양적 거래 (Quantitative trading) - 페이지 8

 

Rama Cont와 Francesco Capponi: "주식 시장의 교차 영향"



Rama Cont와 Francesco Capponi: "주식 시장의 교차 영향"

Rama Cont와 Francesco Capponi는 주문 흐름 및 가격 데이터 분석을 통해 주식 시장의 교차 영향 개념을 탐구합니다. 그들은 교차 영향이 자산의 가격이 자체 주문 흐름뿐만 아니라 다른 자산의 주문 흐름에 의해서도 영향을 받는다는 것을 의미한다고 주장합니다. 이전의 이론적 연구는 교차 영향 효과의 결과를 도출하고 단일 자산 최적 거래 실행 모델을 여러 자산으로 확장하려고 시도했지만 Cont와 Capponi는 자산 수익률과 주문 흐름 간의 상관 관계를 설명하기 위해 보다 간소화된 접근 방식을 제안합니다.

그들은 이러한 상관 관계를 설명하기 위해 포괄적인 가격 영향 계수 매트릭스가 필요하지 않다고 주장합니다. 대신 그들은 관찰된 상관관계가 시장 참여자들이 종종 여러 자산 거래에 관여하여 자산 전체에 상관관계가 있는 주문 흐름 불균형을 생성한다는 사실에 기인할 수 있다고 주장합니다. 교차 영향 계수의 중요성과 실행 비용의 주요 동인을 식별하기 위해 발표자들은 수익 및 주문 흐름 불균형의 상관관계 매트릭스에 대한 주성분 분석(PCA) 사용을 제안합니다.

Cont와 Capponi는 주식 자체의 주문 흐름 균형과 주문 흐름 불균형의 상관관계에 초점을 맞춰 주식 시장의 교차 영향에 대한 인색한 모델을 제안합니다. 그들은 주문 흐름 불균형에 대한 단일 요인 모델이 반품의 교차 상관관계를 설명하기에 충분하다는 것을 발견했습니다. 이 모델은 포트폴리오 실행 및 거래 비용 분석에 활용될 수 있으며, 발표자는 자산 간 주문 흐름의 공통 요소에 대한 좋은 모델과 결합된 단일 자산 영향에 대한 신뢰할 수 있는 모델의 사용을 권장합니다.

연사는 방정식에 대한 인과 모델과 해석을 확립하는 것의 중요성을 강조합니다. 그들은 추가 자료와 업데이트를 공유할 준비가 되었음을 표현하고 이 연구 분야에 대한 이해를 증진시키겠다는 약속을 강조합니다.

  • 00:00:00 비디오의 이 섹션에서는 Rama Cont와 Francesco Capponi가 주식 시장의 교차 영향 개념에 대해 논의합니다. 그들은 주식 시장의 주문 흐름과 가격 데이터를 분석하여 이 개념을 조사하고 시장 영향 또는 자산 가격을 움직이는 거래의 실행이 실행 비용에 기여한다고 설명합니다. 그들은 또한 가격 움직임이 공급과 수요 사이의 총체적 불균형에 의해 주도된다는 것을 보여주고 임팩트 모델을 구축하기 위한 유용한 도구로서 주문 흐름 불균형의 개념을 정의합니다.

  • 00:05:00 이 섹션에서는 Rama Cont와 Francesco Capponi가 중앙 주문장 시장에서 주문 흐름 불균형의 선형 영향에 대해 논의합니다. 수요와 공급 사이의 총체적 불균형이 가격을 결정하는 요인이며, 유동성의 반대 개념을 반영하는 영향 계수가 있는 회귀 모델로 볼 수 있습니다. 계수는 오더북의 깊이와 높은 상관관계를 가지며 임팩트 계수 추출은 공분산 계산을 통해 가능하다. 이 연구는 이전에 단일 주식에 대해 수행되었지만 시장 참여자들은 여러 자산 간의 상관 관계에도 관심이 있으며 주문 흐름 불균형과 여러 유가 증권 수익률 간에 양의 상관 관계가 발견되었습니다.

  • 00:10:00 이 섹션에서는 Rama Cont와 Francesco Capponi가 교차 영향의 개념과 이론 및 실증 연구에 대해 논의합니다. 교차 영향이란 자산의 가격이 자체 주문 흐름에 의해서만 영향을 받는 것이 아니라 다른 자산의 주문 흐름에 의해서도 영향을 받는다는 사실을 의미한다고 설명합니다. 실증적 연구는 적어도 동종 자산 클래스에서 한 자산의 주문 흐름과 다른 자산의 가격 움직임 사이에 양의 상관관계가 있음을 문서화했습니다. 이론적 연구는 이러한 교차 영향 효과의 결과를 도출하려고 시도했으며 단일 자산 최적 거래 실행 모델을 모델에 교차 영향 효과가 포함된 여러 자산으로 확장했습니다. 그러나 이로 인해 추정해야 할 많은 교차 영향 계수가 발생합니다.

  • 00:15:00 이 섹션에서 발표자는 교차 영향의 개념과 관찰 가능한 시장 현상을 설명하는 관련성에 대해 논의합니다. 그들은 시장에서 자산 수익률과 주문 흐름 사이의 상관관계를 설명하기 위해 가격 영향 계수의 전체 매트릭스가 필요한지, 그리고 보다 인색한 접근이 가능한지에 대해 의문을 제기합니다. 그들은 또한 물리학의 원거리 행동에 비유하고 인과 관계를 확립하기 위해 자산을 함께 연결하는 기본 메커니즘의 필요성에 대해 논의합니다. 목표는 필요한 계수만 포함하고 불필요한 복잡성을 피하는 다중 자산 영향 모델을 설계하는 것입니다.

