の流動性が当然のことと考えられていたという事実です。講演者は、価格の影響によって引き起こされる利益の幻想と、それがどのようにして財務的価値からの価格変動につながるかを説明する 2 つの強力な引用を提供します。この講演の目的は、この考えを数学的に定式化し、この利益の幻想を取り除くために、清算が市場に与える推定影響に基づいた定量的な枠組みを提供することです。

  • 00:05:00講演者は、取引の因果モデルとしての価格への影響と、より積極的に取引された場合に価格がどのように押し上げられるか、またその逆について説明します。業界では、取引コスト分析と最適な執行のために価格影響モデルを使用しており、実務家はこれを取引前ツールとして使用して、注文の予想取引コストを見積もり、執行戦略を最適化します。講演者は、トレーダーがアルゴの業績を四半期ベースで評価できるように、この流動性の観点をエミュレートする模擬 TCA レポートを提供します。トレーダーは注文のスリッページを最小限に抑えようとしますが、機械的な動きやアルファによって引き起こされる注文のスリッページの割合に応じて、価格への影響とアルファ スリッページが影響します。

  • 00:10:00 Kevin Webster が、市場ストレス期間中の資産の流動化をシミュレートする流動性ストレス テストの実行方法について欧州証券市場局が発行したガイドラインについて説明します。また、価格変動などの市場の反応をシミュレートすることの重要性や、ヘッジによってリスクエクスポージャーをどのように軽減できるかについても説明しています。さらに、流動性ストレステストと会計損益への価格の影響に関する 2 つの文献をレビューしています。これには、Cascioli Boucheron Farmer や Baffled Committee や ESMA などの規制当局の著作も含まれます。最後に、会計上の損益に影響を与え、高額な清算コストが発生する可能性のある状況を回避するために、流動性ストレステストの必要性を強調しました。

  • 00:15:00講演者は、意思決定者が流動性ストレステストを使用する必要性やシミュレーションベースの構造など、流動性ストレステストに関するさまざまな文書から得られるポイントについて議論します。彼らは、市場ストレス時の価格変動のシミュレーションに関する Francelli による特定の論文と、OB モデルの代替証明を提供し、その適用性を大幅に高める Schweizer と Urzua による 2 つの論文を推奨しています。講演者はまた、損益のさまざまな定義を結び付け、会計上の損益に対する価格の影響の歪曲効果を測定するトレーディング・フットプリントの概念も紹介します。最後に、彼らは、Casadio-Bouchard-Farmer 論文によって作成された会計損益に関する強力な結論を説明するために、単純な投げ売りモデルを設定しました。

  • 00:20:00 Kevin Webster が、価格の影響がどのように会計上の損益を歪める可能性があるかを議論します。同氏は、トレーダーやプラットフォームマネージャーが日々どのように数値を監視しているのか、最終的な損益を過大評価し、取引終了時には損益が下がってしまっていることを説明しています。ただし、インフレ特性はリアルタイムで測定および表示できるため、トレーダーにとって実用的になります。ウェブスター氏は、損失のうちポジションのインフレ部分は一時的なことが多く、リスク許容度に依存すると指摘する。最後に、トレーダーが損益を計算する際に考慮する必要がある数学的設定、変数、数量について紹介します。

  • 00:25:00このセクションでは、Kevin Webster が株式ポジションの評価に関する問題と、それが企業の損益 (P&L) にどのような影響を与えるかについて説明します。彼は、株価のポジションをマークするためにどの価格を使用するかを決定する際のあいまいさと、会計上の損益と取引アルゴリズムが使用するファンダメンタルズ損益の違いについて語ります。彼は、トレーディングフットプリントを会計上の損益と基本的な損益との差として定義し、ポジションをクローズするときに曖昧さがどのように解消されるかを説明します。彼はまた、ポジションのインフレについても議論し、この性質が成り立ついくつかの仮定を提供します。最後に、彼は衝撃モデルとその 2 つのケース、元の OW モールとフリューヴィルスとボンドが研究した W モールについて言及します。

  • 00:30:00 Kevin Webster は、モデルが意味をなすためには、ラムダとベータの間に裁定なしの条件が必要であり、また、自己資金調達方程式の条件も満たされる必要があると説明しています。彼はまた、取引終了時の予想損益を計算する方法と、取引フットプリントがどのように会計損益にバイアスをもたらすかについても詳しく説明します。最後に、ポジションのインフレ特性により、ポジションがエントリーフェーズ中にどのようにインフレートし、ホールドフェーズ中に留まり、最終的に蒸発するのかについて説明します。これらすべてはリアルタイムで取引画面上で観察できます。

  • 00:35:00このセクションでは、財務専門家の Kevin Webster が、会計上の損益計算書で発生する価格への影響の歪みについて説明します。彼は、取引にアルファがない場合でもトレーダーがどのようにして利益のある取引を行うことができるかについて説明するとともに、取引コストのせいでこれらの利益は長くは続かず、トレーダーは損失を避けるためにこれらの価格の位置を早期に監視する必要があると警告しています。さらに、ポートフォリオ マネージャーはポートフォリオを全体として考えることを好み、数学金融の世界ではポートフォリオのサイズと回転率を制御するために固定ポートフォリオを定義していると彼は説明します。

  • 00:40:00 Kevin Webster が、固定ポートフォリオの概念と、それを使用してトランザクションの実行コストを見積もる方法について説明します。プロパゲーターのタイムスケールを知ることで、トレーダーは自分のポジションがどれだけ膨らむか、またポジションを清算し始めた場合に失われる可能性がある利益の錯覚を推定できます。次にウェブスター氏は、経験的データに基づいてフレームワークをシミュレーションし、これらの公式が現実世界のシナリオに適用できることを強調しました。最後に、彼はフレームワークを投げ売りモデルに適用し、会計損益とファンダメンタルズ損益の違いと、それらがトレーダーのリスク回避に応じて異なる目的関数にどのように情報を与えることができるかを説明します。

  • 00:45:00 Kevin は、投げ売り、または他の市場参加者の取引活動がトレーダーの損益とポジションにどのような影響を与える可能性があるかを議論します。彼は、積極的なヘッジがクラウディング効果とポジションのインフレを引き起こし、永久的な損失をもたらす可能性があることを実証しています。さらに、リスクを効果的に管理するには価格への影響を正確にモデル化することの重要性を強調し、流動性のないポジションに陥る前に流動性リスクを管理することの重要性を強調しています。最後に、さまざまな価格影響モデルが存在するものの、通常、データの大部分については一致していると彼は述べています。

  • 00:50:00講演者は、価格への影響の量や変化だけでなく、影響が消えるまでの期間についても、さまざまな影響モデルがどのように対立する可能性があるかについて議論します。彼らは、数日から 1 か月かかる可能性のある一時的な脱臼の例を示しています。ただし、トレーダーやパフォーマンスマネージャーがポジションの偏りを解消したり、リスク管理を実行したい場合は、どのようなインパクトモデルでも十分であり、利害関係者と効果的にコミュニケーションするための実用的なセットがあります。リスク管理の観点からは、明確な行動セットがあります。対照的に、トレーダーとパフォーマンスの観点から見ると、損益は機械的なものであるかどうかを理解し、損益の機械的な部分を取り除くことで、取引における実際のアルファまたは実際のエッジに焦点を当てることができます。 。

  • 00:55:00 Kevin Webster は、価格操作禁止の原則とは、たとえトレーダーが利益を得たとしても、最終的には蒸発してしまうため、利益を固定することはできないことを意味すると説明しています。プルーフ・ポジションのインフレにより、時間の経過とともに取引額が減少したり、即時に清算されたりする結果、損益がゼロまたはマイナスになる場合もあります。ポジションのインフレによって利益が永続的に得られないため、トレーダーは利益を得るために他の変数に依存する必要がありました。ウェブスターはさらに、初期の影響状態、市場の他の部分によって引き起こされる初期の影響、トレーダーのヘッジと市場の他の部分からの影響の間の相関関係についても議論しています。

  • 01:00:00 Kevin Webster が、価格の影響が会計上の損益をどのように歪めるかについて語ります。同氏は、ボラティリティの高い流動性体制下での追加コストや市場の他の部分との相関関係がバイアスにかなり寄与する可能性があると説明する。規制の観点から見ると、社債や保険会社はこのバイアスの影響をより大きく受ける可能性があります。しかし、彼も認めているように、株式以外の特定の質問にどう答えるべきかわからないため、詳細な答えは持っていません。全体として、彼は価格への影響とそれがどのように損益を歪める可能性があるかについて数学的に理解を示しています。
Kevin Webster: "How Price Impact Distorts Accounting P&L"
Kevin Webster: "How Price Impact Distorts Accounting P&L"
  • 2022.02.16
  • www.youtube.com
Full Talk Title: "How Price Impact Distorts Accounting P&L - Revisiting Caccioli, Bouchaud and Farmer's Impact-Adjusted Valuation"This presentation revisits ...
 

Laura Leal (プリンストン大学) - 「高頻度金融のための機能制御の学習」



Laura Leal (プリンストン大学) - 「高頻度金融のための機能制御の学習」

プリンストン大学の研究者である Laura Leal 氏は、高周波金融におけるディープ ニューラル ネットワークの応用について有益なプレゼンテーションを行いました。彼女は従来のソリューションの限界を強調し、この分野でニューラル ネットワークを利用する利点を探りました。レアル氏は、従来のモデルが苦手とする自己相関や日内の季節性などの複雑な要因に適応する能力を強調しました。ニューラル ネットワークを活用することで、トレーダーは市場への影響を最小限に抑え、スムーズな取引を行うことで最適な執行を実現できます。

ニューラル ネットワークのブラック ボックスの性質に関する懸念に対処するために、Leal は説明可能性の概念を導入しました。彼女は、ニューラル ネットワーク制御を低次元多様体に投影し、関連するリスクとよく知られたリスク セクターからの逸脱をより深く理解できるようにすることについて説明しました。チームは、古典的な閉形式 PDE (偏微分方程式) ソリューションと比較して、ニューラル ネットワーク制御のパフォーマンスを評価しました。彼らは、ニューラル ネットワーク アプローチの精度と有効性を評価するために、価値関数、時価評価による資産、予測の相対誤差を調べました。

Leal 氏は、ニューラル ネットワークのトレーニングの複雑さを掘り下げ、現実世界のデータと正確なダイナミクスを組み込むことの重要性を強調しました。彼女はまた、トレーダーがリスクの好みを入力できるようにするマルチプリファレンス コントローラーを提案し、新しい市場状況への迅速な適応を可能にしました。リスク回避パラメーターを考慮し、トレーダーの好みを組み込むことにより、ニューラル ネットワークは高頻度金融における確率的最適化問題の解決策を生成できます。

発表者は、リスク管理に使用されるニューラル ネットワークの構造について説明し、その反復性を強調しました。ネットワークはそれほど深くはありませんが、各タイム ステップで反復構造を採用し、重みを同時に更新します。ネットワークへの入力には時間と在庫が含まれますが、出力は制御自体であり、各タイム ステップで取引する最適な株式量を決定します。利用可能な金融データが限られているという課題に対処するために、転移学習が採用され、モンテカルロ法を使用してデータがシミュレートされます。

