Title: "Cross-Impact in Equity Markets" Joint Work with Francesco CapponiAbstract: The empirical finding that market movements in stock prices may be correl...
将来の展開に関して、グリーリッシュ氏はフィンテック分野における AI の潜在的な用途について説明します。 Betterment は、ロボアドバイスや資金管理などの財務タスクの自動化における AI アプリケーションを検討しています。同社は、これまで富裕層の個人や機関に限定されていた金融サービスを、より幅広い層が利用できるようにすることを目指している。ただし、税金の準備を個別に行うのは複雑なので、この分野では課題が生じます。
01:05:00このセクションでは、Betterment の最高投資責任者である Adam Grealish が、アルゴリズム投資が資産を収集したいという欲求によってどの程度動機付けられているか、またそれが倫理的であるかどうかについて説明します。同氏は、このシステムが主に目標を達成できていない個人や、目標を達成するかぎりぎりの個人に影響を及ぼしていると指摘し、それが会社の目標であれば資産を引き出すもっと良い方法があると述べている。彼が議論する他の戦略には、貯蓄や預金の変更、または目標計画の変更が含まれます。グリーリッシュ氏はまた、顧客の潜在的な納税義務を示し、性急な意思決定の可能性を減らすのに効果的であることが証明されている「税務影響プレビュー」機能など、行動バイアスを軽減するためのベターメントのアプローチについても説明している。
01:10:00アダムは、フィンテック分野における AI の潜在的な用途について説明します。同氏は、AIが最初に導入されるのは、ロボアドバイスや資金管理などの財務周辺部分の自動化だと考えている。たとえば、Betterment は、AI を使用して外部口座をプロキシ ティッカーにマッピングし、取引データを使用して当座預金口座にいくら現金を入れるべきかを人々にアドバイスすることを検討しています。グリーリッシュ氏はまた、長期的にはベターメント社がファイナンシャル・アドバイザーをすべての人の金融生活の中心に据え、これまで超富裕層や機関投資家のみが利用できたものを納税準備も含めて広く利用できるようにすることを目指していると示唆している。ただし、税金の準備を個別に行うと、問題の領域がさらに複雑になります。
In this talk, Adam Grealish of Betterment will explore how technology can be used to improve investor outcomes. Technology and automation can play a signific...
00:00:00ミゲル・ノゲル・アロンソが金融におけるディープラーニングの応用について語ります。同氏は、ディープラーニングは画像認識や言語モデルなどの他の分野で成功を収めているが、業界の経験的でノイズの多い性質のため、金融分野でどのようにうまく応用できるかは複雑だと指摘する。複雑さにもかかわらず、非構造化データや金融アプリケーションでのディープラーニングの使用には刺激的な可能性があります。 Education Finance Institute は大学や企業と協力して、金融における AI の使用を研究しています。
00:20:00 Miquel Noguer i Alonso は、金融におけるディープラーニングが直面する課題、特にデータ生成プロセスの性質の変化とその中で機能するモデルの作成方法について説明します。彼が提案する解決策の 1 つは情報理論から来ています。複雑さと情報を可能な限り短いプログラムに圧縮するという考え方。彼はまた、普遍近似定理と、それがディープ ネットが任意の精度であらゆるものを近似できることを保証する方法についても説明していますが、一般化するという保証はありません。彼は読者に、正則化だけでは一般化には十分ではないと主張する Sun の論文を読むことを奨励し、ニューラル ネットワークの固有次元と過剰パラメータ化されたニューラル ネットワークに関する論文を推奨しています。
00:45:00 Miguel Noguer i Alonso が、金融における自然言語処理の使用、特にセンチメント分析について説明します。市場では膨大な量の情報が生成されるため、調査にはビッグデータ ツールが必要であり、機械学習、特にディープ ラーニングは高次元空間を扱うのに役立ちます。言語モデルは、金融における勢いの前兆となる感情分析などのタスクに使用できます。インターネットのスクレイピングは、市場の変化を示す可能性のある情報の変化を検索する効率的な方法であることも証明されています。全体として、自然言語処理は、ポートフォリオ マネージャーが大量のデータを扱う際に有益な洞察を提供できます。
00:55:00このセクションでは、Miquel Noguer i Alonso が、双方向の複雑なアーキテクチャ、BERT、および言語モデルにおける数値の重要性に焦点を当てて、金融における深層学習の最新の開発について説明します。 BERT は、金融データセットのトレーニングに使用できるオープンソースの非常に効率的な言語モデルであり、時間と人的労力を節約できます。他のモデルよりも優れたパフォーマンスを発揮し、正確な分析に不可欠な財務文書の数値を理解することに特に優れています。多層パーセプトロン、メモリ ネット、およびコブネットは、金融に役立つ他の関数近似器です。
01:00:00 Miguel Noguer i Alonso は、金融データを画像に変換し、畳み込みニューラル ネットワークを使用して分析するというアイデアについて説明します。これは教師なし学習の問題に特に役立つ可能性があります。また、データの非線形圧縮に使用できるオートエンコーダーの概念と、環境が十分に安定している場合は時系列分析に適している可能性があるメモリー ネットワークの概念も紹介します。最後に、Noguer i Alonso は、金融における言語処理のためのトランスフォーマー モデルの使用と、これらのモデルを TensorFlow で実装する方法について言及しています。
01:05:00ビデオのこのセクションでは、ESADE ビジネス スクールの金融イノベーション担当ディレクターであり金融上級講師である Miquel Noguer i Alonso が、金融におけるオープンソースの深層学習モデルの実装の実現可能性について説明します。同氏は、利用可能なオープンソース コードが多数存在しており、金融アプリケーションに特化したトレーニングが必要になる可能性はあるものの、達成できない目標ではないと説明しています。アロンソ氏はまた、金融分野では機械学習の機会が数多くあるため、金融関連の問題を解決するにはドメインの専門家と機械学習者の協力が重要であると強調しています。さらに、金融業界では手作りの NLP アプローチが使用されているものの、深層学習モデルはまだこの業界では広く採用されていないと同氏は指摘します。
Title of Seminar: "Latest Developments in Deep Learning in Finance"Date of Seminar: 9/24/19Speaker Bio: Miquel Noguer i Alonso (Artificial Intelligence Finan...
00:05:00 Gordon Ritter は、エージェントが環境と対話し、報酬信号を最適化するためのアクションを実行するプロセスである強化学習の概念を説明します。エージェントは環境の状態を観察し、自分の行動がプラスの報酬をもたらしたかマイナスの報酬をもたらしたかを判断します。強化学習には、長期的な報酬の期待を最大化するための最適なポリシーの検索を構造化するための価値関数の使用が含まれます。リッター氏は、価値関数の考え方は数理ファイナンスの背景を持つ人にはよく知られていると指摘しています。
00:25:00 Gordon Ritter が、強化学習で状態ベクトルとアクション空間を構築する方法について説明します。彼は、エージェントがシグナルを使用して取引の意思決定を行うことを学ぶためには、そのシグナルが状態ベクトルに含まれている必要があると説明しています。さらに、アクションスペースには、使用する約定戦略の選択、アルゴリズムの動作を変更するためのパラメーターの選択、またはスプレッドを横切るかオーダーブックの手前側のキューに参加するかを決定することが含まれる必要があります。リッター氏はまた、オーンスタインとリンビックのプロセスを金融分野でどのように利用して、裁定取引の機会につながる可能性のある平均反転ダイナミクスをモデル化できるかという例も示しています。
00:45:00 Gordon Ritter は、長期および短期の報酬の形で報酬を近似するように強化学習エージェントをトレーニングするための、関数近似器などの統計的機械学習手法の使用について説明します。ニューラル ネットワークなどのより優れた関数近似器を使用すると、ベルメン値関数をより正確に近似して連続関数を取得できるため、最適なアクションをより深く理解できるようになります。次に、リッター氏はこれらのテクニックをデリバティブのヘッジの例に適用します。この場合、銀行はデリバティブを市場に放出することなくポジションのリスクを中和したいと考えています。目標は、動的複製戦略に基づいてデリバティブのバスケットを最適に取引できる強化学習エージェントを使用し、自動ヘッジを可能にし、市場の影響によるコストを削減することです。
01:05:00 Gordon Ritter は、強化学習を使用して、収益性の高い取引を見つけることができる確率システムをトレーニングすることで裁定取引の機会を発見できると説明しています。ただし、数百万回または数十億回のシミュレーションを行ってもシステムが機会を見つけられなかった場合は、市場が裁定取引を認めていないことを示している可能性があります。また、過剰学習や無限の取引やフラッシュ クラッシュなどの予期せぬシナリオに対処できないことなど、強化学習の限界についても説明します。
Seminar Date: March 20, 2019Info: Reinforcement learning is a way of training a machine to find an optimal policy for a stochastic optimal control system, ...