  • 00:20:00 이 섹션에서 연사는 주식 시장에서 관찰되는 가격 변동 및 주문 흐름 불균형의 공변량을 설명하는 데 교차 영향의 개념이 불필요하다고 주장합니다. 관찰된 상관관계는 시장 참여자들이 종종 여러 자산에서 거래하여 자산 간에 상관관계가 있는 주문 흐름 불균형을 발생시키고, 이는 차례로 서로 다른 자산의 수익에서 상관관계로 이어진다는 사실로 설명할 수 있습니다. 연사는 자산 가격이 주문 흐름 불균형에 의해 좌우된다는 것을 보여주는 인과 모델 다이어그램을 제시합니다. 이는 엔티티와 다중 자산 거래 전략에 의해 생성된 모든 매수 및 매도 주문의 대수적 합계입니다. 그들은 단일 자산 영향 모델이 이러한 상관 관계를 설명하기에 충분하며 추가적인 교차 영향 모델이 필요하지 않다고 주장합니다.

  • 00:25:00 이 섹션에서는 주문 흐름 균형에서 상관 관계를 생성하여 각 자산의 가격을 주도하는 수요와 공급에 대한 전통적인 관점을 재고 수익률에 영향을 미치는 메커니즘을 가정하는 교차 영향 모델과 비교합니다. 멀리서. 이러한 가정은 다이어그램의 변수를 조건으로 하고 조건부 회귀를 수행하여 주문 흐름 및 반품에 대한 사용 가능한 데이터로 테스트할 수 있습니다. 여러 자산에 대한 영향 모델의 구성과 그것이 제기하는 고유한 식별 문제에 대해 논의합니다. 세타 및 베타 계수의 행렬을 생성하기 위해 수익률과 OFI라는 두 가지 변수가 있는 선형 모델이 사용됩니다. 주식에 대한 순 주문 흐름은 입찰 대기열로의 유입에서 매도 대기열로부터의 유출을 뺀 값으로 정의됩니다.

  • 00:30:00 이 섹션에서 Rama Cont와 Francesco Capponi는 주문 흐름 불균형과 이것이 베타 매트릭스 및 교차 영향과 어떻게 관련되는지에 대한 수익의 공분산에 대해 논의합니다. 그들은 공분산이 주문 흐름의 상관 관계 또는 교차 영향 행렬에서 나올 수 있기 때문에 공분산 행렬에서 비대각선 요소를 얻기 위해 베타에서 비대각선 요소를 가질 필요가 없다고 강조합니다. 주문 흐름에 상관관계가 없지만 교차 영향 계수가 있는 두 주식의 예는 교차 영향 계수를 식별하기 위해 주문 흐름의 상관 관계를 아는 것이 중요함을 강조합니다. 공분산 행렬은 모델의 상관 계수 및 교차 영향 계수의 영향을 받으며, 이는 다양한 시나리오에서 숫자로 관찰할 수 있습니다.

  • 00:35:00 이 섹션에서 Rama Cont와 Francesco Capponi는 주식 전반의 상관 관계 및 주문 흐름 모델링과 영향을 미치는 교차 영향 이해 및 모델링 간의 차이점에 대해 논의합니다. 그들은 단순히 한 자산의 주문 흐름과 다른 자산의 수익 사이에 0이 아닌 상관관계를 관찰한다고 해서 모델에서 0이 아닌 교차 영향 계수가 필요하다는 것을 의미하지는 않는다고 설명합니다. 또한 이러한 공분산만으로 교차 영향을 추론하는 것이 불가능함을 보여주기 위해 낮은 상관 관계 및 순서 흐름, 높은 교차 영향 및 그 반대의 예를 제시합니다. 마지막으로 그들은 2년 반 동안 나스닥 100에서 67개 주식의 순 주문 흐름, 주문 흐름 불균형 및 수익을 포함하여 분석한 데이터에 대해 논의하고 수익 및 주문 흐름 불균형을 어떻게 재정의하고 정규화했는지 설명합니다.

  • 00:40:00 비디오의 이 섹션에서 연사는 주식 수익률의 상관관계와 다양한 주식의 주문 흐름 불균형 사이의 관계를 조사합니다. 다른 주식의 주문 흐름 불균형에 대한 주식 수익률의 상관관계를 표시함으로써 스피커는 대부분의 주식 쌍이 평등에 매우 가까운 상관관계를 가지고 있음을 보여줍니다. 서로 다른 균형 사이의 상관 관계. 다변량 시장 영향 모델이 필요한지 여부를 테스트하기 위해 연사는 회귀 분석을 사용하고 교차 영향 계수가 0에 매우 가깝다는 사실을 발견했습니다.

  • 00:45:00 이 섹션에서 Rama Cont와 Francesco Capponi는 교차 영향 계수의 중요성과 실행 비용의 주요 동인을 식별하기 위한 다른 접근 방식을 제안합니다. 그들은 수익률과 주문 흐름 균형의 상관관계 매트릭스에 주성분 분석(PCA)을 사용하고 주문 흐름 불균형에 대해 요인 모델을 사용할 것을 제안합니다. 요인 모델의 첫 번째 주성분은 교차 영향 계수의 나머지 유의성을 테스트하는 데 사용되며 회귀의 잔차는 해당 주식의 행동으로 인한 특이한 주문 흐름으로 해석됩니다. 이 접근 방식은 교차 거래로 인한 공통 구성 요소에서 주식 자체 주문 흐름의 고유한 구성 요소의 기여를 분리하는 것을 목표로 합니다.