Leal は、線形回帰を使用してニューラル ネットワーク制御を線形関数空間に投影するプロセスの概要を説明しました。この射影手法により、ニューラル ネットワークの非線形関数と、その非線形関数と閉形式の制御ソリューションとの連携についての理解を深めることができます。その結果、季節性とリスク回避パラメーターを組み込むことが市場に対するモデルの反応に与える影響が実証されました。さらに、発表者はガンマの重要性を強調しました。ガンマは文献では通常 2 に設定されていますが、2 対 3 とすると非線形の解決策が示されました。

高頻度金融の取引実行におけるニューラルネットワーク制御の性能と精度が徹底的に評価されました。レアル氏は、価値関数、時価評価による資産、さまざまなシナリオとガンマ値にわたる予測の相対誤差を比較しました。ニューラル ネットワークは優れたパフォーマンスを示しましたが、取引は非線形な方法で実行され、既知の制御ソリューションから逸脱していました。このため、ニューラル ネットワークを使用して取引する決定と、確立されたソリューションからの乖離に基づいて適切な証拠金レベルを決定することについて疑問が生じました。

レアル氏は、トレーダーがリスク変換パラメーターを入力して、事前トレーニングされたモデルを使用してすぐに取引を開始できるようにする、マルチプリファレンス コントローラー アプローチの利点を検討しました。ニューラル ネットワーク ソリューションは、PDE ソリューションよりも実行に時間がかかりましたが、さまざまなリスク設定に対する柔軟性と適応性が向上しました。説明可能性を高めるために、Leal は線形回帰を使用した射影のアイデアを提案し、多重優先機能を維持しながら計算負荷を軽減しました。同氏はまた、ニューラル ネットワーク近似の概念のより広範な応用例を強調し、ヘッジなどの他の金融問題との関連性を示唆しました。

高頻度金融におけるニューラル ネットワークのトレーニング プロセスについて説明し、オンライン強化学習に伴う遅延の問題を回避するためのオフライン トレーニングに重点を置きました。ネットワークは、時間、在庫、および潜在的なリスク回避パラメーターを入力として受け取り、出力としてレートを生成します。 Leal 氏はまた、ネットワークが収束した後にシミュレートされたデータからトロント証券取引所から取得した実際のデータ増分に移行する転移学習の微調整手順についても説明しました。発表者は、高頻度金融の複雑さを捉えるネットワークの能力を強化するため、トレーニング プロセス中に実世界のデータと正確なダイナミクスを使用することの重要性を強調しました。

続くセクションでは、Laura Leal が、高頻度金融のニューラル ネットワークで使用される入力と目的関数についての洞察を提供しました。ニューラル ネットワークには、1 日の特定の在庫の平均数量の割合として在庫が組み込まれており、正規化された表現が可能になります。目的関数は最大化問題として構成され、出力は最適な実行のための制御として機能します。ニューラル ネットワークの構造は関数近似に基づいており、2 つの入力ノードと 4 つの隠れ層を利用して基礎的な関係を把握します。

2 つの管理ソリューション間の不一致に関する質問に答え、リール氏は、それが投資家の有用性の変化を反映していると解釈される可能性があると明らかにしました。ガンマ パラメーターを調整することにより、さまざまなユーティリティ関数を使用できるため、制御ソリューションが変化します。研究では、チームは実際のトレーダーによる経験的テストに基づいて 3 つの半分のガンマ値を選択し、満足のいくパフォーマンスが得られました。

Leal 氏はさらに、ニューラル ネットワークの出力が観察可能で分析可能であることを強調しました。ネットワークがとったポジションと、取引日を通じてそのポジションがどのように変化するかを監視し、意思決定プロセスに対する透明性と洞察を提供します。このレベルの解釈可能性と理解により、トレーダーはニューラル ネットワークの実行戦略に自信を得ることができます。

高頻度金融のための機能制御の開発に関連する課題についても、Leal 氏が議論しました。平均的な制御プロセスは取引実行に関する全体的な洞察を提供できますが、個々の軌跡の動作を正確に表していない可能性があります。ミーム株の出現などの市場のダイナミクスには、進化する状況を効果的に捉えるための制御手法の適応が必要です。

結論として、Laura Leal のプレゼンテーションは、高頻度金融の分野で効果的な管理を構築する際の複雑さに光を当てました。ディープ ニューラル ネットワークを活用することで、研究者やトレーダーは従来のモデルの限界を克服し、このドメインの複雑なダイナミクスに適応できます。リスクの選好、説明可能性の尺度、現実世界のデータを組み込むことにより、堅牢で適応性のある制御ソリューションの開発に貢献します。リールと彼女のチームは、その仕事を通じて、高頻度金融におけるより効率的で情報に基づいた意思決定への道を開く貴重な洞察とソリューションを提供します。

  • 00:00:00 Laura Leal は、高頻度金融における最適な執行の問題を解決するためにディープ ニューラル ネットワークを使用することに関する Matthias および Charlotte との共同研究を発表します。目標は、市場への大きな影響を回避し、可能な限りスムーズかつ密かに取引を行うことです。チームは、ニューラル ネットワークがブラック ボックスであるという懸念に対処するために説明可能性のアイデアを導入し、ニューラル ネットワークの制御を低次元の多様体に投影して、リスクとニューラル ネットワーク ソリューションが身近なリスクからどれだけ離れているかをよりよく理解します。セクタ。彼らは、価値関数、富がマークされた市場、および予測の相対誤差に注目してパフォーマンスを評価し、ニューラル ネットワーク ソリューションを古典的な閉形式 PDE ソリューションと比較します。

  • 00:05:00プリンストン大学の Laura Leal が、自己相関やヘビーテールなどの高頻度金融の複雑さに適応するのに苦労する PD (偏微分) モデルなどの従来のソリューションの限界をニューラル ネットワークがどのように改善できるかについて議論します、および日中の季節性。ただし、ニューラル ネットワークは実行に時間がかかる可能性があるため、彼女は、トレーダーのリスク選好を入力して新しい日々により迅速に適応し、確率的最適化問題の解決策を生成するマルチプリファレンス コントローラーを提案しています。次に、Leal 氏は、最適な実行モデルを含む文献の概要を示し、高頻度金融においてニューラル ネットワークが学習できる在庫、制御、価格などの状態変数について説明します。

  • 00:10:00ローラは、高頻度金融における価格プロセスの進化と、それが取引速度によってどのように影響を受けるかについて説明します。彼女は、取引が速くなればなるほど、より多くの流動性が消費され、それによって価格が上昇し、市場に永続的な影響を与えることになると説明しています。最小化するための客観的な基準は、取引の速度であるコントロールに依存し、最終的な要素とランニングコストの要素があります。最終コストは 3 つの部分に分類されます。これには、最終的な現金資産、在庫を保持することに対するペナルティ、最終的な在庫をいくらで売却できるかが含まれます。ランニングコストは、在庫を 1 日中保持することに対するペナルティであり、これら 2 つのパラメータはリスク管理に不可欠です。 Leal は、ニューラル ネットワーク ソリューションにとってガンマがどのように重要であるかについても説明し、文献では通常 2 に等しいとされています。

  • 00:15:00プリンストン大学の講演者である Laura Leal は、価値関数に在庫に関する二次項が含まれる高頻度の金融問題における近似を学習するためのニューラル ネットワークの使用について説明しています。ニューラル メトリックを使用する場合の同等の解決策は、ニューラル ネットワークのパラメーターを選択する必要があるため、制御μの最適化とは異なります。ニューラル ネットワークはすべてのタイム ステップに使用され、エージェントの価格、在庫、富に基づいて反応する方法を学習できます。このプロセスでは、時間と在庫の入力を備えたフィードフォワードの完全に接続されたニューラル ネットワーク構造が使用されます。ただし、入力はさまざまな方法で一般化して、ビデオで説明のために使用されているリスク選好パラメーターよりも多くの入力を含めることができます。

  • 00:20:00 Laura Leal が、高頻度金融におけるリスク管理に使用されるニューラル ネットワークの構造について説明します。ネットワークはそれほど深くはありませんが、反復的であり、各タイム ステップで同じ構造を再利用して重みを同時に更新します。ネットワークへの入力は時間と在庫であり、出力は制御です。これはニューラル ネットワーク自体であり、タイム ステップごとに取引する一定量の株式を出力します。転移学習は、高価なまたはまばらな金融データを使用する代わりに、モンテカルロを使用してデータをシミュレートするために使用されます。使用されたデータはトロント証券取引所の 2008 年 1 月から 2009 年 12 月までのもので、ニューラル ネットワークはヘビーテール、自己相関、および日中の季節性の問題に対処するために使用されます。

  • 00:25:00このセクションでは、Laura Leal が、線形回帰を使用して、ニューラル ネットワークによって達成される制御を q の線形関数の空間に投影し、β1 項とβ2 項を見つけて r の 2 乗を決定するプロセスについて説明します。ニューラル ネットワークの非線形関数は、閉じた形式の制御の空間に投影できます。その結果、季節性やエージェントのリスク回避パラメーターの学習などの機能をコードに追加すると、市場に対するモデルの反応に大きな影響があったものの、ガンマが 2 の 3 に等しいことを考慮すると、影響はなかったことがわかりました。 -ニューラルネットワークの線形ソリューション。

  • 00:30:00ローラは、高頻度金融の取引を実行する際のニューラル ネットワーク制御のパフォーマンスと精度を検査します。彼女は、さまざまなシナリオとガンマ値について、価値関数と時価と市場資産を比較します。彼女はまた、投影の相対誤差を評価し、ニューラル ネットワークのパフォーマンスは向上しているものの、既知の制御とは異なる非線形な方法で実行されていることに注目しました。このため、ニューラル ネットワークを使用して取引するかどうか、また、快適な既知のソリューションからの距離に基づいてどの程度のマージンを設定するかという疑問が生じます。

  • 00:35:00このセクションでは、Laura が、高頻度金融における最適な実行のためのマルチプリファレンス コントローラーに関する発見について説明します。 Leal は、ニューラル ネットワーク ソリューションは季節性に反応するため、すべてのパラメーター セットについて PDE ソリューションよりも実行に時間がかかることを発見しました。ただし、このアプローチを使用すると、トレーダーは現在のリスク変換パラメーターを入力し、すでにトレーニングされたものを使用してすぐに取引を開始できます。 Leal はまた、計算負荷の一部を取り除くために、線形回帰と同じ問題の多優先バージョンを使用する射影のアイデアによる説明可能性を提案しています。さらに、リールは論文の中で他の論文についても議論しており、このニューラル ネットワーク近似のアイデアがヘッジを含む他の多くの金融問題にどのように適用できるかについても説明しています。

  • 00:40:00 Laura Leal が、高頻度金融で使用されるニューラル ネットワークのトレーニング プロセスについて説明します。彼女は、遅延の問題を回避するために、ネットワークがオンラインの強化学習ではなくオフラインでトレーニングされると説明しています。ネットワークがトレーニングされると、時間と在庫の入力が取り込まれ、場合によってはリスク回避パラメーターが含まれ、レートが出力されます。エンドユーザーはネットワークの内部の仕組みを理解する必要はありません。 Leal 氏は、転移学習で使用される微調整手順についても説明します。これには、ネットワークが収束した後に、トロント証券取引所からの実データ増分に切り替えることが含まれます。最後に、彼女は前処理と最適化に関する質問に答え、トレーニング プロセスで実世界のデータと正確なダイナミクスを使用することの重要性を強調しました。