De Prado 氏は、機械学習ファンド内で孤立したサイロで作業することの悪影響についても議論しました。同氏は、成功にはコラボレーションとコミュニケーションが不可欠であることを強調し、多数の博士号を雇用し、別々の任務に分離することに対して警告した。その代わりに、専門家が独立して働きながらも互いの専門知識を持ち、より良い戦略と成果につながるチームベースのアプローチを提唱しました。
ある機械学習モデルが別のモデルの予測の精度を予測するメタ学習の概念は、精度と再現率を達成する手段として議論されました。 2 つの別々のモデルを構成することにより、調和平均を使用して精度と再現率の間のトレードオフのバランスを取ることができます。 De Prado 氏は、パフォーマンスを最適化するために、個別のタスクに異なる機械学習アルゴリズムを採用することを推奨しました。
デ・プラド氏は、機械学習を金融分野に適用する際の課題を強調し、機械学習アルゴリズムを使用する前に人間の専門家がデータをフィルタリングする必要性を強調しました。財務データは本質的に乱雑で非 ID であるため、特定の観察結果を資産に結び付けることが困難になります。さらに、規制や法律による金融市場の絶え間ない変化により、機械学習アルゴリズムの実装には慎重かつ微妙なアプローチが必要になります。財務データを機械学習モデルに組み込むだけでは、金融業界で成功するには十分ではありません。
de Prado 氏は、モデルの適合と過剰適合の間のバランスを達成することを強調しました。同氏は、完璧なフィット感を追求することは過信やリスクの増加につながる可能性があるため、やめるようアドバイスした。代わりに、統計モデルを効果的に適用しながら重要な記憶を保存する方法を見つけることを推奨しました。デ・プラド氏はまた、過度に複雑なモデルを使用しないように警告しました。モデルはデータフィードや相互受粉を妨げ、機械学習アルゴリズムの全体的な有効性を妨げる可能性があるからです。
Seminar Date: September 5, 2017For more information, please visit Marcos Lopez de Prado's website: http://www.quantresearch.org/Summary: In this popular thro...
00:55:00 Able Alpha Trading の社長兼マネージング ディレクターである Irene Aldridge が、仮想現実とデータ分析の自動化の可能性について語ります。彼女はまた、ベータベースのポートフォリオと要因の有用性についても触れ、靴下を購入する場合とデルのコンピューターを購入する場合の例を挙げ、ベータの変更が価格にどのように異なる影響を与えるかについても言及しました。彼女は返品の正規化の重要性を強調し、営業日のランダム性の問題に取り組んでいます。最後に、オルドリッジは防御の一形態としての因子の使用について取り上げ、因子の使用は楽しいものになり得ると示唆しています。
01:00:00このセクションでは、オルドリッジは、ポートフォリオ内の各銘柄の重要性または係数を決定するためのコンピューター マトリックスの使用について説明します。マトリックスの行は各銘柄を表し、最初の行はリンゴを表し、他の行はさまざまな銘柄の市場データを表します。分散共分散と縮小を組み込むことで、マトリックスにリターンを組み込み、より具体的な結果に到達するための調整を行うことができます。これは、前日のリターンで X マスを見つけ、そこから予測することで行われます。説明した玩具モデルは基本的な例にすぎませんが、コンピューター マトリックスを使用してポートフォリオを最適化する方法を示しています。
http://www.onestepremoved.com/ Shaun Overton speaks to the meetup group Dallas Algorithmic Traders about quantitative trading. Most members of the audience h...
http://www.onestepremoved.com/ Shaun Overton interviews Michael Halls-Moore, a quantitative developer. Mike jumped from postgraduate school straight into alg...
ディスカッションを続けて、カレン ルービンは、フォーチュン 1000 企業の女性 CEO に関する調査結果と洞察を掘り下げます。分析の結果、女性 CEO の収益率は 68% であるのに対し、男性 CEO の収益率は 47% であることが明らかになりました。しかし、カレン氏は、女性 CEO が男性 CEO を上回る業績を示していることはデータではまだ証明されていないと強調する。彼女はこの研究を、高収益かつ高時価総額企業における興味深い概念であると考えています。
カレンは議論を広げて、CEO の成功に影響を与える可能性のある他の要素にも触れます。これには、CEO の性別、採用方法 (社内または社外)、さらには誕生月も含まれます。彼女は、企業が組織の業績が悪いときに女性 CEO を任命し、その後リストラの恩恵を受けるために男性 CEO に置き換えることがあるという理論を認めています。しかし、カレンは今のところこの理論を裁定することができていない。さらに、CEOの発表後に株価が下落することがよくあるが、この傾向が女性CEOと男性CEOで異なるかどうかはまだ不明であると彼女は指摘する。
結論として、カレン氏は、CEO 向けの定量的トレーディング戦略を構築するには、さまざまな要素を考慮し、徹底的な分析を行う必要があると強調しています。彼女の研究は、女性 CEO のパフォーマンスに関する貴重な洞察を提供する一方で、経営陣のリーダーシップにおけるジェンダーの動態と、それが投資成果に及ぼす影響をより包括的に理解するには、さらなる研究と探求の必要性を強調しています。
00:00:00このセクションでは、講演者が自己紹介と、市場に投資するためのアルゴリズムを作成した経験について説明します。クラウドソーシングのヘッジファンドである Quantiacs の製品担当副社長として、彼女はユーザーのために効果的なソフトウェアを構築できるように、ユーザーが何をしているかを理解するアルゴリズムを作成する必要がありました。彼女はクレディ・スイスのジェンダーレポートを読んで女性 CEO への投資に興味を持ち、女性 CEO を歴史的に見て、彼女が CEO でなくなったときに売却できる戦略を構築できないかと考えました。
00:05:00このセクションでは、カレン ルービンがクオンツ トレーディング戦略を構築する際にとった最初のステップについて語ります。彼女は、時間の経過とともに何が起こったかのシミュレーションを作成するために、特定の期間内のすべての女性 CEO の履歴リストを取得する必要がありました。カレンさんは、各 CEO の開始日と終了日、および対応するティッカー シンボルを手動で検索して分析する必要があったため、プロジェクトの初期段階ではデータの取得とクレンジングにかなりの時間が費やされたと説明しています。彼女はまた、分析前に価格設定データが正確で、クリーンであることを確認するという課題についても語ります。サンプルサイズが小さいにもかかわらず、カレンさんは研究を進め続けました。
00:10:00このセクションでは、カレン ルービンがアルゴリズム取引におけるバック テストのプロセスと、彼女の戦略でシミュレーションがどのように機能するかを説明します。彼女は、過去のデータを調べ、女性 CEO のリストに基づいて売買の意思決定を行うことで、実際の市場で取引しているかのように戦略をシミュレーションします。彼女はアルゴリズムの最初のバージョンをベンチマークである S&P 500 と比較しました。しかし、以前の戦略ではレバレッジを考慮できなかったため、後に常駐のクオンツの支援を受けて戦略を書き直しました。
00:25:00このセクションでは、カレン・ルービンが、女性 CEO に投資する際に適切なベンチマークを見つけるという課題について説明します。彼女は、フォーチュン 1000 ベンチマークは正しい選択のように思えますが、その過去の構成銘柄リストを購入するには費用がかかることを強調しました。代わりに、彼女は、すべての企業を収益でランク付けし、上位 1000 社を選択する新しいベンチマークである Quanto 1000 を作成しました。Quanto 1000 と S&P 500 に対するアルゴリズムのリターンを比較すると、アルゴリズムが他の 2 つのベンチマークを 43% 上回っていることがわかりました。違い。また、彼女は CEO の交代に関する Event Fessor の新しいデータセットを調査し、これにより男性 CEO と女性 CEO 間の比較戦略を立てることができます。その結果、女性 CEO には入社日に投資し、退職日に投資を停止するという戦略は 7 年間で 28% の利益を上げたのに対し、男性 CEO の利益は 44% でした。
00:30:00このセクションでは、カレンがフォーチュン 1000 企業の女性 CEO に関する調査結果を詳しく説明します。分析によると、女性CEOの利益率は68％、男性CEOの利益率は47％だった。しかし、カレン氏は、女性 CEO が男性 CEO を上回っていることはデータからはまだ示されていないと考えています。彼女は、この研究が高収益かつ高時価総額企業の女性 CEO について興味深いアイデアを提供していると考えています。カレンさんは金融およびテクノロジー業界の多様性を促進したいと考えており、より多くの女性がこの分野に参加するよう勧めています。彼女は、多様性のあるファンドを創設するには、女性 CEO への投資などのアイデアを持ち込むことが重要だと信じています。
00:35:00このセクションでは、講演者は、CEO の成功に影響を与える可能性のあるさまざまな要因 (性別、社内または社外の採用、誕生月など) について説明します。彼女はまた、企業は業績が悪いときに女性CEOを迎え入れ、その後はリストラの恩恵を享受するために男性CEOに置き換えるという理論についても言及している。しかし、彼女はこの理論を裁定することができませんでした。さらに、CEO の発表後に株価が下落することがよくあるが、この傾向が女性 CEO と男性 CEO で異なるかどうかは定かではないと彼女は指摘しています。全体として、CEO がクオンツ トレーディング戦略を構築する際には、考慮すべき要素が数多くあります。
PyCon Canada 2015: https://2015.pycon.ca/en/schedule/67/Talk Description:Upon joining Quantopian, in order to understand her users better, Karen Rubin embark...