  • 00:50:00 비디오의 이 섹션에서 Rama Cont와 Francesco Capponi는 Nasdaq 100 및 S&P 500을 추적하는 ETF의 수익의 첫 번째 주요 구성 요소와 주문 흐름 균형 간의 상관관계에 대해 논의합니다. 수익률은 Nasdaq 100을 추적하는 ETF의 전체 수익률과 91%의 상관관계를 가집니다. 마찬가지로 주문 흐름 균형의 첫 번째 주요 구성요소는 동일한 지수를 추적하는 ETF QQQ의 주문 흐름 균형과 82%의 상관관계를 가집니다. . 그들은 또한 수익과 주문 흐름 불균형의 첫 번째 주요 구성 요소가 전반적인 시장 움직임과 관련되어 있음을 관찰합니다. 이로 인해 주문 흐름에서 공통성을 제거하고 수익을 향상시키는 2단계 접근 방식을 설명합니다.

  • 00:55:00 이 섹션에서 Rama Cont와 Francesco Capponi는 주식 자체의 주문 흐름 불균형과 주식 간의 주문 흐름의 공통성이 주식 수익률에 미치는 영향을 나타내는 주식 시장의 교차 영향에 대해 논의합니다. 그들은 자기 영향 계수가 주식 수익률의 주요 결정 요인인 반면 교차 영향 계수는 매우 작고 일단 주성분을 고려하면 거의 모두 음수가 된다는 것을 보여줍니다. 그런 다음 교차 영향 조건이 수익 실행 비용을 설명하는 데 얼마나 기여하는지 테스트하고 시간이 지남에 따라 안정성에 의문을 제기하면서 통계적으로나 경제적으로 유의미한지 평가합니다.

  • 01:00:00 이 섹션에서는 Rama Cont와 Francesco Capponi가 교차 영향의 영향과 주식 시장에서의 중요성에 대해 논의합니다. 그들은 통계가 중요할 수 있지만 경제적으로는 크기가 작고 다른 모든 주문 흐름 불균형을 회귀 분석에 포함할 때 설명력에 구별할 수 있는 차이가 거의 없다고 결론지었습니다. 그들은 영향을 모델링하는 보다 인색한 방법을 주장하고 주식 자체의 주문 흐름 균형과 모델 영향에 대한 주문 흐름 불균형의 상관 관계만을 사용할 것을 제안합니다. 또한 시간 경과에 따른 안정성의 중요성을 강조하고 하위 샘플을 분석하여 교차 영향 계수가 안정적인지 확인합니다.

  • 01:05:00 이 섹션에서는 Rama Cont와 Francesco Capponi가 주식 시장의 교차 영향 모델에 대한 조사 결과를 요약합니다. 그들은 서로 다른 주식에 걸친 수익률과 주문 흐름 균형 사이의 양의 공변량 현상이 계수가 많은 고차원 모델을 도입하지 않고도 설명될 수 있다고 주장합니다. 불균형 상태의 주문 흐름에 대한 간단한 1요인 모델은 이러한 수익률의 교차 상관 패턴을 설명하기에 충분합니다. 그들은 다중 자산 영향 모델을 구축하는 더 나은 접근 방식은 주문 흐름의 선형 요소 모델 또는 주성분 분석과 같은 주문 흐름의 공통 요소 모델을 구축하는 데 집중하는 것이라고 제안합니다. 주문 흐름을 자체 수익과 관련시키는 단일 자산 영향 모델을 배포하는 것은 포트폴리오 실행에서 실행 비용의 진폭을 설명하기에 충분합니다.

  • 01:10:00 이 섹션에서는 Rama Cont와 Francesco Capponi가 특히 포트폴리오 실행 및 거래 비용 분석(TCA)의 맥락에서 모델의 실제 적용에 대해 논의합니다. 이 모델은 자산 간 주문 흐름의 공통성을 고려하여 실행 비용의 정량화를 허용합니다. 단일 자산과 포트폴리오 간의 실행 비용 차이는 공통성 요인과 연결됩니다. 이 모델은 포트폴리오 수준 실행 비용을 측정하는 데 사용할 수 있으며 거래 포트폴리오의 영향을 더 잘 이해하는 데 도움이 됩니다. 그들은 자산 간 주문 흐름의 공통 요소에 대한 좋은 모델과 결합된 단일 자산 영향에 대한 좋은 모델을 사용할 것을 제안합니다.

  • 01:15:00 이 섹션에서 연사는 방정식 12에서 수익의 첫 번째 주성분 사용에 대해 논의합니다. 그들은 OFI의 주성분 사용과 수익 사용 사이에 높은 상관 관계가 있음을 지적하지만 그들은 그들이 원했다고 주장합니다. 불균형이 수익을 설명하기 위해 인과 분석을 따르고 공통점을 모델링합니다. 그들은 방정식에 대한 인과 모델과 해석을 갖는 것의 중요성을 강조합니다. 연사는 청중의 관심에 감사하며 추가 자료와 업데이트를 기꺼이 공유할 의사를 표명합니다.
Rama Cont and Francesco Capponi: "Cross-Impact in Equity Markets"
Rama Cont and Francesco Capponi: "Cross-Impact in Equity Markets"
  • 2020.10.13
  • www.youtube.com
Title: "Cross-Impact in Equity Markets" Joint Work with Francesco CapponiAbstract: The empirical finding that market movements in stock prices may be correl...
 