  • 00:45:00ビデオのこのセクションでは、Laura Leal が、高頻度金融のニューラル ネットワークで使用される入力と目的関数について説明します。ニューラル ネットワークは、在庫を 1 日の在庫の平均数量の割合として取得します。これは、マイナス 1 から 1 までの値として取得されます。目的関数は、出力が制御である最大化問題であり、ニューラル ネットワークの構造は関数近似に基づいています。 Leal 氏は、ニューラル ネットワークの構造には 2 つの入力ノードと 4 つの隠れ層があるとも説明しています。最後に、彼女は 2 つの制御ソリューションの違いに関する質問に答え、それが投資家の効用の変化の結果として解釈される可能性があることを明らかにしました。

  • 00:50:00 Laura は、ガンマ 2 と 3 の半分のモデルの違いとそれらのユーティリティ関数について説明します。彼女は、ガンマ 2 では、解は閉じた形式の解ではなくなり、代わりにニューラル ネットワークを介して近似解が生成されると説明します。ガンマ 3 半分を選択した理由は、企業内の実際のトレーダーでテストし、良好なパフォーマンスが得られたためです。さらに、リール氏は、ニューラル ネットワークの出力を観察して分析できることを確認し、出力が 1 日を通してどのような位置をとり、どのように変化するかを把握しています。

  • 00:55:00このセクションでは、Laura Leal が、高頻度金融の機能制御を作成する際の課題について説明します。平均的な制御プロセスは、取引の実行がどのようになるかについての洞察を提供しますが、単一の軌跡を見ると完全に正確ではない可能性があります。彼女はまた、最適化のための 2 ブロック手法の使用に関する質問に答え、この手法がミーム株などの変化するダイナミクスにどのように適応する必要があるかを説明します。全体として、リール氏のプレゼンテーションは、高頻度金融のための機能制御の作成の複雑さに光を当てています。
Laura Leal (Princeton University) - "Learning a Functional Control for High-Frequency Finance"
Laura Leal (Princeton University) - "Learning a Functional Control for High-Frequency Finance"
  • 2021.11.17
  • www.youtube.com
Laura Leal (Princeton University) is our last speaker for the Fall 2021 seminar series. Her topic is called "Learning a Functional Control for High-Frequency...
 

Zihao Zhang (オックスフォードマン研究所) - 「注文データごとの市場向けディープラーニング」



Zihao Zhang (オックスフォードマン研究所) - 「注文データごとの市場向けディープラーニング」

オックスフォードマン研究所の博士研究員であり、機械学習研究グループの一員である Zihao Zhang 氏は、深層学習を注文データごとの市場に適用するという彼のチームの最近の研究について紹介します。彼らは市場の微細構造データ、特に特定の金融商品の全体的な需要と供給のダイナミクスに関する貴重な洞察を提供する指値注文帳に焦点を当てています。 Zhang 氏と彼のチームは、注文ごとの市場データと指値注文帳のデータを組み合わせることで、シグナルの分散を低減し、より優れた予測シグナルを取得できることを発見しました。彼らのモデルのこの応用は、取引執行とマーケットメイク戦略を強化する可能性を秘めています。

Zhang 氏は、市場の微細構造データを簡単に紹介することでプレゼンテーションを開始し、特に注文ごとの市場データの重要性を強調します。このデータ ソースは、既存の文献でより注目されている指値注文ブック データと比較して、非常に詳細な情報を提供し、頻繁な更新やイベントを提供します。彼は同社の深層学習モデルを紹介し、注文ごとの市場データを分析するために同社が設計したネットワーク アーキテクチャについて説明します。 Zhang 氏は、彼らの研究が高頻度の動きを予測するための注文ごとの市場データを使用した最初の予測モデルを表しており、アルファ発見の可能性を広げる代替情報源を提供していることを強調しています。

次に、Zhang は指値注文帳の概念を詳しく掘り下げます。指値注文帳は、特定の時点での金融商品のすべての未処理の指値注文の包括的な記録として機能します。同氏は、チャート データは低頻度の情報を提供しますが、株価は実際には多変量時系列である指値注文帳によって表されることを強調します。 Zhang 氏は、指値注文ブックが発行された注文に基づいてさまざまな価格レベルにどのように編成され、各価格レベルがさまざまなトレーダーによってセグメント化された多数の小規模注文で構成されているかについて説明します。また、新しいメッセージが到着したときに注文帳がどのように更新されるかについても説明します。これにより、新しいポジションが導入されたり、既存の注文がキャンセルされたり、現在の注文が変更されたりする可能性があります。張氏は、指値注文帳から得られたデータによって、特定の金融商品の全体的な需要と供給の関係が明らかになる、と指摘し、彼の目的は、注文の発注とキャンセルに関する情報を含む注文ごとの市場データを利用することで追加の洞察が得られるかどうかを判断することであると指摘しています。予測を立てるためです。

今後、Zhang 氏は、市場の動きを予測するためにディープラーニングで注文ごとの市場データをどのように利用できるかを調査します。成行注文データのメッセージ文字列は、指値注文ブックに比べて次元が低いですが、予測に利用できる追加情報を提供します。 Zhang 氏は、過去のイベントを 2D マトリックスに変換して、予測のためにニューラル ネットワークに入力できる画像を形成する方法を説明します。畳み込み層から得られた特徴はリカレント ニューラル層に統合され、構造を学習して追加の依存関係を取得できます。最後の層は、しきい値リターンを使用した分類設定に基づいて予測を生成します。

Zhang 氏は、指値注文帳データを使用して予測を行うために使用されるネットワーク アーキテクチャについて説明します。この場合、最初の 2 つのコンポーネントは個々のトレーダーからのメッセージに置き換えられ、畳み込み層は LSTM 層またはアテンション層に置き換えられます。 Zhang は、単一点予測を容易にし、エンコーダ/デコーダ構造を伴うアテンション メカニズムを簡単に説明します。エンコーダーは入力時間から意味のある特徴を抽出し、それらを要約して隠れた状態にし、デコーダーは予測を生成します。正規化は、仲値に基づいて注文が買いか売りかを決定するために使用されます。

次のセクションで、Zhang は、一連のアセットを使用してトレーニングし、同様のスケールに正規化し、単純な線形モデル、多層パーセプトロン、LSTM、アテンション モデルなどのさまざまなモデルを使用してテストしたモデルの結果を示し、両方のリミット オーダーを組み込みます。本のデータと純粋な環境データ。結果は、アンビエント データからの予測シグナルが指値注文ブックからのシグナルとの相関が低いことを示しており、これら 2 つのソースを組み合わせることでシグナルの分散が減少し、多様化の恩恵を受け、優れた予測シグナルが得られることを示唆しています。したがって、両方のデータ型からの予測信号を平均するアンサンブル モデルが最高のパフォーマンスを示します。

Zhang 氏はさらに、マーケット・バイ・オーダー (MBO) データを予測に組み込むことの潜在的な利点について議論し、このデータを使用して特徴量エンジニアリングを実行できる機能を強調します。彼は、2 ~ 20 ティック先の範囲の予測期間の結果を提示し、50 ティック先と 100 ティック先でも同様の動作が観察されたことに注目しています。 Zhang 氏はまた、一般化を改善するためにすべての手段を使用して単一モデルをトレーニングする可能性や、ロンドン証券取引所からの MBO データのソースなど、聴衆からの質問にも答えました。 PNL ではなく NF1 に焦点を当てることについての聴衆の質問に答えて、Zhang 氏は、PNL が成功のより適切な尺度であることに同意し、認めています。

Zhang はさらに、予測信号の使用と、生の信号の使用やソフトマックス確率に基づくしきい値の設定など、予測信号を定義するためのさまざまな方法について説明します。同氏は論文の要点を要約しており、指値注文帳データの代わりにマーケット・バイ・オーダー(MBO)データをモデリングし、LSTM保持メカニズムを含む深層学習モデルをテストすることを提案している。この結果は、MBO と指値注文ブックのデータを組み合わせると最良の結果が得られることを示しています。 Zhang は、市場の動き間の自己相関、ノイズ取引の除去、指値注文ピクチャーのモデリングに CNN レイヤーを使用する動機などに関する聴衆の質問に答えます。

次のセクションでは、Zhang が、畳み込みニューラル ネットワーク (CNN) を使用して効果的に探索できる空間構造としてオーダーブックをどのように扱うことができるかを説明します。 CNN を使用して各価格レベルから情報を抽出することは、予測に有益であることが証明されています。長短期記憶 (LSTM) 層は、データの一時的な流れを維持し、予測を行うために過去のイベントを要約するため、多層パーセプトロンよりも選択されます。 Zhang 氏は、金融時系列の性質により、アテンション メカニズムを使用するメリットは限られていると指摘しています。この論文には、モデルで使用されているハイパーパラメータの詳細な説明が含まれています。

Zhang 氏は、ニューラル ネットワーク手法で使用される多数のパラメーターと、株式市場の予測におけるそれらの有効性に関する懸念に対処します。彼は、パラメーターの多さが批判の対象になり得ることを認めていますが、彼のチームがモデルに固有のパラメーターをいくつか微調整しただけであることを強調します。彼らはまだ買値と買値のスプレッドを成功の基準として使用することを検討していないが、さらなる探求の可能性は認識している。 Zhang 氏は、彼らのモデルが取引執行やマーケットメイク戦略にとって実用的な価値を持つと信じています。ただし、オーダーブックデータの頻繁な更新により取引執行が複雑になる可能性があるため、スプレッドをクロスする場合はデータのダウンサンプリングが必要になる可能性があると同氏は述べています。最後に、Elo 指値注文ブックをモデル化するとき、個々の注文サイズに関する情報を含めるのではなく、各価格レベルの合計サイズを集計します。

最後のセクションでは、Zhang 氏が注文による市場データと価格による市場データの違いについて説明します。注文ごとの市場データでは、個別の注文を追跡できますが、価格ごとの市場データでは不可能です。適切な特徴エンジニアリングを使用すると、注文ごとの市場データから追加情報が提供され、アルファが生成されます。 Zhang 氏はまた、サイズを変更せずに、特定の指値注文の価格の変更をモデルがどのように処理するかについても説明しています。価格が更新された新しいメッセージはそれぞれ新しい更新として扱われ、データセットが強化されます。

全体として、Zihao Zhang 氏のプレゼンテーションは、注文データごとの市場へのディープラーニングの応用を紹介し、市場の微細構造データから貴重な洞察を抽出する可能性を強調しています。 Zhang氏のチームは、注文ごとの市場データと指値注文帳のデータを組み合わせることで、シグナルの分散が減少し、改善された予測シグナルが生成されることを実証しました。彼らの研究は、取引執行とマーケットメイク戦略の強化を約束し、金融市場分析の分野に貴重な貢献をもたらします。