Quantitative trading and algorithmic trading expert Dr. Ernie Chan teaches you machine learning in quantitative finance. You will learn:1) The pros and cons ...
ラマ・コントとフランチェスコ・カッポーニ：「株式市場における相互影響」
ラマ・コントとフランチェスコ・カッポーニ：「株式市場における相互影響」
ラマ・コントとフランチェスコ・カッポーニは、注文フローと価格データの分析を通じて、株式市場におけるクロスインパクトの概念を掘り下げています。彼らは、クロスインパクトとは、資産の価格がその資産自体の注文フローだけでなく、他の資産の注文フローによっても影響を受けることを意味すると主張しています。これまでの理論研究では、クロスインパクト効果の結果を導き出し、単一資産の最適な取引実行モデルを複数の資産に拡張しようと試みられてきましたが、Cont と Capponi は、資産のリターンと注文フローの相関関係を説明するためのより合理化されたアプローチを提案しています。
彼らは、これらの相関関係を説明するために、価格影響係数の包括的な行列は必要ないと主張しています。むしろ、観察された相関関係は、市場参加者が複数の資産の取引に従事することが多く、それによって資産間で相関のある注文フローの不均衡が生じているという事実に起因する可能性がある、と彼らは主張している。クロスインパクト係数の重要性と約定コストの主な要因を特定するために、発表者らは、リターンと注文フローの不均衡の相関行列に主成分分析（PCA）を使用することを提案しています。
Cont と Capponi は、株式自体の注文フローのバランスと注文フローの不均衡の相関関係に焦点を当て、株式市場における相互影響を軽減するモデルを提案しています。彼らは、注文フローの不均衡に対する 1 要素モデルが収益の相互相関を説明するのに十分であることを発見しました。このモデルはポートフォリオの実行や取引コスト分析に利用でき、発表者らは、単一資産の影響に対する信頼性の高いモデルと、資産全体にわたる注文フローの共通要因に対する優れたモデルの使用を推奨しています。
講演者らは、因果関係モデルと方程式の解釈を確立することの重要性を強調します。彼らは、追加の資料や最新情報を共有する用意があることを表明し、この研究分野の理解を促進するというコミットメントを強調しています。
アダム・グリーリッシュ: 「個人投資へのアルゴリズム的アプローチ」
アダム・グリーリッシュ: 「個人投資へのアルゴリズム的アプローチ」
Betterment の投資担当ディレクターである Adam Grealish が、個人投資に対する同社のアルゴリズム的アプローチと目標ベースの戦略についての洞察を提供します。 Betterment はロボ アドバイザリー モデルを活用し、アルゴリズムを活用し、人的介入を最小限に抑えて顧客に投資アドバイスと管理を提供します。
グリーリッシュ氏は、投資成果を決定する 3 つの重要な要素、すなわちコストの削減、税金の最適化、インテリジェントな取引を強調しています。すべての要素が重要ですが、Betterment では最初の 3 つを重視しています。同社は、Black Litterman 最適化手法を採用して世界的に分散されたポートフォリオを構築し、50 万人という広大な顧客ベース全体のターゲット ウェイトを継続的に監視しています。欠損金の回収、資産の所在場所、ロットの仕分けなどの戦略を含む税金の最適化は、市場を上回るパフォーマンスを発揮する機会を提供します。
グリーリッシュ氏は、議論の後半部分で、Betterment のアプローチを従来の自動化された財務アドバイザーと区別しています。従来のロボアドバイザーの「万能型」アプローチとは異なり、Betterment のアルゴリズム アプローチでは、目標、期間、リスク許容度などの個別の要素が考慮されます。このカスタマイズにより、各投資家の固有の状況に合わせてカスタマイズされたポートフォリオが可能になります。 Betterment は、税務効率を最大化し、利益を増やすための欠損金回収や税調整されたポートフォリオなどの追加機能も提供します。
グリーリッシュ氏は、ベターメントの投資戦略の詳細をさらに掘り下げています。同社は、目標配分に向けてポートフォリオを年に 1 回調整するだけで、長期的な配分の安定性を奨励しています。トリガーベースのリバランス アルゴリズムを利用して、目標割り当てからのずれを管理し、リスクを最小限に抑えます。ベターメントのポートフォリオは、幅広い時価総額ベースのETFを使用して構築されており、関連するリスクプレミアムを伴うリスクの高い資産クラスへのエクスポージャーを最適化しています。
コストの最適化は、Betterment の投資哲学の重要な側面です。同社はETFの手数料引き下げ傾向を利用し、ETF全体を四半期ベースで見直している。選択プロセスでは、トラッキングエラーや取引コストなど経費率を超えた要素が考慮され、Betterment の顧客にとって低コストのポートフォリオが実現します。
税金の最適化は、Betterment の戦略のもう 1 つの重要な要素です。グリーリッシュ氏は税務管理の重要性を説明し、欠損金の回収、資産の所在、ロットの仕分けという 3 つの効果的な戦略の概要を説明します。税金損失の回収には、税務上のキャピタルロスを実現するために損失を出して証券を売却することが含まれますが、資産の場所では、資産を複数の口座に戦略的に配分することで税引き後利益を最大化します。ロットの仕分けでは、税務上のメリットを最適化するために、損失が最も大きいロットを最初に売却する必要があります。
グリーリッシュ氏は、投資家の行動が投資結果に与える影響を認めています。ベターメントでは、スマートなデフォルトを実装し、自動化を使用し、目標に基づいた投資を奨励することで、ネガティブな行動と闘います。同社は意図的なデザインとデータ分析を採用して、ユーザーが財務目標から逸脱した場合に行動を起こすよう促します。
将来の展開に関して、グリーリッシュ氏はフィンテック分野における AI の潜在的な用途について説明します。 Betterment は、ロボアドバイスや資金管理などの財務タスクの自動化における AI アプリケーションを検討しています。同社は、これまで富裕層の個人や機関に限定されていた金融サービスを、より幅広い層が利用できるようにすることを目指している。ただし、税金の準備を個別に行うのは複雑なので、この分野では課題が生じます。
全体として、アダム・グリーリッシュは、目標ベースの戦略、コストの最適化、税金管理、および行動の軽減を強調する、個人投資に対するベターメントのアルゴリズム的アプローチについて貴重な洞察を提供します。
ミケル・ノゲルとアロンソ: 「金融におけるディープラーニングの最新開発」
ミケル・ノゲルとアロンソ: 「金融におけるディープラーニングの最新開発」
この包括的なビデオでは、ミケル・ノゲル・イ・アロンソが、業界固有の複雑さと経験的な性質にもかかわらず、金融分野におけるディープラーニングの可能性を探求しています。ディープラーニングは、特に非構造化データや金融アプリケーションにおいて、非線形関係を捕捉し、繰り返し発生するパターンを認識する上で貴重な機能を提供します。ただし、過剰適合や非定常状況での有効性の制限などの課題も生じます。これらの課題に対処するために、要因、感情分析、自然言語処理を統合することで、膨大な量のデータを扱うポートフォリオ マネージャーに貴重な洞察を提供できます。万能のモデルは存在せず、ディープ ニューラル ネットワークは従来のベンチマーク モデルを置き換えるべきではないことに注意することが重要です。さらに、アロンソ氏は、オープンソースで効率性の高い言語モデルである BERT の重要性を強調しています。BERT は、財務文書の数値を深く理解していることを実証し、金融データセットにとって特に価値のあるものとなっています。
ビデオ全体を通じて、アロンソは重要な洞察を共有し、金融における深層学習モデルの利用に関するさまざまな側面について説明します。彼は、畳み込みニューラル ネットワークを使用した分析用の画像への金融データの変換、非線形データ圧縮のための自動エンコーダの活用、時系列分析のためのメモリ ネットワークの適用を検討しています。ディープラーニング技術を使用して金融関連の問題に効果的に対処するための重要な要素として、ドメインの専門家と機械学習の実践者のコラボレーションが重要視されています。
アロンソ氏は、データ生成プロセスの動的な性質や、こうした変化に適応できるモデルを開発する必要性など、金融分野でディープラーニングを扱う際に遭遇する課題を詳しく掘り下げています。彼は、情報理論、複雑さ、最も簡潔な表現を見つけるための情報の圧縮の概念に焦点を当てています。ユニバーサル近似定理について説明し、任意の精度で任意の関数を近似するディープ ニューラル ネットワークの能力を強調しますが、一般化は保証されません。講演者は、正則化、ニューラル ネットワークの固有次元、および過剰パラメータ化されたニューラル ネットワークに関する研究論文をさらに調査することを推奨しています。