Adam Grealish: "개인 투자에 대한 알고리즘적 접근"



Adam Grealish: "개인 투자에 대한 알고리즘적 접근"

Betterment의 투자 이사인 Adam Grealish는 개인 투자 및 목표 기반 전략에 대한 회사의 알고리즘 접근 방식에 대한 통찰력을 제공합니다. Betterment는 로봇 자문 모델을 활용하여 알고리즘과 최소한의 인간 개입을 활용하여 고객에게 투자 조언 및 관리를 제공합니다.

Grealish는 투자 결과를 결정하는 세 가지 핵심 요소인 비용 절감, 세금 최적화 및 지능형 거래를 강조합니다. 모든 요소가 중요하지만 Betterment는 처음 세 가지에 중점을 둡니다. 이 회사는 Black Litterman 최적화 기술을 사용하여 전 세계적으로 다양한 포트폴리오를 구성하고 50만 개인의 방대한 고객 기반에서 목표 가중치를 지속적으로 모니터링합니다. 세금 감면 수확, 자산 위치 및 부지 분류와 같은 전략을 포함한 세금 최적화는 시장을 능가할 수 있는 기회를 제공합니다.

토론의 두 번째 부분에서 Grealish는 Betterment의 접근 방식을 기존의 자동화된 재무 고문과 구별합니다. 전통적인 로보어드바이저의 "일률적인" 접근 방식과 달리 Betterment의 알고리즘 접근 방식은 목표, 시간 범위 및 위험 허용 범위와 같은 개별 요소를 고려합니다. 이러한 맞춤화를 통해 각 투자자의 고유한 상황에 맞는 맞춤형 포트폴리오를 만들 수 있습니다. Betterment는 또한 세금 손실 수확 및 세금 조정 포트폴리오와 같은 추가 기능을 제공하여 세금 효율성을 극대화하고 수익을 높입니다.

Grealish는 Betterment의 투자 전략에 대해 자세히 설명합니다. 회사는 장기적인 배분 안정성을 장려하고 목표 배분으로 이동하기 위해 1년에 한 번만 포트폴리오를 조정합니다. 트리거 기반 재조정 알고리즘을 활용하여 대상 할당에서 드리프트를 관리하고 위험을 최소화합니다. Betterment의 포트폴리오는 광범위한 시가 총액 기반 ETF를 사용하여 구성되며 관련 위험 프리미엄이 있는 위험한 자산 클래스에 대한 노출을 최적화합니다.

비용 최적화는 Betterment 투자 철학의 중요한 측면입니다. 회사는 분기별로 ETF의 전체 유니버스를 검토하면서 ETF에 대한 수수료 감소 추세를 이용합니다. 선정 과정에서는 추적 오류 및 거래 비용을 포함하여 비용 비율 이외의 요소를 고려하여 Betterment 고객을 위한 저비용 포트폴리오를 제공합니다.

세금 최적화는 Betterment 전략의 또 다른 중요한 요소입니다. Grealish는 세금 관리의 중요성을 설명하고 세 가지 효과적인 전략인 세금 감면 수확, 자산 위치 및 로트 분류를 설명합니다. 세금 손실 수확은 세금 목적으로 자본 손실을 실현하기 위해 유가 증권을 손실로 판매하는 것과 관련이 있으며 자산 위치는 계정에 자산을 전략적으로 할당하여 세후 수익을 극대화합니다. 로트 분류는 세금 혜택을 최적화하기 위해 손실이 가장 큰 로트를 먼저 판매합니다.

Grealish는 투자 결과에 대한 투자자 행동의 영향을 인정합니다. Betterment는 스마트한 기본값을 구현하고 자동화를 사용하며 목표 기반 투자를 장려하여 부정적인 행동을 방지합니다. 회사는 의도적인 설계 및 데이터 분석을 사용하여 사용자가 재무 목표에서 벗어날 때 조치를 취하도록 유도합니다.

향후 개발 측면에서 Grealish는 핀테크 공간에서 AI의 잠재적 용도에 대해 논의합니다. Betterment는 로보 어드바이저 및 현금 관리와 같은 재무 작업 자동화에서 AI 애플리케이션을 탐색하고 있습니다. 이 회사는 이전에 순자산 가치가 높은 개인 및 기관으로 제한되었던 금융 서비스를 더 많은 청중이 이용할 수 있도록 하는 것을 목표로 합니다. 그러나 개별 세무 준비의 복잡성으로 인해 이 영역에서 문제가 발생합니다.

전반적으로 Adam Grealish는 목표 기반 전략, 비용 최적화, 세금 관리 및 행동 완화를 강조하면서 개인 투자에 대한 Betterment의 알고리즘 접근 방식에 대한 귀중한 통찰력을 제공합니다.

  • 00:00:00 Adam Grealish는 투자 관리에 대한 목표 기반 접근 방식을 사용하는 온라인 자동 투자 조언 플랫폼인 Betterment를 소개합니다. 최적의 투자 전략을 통해 고객에게 높은 수익을 제공하는 것을 목표로 합니다. Betterment는 고객과 직접 거래하는 비즈니스, 재무 고문을 위한 화이트 라벨 기술 플랫폼, 401k 비즈니스를 보유하고 있습니다. "로보어드바이저"라는 용어는 최소한의 인간 개입으로 소프트웨어에 의해 실행되는 알고리즘을 통해 디지털 금융 조언을 제공하는 Betterment의 접근 방식을 정확하게 설명합니다.