  • 00:00:00オックスフォード・マン研究所の博士研究員であり、機械学習研究グループの一員である Zihao Zhang 氏は、Brian Ling 氏および Stefan Loren 氏とともに、深層学習モデルを注文データごとの市場に適用することに関する最近の研究について発表します。 Zhang 氏は、指値注文帳や注文ごとの市場データなど、市場の微細構造データを簡単に紹介することから始めます。同氏は、後者はおそらく最も詳細な情報源であり、指値注文ブックのデータと比較してより多くの更新情報やイベントを提供するにもかかわらず、現在の文献ではほとんど無視されていることを強調しています。 Zhang は深層学習モデルを紹介し、このタイプのデータ用に設計したネットワーク アーキテクチャについて説明します。同氏はまた、彼らの研究が高頻度の動きを予測するために注文ごとの市場データを使用した最初の予測モデルであり、アルファ発見の世界を拡大する直交する情報源を提供することを強調した。

  • 00:05:00 Zihao は、特定の時点における金融商品のすべての未処理の指値注文の記録である指値注文帳の概念を説明します。同氏は、チャート データは低頻度の情報を提供しますが、株価は実際には指値注文帳で表される多変量時系列であることを強調しています。 Zhang 氏は、指値注文帳が発行された注文に基づいてさまざまな価格レベルにどのように分類されるか、また各価格レベルはさまざまなトレーダーによってセグメント化された多数の小規模な注文で構成されていると説明します。また、新しいメッセージが届いたときに注文帳がどのように更新されるかについても説明します。これにより、新しいポジションの追加、既存の注文のキャンセル、または既存の注文の更新が可能になります。 Zhang 氏は、指値注文帳から得られたデータは、特定の金融商品の全体的な需要と供給の関係を示しており、彼の焦点は、注文の発注とキャンセルに関する情報を含む注文ごとの市場データを使用することで、予測を行うための追加情報を提供します。

  • 00:10:00 Zihao Zhang は、市場注文データをディープラーニングに使用して市場の動きを予測する方法について説明します。成行注文データのメッセージ文字列は指値注文ブックよりも低次元ですが、予測に使用できる追加情報を提供します。 Zhang 氏は、過去の出来事の画像を 2D マトリックスとして形成し、予測のためにニューラル ネットワークに入力できると説明します。畳み込み層から得られた特徴はリカレント ニューラル層に入れられ、構造と追加の依存関係を学習できます。最後の層は、しきい値リターンを使用した分類設定に基づいて予測を出力します。

  • 00:15:00オックスフォードマン研究所の Zihao Zhang 氏は、指値注文帳データから予測を行うために使用されるネットワーク アーキテクチャについて説明します。最初の 2 つのコンポーネントは個々のトレーダーからのメッセージに置き換えられ、畳み込み層は LSTM 層またはアテンションに置き換えられます。層。 Zhang は、この場合の単一点予測に使用されるアテンション メカニズムについても簡単に説明します。これにはエンコーダとデコーダの構造が含まれます。エンコーダは入力時間から意味のある特徴を抽出し、それらを隠れた状態に要約し、デコーダは予測を生成します。 。正規化は、仲値に基づいて注文が買いか売りかを決定するために使用されます。

  • 00:20:00ビデオのこのセクションでは、Zihao Zhang が、アセットのグループでトレーニングされ、同様のスケールに正規化され、単純な線形モデル、多層認識、LSTM、および指値グループ データと純粋なアンビエント データの両方を使用する注意モデル。結果は、アンビエント データからの予測シグナルが指値注文ブックからのシグナルとの相関が低いことを示しており、これら 2 つのシグナルを組み合わせることでシグナルの分散が減少し、分散の恩恵を受け、より良い予測シグナルが得られることを示唆しています。したがって、両方のタイプのデータからの予測信号を平均するアンサンブル モデルが最高のパフォーマンスを提供します。

  • 00:25:00 Zihao Zhang は、マーケット・バイ・オーダー (MBO) データを予測に組み込むことの潜在的な利点について説明し、データを使用して特徴量エンジニアリングを行う機能について言及します。 2 ~ 20 ティック先の予測期間の結果が示され、50 ティックおよび 100 ティック先でも同様の動作が見られました。 Zhang はまた、一般化を改善するためにすべての手段を使用して単一モデルをトレーニングする機能や、ロンドン証券取引所からの MBO データの起源など、聴衆の実装に関する質問にも答えます。聴衆の 1 人が、PNL ではなく NF1 に焦点を当てて質問しましたが、Zhang 氏はこれに同意し、PNL が成功のより適切な尺度であることを認めました。

  • 00:30:00 Zihao Zhang は、予測信号の使用と、生信号の使用やソフトマックスからの確率のしきい値の設定など、予測信号を定義できるさまざまな方法について説明します。彼はこの論文を要約し、指値注文帳データの代わりにマーケット・バイ・オーダー (MBO) データをモデル化し、LSTM 保持メカニズムを含む深層学習モデルをテストすることを提案しています。結果は、MBO と指値注文ブックの両方のデータを組み合わせると最良の結果が得られることを示しています。 Zhang はまた、市場の動きの間の自動相関、ノイズ取引の除去、指値注文ピクチャーのモデリングで CNN レイヤーを使用する動機についての聴衆の質問にも答えます。

  • 00:35:00ビデオのこのセクションでは、Oxford-Man Institute の Zihao Zhang が、注文書を同じレイヤーを使用して探索できる空間構造としてどのように扱うことができるかを説明します。畳み込みニューラル ネットワーク (CNN) を使用して各価格レベルから情報を抽出すると、予測に役立つことがわかりました。長短期記憶 (LSTM) 層は、時間の流れを歪めず、予測を行うために過去の出来事を要約するため、多層認識ではなく選択されました。アテンション メカニズムを使用するメリットは、財務時系列の特性により限定されることが判明しました。この文書には、使用されるハイパーパラメータの詳細な説明が含まれています。

  • 00:40:00 Zihao Zhang は、ニューラル ネットワーク手法で使用されるパラメーターの数と、株式市場の予測におけるそれらの有効性について説明します。同氏は、パラメーターの多さはニューラル ネットワーク手法の批判になる可能性があるが、彼と彼のチームが特定のモデル用に調整したパラメーターはわずか数個だけであると指摘しています。彼らは、ビッド・アスク・スプレッドを成功の基準として使用することを検討していないが、それをさらに検討する可能性があることは認めている。 Zhang 氏は、モデルの適用が取引執行やマーケットメイク戦略に役立つと考えていますが、スプレッドをクロスしたい場合は、ブックデータの更新が多すぎるため、取引を行うためにデータをダウンサンプリングする必要があるかもしれません。取引をする。最後に、Elo 指値注文ブックをモデル化するとき、個々の注文サイズに関する情報を含めるのではなく、各価格レベルの合計サイズを集計します。

  • 00:45:00このセクションでは、オックスフォードマン研究所の Zihao Zhang が、注文による市場と価格データによる市場の違いについて説明します。注文ごとの市場データを使用すると、個別の注文を追跡できますが、価格ごとの市場データでは不可能です。適切な特徴量エンジニアリングを使用すると、市場からの注文ごとのデータから追加情報が提供され、アルファが生成されます。さらに、Zhang 氏は、サイズを変更せずに、特定の指値注文の価格の変更をモデルがどのように処理するかについて説明します。価格が更新された新しいメッセージはそれぞれ新しい更新として扱われると彼は説明します。
Zihao Zhang (Oxford-Man Institute) - "Deep Learning for Market by Order Data"
Zihao Zhang (Oxford-Man Institute) - "Deep Learning for Market by Order Data"
  • 2021.10.27
  • www.youtube.com
Next up in the Cornell-Citi webinar series is Dr. Zihao Zhang, who spoke on Tuesday, Oct. 26.Abstract: Market by order (MBO) data - a detailed feed of indiv...
 

Vineel Yellapantula (Cornell MFE '20): "SEC 提出書類のテキストの定量化"



Vineel Yellapantula (コーネル大学 MFE '20): 「SEC 提出書類のテキストの定量化」

Vineel Yellapantula 氏は、特に MD&A セクションに焦点を当て、SEC 提出書類にあるテキスト情報に基づいて株式を取引するための自然言語処理 (NLP) 技術の適用に関する夏のプロジェクトを発表します。プロジェクトの目標は、米国市場に存在する 430 銘柄の各レポートにスコアを割り当て、スコアに基づいて株式を 5 つの分位数にグループ化してパフォーマンスを分析することです。 Yellapantula は、コサインや Jaccard 類似度などの伝統的な方法を利用してテキスト間の類似性スコアを決定し、Jaccard 類似度は時間の経過とともにより一貫していることが証明されます。また、テキスト データセット上で Keras を使用したリカレント ニューラル ネットワーク (RNN) を使用したセンチメント分析モデルの作成も検討し、モデルで 87.5% という驚異的な精度を達成しました。

プレゼンテーションの中で、Yellapantula 氏は、特定の問題ごとに適切な方法を選択し、結果を改善するために追加のデータを組み込むことの重要性を強調しました。彼は、テキスト データ、特に 10-K 出願内で入手可能な情報が豊富であることを強調し、以前の文書を使用して作成された要素は、現在の文書のみに依存するものよりも効果的である可能性があると述べています。 Yellapantula 氏は、glove、word2vec、BERT、RNN など、テキスト データを使用した深層学習技術を利用するためのさまざまな代替手段を指摘しています。同氏はさらに、モデルの予測力を高めるために、8-K 出願やニュースサイクルなど、より多くのデータソースを組み込むことを提案しています。ただし、2007 年から 2020 年にかけて指数に含まれる好成績を収めた銘柄に焦点を当てているため、同氏はこの研究に選択バイアスが存在することを認めています。

感情分析に特化したセクションでは、Yellapantula が Keras で RNN を使用してモデルを作成するプロセスについて説明します。この手順には、テキストの意味を理解するためのテキストのトークン化、埋め込みによる次元の削減、センチメント分類のためのシグモイド関数を備えた LSTM レイヤーと高密度レイヤーの採用が含まれます。彼は、IMDB レビューを使用して、レビューの長さを 500 ワードに制限し、一貫性を維持するために短いレビューにはゼロを埋め込んで、このアプローチの適用を示しています。厳格な評価により、Yellapantula は感情分析モデルで 87.5% の正解率を達成しました。

さらに、Yellapantula は、要因の有効性と経時的な一貫性を決定する際の情報相関の重要性を強調しています。同氏は、報告が安定している企業は業績が良い傾向にあることを示唆する研究に言及し、それが検討すべき有望な要素であることを示している。最後に、イェラパントゥラは視聴者に関心を寄せてくれたことに感謝の意を表し、今後の更なる関わりを期待しています。

Vineel Yellapantula のプロジェクトは、SEC 提出書類のテキスト情報から貴重な洞察を抽出するための NLP 技術の適用を実証します。レポートにスコアを割り当て、そのパフォーマンスを分析することで、彼の研究は、言語が株式取引にどのような影響を与える可能性があるかを理解するのに貢献しています。さらに、RNN を使用した感情分析の探求は、テキスト データから感情をキャプチャする際のディープ ラーニングの可能性を示しています。 Yellapantula 氏は、慎重な方法論の選択と追加のデータ ソースの組み込みを通じて、そのようなモデルの精度と有効性を向上させる機会を強調しています。