講演者はまた、補間レジームのアイデアについても触れています。このレジームでは、ディープ ニューラル ネットワークが、より小さなノルムを持つ補間関数を識別する、より大きな関数クラスを発見できます。彼らはディープ ニューラル ネットワークの定性的側面について議論し、さまざまなレイヤーの重要性の変化と時系列予測におけるレイヤーの役割を強調しています。ただし、線形モデルは引き続きベンチマークとして機能し、深層学習モデルの結果は線形モデルと比較する必要があることを強調します。
アロンソは、金融における深層学習モデルのパフォーマンスに関する洞察を提供し、複数の銘柄で長期短期記憶ネットワークを使用した結果を示し、他のニューラル ネットワークに対する優位性を実証します。深層学習モデルは、S&P 500 の最良の銘柄を選択する際に線形モデルよりも優れたパフォーマンスを発揮し、サンプル外の情報比率が向上することが示されています。講演者は、ディープラーニングが一貫して優れたパフォーマンスを発揮し、モデルを選択する際に信頼できる選択肢となり得ることを強調しました。
因子は金融の深層学習モデルにおいて重要な役割を果たし、収益との非線形関係の探索を可能にします。非線形性の利用により、このアプローチは純粋な時系列演習とは区別されます。講演者はまた、トレーニング期間中のパラメータ選択の重要性を強調し、より多くのデータを使用することが常に精度の向上につながると仮定しないように警告します。これらのモデルは主に履歴データに基づく研究目的であるため、コストや実際の考慮事項が組み込まれていないことに注意することが重要です。
講演者は論文の焦点を明確にし、その意図はディープニューラルネットワークが優れていると主張することではなく、むしろディープニューラルネットワークを従来のベンチマークモデルと並行して使用する必要性を強調することであることを強調しました。学習ウィンドウなどのパラメーターを考慮する必要性とともに、非線形関係を把握し、繰り返し発生するサイクルを理解することの重要性について説明します。ディープ ニューラル ネットワークは、線形モデルでは見落とされる可能性のある 2 次または 3 次の効果を捕捉することで、特定のシナリオで独自の洞察を提供する可能性があります。ただし、普遍的なモデルはなく、ディープ ニューラル ネットワークは既存のベンチマーク モデルを置き換えるのではなく、補完する必要があることが強調されています。
金融における自然言語処理、特に感情分析の応用も研究されています。市場で生成される膨大な量の情報を考慮すると、高次元空間を調査および分析するにはビッグデータ ツールが不可欠です。機械学習、特にディープラーニングは、これらの課題に対処する上で有益であることが証明されています。言語モデルはセンチメント分析などのタスクに活用でき、市場の勢いについての洞察を得ることができます。インターネットのスクレイピングは、市場の変化を示す可能性のある情報の変化を検出するための効率的なアプローチであることが証明されています。全体として、自然言語処理は、大量のデータを扱うポートフォリオ マネージャーに貴重な洞察を提供します。
このビデオでは、講演者が金融におけるセンチメント分析の 2 つのアプローチを詳しく説明しています。従来の方法では、肯定的な単語と否定的な単語の頻度をカウントしますが、より高度なアプローチでは、深層学習と単語の埋め込みを利用して、単語の文脈上および意味上の意味を把握します。講演者は、単語のより正確かつ効率的な表現を提供する最先端の言語モデルである、トランスフォーマーによる双方向エンコーダ表現 (BERT) の有効性を強調します。 BERT の財務テキストの数値を理解する能力は、正確な財務分析にとって特に重要です。多層パーセプトロン、メモリ ネットワーク、コブネットなどの他の関数近似器も、金融における有用なツールとして言及されています。
さらに、講演者は金融データを画像に変換し、分析に畳み込みニューラル ネットワークを使用するという概念についても説明します。このアプローチは、教師なし学習の問題に対して特に有益であることがわかります。非線形データ圧縮のためのオートエンコーダと時系列分析のためのメモリネットワークの使用が導入されています。環境が十分に安定している場合、メモリ ネットワークは時系列データの分析に適しています。さらに、講演者は金融における言語処理のためのトランスフォーマー モデルの使用について触れ、TensorFlow を使用したその実装についての洞察を提供します。
金融におけるオープンソースの深層学習モデルの実装に関して、講演者は、金融アプリケーション向けの特別なトレーニングが必要になる可能性があるものの、利用可能なオープンソース コードが豊富にあるため、達成可能な目標であると強調しました。現場では機械学習を活用する機会が数多くあるため、金融関連の問題を解決するには、ドメインの専門家と機械学習者のコラボレーションが不可欠です。講演者は、手作りの自然言語処理アプローチは現在金融分野で利用されているが、深層学習モデルはまだ業界で広く採用されていないと述べています。
このビデオでは、個人が辞書を使用して JP モルガンなどの企業を説明する際に、タイプミスがないことを確認するという、金融における手作りの管理の伝統的な方法についても詳しく説明しています。長短期記憶ネットワークや BERT などのさまざまな機械学習アルゴリズムの有効性について説明します。 BERT は、公表された研究において最先端のものと考えられています。クロスセクション投資における機械学習の可能性も探求されており、機械がフラットなリターンやファクターを解釈するのを支援するファクターやリターンの使用が提案されています。
講演者は、深層学習で最適な値を見つけることの難しさに言及し、それが NP 問題である可能性があることを認めています。経験と直感を持つヒューマン データ サイエンティストは、専門知識に基づいてヒューリスティックな選択を行う必要があります。ディープ ニューラル ネットワークの理解と解釈の課題が浮き彫りになっており、数学者ですらその並外れたパフォーマンスを説明する方程式を定式化するのに苦労しています。このような場合には、定性分析がよく使用されます。ただし、時間の経過とともに、さまざまなデータセットを扱ううちに、データ サイエンティストは特定の状況に最適なパラメーターを選択するための直観を養うことができます。
ゴードン・リッター: 「強化学習と裁定機会の発見」
ゴードン・リッター: 「強化学習と裁定機会の発見」
このビデオでは、ゴードン リッターが金融市場のコンテキストにおける強化学習の応用を探求し、特にデリバティブ取引における裁定取引の機会の発見に焦点を当てています。彼は、不確実性に直面した場合には、複数期間にわたる複雑な計画と戦略の重要性を強調します。 Ritter は、最適なポリシーの検索をガイドするための値関数の使用を実証し、平均からの偏差の 2 乗を乗算した定数と単一期間の増分を組み合わせる報酬関数を提案しています。
Ritter は、裁定取引の機会を見つける場所をマシンに明示的に指示せずに、裁定取引の機会を含むシミュレーションを作成するプロセスについて説明します。彼は、金融市場をモデル化するための確率的シミュレーションの使用を強調し、十分なデータがあれば、強化学習を通じて訓練されたエージェントが市場の裁定取引を識別できることを示唆しています。ただし、過剰学習や予期せぬシナリオを処理する際の課題など、強化学習の限界を認めています。訓練を受けたエージェントの能力を拡大するために、ガンマ中立性取引戦略の探索など、さらなるテストが提案されています。
このビデオには、デリバティブ ヘッジにおけるベースライン エージェントと比較した強化学習エージェントのパフォーマンスの分析が含まれています。訓練を受けたエージェントは、同様の範囲の実現ボラティリティを維持しながら大幅なコスト削減を実証し、コストとリスクの間でトレードオフを行う能力を示しています。リッター氏は、デリバティブ価格自体が価値関数の一形態と見なすことができるため、デリバティブ取引の強化学習における価値関数の関連性について議論しています。
リッター氏は、強化学習において適切な状態ベクトルとアクション空間を構築することの重要性も強調しています。効果的な意思決定には、関連情報を状態ベクトルに組み込み、適切なアクションを定義することが不可欠です。彼は、潜在的に裁定取引の機会につながる可能性がある平均回帰ダイナミクスをモデル化する手段として、オーンスタインおよびリムビックプロセスの使用を紹介しています。