  • 00:05:00 Investing for Betterment 이사인 Adam Grealish가 알고리즘과 수학적 모델링을 기반으로 하는 투자 접근 방식을 설명합니다. Betterment 플랫폼은 사람과의 상호 작용이 필요 없는 완전한 손쉬운 투자 관리 경험을 제공할 뿐만 아니라 원하는 사람들을 위한 인간 고문에 대한 액세스를 제공합니다. Grealish에 따르면 투자 결과를 결정하는 핵심 요소는 낮은 비용 유지, 세금 최적화, 지능적인 거래, 자산 배분 및 증권 선택입니다. 그러나 Betterment는 재무 목표를 달성하는 데 가장 결정적인 것으로 간주되는 처음 세 가지에 주로 초점을 맞추는 반면 자산 배분 및 보안 선택에는 덜 강조합니다. 그들은 Black Litterman 최적화 기술을 사용하여 전 세계적으로 다양한 포트폴리오를 만들고 투자자를 위한 최적의 수익을 달성합니다.

  • 00:10:00 이 섹션에서 Adam Grealish는 투자자가 특정 투자 목표 및 기간에 따라 얼마나 많은 위험을 감수해야 하는지 선택하도록 돕는 방법에 대해 설명합니다. 이 앱은 시간이 지남에 따라 어떻게 될지에 대한 예측과 함께 감수해야 할 위험의 정도에 대한 권장 사항을 제공합니다. 그런 다음 일일 모니터링을 통해 목표 가중치를 관리하고 매일 최대 800,000개의 개별 포트폴리오를 모니터링하는 50만 명의 고객에 대해 관리합니다. 재조정은 주로 위험 관리 도구로 간주되며 현금 흐름이 발생할 때, 배당금이 지급될 때 또는 계정에서 수수료를 인출할 때 세금 효율적인 방식으로 수행됩니다. Grealish는 시간이 지남에 따라 상관관계가 없는 증권으로 포트폴리오를 재조정할 때의 이점을 강조하는 Bushi(2012)의 논문에 대해 논의합니다. 마지막으로 청산 프로필을 기반으로 목표를 구분하고 수평선의 길이를 기반으로 글라이드 경로를 구축합니다.

  • 00:15:00 Adam은 개인 투자에 대한 알고리즘 접근 방식이 어떻게 작동하는지 설명합니다. 그들은 투자자들이 할당량을 오랫동안 유지하고 1년에 한 번만 조정하여 목표 할당량으로 이동하도록 권장합니다. 팀은 매월 고객의 목표 할당을 조정하여 잠재적 위험을 수반하는 재조정 거래를 수행하지 않고도 한계 달러가 올바른 위험 목표에 가까워질 수 있도록 합니다. 그들의 포트폴리오는 전적으로 광범위한 시가 총액 기반 ETF를 기반으로 하며 위험 프리미엄과 관련된 위험 자산 클래스에 대한 노출을 최적화합니다. 팀은 목표 할당에서 드리프트를 측정하는 트리거 기반 재조정 알고리즘을 사용하고 너무 멀어지면 재조정하여 위험을 관리합니다. 마지막으로 Grealish는 금융에 대해 많이 아는 사람과 개인 금융에 대해 많이 아는 사람 사이에는 큰 단절이 있다고 지적합니다.

  • 00:20:00 이 섹션에서는 Adam Grealish가 개별 펀드 패밀리에 얽매이지 않는 독립적인 로보어드바이저 회사이기 때문에 Betterment에 유리한 ETF 수수료 감소 추세에 대해 논의합니다. Betterment는 ETF의 전체 투자 가능한 유니버스를 검토하는 분기별 펀드 선택 프로세스를 가지고 있으며 비용 비율뿐만 아니라 추적 오류 및 거래 비용과 같은 다른 요인에 따라 순위가 매겨집니다. Betterment는 보유 비용, 거래 비용 및 기타 요인에 의해 결정되는 총 연간 소유 비용 또는 "타코 점수"에 중점을 둡니다. 이 프로세스는 Betterment를 위한 저비용 포트폴리오로 이어집니다.

  • 00:25:00 비디오의 이 섹션에서 Adam Grealish는 Wealthfront 투자 접근 방식의 다양한 측면에 대해 논의합니다. 그는 예상 수익이 cap m에서 역 최적화를 통해 생성되며 세금 전략을 테스트하기 위해 tax lot 수준에서 작동하는 Monte Carlo 시뮬레이션 엔진을 사용한다고 설명합니다. Grealish는 또한 개별 증권을 보유함으로써 펀드 산업을 탈중개하는 것은 더 많은 세금 추징 기회와 개인화로 이어질 수 있지만 이와 관련된 운영 비용이 있는 흥미로운 아이디어라고 지적합니다. 또한 그는 Wealthfront가 총 비용의 정확한 측정을 제공하기 위해 투자를 보유하고 거래하는 비용을 어떻게 측정하는지 설명합니다.