  • 00:00:00このセクションでは、Vineel Yellapantula が、自然言語処理 (NLP) 技術を使用して、SEC 提出書類、特に MD&A セクションに存在するテキスト情報に基づいて株を取引するという夏のプロジェクトについて説明します。このプロジェクトは、米国市場に存在する 430 銘柄の各レポートのスコアを見つけ、スコアに基づいて株式を 5 つの分位数にグループ化した後、パフォーマンスを分析することに焦点を当てました。 Vineel は、コサインやジャッカード類似度などの伝統的な方法を使用してテキスト間の類似性のスコアを見つけ、ジャッカード類似度は時間の経過とともにより一貫していることが判明しました。 Vineel 氏は、RNN などの深層学習技術をこの目的に使用できるとも述べています。

  • 00:05:00このセクションでは、Vineel Yellapantula が、テキスト データセット上の keras でリカレント ニューラル ネットワーク (RNN) を使用して感情分析モデルを作成する方法を説明します。このプロセスには、テキストをトークン化して意味を理解し、埋め込みを使用して次元を削減し、LSTM レイヤーとシグモイド関数を備えた高密度レイヤーを使用してテキストの感情を分類することが含まれます。 Vineel は、IMDB レビューを使用してデータをどのように処理したかを示し、レビューの長さを 500 ワードに制限し、長さの一貫性を維持するために短いレビューにはゼロを埋め込みました。彼は自分のモデルで 87.5% の精度を達成することができました。

  • 00:10:00ビデオのこのセクションでは、Vineel Yellapantula が、特に 10-K ファイリング内でテキスト データを通じて入手できる豊富な情報について説明します。同氏は、これらの申請を通じて多くの要素を開発することができ、以前の文書を使用した要素の方が、現在の文書のみに焦点を当てた要素よりも効果的である可能性があると指摘しています。さらに、Yellapantula 氏は、テキスト データでディープ ラーニングを使用するには、glove、word2vec、BERT、RNN など、さまざまな代替手段があると指摘しています。同氏は、特定の問題に対して適切な方法を選択することが重要であり、8-K 出願やニュースサイクルなど、より多くのデータを組み込むことがより良い結果につながる可能性があると強調しています。最後に、Yellapantula 氏は、2007 年から 2020 年まで指数に含まれる好成績を収めた銘柄に焦点を当てていたため、彼の研究にはある程度の選択バイアスがあることを認めています。

  • 00:15:00このセクションでは、Vineel Yellapantula が、要因が機能しているかどうかを判断する際の情報相関の重要性と、時間の経過に伴う要因の一貫性について説明します。同氏はまた、安定した報告を行っている企業の業績が良いことを示した調査にも言及し、それが検討すべき良い要素であることを示している。彼は聴衆の関心に感謝し、秋にお会いできるのを楽しみにしていると締めくくりました。
Vineel Yellapantula (Cornell MFE '20): "Quantifying Text in SEC Filings"
Vineel Yellapantula (Cornell MFE '20): "Quantifying Text in SEC Filings"
  • 2021.05.12
  • www.youtube.com
CFEM alumnus Vineel Yellapantula discusses his summer project at AbleMarkets under Prof. Irene Aldridge, “Quantifying Sentiment in SEC Filings.” By utilizing...
 

ピーター・カー(ニューヨーク大学)「ストップションズ」feat.ロレンツォ・トリチェッリ (パルマ大学)



ピーター・カー(ニューヨーク大学)「ストップションズ」feat.ロレンツォ・トリチェッリ (パルマ大学)

Peter Carr は、先物契約とプット オプションの機能を組み合わせた「ストップション」と呼ばれる金融商品を紹介します。ストップオプションを使用すると、バミューダのプット オプション要素を組み込むことで、所有者は不利な価格変動を回避できます。カー氏はオプションの概念を説明し、さまざまなフロアが関連付けられた 3 日間のオプションの例を示します。次に、彼は 1 日と 2 日の停止の評価について議論します。後者には 2 つのフロアがあり、初日または 2 日目のどちらかで行使できる柔軟性があります。

カーはさらに、後方再帰、マリッジ・プットの評価、および疑似合計の使用を掘り下げることによって、より長期間のストップ・バリュエーションを研究しています。彼は、ロジスティック分布を利用して、結婚プットオプションの価格変化を表現することを提案しています。ストップオプションの価値は、「アット・ザ・マネー」オプションの簡単な公式を使用して取得でき、評価とヘッジは分析的に行うことができます。

カー氏は、市場によるそのようなオプションの採用に伴う課題について論じて記事を締めくくっています。彼は、これらの製品の買い手と売り手を見つけることの重要性を強調し、潜在的な買い手と売り手との会話を共有します。さらに、Carr 氏は、ストップション モデルは Black-Scholes や Bachelier などの既存のモデルに代わるものであるが、あらゆる状況に最適に適合するわけではない可能性があることを認めています。それにもかかわらず、彼は、彼らのモデルが金融において特別な意味を持つ多数のバイナリ演算を捉えることを目的としていると強調します。

後のセクションでは、Carr と Lorenzo Torricelli が、共役パラダイムとロジスティック分布を使用した「ストップション」モデルを提案しています。このモデルは、単一のパラメーターで用語構造に柔軟性を提供し、さまざまな用語構造を一度に調整できるようにします。ただし、インプライド ボラティリティ グラフは下向きに傾いているため、市場に完全に適合しない可能性があります。著者らは、彼らのモデルの限界を認識しており、彼らのモデルが捉えることを目的としている金融における無数の二項演算を認識しています。彼らは、ストライクと単一オプションの間のオプション性、および擬似合計による反復オプション性について議論します。このセクションは、お互いのセミナーへの参加に対する相互の感謝と期待で終わります。

  • 00:00:00 Peter Carr は、先物契約とプット オプションを組み合わせた新しい金融商品「ストップション」を紹介します。ストップには原資産と固定期間があり、毎日の監視があり、所有者は原資産の各価格変動を蓄積します。ストップオプションは、プットオプション要素のおかげで所有者が不利な価格変動を回避できるという点で先物契約とは異なります。プットはバミューダ語で、所有者はその日の価格変動を時間の関数として契約上指定された定数であるフロアに置き換えて、いつでもプットを行使できることを意味します。

  • 00:05:00 Peter Carr は、オプションの概念と、それが金融契約においてどのように機能するかを説明します。オプションとは、ストップシューティング契約に 1 日以上の期間がある限り、価格変動へのエクスポージャーをいつ停止するかを選択できる金融商品であり、柔軟性が提供されます。オプションを行使できるのは 1 回だけであり、その時点で行使する必要があります。オプションという用語は、行使によって原資産へのエクスポージャーをいつ停止するかを指します。カー氏は、3 日間のオプションを例にこの概念を説明し、このオプションに関連する 3 つの異なるフロアの概要を説明します。その後、オプションを行使すると契約は期限切れになりますが、これは 1 回だけ行う必要があります。このような契約は現在取引されていませんが、多くの金融協定に組み込まれています。

  • 00:10:00 Peter Carr は、「ストップション」と呼ばれるバミューダの運動スタイルとの契約の例について説明しています。完全に取引されるわけではありませんが、ストップストップはバミューダ スワップションと、価格レベルで書かれたオプションとの違いを理解するのに役立ちます。 iid の価格変化を仮定することにより、ストップ評価は関数の反復に還元され、価格変化に特定の分布仮定を課すことにより、評価は疑似加算に還元されます。ストップストップから得られる洞察は、流動的に取引されるバミューダオプションに使用でき、カー氏は続けて、1日と2日のストップの評価について説明します。 1 日のストップには固定フロアが支払われますが、2 日のストップには 2 つのフロアがあり、1 日目または 2 日目のどちらかに行使できます。

  • このセクションの00:15:00では、Peter Carr が、演習がその場で行われた場合の 2 日目の終わりの見返りについて説明しています。 u1 として知られ、初日の終わりに計算されます。 Carr 氏は、u1 は 1 日目の終わりには既知の定数なので、1 日目の終わりに仮定した方がよいと指摘しています。さらに、Carr は、時間ゼロで u1 を因数分解し、a1 の利得を a1 - u1 に変更することを提案しています。これにより、ペイオフは、結婚プットまたは u1 に書き込まれたプットと同様になり、u1 がプット ペイオフに追加されます。カー氏は、バニラ オプションの評価モデルが存在すれば、埋め込まれたプットを計算することで 2 日オプションを含む複数日オプションの評価が可能になると説明しています。

  • 00:20:00このセクションでは、ニューヨーク大学のピーター・カーとパルマ大学のロレンツォ・トリチェッリが、価格増分が統計的に互いに独立しており、同じ分布を持つと仮定して、2日と3日のオプションを評価する方法について議論します。彼らは、一連の確率変数に対して iid (独立かつ同一分布) として知られる統計における共通の仮定を使用します。 2 日オプションの結婚プットの価値を評価するために、彼らは、a1 と呼ばれるペイオフの既知の部分と、a2 と呼ばれる原資産の今日の価格を含む表記法を使用します。 3 日間オプションの場合、cv で示される継続値を導入し、動的プログラミングを使用してその値を計算します。

  • 00:25:00 Peter Carr は、後方再帰のプロセスと結婚プットの評価について説明します。問題に必要な不確実性はすべて 2 日目の終わりの時点で解決されているため、彼は 2 日目から開始します。彼は、行使機会が 1 つ残っている 2 日目 (つまり 3 日目) に継続価値を設定し、その後 1 日目に戻ってペイオフの価値と継続価値を計算します。次に、評価日のゼロ時点に戻り、継続価値と、結婚プットの価値であるペイオフを計算します。ランダムなペイオフの平均は、以前に計算された結婚プット価値であり、価格変動の分布に寄与するパラメーターは時間ゼロで既知です。

  • 00:30:00このセクションでは、Peter Carr が、ストライク A2 を持つ別のマリッジ プットを基礎とするストライク A1 を持つマリッジ プットの評価について説明します。同氏は、この評価には、異なる時点で異なる可能性があるパラメーターを使用して関数を反復し、関数自体を構成できるようにすることが含まれると説明しています。反復される関数は、1 日のバニラの結合プットヨーロッパスタイルの値関数であり、カー氏は、この値を記述し、閉じた形式で反復する関数は、結合関数方程式と呼ばれるものを利用することで見つけることができると述べています。結婚プット価値関数を直接評価し、それが結合性関数方程式を解くことを要求することにより、ブリーデン-リッツェンバーガーの結果を使用してリスク中立分布を決定できます。このセクションは、1 つの引数と可逆 g の関数を使用して、結婚プット値を決定できるという説明で終わります。

  • 00:35:00 Peter Carr は、関数内の 2 つの引数の組み合わせである疑似和の概念を説明しています。可逆関数を使用すると、この数量を使用して、フロアの擬似合計を繰り返すことで n ベースのオプションの値を見つけることができます。この方法を裁定取引のないものにするには、関数を慎重に選択し、その見返りに対するリスク中立の期待値として表す必要があります。 Carr は、このメソッドの生成子は任意の基数の対数でなければならず、スカラー b は正でなければならないことを明らかにしました。結婚プットも、自然対数 g 逆関数を使用して適切に評価する必要があります。これには、分布関数を取得するためにストライクに関して 2 回微分する必要があります。最終的に、この方法では、標準偏差ではありませんがそれに比例する b の比例係数に戻る必要があります。