さらに、ビデオでは、短期利益を取引機会に利用する際の課題と有限状態空間の制限についても説明しています。 Ritter 氏は、これらの課題に対処し、値関数の推定を改善するために、連続状態空間と、モデル ツリーやニューラル ネットワークなどの関数近似手法を採用することを提案しています。
最後に、リッター氏は、強化学習は裁定取引の機会を発見する上で貴重なツールとなり得るものの、現実の取引において保証されたアプローチではないことを認めています。同氏は最後に、確率システムを通じて収益性の高い取引を発見する強化学習の可能性を強調しているが、市場に裁定取引の機会が存在しない場合に裁定取引の機会を見つけることを期待することには警告を発している。過剰学習や予期せぬシナリオに対処できないなど、強化学習の限界も認識されています。
マルコス・ロペス・デ・プラド: 「ほとんどの機械学習ファンドが失敗する 7 つの理由」
マルコス・ロペス・デ・プラド: 「ほとんどの機械学習ファンドが失敗する 7 つの理由」
Marcos Lopez de Prado は、金融業界におけるほとんどの機械学習ファンドの失敗の背後にある理由を概説する包括的なプレゼンテーションを行いました。同氏は、この分野での成功に寄与するいくつかの重要な要素の重要性を強調しました。
デ・プラド氏が強調した主な要因の一つは、裁量ファンドにおいて十分に定式化された理論が欠如していることであった。同氏は、投資に関する会話の多くには、確固たる理論的基盤がないため、建設的で抽象的なアプローチが欠如していると指摘した。意思決定の指針となる理論がなければ、裁量型ファンドは他者と交流したりアイデアを試すのに苦労し、その結果、選択が不十分になり、損失が生じる可能性があります。
De Prado 氏は、機械学習ファンド内で孤立したサイロで作業することの悪影響についても議論しました。同氏は、成功にはコラボレーションとコミュニケーションが不可欠であることを強調し、多数の博士号を雇用し、別々の任務に分離することに対して警告した。その代わりに、専門家が独立して働きながらも互いの専門知識を持ち、より良い戦略と成果につながるチームベースのアプローチを提唱しました。
チーム内の専門化は、デ・プラド氏が強調したもう一つの重要な側面でした。同氏は、複雑なシステムやタスクを処理できる専門家のグループを編成することの重要性を強調した。これらの専門家は、全体的な戦略を理解し、同僚の専門分野を意識しながら、独立したスキルを備えている必要があります。このメタ戦略パラダイムは、効果的な戦略を開発するためだけでなく、採用、投資の監視、停止基準の定義など、不確実な状況で情報に基づいた意思決定を行うためにも役立ちます。
財務データの適切な取り扱いも、デ・プラド氏が議論した重要な要素でした。同氏は、貴重な情報を保存しながらデータの定常性を達成する必要性を強調しました。彼は、データを分数で微分して以前の観測からの記憶情報を保持し、特定の時点で重要な予測を可能にすることを提案しました。さらに、過剰なメモリを使用せずに、定常系列と元の系列の間のほぼ完全な相関関係を達成するには、特定のしきい値を使用することをアドバイスしました。デ・プラド氏は、流動的な将来契約がない場合にはリターンを使用しないよう警告し、ほとんどのシナリオで単一の観測値を使用することを推奨した。
サンプリング頻度とデータの適切なラベル付けについても、de Prado 氏が取り上げました。彼は、毎日または分単位での観察などの従来の方法に依存するのではなく、市場情報の到着に基づいてサンプリング頻度を設定することを提案しました。取引量に基づいてサンプリングするドルバーなどの手法を使用すると、サンプルに同量の情報が含まれていることを確認できます。タッチバリアラベリング手法を使用するなど、観察結果を適切にラベリングすることで、価格動向やストップアウトの可能性を考慮したリスク認識戦略の開発が可能になります。
ある機械学習モデルが別のモデルの予測の精度を予測するメタ学習の概念は、精度と再現率を達成する手段として議論されました。 2 つの別々のモデルを構成することにより、調和平均を使用して精度と再現率の間のトレードオフのバランスを取ることができます。 De Prado 氏は、パフォーマンスを最適化するために、個別のタスクに異なる機械学習アルゴリズムを採用することを推奨しました。
デ・プラド氏は、機械学習を金融分野に適用する際の課題を強調し、機械学習アルゴリズムを使用する前に人間の専門家がデータをフィルタリングする必要性を強調しました。財務データは本質的に乱雑で非 ID であるため、特定の観察結果を資産に結び付けることが困難になります。さらに、規制や法律による金融市場の絶え間ない変化により、機械学習アルゴリズムの実装には慎重かつ微妙なアプローチが必要になります。財務データを機械学習モデルに組み込むだけでは、金融業界で成功するには十分ではありません。
非一意性と過剰適合の問題に対処することは、デ プラド氏のプレゼンテーションのもう 1 つの重要な側面でした。彼は、観測値の一意性を判断する方法論を提案し、テスト セットで共有されている情報よりも古い情報を含む観測値を削除すること、つまり「パージ」として知られるプロセスを推奨しました。これは、相互検証手法の前提に合わせて、より正確な機械学習モデルを作成するのに役立ちます。デ・プラド氏はまた、過剰適合の危険性について警告し、戦略のバックテストを繰り返すと偽陽性が発生し、時間の経過とともに有用性が低下する可能性があることを強調した。戦略の発見に必要な試行回数を考慮することは、過剰適合や誤検知を避けるために非常に重要です。デ・プラド氏は、過剰適合に伴うリスクを軽減するために、戦略の実行に高い閾値を設定するようアドバイスした。
「しぼんだイチゴ」の概念はデ・プラドによって導入され、ファンドマネージャーが意図的にこれらの特性をターゲットにしていなかったとしても、多くのヘッジファンドが負の歪度と正の超尖度を示すことを示しました。これは主に、ファンド マネージャーがシャープ レシオに基づいて評価されており、これらの統計的特性によりレシオが膨らむ可能性があるためです。デ・プラド氏は、リターンを分析する際には、発見に関わるサンプルサイズと試行回数を考慮することが重要であると強調した。同氏は、ゼロを超える真のシャープレシオを達成する可能性が低い戦略に投資しないよう警告した。
de Prado 氏は、モデルの適合と過剰適合の間のバランスを達成することを強調しました。同氏は、完璧なフィット感を追求することは過信やリスクの増加につながる可能性があるため、やめるようアドバイスした。代わりに、統計モデルを効果的に適用しながら重要な記憶を保存する方法を見つけることを推奨しました。デ・プラド氏はまた、過度に複雑なモデルを使用しないように警告しました。モデルはデータフィードや相互受粉を妨げ、機械学習アルゴリズムの全体的な有効性を妨げる可能性があるからです。
デ・プラド氏は、特定の特性や指標が好まれ、戦略の収束につながる業界の現象について言及しました。同氏は、人間の好みや美的感覚によって特定の形質が形成される犬の繁殖と比較しながら、たとえ当初はそうではなかったとしても、シャープレシオと負の歪度の組み合わせなどの特定の指標の使用がどのようにしてヘッジファンドで好まれるようになったのかを説明した。ターゲットにされた。この現象は特定のトリガーイベントなしに発生するため、対処するのは困難であることが判明しています。
さらに、デ・プラド氏は、直近の価格データは近い将来との関連性がより高いため、予測する際には最新の価格データを使用することの重要性を強調した。彼は、利用可能なすべてのデータを使用する場合、指数関数的な重み減衰を使用してサンプル長を決定することを推奨しました。さらに同氏は、機械学習ファンドの失敗につながる一般的な落とし穴として、試行数の管理と孤立した作業環境の回避の重要性を強調した。同氏は、金融は機械学習が大幅に進歩した他の分野とは異なり、統計学者を雇用することが、成功する取引アルゴリズムを開発するための最も効果的なアプローチであるとは限らないと指摘した。
要約すると、マルコス・ロペス・デ・プラド氏のプレゼンテーションは、金融業界でほとんどの機械学習ファンドが失敗する理由を明らかにしました。同氏は、よく定式化された理論、チームのコラボレーション、専門化、財務データの適切な処理と区別、適切なサンプリングとラベル付け、非一意性や過剰適合などの課題への対処、機械学習アルゴリズムの実装における人間の専門知識の組み込みの必要性を強調しました。これらの要因を理解し、慎重かつ微妙なアプローチをとることで、実務家はダイナミックで複雑な金融の世界で成功する可能性を高めることができます。
アイリーン・アルドリッジ: 「長期ポートフォリオ最適化におけるリアルタイムリスク」
アイリーン・アルドリッジ: 「長期ポートフォリオ最適化におけるリアルタイムリスク」