  • 00:30:00 Betterment의 CEO인 Adam Grealish는 소매 투자에서 세금 관리의 중요성에 대해 논의하고 효과적인 세금 관리를 위한 세 가지 전략인 세금 손실 수확, 자산 위치 및 로트 분류를 설명합니다. 세금 손실 수확은 세금 목적으로 자본 손실을 실현하기 위해 손실로 유가 증권을 판매하고 시장 노출을 유지하기 위해 상관 유가 증권을 구매하는 것을 포함합니다. Betterment는 목표 위험 할당을 유지하고 투자자가 유가 증권을 손실로 매도하고 30일 이내에 실질적으로 동일한 유가 증권을 매수할 때 발생하는 워시 세일을 피하면서 수확 손실을 최대화하는 것을 목표로 합니다. 또한 Grealish는 세금 관리가 시장을 능가할 수 있는 기회를 제공하며 특정 상황에서 상당한 세금 회피를 초래할 수 있다고 지적합니다.

  • 00:35:00 Adam은 납세 의무 증가를 피하기 위해 30일 후에 맹목적으로 기본 보안으로 다시 전환하지 말라고 조언합니다. 장기 손실에서 1달러를 실현할 수 있지만 단기 자본 이득에서 4달러를 실현하여 마이너스로 이어질 수 있기 때문입니다. 세금 차익 거래. 그는 또한 적격 배당금 낮은 세율은 60일 기간 후에만 적용되며 너무 빨리 다시 전환하면 세금 효율성을 해칠 수 있다고 강조합니다. Grealish는 세금 효율성을 보장하기 위해 기본, 비교 가능한 수수료 및 충분한 유동성과 높은 상관 관계가 있는 보조 보안을 선택할 것을 권장합니다. 수확과 관련하여 Grealish는 특히 유가 증권의 변동성이 큰 경우 옵션 이론을 사용하여 결정할 수 있는 거래 비용 및 기회 비용보다 기대 이익이 더 커야 하는 임계값을 설정할 것을 제안합니다. Grealish의 백 테스트는 연간 2%에 가까운 오프셋을 보여주지만 그는 이 전략을 맹목적으로 따르는 것이 항상 최적이 아닐 수 있다고 경고합니다.

  • 00:40:00 이 섹션에서는 Adam Grealish가 세금 손실 수확의 이점에 대해 논의하고 이를 개인 계정에 효과적으로 적용하는 방법에 대한 조언을 제공합니다. 세금 손실 수확은 위험을 관리하는 효과적인 방법이 될 수 있으며, 역 테스트 결과는 그것이 세후 알파를 주도한다는 것을 보여줍니다. 그러나 사용자는 개인 계정에 이 전략을 적용할 때 거래 비용과 향후 세탁 판매의 기회 비용을 고려해야 합니다. 자산 위치는 세후 수익을 극대화할 수 있는 또 다른 전략입니다. 목표 할당과 포트폴리오의 위험을 유지하기 위해 계정 전체에 자산을 할당함으로써 사용자는 세후 수익을 높일 수 있습니다.

  • 00:45:00 Adam Grealish는 다양한 보안 유형에 대한 세금 처리에 대해 논의하고 개인 투자에 대한 알고리즘 접근 방식을 제공합니다. 그는 비효율적인 자산을 세금 우대 계정으로, 효율적인 자산을 과세 대상 계정으로 이동하여 세 가지 계정에 대한 투자를 최적화하는 방법을 설명합니다. 여기에는 자산의 성장률, 배당 수익률, 청산세 및 적격 배당 소득 비율을 고려하고 문제를 선형 프로그래밍 문제로 설정하는 것이 포함됩니다. 투자에 대한 이 알고리즘적 접근 방식은 최적화되지 않은 전략에 매년 약 50 베이시스 포인트를 추가합니다.

  • 00:50:00 이 섹션에서 Adam Grealish는 세금 로트 관리에 대해 설명하고 Betterment가 사용자가 모든 로트를 정렬하고 가장 큰 손실을 먼저 판매한 후 수익으로 이동하고 가장 작은 항목을 먼저 판매하도록 돕는 방법에 대해 설명합니다. 그는 또한 세금 목적상 손실의 중요성과 손실이 자본 이득에 대해 사용되거나 소득에 대해 상각되거나 이월되는 방법을 강조합니다. 그런 다음 Grealish는 세율 불확실성 문제와 Betterment가 세후 성과를 보기로 통합하고 그에 대한 신뢰 수준을 지정함으로써 블랙 리터맨 프로세스를 통해 문제를 해결하는 방법에 대해 논의합니다. 그런 다음 사후 수익에 대해 강력한 최적화를 수행하고 매년 자본 시장 가정과 전략적 자산 위치를 재검토하면서 최적의 포트폴리오를 구성합니다. 마지막으로 그는 높은 세후 기대 성과로 인해 과세 대상 포트폴리오에서 무니 채권의 할당 증가에 대해 자세히 설명합니다.

  • 00:55:00 Adam Grealish는 행동이라는 주제와 그것이 개인 투자자에게 미치는 영향에 대해 논의합니다. 그는 투자자들이 시장이 상승할 때 매수하고 하락할 때 매도하는 경향이 있어 실적 부진과 부의 감소로 이어지는 방식을 설명합니다. 이를 방지하기 위해 로보어드바이저는 현명한 기본값을 설정하고 자동화를 사용하며 목표 기반 투자를 장려하여 더 나은 행동을 촉진합니다. Adam은 또한 일반적으로 1-4% 범위의 투자자 행동으로 인한 연간 저조한 실적을 정량화하는 연구를 언급합니다.