  • 00:40:00 Peter Carr は、結婚プット オプションの価格変化を表すロジスティック分布の使用について説明します。彼は、2 つの基礎となる要素を持つ金融商品の指数関数を使用して、権利行使額 a1 と基礎平均 a2 を持つマリッジ プットの公式を導き出します。彼はこれを擬似和と呼び、実数のセットを拡張して、中立要素としてマイナス無限大を含めます。同氏は、これにより可換モノイド構造が作成され、これは裁定取引のないオプション評価と指数関数的な裾を持つ対称ロジスティック分布でのみ可能であると説明しています。ロジスティック分布では明示的な累積分布関数が可能であり、正規分布よりも使いやすいと考えられています。カー氏は、ロジスティック分布の規模はオプションの満期までの時間の増加関数であると示唆しています。

  • 00:45:00 Peter は、オプションとスワップの機能を組み合わせた契約である「ストップション」について説明します。停止には、あるロジスティック確率変数を別のロジスティック確率変数に交換することが含まれます。この場合、変数は独立しており、同一に分布しています。 n 日間の停止を評価するには、ロジスティック分布の幅を期間の長さに結び付ける t の関数 b を指定する必要があります。フロア付きのバミューダンストップの価値は簡単な式で求められ、評価とヘッジは分析的に行うことができます。 「アット・ザ・マネー」停止の場合、価値は単純な方法で、時間の対数によって増加します。

  • 00:50:00 Peter Carr は、iid の増分を想定し、評価を反復関数評価に減らす「stoptions」価格設定モデルについて説明します。共通増分のロジスティック分布を仮定することにより、モデルは対数合計指数関数と呼ばれる特定の種類の擬似合計にさらに単純化されます。原証券の価格は、有限責任のため、実質かつマイナスにならないようにする必要があります。このモデルは株式にも拡張でき、オプション契約を再定義して、価格増分を追加するのではなく相対価格を乗算することができます。正の確率変数をサポートするために得られる分布は、共役パワー ディガムと呼ばれます。これは、負の歪度を持つヘビーテール分布であり、適切な選択となります。このモデルには将来的に研究の機会があり、連邦準備制度理事会との同期契約などの実用化に応用できる可能性があります。

  • 00:55:00ニューヨーク大学のピーター・カー教授は、市場によるある種のオプションの採用と買い手と売り手を見つけるプロセスについて語ります。同氏は、オプションの購入に関心を示したバンク・オブ・アメリカのエキゾチック・トレーダー主任と、保険会社や年金制度などの売り手候補との会話について語った。養子縁組のプロセスには買い手を見つけることが含まれており、ピーターはこの点で保険会社に勤める友人と Zoom 通話を計画していることを共有しました。会話は、ロジスティック分布とそれに関連するプロセスに基づいた財務モデルに関するロレンツォ・トリチェッリの議論で終わります。

  • 01:00:00このセクションでは、Peter Carr が、ポジティブ モデルの対数収益の徴収構造と、対数ロジスティック、スキュー ロジスティック、およびロジスティック収益プロセスを含むモデルの収益の技術的詳細について説明します。彼は、これらのプロセスは純粋なジャンプであり、無限に分割可能な時間族と考えることができ、定理により、独立した増分で確率的に連続する加算プロセスの存在が保証されると説明しています。さらに、この追加プロセスは、証券配分式の基礎となる暗黙の価格配分をサポートします。次にカー氏は、このプロセスがいかに自然に市場であるか、そしてそれが単純な価格設定式をサポートする優れた望ましい特性をどのように備えているかを説明します。最後に、数値テストの結果と、ロジスティック価格モデルと標準正規モデルの密度比較を示します。

  • 01:05:00 Peter Carr は、CPDA モデルにおける正規分布とロジスティック分布の形状の違いについて説明しています。同氏は、CPDA モデルでは分布の歪度と形状が時間とともに変化するが、通常の世界ではこのようなことは起こらないと指摘しています。正規分布とロジスティック分布の比較を見ると、分布は非常によく似ていますが、尖度が明らかに認識できると彼は述べています。彼はまた、累積的なシステム構造の結果も示しており、爆発的なバリアントや、歪度の短期的で非常に急激な増加など、より柔軟な形状を生成できることを観察しています。最後に、彼は cpda モデルのインプライド ボラティリティ曲面について説明し、ボラティリティ曲面はほんの少しのパラメータで柔軟にできることに注目しています。

  • 01:10:00ニューヨーク大学の Peter Carr とパルマ大学の Lorenzo Torricelli が、共役パラダイムとロジスティック分布を使用してパラメータを 1 つだけ持つ完全に柔軟な用語構造を作成する、提案された「ストップション」モデルについて議論します。 1 つのパラメーターは、より大きな幅とより大きな負の歪度を同時に作成しますが、モーメント平均が存在しないことを防ぐために、0 から 1 の間になければなりません。このモデルは、1 回の権利行使であらゆる期間構造に対応できますが、権利行使に対するインプライド ボラティリティの右上がりのグラフとは異なり、下向きのグラフを生成するため、常に市場に最適に適合するとは限りません。 Carr と Torricelli は、自分たちのモデルが Black-Scholes と Bachelier モデルの代替であることを認めていますが、彼らのモデルがあらゆる状況に十分に適しているわけではないと予想しています。彼らは、金融にとって特に重要な加算や乗算と同様の性質を持つ二項演算が無数に存在し、彼らのモデルがそれを捉えることを目指していると主張している。

  • 01:15:00このセクションでは、ピーター・カーとロレンツォ・トリチェッリが、ヨーロッパのオプションのようなストライクとシングルの間のオプション性のアイデア、および反復擬似合計としての反復オプション性(バミューダ・ザ・リーミュータント・オプション)について議論します。彼らは、ディストリビューションを選択する際に、二項演算の比率が 2 つ以上であることを念頭に置く重要性について言及し、お互いに感謝し、お互いのセミナーに参加するのを楽しみにしているということでディスカッションを終了しました。
Peter Carr (NYU) "Stoptions" feat. Lorenzo Torricelli (University of Parma)
Peter Carr (NYU) "Stoptions" feat. Lorenzo Torricelli (University of Parma)
  • 2021.04.14
  • www.youtube.com
Abstract: We introduce a new derivative security called a stoption. After paying an upfront premium, the owner of a stoption accrues realized price changes ...
 

Lorenzo Torricelli (パルマ大学) - 「オプション価格設定における付加的なロジスティックプロセス」



Lorenzo Torricelli (パルマ大学) - 「オプション価格設定における付加的なロジスティックプロセス」

パルマ大学の著名な教授であるロレンツォ・トリチェッリは、相加的ロジスティックモデルと自己相似仕様を調査することで、オプション価格設定の複雑さを掘り下げています。彼の啓発的なプレゼンテーションでは、これらの革新的なモデルを使用してバニラ オプションの価格設定の公式を説明し、ロジスティック価格設定モデルと従来の通常モデルとの密度比較を示すことでその応用例を示しています。

さらに、Toricelli は、同次モデルの期間構造の線形回転に対するロジスティック モデルの累積期間構造のベンチマーク分析を実行します。彼の洞察力に富んだ観察により、ロジスティック モデルは用語構造の形成において大幅に柔軟性があり、したがって従来のアプローチに比べて注目に値する利点が得られることが明らかになりました。

包括的な理解を提供するために、Toricelli はこれらのモデルに関連するボラティリティ曲面も調査します。彼は、対数リターンの偏った分布とロジスティック分布の尖度から生じる正の偏りがモデルに存在することに注目しています。しかし、彼は、ロジスティック分布自体には対称性があるため、その分布自体には歪みがないことを強調しています。 Torricelli はさらに、モーダルパラメータがボラティリティ期間構造に及ぼす影響について議論し、選択したパラメータ化に改善の可能性があることを認めています。

結論として、Toricelli 氏は、これらのモデルから導出されたオプションの公式は明示的でよく知られており、実際の実装が容易であることを強調しています。特に、彼はパフォーマンス テスト中に実証された驚異的なスピードを賞賛しました。透明性と学術協力の証として、トリチェッリ氏は、これらのモデルに関連するコードを一般にアクセスできるようにし、研究者と実践者の両方に利益をもたらすことを計画しています。

  • 00:00:00パルマ大学の Lorenzo Torricelli は、オプション関数とメリット ブースを評価するための関数の評価式から始めて、物流分布に基づいた財務モデルを紹介します。 k に関して導関数をとることにより、暗黙の証券価格分布が得られ、ロジスティック関数が実質価値の原資産に関連付けられていることがわかりますが、スキュー ロジスティックス分布はメリット プット評価から生じるプラスの価格プロセスに関連付けられています。 。分布の無限に分割可能な構造は時間族として考慮され、加算過程の存在が検証され、その結果、暗黙の価格分布をサポートし、ステートメントの式を決定する独立した増分を持つ確率的連続過程が得られます。

  • 00:05:00パルマ大学のロレンツォ・トリチェッリ教授は、オプション価格設定における相加的ロジスティックモデルと自己類似仕様について議論しています。彼は、モデルを使用してバニラ オプションの価格設定の公式を説明し、期間関数の価格の観点からモデルをインスタンス化します。彼は、ロジスティック価格モデルと正規モデルの密度比較を示し、ロジスティック モデルの分布の形状は時間とともに変化するが、正規分布の形状は変化しないことを観察しました。彼はまた、ロジスティック モデルの累積項構造を、同次モデルの項構造の線形革命と比較してベンチマークし、前者ではより柔軟な形状を観察しました。

  • 00:10:00 Lorenzo Torricelli が、CPDA モデルのプロットと、SLA および CPDA モデルの暗黙のボラティリティ曲面について説明します。ボラティリティ曲面は、対数リターンの偏った分布とロジスティック分布の尖度により、ポジティブ モデルに偏りが存在することを示しています。ただし、ロジスティック分布は対称であるため、歪みはありません。 Torricelli 氏は、モーダルパラメータも同様にボラティリティ期間構造に影響を与え、選択したパラメータ化には改善の余地があると述べています。全体として、オプションの式は明示的かつ既知であり、速度テストは非常に高速でした。コードも公開される予定です。
Lorenzo Torricelli (University of Parma) - "Additive Logistic Processes in Option Pricing"
Lorenzo Torricelli (University of Parma) - "Additive Logistic Processes in Option Pricing"
  • 2021.04.12
  • www.youtube.com
On April 13th, 2021, as part of the Cornell-Citi Financial Data Science Seminar Series, Lorenzo Torricelli explains his work on logistic models in conjunctio...
 