Able Alpha Trading の社長兼マネージング ディレクターであるアイリーン アルドリッジが、長期ポートフォリオ マネージャーに対する高頻度取引 (HFT) の影響と、業界全体に影響を与える市場の体系的な変化について包括的なディスカッションを行います。彼女は、ビッグデータと機械学習の進歩によって進む金融分野の自動化と、それがポートフォリオ最適化に与える影響について探ります。さらに、オルドリッジ氏は、日中のボリュームデータによってもたらされる課題と機会を掘り下げ、ビッグデータを使用したリアルタイムのリスク識別を統合する段階的なアプローチを提案しています。彼女は、微細構造要因を組み込んだ、より微妙なポートフォリオ最適化戦略を提唱し、防御策として要因を使用することを提案しています。アルドリッジ氏はまた、クオンツ戦略の 3 年間のライフサイクル、データ分析における仮想現実と自動化の可能性、ポートフォリオ最適化におけるコンピューター マトリックスの応用についても触れています。
アルドリッジ氏はプレゼンテーションを通じて、高頻度取引は長期的なポートフォリオ・マネージャーに影響を与えないという誤解に異議を唱えています。彼女は、市場の体系的な変化は、期間に関係なく、すべての投資戦略に影響を与えると主張します。アルドリッジ氏は、電気工学、ソフトウェア開発、リスク管理、金融の専門知識を活かして、リアルタイムのリスク評価やポートフォリオの最適化などの新しい分野を探求することの重要性を強調しています。
オルドリッジ氏は、金融業界における自動化への大きな変化を強調し、株式、外国為替、債券、商品取引においては手動取引が自動化システムに取って代わられたと指摘した。業界関係者は関連性を維持するために、ビッグデータと機械学習技術を採用してきました。しかし、自動化によって専門知識が時代遅れになるのではないかと懸念した一部のトレーダーからの初期の抵抗は彼女も認めています。
講演者は、ビッグデータの進化とポートフォリオ最適化におけるその役割について探ります。彼女は、膨大な量の構造化データと非構造化データの利用が金融情勢に革命をもたらしたと指摘します。アルドリッジ氏は、特異値分解 (SVD) などの技術により、大規模なデータセットを処理して貴重な洞察を抽出する方法を説明します。 SVD は、投資決定に情報を提供するためにできるだけ多くのデータを組み込むことを目的として、ポートフォリオ配分の自動化にますます使用されています。
Aldridge は、特異値分解を使用してデータ次元を削減するプロセスを詳しく調べています。このプロセスを通じて得られた特異値をプロットすることで、研究者は残りのベクトルをノイズとして扱いながら、重要な情報を含むベクトルを特定できます。この手法は、時価総額、ベータ、価格、日中のボラティリティなどのさまざまな財務データ セットに適用できます。結果として得られる縮小されたデータセットは、研究目的のための信頼できるガイダンスを提供し、長期的なポートフォリオ最適化のための重要な要素を特定するのに役立ちます。
講演者は、価格、市場リスク (ベータ)、時価総額、配当利回りなど、ポートフォリオ アナリストが採用する一般的な要素について説明します。機関の活動も重要な要素であり、オルドリッジ氏は、ティックデータを分析してパターンを検出するためのビッグデータの使用を強調しています。機関投資家の活動を認識すると、市場参加者に目に見えるシグナルが提供され、取引量の増加と有利な約定につながります。
アルドリッジ氏は、アグレッシブな HFT 戦略とパッシブな HFT 戦略、およびそれらの流動性への影響を区別しています。注文キャンセルを特徴とする積極的な HFT 戦略は、流動性を侵食してリスクを増大させる可能性がありますが、マーケットメイクなどの消極的な HFT 戦略は、流動性を提供することでボラティリティを低減することができます。彼女は、機関投資家が出来高加重平均価格を好み、外国為替など、出来高情報が常に入手できるとは限らない特定の市場では時間加重平均価格が使用されていると指摘しています。
講演者は、取引所の数の多さ、時間間隔の短縮、および複数の取引所間で最適なビジネスと最適なオファーを決定する必要性を考慮して、日中のボリューム データによってもたらされる課題について説明します。これらの課題にもかかわらず、オルドリッジ氏は、日中ボリューム データのスライスと分析におけるイノベーションとさらなる研究に大きなチャンスがあると考えています。彼女は、複数の取引所からの指値注文を集約する SEC が運営するセキュリティ情報プロセッサー (SIP) について言及していますが、異なる取引所間で問題を調整し解決するという継続的な課題があることを認めています。
アルドリッジ氏は、ポートフォリオ最適化における未解明の微細構造要因とリスクを強調しています。長期的なポートフォリオ管理者は伝統的にリスクとリターンの特性に焦点を当て、微細構造要因を見落としがちですが、オルドリッジ氏は、それらをインプットとして組み込み、入手可能な豊富なデータを活用することを提案しています。彼女は、特異値分解を使用して以前のリターンに基づいてパフォーマンスを予測し、ビッグデータを利用してリアルタイムのリスクを特定して対処するという段階的なアプローチを提案しています。アルゴリズムは、人間のトレーダーが気付かない可能性のある、注文の ping など、取引所の複雑な仕組みを特定して活用するのに役立ちます。
従来のポートフォリオ最適化の限界に挑戦する中で、オルドリッジは、微細構造要因とその他の市場ダイナミクスを統合する、より包括的なアプローチを導入しています。彼女はETFやフラッシュクラッシュなどの要因が破壊的な可能性を秘めていることを強調し、リスク分析には相関行列だけでは十分ではない可能性があることを強調しています。アルドリッジ氏は、より広範な市場の動きを超えた独立した微細構造要因を考慮することで、収益を高め、シャープ・レシオを改善できる微妙なポートフォリオ最適化戦略を提唱しています。彼女のアプローチの詳細は彼女の著書に記載されており、高頻度取引に関する聴衆からの質問を歓迎します。
オルドリッジ氏は、1 日以内の高頻度取引の持続性と、長期的なポートフォリオ配分への影響についてさらに詳しく掘り下げています。彼女はこれを、Google の日中の高頻度取引量の例で説明しています。これは、時間の経過とともに一定の範囲内で安定性を示します。オルドリッジ氏は、高価格株の高頻度取引に伴うコストの低下と、ペニー株の高頻度取引量の割合が低いことを強調している。さらに、コーディングの複雑さにより、高頻度トレーダーが高配当株に取り組むことを妨げることが多いと彼女は指摘しています。積極的な高頻度取引戦略には、市場価格に近い成行注文または積極的な指値注文が含まれます。
講演者はクオンツ戦略の 3 年間のライフサイクルを説明し、成功する戦略を生み出す際にクオンツが直面する課題に光を当てます。通常、最初の 1 年は前職で成功した戦略を引き継ぎ、多額のボーナスを獲得する必要があります。 2 年目は革新への試みが特徴的ですが、多くの人がこの期間に成功する戦略を立てるのに苦労しています。 3 年目では、成功した戦略を見つけた人は多額のボーナスを得るかもしれませんが、他の人は退職して以前の戦略を新しい会社に移すことを選択するかもしれません。これにより、同様の高頻度取引戦略が集中し、微調整またはわずかに修正され、ほぼ同時に取引が実行されることがよくあります。オルドリッジ氏は、高頻度取引は他の形態の自動化と同様に有益であり、無視されるべきではないと強調する。
アルドリッジ氏は、データ分析における仮想現実と自動化の可能性について議論してプレゼンテーションを締めくくります。彼女は、靴下の購入とデルのコンピュータの購入を例に挙げて、ベータベースのポートフォリオと要素の有用性について触れ、ベータの変更が価格にどのように異なる影響を与えるかについて触れています。返品を正規化し、営業日のランダム性に対処することの重要性も強調されています。オルドリッジ氏は、防御の一形態としてファクターを採用することを提案し、ファクターの使用は楽しいアプローチになり得ることを強調しています。
あるセクションでは、オルドリッジは、ポートフォリオ内の各銘柄の重要性または係数を決定する際のコンピューター マトリックスの適用について説明しています。マトリックスには、分散共分散と縮小手法が組み込まれており、リターンを調整してより正確な結果を達成します。前日の収益のパターンを特定することで、マトリックスは将来の結果を予測し、ポートフォリオを最適化できます。ここで説明した玩具モデルは基本的な例を表していますが、長期的なポートフォリオ最適化にコンピューター マトリックスを使用する可能性を例示しています。