  • 01:00:00 Adam은 의도적인 설계 및 데이터 분석을 통해 잘못된 투자 행위를 방지하기 위한 Betterment의 접근 방식에 대해 설명합니다. 그는 계정의 약 3/4이 시장 타이밍에 관여하지 않으며 회사가 고객 활동을 면밀히 모니터링한다고 지적합니다. Betterment는 색상 디자인을 사용하여 고객이 재정 목표를 달성하기 위해 궤도를 이탈했을 때 이를 표시하고 다시 궤도에 오르기 위한 조치를 취하도록 유도합니다. 시장이 불확실한 시기에 이 회사는 플랫폼에 의존하여 다양한 메시징과 개입을 테스트했으며 고객에게 부정적인 시장 추세에 대해 알리면 경각심을 불러일으키고 부정적인 결과를 초래한다는 사실을 발견했습니다. 대신, 앱 내 개입 및 메시징이 부정적인 결과를 줄이고 고객 예치금을 늘리는 데 더 효과적인 것으로 입증되었습니다.

  • 01:05:00 이 섹션에서는 Betterment의 최고 투자 책임자인 Adam Grealish가 알고리즘 투자가 자산을 모으려는 욕구에 의해 동기 부여되는 정도와 그것이 윤리적인지에 대해 논의합니다. 그는 이 시스템이 주로 목표에서 벗어나거나 순조롭게 진행되는 마진에 있는 개인에게 영향을 미치며 그것이 회사의 목표라면 자산을 추출하는 더 좋은 방법이 있다고 말합니다. 그가 논의하는 다른 전략에는 저축 및 예금 변경 또는 목표 계획 변경이 포함됩니다. Grealish는 또한 행동 편향을 완화하기 위한 Betterment의 접근 방식에 대해 설명합니다. 예를 들어 고객에게 잠재적인 납세 의무를 보여주고 경솔한 의사 결정의 가능성을 줄이는 데 효과적인 것으로 입증된 "세금 영향 미리 보기" 기능이 있습니다.

  • 01:10:00 Adam이 핀테크 공간에서 AI의 잠재적 용도에 대해 논의합니다. 그는 AI가 가장 먼저 눈에 띄게 될 곳 중 일부는 로보 어드바이저 및 현금 관리와 같은 금융의 주변 부분을 자동화하는 것이라고 믿습니다. 예를 들어 베터먼트(Betterment)는 AI를 사용하여 외부 계좌를 프록시 티커에 매핑하고 거래 데이터를 사용하여 사람들에게 당좌 예금 계좌에 얼마나 많은 현금이 있어야 하는지 조언하는 방법을 모색하고 있습니다. Grealish는 또한 Betterment가 장기적으로 재무 고문을 모든 사람의 금융 생활의 중심에 놓고 세금 준비를 포함하여 초고액 순자산 및 기관 투자자에게만 제공되는 것을 광범위하게 제공하는 것을 목표로 한다고 제안합니다. 그러나 세금 준비를 개별화하면 문제 공간이 훨씬 더 복잡해집니다.

  • 01:15:00 Betterment의 Adam Grealish는 주별 지방채가 Betterment 플랫폼에 없다고 설명합니다. 그 이유는 주에 거주하는 것이 최선의 선택이라는 것이 항상 분명한 것은 아니며 메뉴에 없는 항목과 약간 비슷하기 때문입니다. . Betterment 플랫폼을 사용하면 다른 부동산 보유에 대한 외부 계정을 연결하고 순자산을 수동으로 추적할 수 있지만 다른 펀드의 리소스 집약적인 위험 수익 평가도 사용할 수 없습니다. Betterment는 세금상의 이유로 자산군을 배제하기보다 자산군에 대해 생각하는 데 초점을 맞추고 있으며, 독립적인 어드바이저로서의 구조와 고객의 일상 거래에 밀어넣는 구조로 인해 로보어드바이저 공간에서 독보적이며, 보다 풀 서비스 금융 어드바이저가 됩니다. . 이 회사는 아직 AWS 또는 기존 공개 API를 많이 사용하지는 않지만 AWS에서 일부 연구 계산을 실행합니다.

  • 01:20:00 이 섹션에서는 Adam Grealish가 Betterment의 거래 프로세스에 대해 설명합니다. 고객을 위한 주문 흐름의 내부화를 고려했지만 이 옵션은 대체 거래 장소로 분류되어 궁극적으로 추구되지 않았습니다. 대신 Betterment에는 거래 데스크가 있으며 거래는 Apex를 통해 실행되며 거래도 청산합니다. 고객에게는 거래 비용이 청구되지 않고 플랫 플랫폼 수수료만 부과되어 거래가 자주 발생하지 않습니다. Betterment의 ETF는 주식과 채권으로 구성되어 있으며 채권 펀드 내에서 세금 절감 효과를 제공합니다. 또한 Betterment는 예상 수익을 제외한 모든 수익을 추적합니다. 이는 실현 수익과 예상 수익으로 나눌 수 있기 때문입니다.
Adam Grealish: "An Algorithmic Approach to Personal Investing"
Adam Grealish: "An Algorithmic Approach to Personal Investing"
  • 2020.09.17
  • www.youtube.com
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...
 