ディン ユメン (コーネル大学 MFE '20) - 「機械学習モデルの解釈」



ディン ユメン (コーネル大学 MFE '20) - 「機械学習モデルの解釈」

熟練した研究者である Yumeng Ding は、株価予測のための機械学習モデルの解釈の領域を詳しく調査しています。彼女は包括的な分析で、部分依存プロット、順列特徴の重要度、エッジ統計、LIME などのさまざまな解釈可能性手法を調査して、これらのモデルの内部動作を明らかにしています。これらの手法を採用することで、丁氏は株価の予測における個々の要因の寄与とその相互作用を解明することを目指しています。

ディン氏の研究は、技術、品質、価値という 3 つのタイプの要素を中心に展開されており、これらは分類器や回帰などのさまざまな機械学習モデルの入力として利用されます。彼女は、前述の解釈可能性の手法を活用して、これらの要因と株価予測の間の複雑な関係を解明します。丁氏は、厳密なバックテストを通じて、非線形モデルがパフォーマンスの点で線形モデルを上回っていることを発見しました。さらに、彼女は、さまざまな要因の影響が一時的な変動を示すことを観察し、株価予測の動的な性質を強調しています。最終的に、Ding は AdaBoost が特定のシナリオに最適なモデルであると特定しました。

重要なのは、Ding 氏が機械学習モデルを理解する際の解釈可能性手法の重要性を強調していることです。彼女は、ベクトル アプローチは最も予測性の高いインタラクションについての迅速な洞察を提供しますが、これらのインタラクションの質を明らかにするには不十分であると強調します。 Ding 氏は、より単純な相互作用を効果的に視覚化するために 2 次元の部分依存プロットを採用することの価値を強調しています。さらに、彼女は、データにノイズが十分に含まれていない限り、個々の相互作用の複雑さを掘り下げて局所的な効果を視覚化するために、ライン プロット法を推奨しています。

調査結果を要約すると、Ding 氏はプロジェクトから 2 つの重要な点を強調します。まず、機械学習モデルは、複雑な相互作用効果を捕捉する能力により、ほとんどのシナリオで線形単純回帰よりも優れたパフォーマンスを発揮することを彼女は確認しました。第 2 に、彼女はさまざまな解釈方法を活用して機械学習モデルを解釈する実現可能性を強調しています。これらの技術により、研究者は要因の個々の寄与を解明し、予測に対するそれらの相互作用の影響を理解することができます。

  • 00:00:00 Yumeng Ding が、株価の予測に使用される機械学習モデルを解釈するアプローチについて説明します。彼らは、技術、品質、価値の 3 種類の要素を利用して、分類器や回帰などのさまざまな機械学習モデルを使用して予測を行いました。モデルを解釈するために、部分依存プロット、置換特徴重要度、エッジ統計、LIME などの解釈可能手法を使用しました。これにより、個々の特徴効果とその相互作用の内訳が可能になりました。バックテストを通じて、非線形モデルが線形モデルよりも優れたパフォーマンスを示し、要因の効果が時間の経過とともに変化することがわかりました。彼らは、AdaBoost がシナリオに最適なモデルであると結論付けました。

  • 00:05:00 Yumeng Ding は、機械学習モデルを解釈するためのさまざまな方法について説明します。彼女は、ベクトル アプローチは最も予測性の高い相互作用を見つけるのに迅速かつ効率的ですが、それは相互作用の質ではなく強さを示すだけであることを強調します。彼女は、簡単な相互作用を視覚化するには 2 次元の部分依存が必要であることを強調しています。 Ding 氏は、データにノイズが多すぎない限り、ライン プロット手法は個々のインタラクションを詳細に調べてローカル インタラクションを視覚化するのに適していると示唆しています。彼女は、彼らのプロジェクトが 2 つのポイントを強調していることを指摘して締めくくりました。第 1 に、機械学習モデルは相互作用効果を捉える能力により、ほとんどのシナリオで線形単純回帰よりも優れたパフォーマンスを発揮します。第 2 に、利用可能なさまざまな解釈可能性手法を使用して機械学習モデルを解釈することが可能です。これにより、個々の要因が予測にどのように寄与するかを個別かつ対話的に説明できます。
Yumeng Ding (Cornell MFE '20) - "Interpreting Machine Learning Models"
Yumeng Ding (Cornell MFE '20) - "Interpreting Machine Learning Models"
  • 2021.03.12
  • www.youtube.com
March 9, 2021CFEM alumna Yumeng Ding discusses her team capstone project, which was titled, “Interpreting Machine Learning Models.” By utilizing Machine Lear...
 

Silvia Ruiz (コーネル大学 MFE '20): 「NLP 技術を使用して株価の動きを予測する方法」



Silvia Ruiz (コーネル大学 MFE '20): 「NLP 技術を使用して株価の動きを予測する方法」

コーネル大学 MFE プログラムを卒業したばかりの Silvia Ruiz が、NLP (自然言語処理) 技術を使用した株価の予測に焦点を当てたプロジェクトからの洞察を共有します。彼女のチームの研究の目的は、10-K レポートや 10-Q レポートなどの企業申告と、その後の株価への影響との関係を調査することでした。これを達成するために、彼らは S&P 500 の 5 つのセクターにわたる 50 社を網羅する 1,095 件のレポートからなる大量のデータセットを EDGAR Web サイトから収集しました。

最初、ルイスと彼女のチームは辞書ベースのモデルを実験しましたが、その有効性には限界がありました。これに対処するために、彼らは Word to Back モデルや Finberg などの高度な手法を取り入れました。これは、企業の申告書に埋め込まれた文脈上のニュアンスを理解するのに重要であることが判明しました。さらに、単語の極性や複雑さ、xg ブースト モデルなど、さまざまな感情指標を採用して株価の動きを予測しました。

彼らの予測の精度は、2 つの異なる時間枠にわたって評価されました。短期的には、彼らのモデルは 61% という驚くべき精度を達成し、長期的には 53% というかなりの精度を示しました。これらの予測を投資決定のシグナルとして活用することで、均等に加重されたポートフォリオを上回るパフォーマンスを示しました。しかし、ルイス氏は、発見の精度と一般化可能性を高めるために、さまざまな分野にわたるさらなる研究の必要性を強調しています。

Silvia Ruiz は、連絡先情報を惜しみなく提供し、Github 上のプロジェクトのリポジトリへのリンクを提供して、ディスカッションを締めくくりました。この取り組みにより、フォローアップの問い合わせが促進され、株価予測の分野における NLP 手法の理解と応用を進める上での協力が促進されます。

  • 00:00:00コーネル大学 MFE を卒業したばかりの Silvia Ruiz が、NLP 手法を使用して株価を予測できるかどうかに関するプロジェクトについて語ります。シルビアと彼女のチームは、10k や 10q などの企業申告が企業の株価に与える影響を調査することを目的として、S&P 500 の 5 つのセクターの 50 社の 1095 件のレポートのデータをエドガー Web サイトから収集しました。彼らは、辞書ベースのモデルの使用は効果的ではなく、文脈を理解するには単語からモデルを裏付ける方法とフィンバーグの方法が必要であることを発見しました。最後に、単語の極性や複雑性などのさまざまなセンチメント指標を使用し、株価を予測する変数を使用して xg ブースト モデルを実行しました。

  • 00:05:00 Silvia Ruiz が、NLP 技術を使用して株価の動きを予測しようとした方法を説明します。彼女は、彼女のチームがレポート発表前と 5 日後の株価を取得し、市場リターンと比較することで市場リターンを計算したと述べました。長短期の精度は61%、長期は53%で、彼らは予測を株式投資のシグナルとして利用していた。彼らの戦略は、均等に加重されたポートフォリオよりも効果的でしたが、より正確な結果を得るには、特にさまざまなセクターにわたってさらなる研究が必要です。彼女は、さらなる問い合わせのために連絡先情報と Github リンクを共有しています。
Silvia Ruiz (Cornell MFE '20): "How to Predict Stock Movements Using NLP Techniques"
Silvia Ruiz (Cornell MFE '20): "How to Predict Stock Movements Using NLP Techniques"
  • 2021.05.12
  • www.youtube.com
Silvia Ruiz will discuss her CFEM capstone project, which was titled, “How to Predict Stock Movements Using NLP Techniques.” By utilizing NLP techniques, the...
 

Charles-Albert Lehalle: 「自然言語処理を理解する試み」



Charles-Albert Lehalle: 「自然言語処理を理解する試み」

このビデオ プレゼンテーションでは、Charles-Albert Lehalle と彼のチームが金融分野における自然言語処理 (NLP) のアプリケーションを詳しく掘り下げています。彼らの議論は、センチメント分析、株価予測、取引コストモデリングという 3 つの主要分野を中心に展開されます。彼らは、埋め込みにおける過学習やバイアスのリスクなど、NLP に関連する課題を認識しており、マルチタスク学習や語彙の拡張などの潜在的な解決策を提案しています。チームは、金融業界における NLP の可能性と限界の両方を調査し、さまざまなセクター内の文脈と言語パターンを理解することの重要性を強調しています。

Lehalle と彼のチームは、NLP 技術を使用した独自の実験を紹介し、NLP がどのように情報を圧縮し、金融アナリストに有益な指標を提供できるかについて貴重な洞察を提供します。彼らは、分野固有の知識の要件や非構造化テキスト データから意味のある情報を抽出することの難しさなど、金融分野で NLP を採用する際の課題を強調しています。取引目的でのソーシャルメディアデータの活用など、金融におけるNLPの使用に関する倫理的懸念についても議論されています。

プレゼンテーション全体を通じて、Charles-Albert Lehalle はさまざまな NLP トピックに関する専門知識と知識を共有します。彼は金融における語彙ベースと埋め込みベースの NLP 手法の使用について説明し、テキスト データの語彙および確率的特徴を捕捉するための両方のアプローチの組み合わせを提案しています。埋め込み内の同義語と反意語を区別するという課題に対処し、Lehalle のチームはテキストの構造と感情を制御するための生成モデルを研究しています。埋め込みと、結合単語の分布を表す行列などの参照モデルを理解することの重要性が強調されます。

Lehalle は、NLP におけるコンテキストの重要性をさらに探求し、コンテキストに基づいて肯定的な単語と否定的な単語に対して埋め込みがどのように偏り得るかを議論します。彼は、参照行列モデルを構造化するためのマルコフ連鎖の使用について説明し、埋め込み内の同義語を識別する実験を紹介します。企業名とそれに関連する極性を取得する際の NLP の限界は、教師あり埋め込みのためのマルチタスク学習の提案とともに認識されています。講演者らはまた、ローラン・マクドナルド辞書における肯定的な単語と否定的な単語の不均衡や、金融文書における皮肉を処理する際の課題についても触れています。

プレゼンテーションは、コーネル大学ファイナンシャル エンジニアリングを最近卒業したシルビア ルイス氏によるプロジェクトの概要で終わります。このプロジェクトは、NLP 技術を使用して株価を予測することに焦点を当てており、具体的には、S&P 500 企業 50 社の 10-K および 10-Q 提出書類から経営陣のディスカッションセクションを収集し、感情を分析して株価への影響を評価します。 Lehalle 氏は、辞書ベースのモデルの限界について説明し、チームがどのように辞書を拡張し、FinBERT を使用してコンテキストを理解し、さまざまな機能を利用してセンチメントを測定したかについて説明します。これらは、短期的にも長期的にも、同じ加重のポートフォリオよりも優れたパフォーマンスを達成しました。

要約すると、Charles-Albert Lehalle と彼のチームは、金融における NLP の可能性と課題に光を当てました。これらは、NLP テクニックを効果的に適用するための洞察、実験、戦略を提供するとともに、テクノロジーと金融領域の両方に対する責任ある使用と深い理解の重要性を強調します。