要約すると、アイリーン アルドリッジのプレゼンテーションは、長期ポートフォリオ マネージャーに対する高頻度取引の影響と金融業界の進化する状況についての貴重な洞察を提供します。彼女は、ポートフォリオの最適化における自動化、ビッグデータ、機械学習の役割を強調しています。アルドリッジ氏は、日中量データによってもたらされる課題と機会について議論し、微細構造要因を組み込むことを提唱し、リアルタイムでリスクを特定するための段階的なアプローチを提案しています。彼女のアイデアは、ポートフォリオの最適化についてのより微妙な理解に貢献し、データ分析における仮想現実と自動化の可能性を強調しています。アルドリッジの包括的なアプローチは、ポートフォリオ マネージャーがテクノロジーの進歩を受け入れ、利用可能な膨大なデータを活用して情報に基づいた投資決定を行うことを奨励します。
さらに、オルドリッジ氏は、従来のポートフォリオ最適化では見過ごされがちな微細構造要因を考慮することの重要性を強調しています。 ETF やフラッシュ クラッシュなどの要素を分析に組み込むことで、ポートフォリオ マネージャーは市場のダイナミクスと関連するリスクをより正確に理解できます。彼女は、リスク分析には相関行列だけで十分であるという概念に異議を唱え、独立した微細構造因子を考慮したより洗練されたアプローチを提案しています。このアプローチには、ポートフォリオの収益が向上し、リスク調整後のパフォーマンスが向上する可能性があります。
オルドリッジは、高頻度取引の複雑な世界にも光を当てています。彼女は、アグレッシブな HFT 戦略とパッシブな HFT 戦略の区別について説明し、市場の流動性とボラティリティに対するそれらの影響を強調しています。注文キャンセルを伴う積極的な戦略は流動性を侵食しリスクを増大させる可能性がありますが、指値注文とマーケットメイクに重点を置いたパッシブな戦略は流動性を提供し、ボラティリティを低減することができます。高頻度取引のダイナミクスとポートフォリオ配分に対するその影響を理解することは、長期的なポートフォリオ マネージャーにとって不可欠です。
さらに、Aldridge 氏は、日中のボリューム データに関連する課題と機会についても説明します。複数の交換が行われ、時間間隔が短縮されているため、このデータを効果的に分析および解釈することは複雑になる可能性があります。しかし、オルドリッジ氏はこれをイノベーションとさらなる研究の機会とみなしている。彼女は、SEC が運営するセキュリティ情報プロセッサー (SIP) について言及します。SIP は、さまざまな取引所からの指値注文を集約して、最適なビジネスと最適なオファーを決定します。しかし、彼女は、異なる取引所間で問題を調整し、解決することが依然として課題であることを認めています。
アルドリッジ氏のプレゼンテーションでは、ポートフォリオ最適化における防御の一形態としてファクターを使用することの重要性も強調しています。従来のリスクとリターンの特性を超えたさまざまな要因を考慮することで、ポートフォリオ マネージャーはより深い洞察を獲得し、意思決定プロセスを改善できます。時価総額、ベータ、価格、日中のボラティリティなどの要素は、長期的なポートフォリオを最適化するための貴重な情報を提供します。
最後に、オルドリッジ氏はデータ分析における仮想現実と自動化の可能性について触れています。これらの技術の進歩は、複雑な財務データを分析し、市場のダイナミクスをより深く理解するための新たな可能性をもたらします。自動化の力を活用し、仮想現実ツールを活用することで、ポートフォリオ マネージャーはデータ分析能力を強化し、より多くの情報に基づいた投資決定を下すことができます。
結論として、高頻度取引と進化する金融情勢の影響に関するアイリーン アルドリッジの議論は、長期的なポートフォリオ マネージャーにとって貴重な洞察を提供します。彼女の自動化、ビッグデータ、機械学習の探求は、ポートフォリオの最適化におけるこれらのテクノロジーの変革の可能性を浮き彫りにしています。微細構造要因を組み込み、防御手段として要因を利用し、技術進歩を受け入れることで、ポートフォリオ・マネージャーは変化する市場力学に適応し、最適な長期ポートフォリオ・パフォーマンスを達成するための新たな機会を切り開くことができます。
定量取引の基本
定量取引の基本
クオンツ取引の基本に関するこのビデオでは、アルゴリズム トレーダーのショーン オーバートンがアルゴリズム取引に伴う課題と機会について説明します。オヴァートン氏は、データ収集、分析、取引がアルゴリズム取引に関わる 3 つの単純な問題であるが、高品質のデータの発見と適切な分析によりプロセスが複雑になる可能性があると説明しています。トレーダーの目標を満たす優れたデータと機能を備えた適切なプラットフォームを選択するのは難しい場合があります。最も人気のあるプラットフォームは、好みの取引タイプに応じて MetaTrader、NinjaTrader、TradeStation です。オヴァートン氏はまた、ライブ市場で取引する際に口座がいかに簡単に破壊されるかという厳しい現実と、リスク管理がいかに重要であるかについても語ります。さらに、クオンツトレーダーが市場の過度な動きを予測する方法を説明し、通貨戦争の影響についても説明します。
YouTube の「定量取引の基礎」ビデオでは、センチメント分析やチャート ラインに基づく長期戦略など、アルゴリズム取引のさまざまな戦略を取り上げています。ただし、最大の利益はビッグテールイベントやトレンドの際に得られます。このビデオの参加者は、バックテスト用のさまざまなプラットフォーム、取引分析のための複数のプラットフォームを統合する際の課題、取引戦略の形式化と自動化に対する関心の高まりについて話し合います。一部の長期トレーダーは、長期間ゲームに参加しているため自動化を求めており、プログラミング言語の NinjaTrader が推奨されますが、制限があります。
クオンツトレーダーとは何ですか?
クオンツトレーダーとは何ですか?
「クオンツトレーダーとは何ですか?」は、マイケル ホールズ ムーアがクオンツ取引の世界を掘り下げ、取引戦略を開発し、市場の非効率性を分析するために数学と統計がどのように使用されるかを説明するビデオです。クオンツファンドは主に短期戦略に焦点を当てているが、講演者は低頻度で自動化されたアプローチも利用されていることを強調した。機関投資家トレーダーはリスク管理を優先しますが、個人トレーダーは利益を重視します。効果的な市場体制の検出は非常に重要ですが、市場ではランダムなイベントが発生するため、困難を伴います。クオンツトレーダーは、単一のモデルだけに依存するのではなく、既知および未知の市場ダイナミクスを考慮して新しいモデルを常に調査およびテストすることをお勧めします。リスクが伴うにもかかわらず、成功したクオンツトレーダーは手数料で年間 35% という驚異的な利益を達成できます。
このビデオでは、マイケル ホールズ ムーアが「クオンツ トレーダー」の概念について洞察力に富んだ視点を提供しています。同氏は、クオンツトレーダーは金融分野で計算および統計的手法を活用し、数学的および統計的手法を採用していると説明しています。彼らの仕事は、取引構造のプログラミングから徹底した調査の実施、堅牢な取引戦略の開発まで、幅広い活動に及びます。売買ルールは役割を果たしますが、クオンツトレーダーはシグナルジェネレーターが 1 つのコンポーネントにすぎないより大きなシステム内で動作するため、それだけが焦点ではありません。
クオンツファンドは通常、高頻度取引に従事し、市場資産内のテクノロジーと微細構造の最適化に努めています。クオンツ取引に関わる時間枠は、マイクロ秒から数週間まで、大きく異なります。小売トレーダーには、高頻度スタイルの戦略を採用する大きなチャンスがあります。
一般に信じられていることに反して、クオンツ取引は高頻度取引と裁定取引だけに焦点を当てているわけではありません。また、低頻度の自動戦略も組み込まれています。しかし、システムの物理的な非効率性を利用する科学的アプローチにより、クオンツファンドは主に短期戦略に集中します。講演者は、クオンツ取引の分野で成功するには、科学的背景とトレーディング的背景を融合させることの重要性を強調しています。
個人トレーダーと機関投資家の注目すべき違いは、リスク管理のアプローチにあります。個人トレーダーは主に利益動機によって動かされますが、機関トレーダーはたとえ潜在的な利益を犠牲にしてもリスク管理を優先します。機関投資家トレーダーはリスク第一の考え方を採用し、リスクを効果的に軽減するためにデューデリジェンス、ストレステスト、下値保険政策の導入を重視しています。
リスク管理には、ケリー基準などの数学的フレームワークを使用して口座資本に基づいてレバレッジを調整するなど、さまざまな手法が含まれます。より保守的なトレーダーは、制御された成長率を達成するためにドローダウンを減らすことを選択します。 VIX などの先行リスク指標は、将来のボラティリティを測定するために利用されます。こうしたトレードではエントリーシステムよりもリスク管理システムの方が重要です。トレンドフォローではストップロスが使用されますが、平均回帰戦略では、ドローダウン計画のためにさまざまなシナリオと履歴データを再評価および調査する必要があります。取引アルゴリズムを実装する前に、リスク要因を効果的に管理するためにバックテスト段階が実施されます。
このビデオでは、トレーディング戦略をフィルタリングし、それらを直接本番環境に導入するのではなく、それらをフィルタリングするためのツールとしてバックテストを使用することの重要性について詳しく説明しています。これは、実行中の戦略の適切性を判断するために、ウォークフォワード中にさらに悪化するドローダウンを予測し、フィルタリングメカニズムを利用することの重要性を強調しています。次に会話では、ファットテールに対するナシム・ニコラス・タレブの信念を掘り下げ、機械学習テクノロジーをどのように利用してレンジ取引やトレンド取引戦略を適用し、市場体制の検出を可能にするかを探ります。
効果的な市場体制の検出は、量的金融の重要な側面です。ただし、金利の低下や市場動向などのランダムなイベントに依存しているため、課題が生じています。より洗練された企業は、基本的なデータを追跡し、それをモデルに組み込んで市場体制の検出を強化します。取引する場合、株式や ETF の選択は特定の市場に依存し、適切な資産を選択することは複雑な作業となる場合があります。講演者は、過去のボラティリティの高かった時期が将来のボラティリティと市場の変化を予測するための洞察を提供する可能性があるため、ブラックスワン現象に対する効果的な防御には数学的モデルと市場ファンダメンタルズの組み合わせが重要であると強調しました。
このビデオでは、クオンツ取引に伴う潜在的なリターンとリスクについてさらに詳しく説明しています。クオンツトレーダーは、特に博士号などの確かな学歴と効率的な管理プロセスが組み合わさった場合、手数料で年間 35% という驚異的な利益を得る可能性があります。ただし、高頻度のクオンツは、基盤となるハードウェアまたは交換に変更が発生すると問題に直面し、システムのクラッシュにつながる可能性があります。
リスクは伴うものの、長期的に収益性の高い機会を活用して 15% ～ 20% の安定したリターンを達成することは好ましいと考えられます。クオンツトレーダーは、単一の魔法のアルゴリズムに依存したり、問題に直面したときにパニックを起こすことはありません。代わりに、分析が複雑である可能性があるが、潜在的な課題に対処するために事前に準備できる統計的特性を詳しく調べます。
このビデオでは、クオンツ取引において単一モデルへの過度の依存を避けることの重要性を強調しています。過去のウォール街の暴落やモデルの欠陥に起因する投資の失敗が証明しているように、モデルは将来のすべての出来事を正確に予測することはできません。クオンツトレーダーにとって、新しいモデルを継続的に研究およびテストし、そのパフォーマンスを評価することが不可欠です。ドローダウン期間は取引過程に不可欠な部分であり、トレーダーはドローダウン期間を乗り越える準備をしておく必要があります。
結論として、一部のトレーダーはモデルを細かく管理することに過度に集中するかもしれませんが、モデルが未知の要素を含むすべての市場ダイナミクスを考慮しているかどうかを理解することが重要です。クオンツトレーダーは、市場の行動を包括的に理解するために、数学的モデルと市場のファンダメンタルズを組み合わせた多次元的なアプローチを採用する必要があります。クオンツトレーダーは戦略を常に洗練し多様化することで、進化し続ける金融情勢の中で成功する可能性を高めることができます。
PyCon Canada 2015 - カレン・ルービン: 定量的取引戦略の構築 (基調講演)
PyCon Canada 2015 - カレン・ルービン: 定量的取引戦略の構築 (基調講演)
ディスカッションを続けて、カレン ルービンは、フォーチュン 1000 企業の女性 CEO に関する調査結果と洞察を掘り下げます。分析の結果、女性 CEO の収益率は 68% であるのに対し、男性 CEO の収益率は 47% であることが明らかになりました。しかし、カレン氏は、女性 CEO が男性 CEO を上回る業績を示していることはデータではまだ証明されていないと強調する。彼女はこの研究を、高収益かつ高時価総額企業における興味深い概念であると考えています。
カレンさんは、自身の発見に触発されて、金融およびテクノロジー業界における多様性の重要性を強調しています。彼女は、より多くの女性がこの分野に参加し、投資戦略の策定に参加することを奨励しています。女性CEOへの投資などのアイデアを取り入れることで、多様性のある包括的なファンドの創設に貢献できると考えている。
カレンは議論を広げて、CEO の成功に影響を与える可能性のある他の要素にも触れます。これには、CEO の性別、採用方法 (社内または社外)、さらには誕生月も含まれます。彼女は、企業が組織の業績が悪いときに女性 CEO を任命し、その後リストラの恩恵を受けるために男性 CEO に置き換えることがあるという理論を認めています。しかし、カレンは今のところこの理論を裁定することができていない。さらに、CEOの発表後に株価が下落することがよくあるが、この傾向が女性CEOと男性CEOで異なるかどうかはまだ不明であると彼女は指摘する。
結論として、カレン氏は、CEO 向けの定量的トレーディング戦略を構築するには、さまざまな要素を考慮し、徹底的な分析を行う必要があると強調しています。彼女の研究は、女性 CEO のパフォーマンスに関する貴重な洞察を提供する一方で、経営陣のリーダーシップにおけるジェンダーの動態と、それが投資成果に及ぼす影響をより包括的に理解するには、さらなる研究と探求の必要性を強調しています。
アーニー・チャン博士による定量的取引のための機械学習ウェビナー
アーニー・チャン博士による定量的取引のための機械学習ウェビナー
金融業界の著名な人物であるアーニー チャン博士が、トレーディングにおける機械学習に関する洞察と経験を共有しています。彼はまず、機械学習を取引に適用するという初期の試みを振り返り、当初は成功した結果が得られなかったことを認めています。チャン博士は、取引、特にデータが不十分な先物取引や指数取引における機械学習の限界を理解することの重要性を強調しています。
しかし、同氏は、個別のハイテク株、オーダーブックデータ、ファンダメンタルズデータ、またはニュースなどの非伝統的なデータソースに適用した場合に、収益性の高いトレーディング戦略を生成する際の機械学習の可能性を強調しています。データの可用性とデータ スヌーピングのバイアスの制限に対処するために、チャン博士は、オーバーサンプリングやバギングなどのリサンプリング手法を利用することを提案しています。これらの手法はデータセットの拡張に役立ちますが、取引戦略に使用する場合は、時系列データの連続的な自己相関を保存することが重要です。
特徴の選択は、取引における機械学習アプリケーションの成功において重要な役割を果たします。 Chan 博士は、関連する特徴や予測子を選択することでデータ サンプリングのバイアスを軽減することの重要性を強調します。同氏は、多くの人は特徴が多いほど良いと信じているが、トレーディングでは特徴が豊富なデータセットは誤った自己相関を引き起こし、悪い結果を招く可能性があると説明しています。彼は、前方特徴選択、分類および回帰ツリー (CART)、およびランダム フォレストという 3 つの特徴選択アルゴリズムについて説明します。これらは、最も予測性の高い変数を特定するのに役立ちます。
チャン博士は、将来の 1 日の収益とそのプラスまたはマイナスの性質を予測することを目的としたサポート ベクター マシン (SVM) 分類アルゴリズムを詳しく調査します。 SVM はデータ ポイントを分離するための超平面を見つけますが、効果的に分離するには非線形変換が必要になる場合があります。同氏は、ニューラル ネットワークなどの他の機械学習アプローチにも触れていますが、関連する特徴を捕捉する際の限界と、金融市場の非定常的な性質による取引には不向きであることを強調しています。
このウェビナーでは、取引戦略におけるカスタマイズされたターゲット機能の重要性も強調しています。 Chan 博士は、予測モデルを開発するために、ステップワイズ回帰、デシジョン ツリー、セットワイズ回帰などの手法を推奨しています。同氏は、高い精度で利益を保護するために取引回数の平方根を減らすことの重要性を強調しています。シャープレシオは戦略の有効性を評価するための効果的なベンチマークとして提示されており、2 以上の比率が好ましいと考えられます。
チャン博士は、金融業界における機械学習の応用に関する貴重な洞察を提供し、その限界について警告しながら、特定の分野における機械学習の可能性を強調します。彼は、定量取引における機械学習アプリケーションを成功させるには、特徴の選択、データのリサンプリング、および適切なターゲット関数の選択の重要性を強調しています。