  • 00:00:00講演者は、NLP に関する 40 分間のプレゼンテーションを行うクオンツ ファイナンスの専門家 Charles-Albert Lehalle を紹介します。講演者は、NLP に関する複数のトピックをカバーするクオンツ ファイナンスに関する Lehalle の過去の出版物について言及しました。講演者はまた、最近コーネル大学を卒業し、Rebellion Research で NLP プロジェクトに取り組んだ Sylvia Ruiz を紹介します。この講演の目的は、データのスクレイピングやパッケージの適用が必要なため、NLP を怖がることが多いと感じる人が NLP を始めるのに役立つことです。講演者は財務における NLP の使用について簡単に触れ、Lehalle のチームが 1 年以上前から NLP を使用しており、本番環境ではいくつかの予測変数と戦略を使用していると述べました。この講演はメンゲダールによる進行中の研究に基づいており、講演者は聴衆に対し、プレゼンテーションに含めるべきだと思われるリンクや論文を送るよう勧めています。

  • 00:05:00 Charles-Albert Lehalle が、金融取引における自然言語処理 (NLP) の使用の可能性について説明します。 NLP を利用することで、トレーダーは決算発表、ソーシャルメディア、金融ニュースのトランスクリプトなどのテキスト形式の情報に迅速にアクセスできるようになります。この情報により、トレーダーは他の人より先に購入する際のスピード上の利点が得られ、価格が上昇する可能性があります。さらに、トレーダーは NLP を使用して、多くの企業に関する大量のテキストを横断的に分析し、期待される収益に基づいて企業をランク付けできます。ただし、Lehalle 氏は、NLP には可能なパラメーターの量が多いため、オーバーフィードのリスクが高いと指摘しています。それにもかかわらず、トレーダーは受け取った情報を理解することで、潜在的な利益に応じて戦略を調整できます。

  • 00:10:00 Charles-Albert Lehalle は、金融における辞書ベースおよび埋め込みベースの自然言語処理 (NLP) 手法の使用について説明します。彼は、埋め込みベースのシステムが単語の確率的なコンテキストをモデル化するのに対し、辞書ベースのシステムは人間のアナリストによってどのように構築され、多くのテキストに注釈を付けて株に対する肯定的または否定的なセンチメントを識別するかを説明します。 Lehalle は、金融市場におけるテキスト データの語彙的特徴と確率的特徴の両方を捕捉するには、これら 2 つの方法を組み合わせる必要があると提案しています。また、埋め込みによって同義語と反意語をどのように捉えることができるかを探求するアプローチについても概説しています。これは、金融における予測分析に実際的な影響を与える可能性があります。

  • 00:15:00 このセクションでは、Charles-Albert Lehalle が自然言語処理 (NLP) に伴う課題について説明します。同義語をキャプチャするとテキストの複雑さが軽減されますが、埋め込みでは同義語と反意語を区別するのが困難になる場合があります。これにより、辞書を区別できないシステムに辞書を挿入する場合に問題が生じます。 Lehalle 氏のチームは、テキストの構造と感情を制御し、言語に込められた内容を復元できるかどうかを確認するためのテキストの生成モデルを開発しようとしています。彼らは、金融ニュースの大規模なコーパスを使用して、これらのテクニックを適用し、それがどのように機能するかを分析することを計画しています。このプロセスの理論的側面には、ワード 2x キーグラム手法と確率行列の使用が含まれます。

  • 00:20:00 このセクションでは、Charles-Albert Lehalle がスキップグラム word2vec モデルを使用した自然言語処理について説明します。彼は、埋め込みのための行列の低ランク分解と、それをソフト マックス出力を持つニューラル ネットとして書き直す方法について説明します。彼はまた、BERT のようなモデルのアテンション ヘッドがどのようによりローカルであり、多くのローカル エンベディングがコンテキストに対応しているかについても説明しています。彼は、エンベディングと、損失関数の最適化に使用される大きな隠れ行列である参照モデルを理解することの重要性を強調しています。

  • 00:25:00 Charles-Albert Lehalle が、自然言語処理における参照モデルの概念を説明します。彼は、すべての単語の結合分布を表す大きな行列、真の参照モデルの統計的推定、テキストを生成した隠れた参照モデルなど、さまざまなタイプの参照モデルについて説明します。また、頻度主義の同義語についても説明します。これは、コーパス内の同じ位置に頻繁に出現するため、意味論的な観点からは反意語であっても、同じ埋め込みを持つ単語です。この理解は、自然言語処理における倫理を議論する際に重要です。

  • 00:30:00 このセクションでは、Lehalle は自然言語処理におけるコンテキストの重要性について説明し、コンテキストに応じて肯定的な単語と否定的な単語に対して埋め込みがどのように偏る可能性があるかの例を示しています。また、マルコフ連鎖を使用してコーパスを生成することが、単語の大きな参照行列モデルの構造化にどのように役立つか、また、単語が正しく埋め込まれるための損失関数が 2 つの分布間のクロスエントロピーであることについても説明します。提示された最初の実験には、同義語を含む合成言語を設計し、埋め込み内のブロックとして同義語を復元しようとすることが含まれます。しかし、埋め込みは識別可能性に乏しく、大きな埋め込みから低次元空間を復元することが困難であることがわかっています。最後に、同義語の埋め込み間のコサイン類似度が計算されます。

  • 00:35:00 Charles-Albert Lehalle は、Lung Hand Micro Lexicon を使用して、ポジティブな金融ニュースの見出しとネガティブな金融ニュースの見出しを区別するための埋め込みをトレーニングすることについて説明します。同氏は、埋め込みは、見出し内の単語など、頻繁に同時に出現する同義語を区別するように設計されていないため、見出しに埋め込みを使用して肯定的な単語と否定的な単語を識別するのは困難であると述べています。ただし、金融ニュースの本文を長期にわたって観察すると、コサイン類似度メトリクスは、肯定的な単語と否定的な単語が互いに明確に区別できることを示しています。レハル氏はまた、金融危機下では銀行などの企業名が肯定的な言葉よりも否定的な言葉に近いことも示している。全体として、埋め込み内の語彙の位置は、金融ニュースで肯定的な単語と否定的な単語を区別する能力に大きく影響します。

  • 00:40:00 講演者の Charles-Albert Lehalle は、企業名とそれに関連する極性、および埋め込みの非定常性に関する自然言語処理 (NLP) の限界について説明します。同氏は、埋め込みは近隣の単語の分布に優先順位を付けることに重点を置いているため、頻度と同義語を区別することが困難になると示唆しています。 Lehalle 氏は続けて、二極化された語彙集によって管理されるタスクと同時に埋め込みをトレーニングする、マルチタスク学習が良いアイデアになる可能性があると示唆しています。さらに、企業名は評判を示す有用な指標である可能性があり、NLP アルゴリズムを騙そうとする企業よりも NLP によって生成されたニュース記事の方が大きな懸念事項であると同氏は指摘しています。最後に、NLP アルゴリズムを使用して情報を抽出し、それに新しい値をラベル付けすることで、価格ではなくアナリストの推定値を推定できる可能性があると彼は説明しています。

  • 00:45:00 ビデオのこのセクションでは、講演者が、Loughran-McDonald Lexicon におけるネガティブな単語とポジティブな単語の不均衡について議論します。Loughran-McDonald Lexicon は人間によって作成され、金融テキスト分析のための自然言語処理 (NLP) で使用されます。彼らは、不均衡は保護的な傾向にある弁護士によって作成された財務書類の法的および構造的な性質に起因する可能性があると示唆しています。講演者は、取引コスト モデリングにおける NLP の使用や、長い財務文書の皮肉を処理する際の課題にも触れます。次に、コーネル大学ファイナンシャル エンジニアリング プログラムを卒業したばかりのシルビア ルイスを紹介します。彼女は、NLP 技術を使用して株価を予測するという彼女のチームのプロジェクトを紹介します。このプロジェクトは、S&P 500 企業 50 社の 10K および 10Q 報告書から経営陣のディスカッションセクションを収集し、センチメントを分析して株価への影響を判断することに焦点を当てました。

  • 00:50:00 Charles-Albert Lehalle は、自然言語処理 (NLP) に辞書ベースのモデルを使用する場合の問題点と、彼と彼のチームがモデルを改善するために NLP テクニックをどのように使用したかについて説明します。彼は、文脈を理解するためにスキップグラム モデルと FinBERT モデルを使用して、単語をよりバランスよく分類できるように辞書を拡張した方法を説明します。次に、さまざまな機能を使用してセンチメントと単語の複雑さを測定した後、xg ブースト モデルを実行して株価が上がるか下がるかを予測しました。精度は比較的低かったものの、短期的にも長期的にも同じ加重のポートフォリオよりも優れたパフォーマンスを発揮する戦略を作成することができました。

  • 00:55:00 Charles-Albert Lehalle が、金融業界における自然言語処理 (NLP) の可能性について語ります。同氏は、さらなる研究が必要であり、各分野で言語パターンが異なるため、業界をいくつかの分野に分割することが有益である可能性があると示唆しています。さらに、情報を圧縮し、有益な指標を提供するために NLP を使用するほうがよい可能性があるため、テキストの理解と期待などの予測を同時に試みないようアドバイスしています。代わりに、アナリストは独自の推論を使用して予測と期待を比較し、「サプライズ予測子」を作成できます。全体として、Lehalle 氏は、NLP を財務分析に統合しようとする前に、NLP の限界と強みを理解する必要性を強調しています。

  • 01:00:00このセクションでは、講演者が NLP モデルの堅牢性を高めるための敵対的トレーニングの使用について説明します。この手法は、性別中立などの言語の偏見に対処するために適用できます。講演者らは、ポジティブな言葉とネガティブな言葉の間の中立性を破るために敵対的トレーニングを使用することも検討していますが、これはトレーディング戦略の構築には適さない可能性があることに注意してください。次に、企業がセクションにラベルを付けたりフォーマットしたりする方法が異なるため、10,000 件の財務書類などの財務書類からセクションを抽出するという課題に議論が移ります。

  • 01:00:00 講演者は、NLP モデルの堅牢性を高めるための敵対的トレーニングの使用について説明します。この手法は、性別中立などの言語の偏見に対処するために適用できます。講演者らは、肯定的な言葉と否定的な言葉の間の中立性を破るために敵対的トレーニングを使用することも検討していますが、これはトレーディング戦略の構築には適さない可能性があることに注意してください。次に、企業がセクションにラベルを付けたりフォーマットしたりする方法が異なるため、10,000 件の財務書類などの財務書類からセクションを抽出するという課題に議論が移ります。

  • 01:05:00 ビデオのこのセクションで、Charles-Albert Lehalle は、研究の目的ではなかったため、自分のエンベディングとブルームバーグのセンチメント インデックスを比較しなかったと説明しています。同氏は、ブルームバーグの予測変数はおそらくベンチマークが難しいインデックスではなく予測変数を構築しようとしているのではないかと考えている。彼は、NLP を使用して経験的な資産価格設定ファクターを構築することに関する論文があることを明らかにし、NLP を使用して、コーパスに含まれる情報に基づいて、10k ファクターやリスク セクション ファクターなどの多数のファクターを作成できると説明しました。したがって、NLP は単なるテクニックであり、この場合コーパスが最も重要な要素となります。
Charles-Albert Lehalle: "An Attempt to Understand Natural Language Processing"
Charles-Albert Lehalle: "An Attempt to Understand Natural Language Processing"
  • 2021.02.17
  • www.youtube.com
Full Title: "An Attempt to Understand Natural Language Processing And Illustration On A Financial Dataset"Speaker: Charles-Albert Lehalle (Capital Fund Manag...