Miquel Noguer와 Alonso: "금융 분야 딥 러닝의 최신 개발"



Miquel Noguer와 Alonso: "금융 분야 딥 러닝의 최신 개발"

이 포괄적인 비디오에서 Miquel Noguer i Alonso는 업계 고유의 복잡성과 경험적 특성에도 불구하고 금융 분야에서 딥 러닝의 잠재력을 탐구합니다. 딥 러닝은 특히 구조화되지 않은 데이터 및 금융 애플리케이션에서 비선형 관계를 캡처하고 반복 패턴을 인식하는 데 유용한 기능을 제공합니다. 그러나 비정적 상황에서 과적합 및 제한된 효율성과 같은 문제도 제시합니다. 이러한 문제를 해결하기 위해 요소, 감정 분석 및 자연어 처리의 통합은 방대한 양의 데이터를 다루는 포트폴리오 관리자에게 귀중한 통찰력을 제공할 수 있습니다. 만능 모델이 없으며 심층 신경망이 기존의 벤치마크 모델을 대체해서는 안 된다는 점에 유의해야 합니다. 또한 Alonso는 금융 텍스트의 숫자에 대한 깊은 이해를 보여주는 오픈 소스 및 매우 효율적인 언어 모델인 BERT의 중요성을 강조하여 금융 데이터 세트에 특히 유용합니다.

비디오 전체에서 Alonso는 중요한 통찰력을 공유하고 금융에서 딥 러닝 모델을 활용하는 다양한 측면에 대해 논의합니다. 그는 컨볼루션 신경망을 사용하여 재무 데이터를 분석용 이미지로 변환하고, 비선형 데이터 압축을 위해 자동 인코더를 활용하고, 시계열 분석을 위해 메모리 네트워크를 적용하는 방법을 탐구합니다. 딥러닝 기법을 활용해 금융 관련 문제를 효과적으로 해결하기 위해서는 도메인 전문가와 머신러닝 실무자 간의 협업이 중요한 요소로 강조된다.

Alonso는 데이터 생성 프로세스의 동적 특성과 이러한 변화에 적응할 수 있는 모델을 개발해야 하는 필요성과 같이 금융 분야에서 딥 러닝으로 작업할 때 직면하는 문제를 탐구합니다. 그는 가장 간결한 표현을 찾기 위해 정보 이론, 복잡성 및 압축 정보의 개념을 강조합니다. Universal Approximation Theorem이 논의되어 임의의 정밀도로 모든 함수를 근사화하는 심층 신경망의 기능을 강조하지만 일반화가 보장되지는 않습니다. 발표자는 정규화, 신경망의 고유 차원 및 매개 변수가 과도하게 지정된 신경망에 대한 연구 논문을 추가로 탐색할 것을 권장합니다.

연사는 또한 심층 신경망이 더 작은 규범으로 보간 함수를 식별하는 더 큰 함수 클래스를 발견할 수 있는 보간 체계에 대한 아이디어를 다룹니다. 심층 신경망의 질적 측면에 대해 논의하고, 다양한 계층의 다양한 중요성과 시계열 예측에서의 역할을 강조합니다. 그러나 선형 모델은 여전히 벤치마크 역할을 하며 딥 러닝 모델의 결과는 선형 모델과 비교되어야 합니다.

Alonso는 금융 분야에서 딥 러닝 모델의 성능에 대한 통찰력을 제공하여 여러 주식과 함께 장기 단기 메모리 네트워크를 사용한 결과를 보여주고 다른 신경망보다 우월함을 보여줍니다. 딥 러닝 모델은 S&P 500에서 최고의 주식을 선택할 때 선형 모델을 능가하는 것으로 나타났으며, 결과적으로 샘플 외 정보 비율이 향상되었습니다. 발표자는 딥 러닝이 지속적으로 잘 수행되며 모델을 선택할 때 신뢰할 수 있는 선택이 될 수 있음을 강조합니다.

요소는 재무용 딥 러닝 모델에서 중요한 역할을 하며 수익과 비선형 관계를 탐색할 수 있습니다. 비선형성의 활용은 이 접근 방식을 순수한 시계열 연습과 구별합니다. 연사는 또한 교육 기간 동안 매개변수 선택의 중요성을 강조하고 더 많은 데이터를 사용하면 항상 정확도가 향상된다고 가정하지 않도록 주의합니다. 이러한 모델은 주로 과거 데이터를 기반으로 하는 연구 목적이므로 비용이나 실제 고려 사항을 통합하지 않는다는 점에 유의해야 합니다.

연사는 심층 신경망이 우수하다고 주장하는 것이 아니라 기존 벤치마크 모델과 함께 사용해야 할 필요성을 강조하는 것이 의도임을 강조하면서 논문의 초점을 명확히 합니다. 학습 창과 같은 매개변수를 고려해야 할 필요성과 함께 비선형 관계 캡처 및 반복 주기 이해의 중요성에 대해 설명합니다. 심층 신경망은 선형 모델이 간과할 수 있는 2차 또는 3차 효과를 캡처하여 특정 시나리오에서 고유한 통찰력을 제공할 수 있습니다. 그러나 보편적인 모델이 없으며 심층 신경망은 기존 벤치마크 모델을 대체하는 것이 아니라 보완해야 한다는 점이 강조됩니다.

금융 분야에서 자연어 처리, 특히 감정 분석의 적용도 탐구합니다. 시장에서 생성되는 방대한 양의 정보를 고려할 때 빅데이터 도구는 고차원 공간을 조사하고 분석하는 데 필수적입니다. 머신 러닝, 특히 딥 러닝은 이러한 문제를 해결하는 데 가치가 있음이 입증되었습니다. 언어 모델은 시장 모멘텀에 대한 통찰력을 제공할 수 있는 정서 분석과 같은 작업에 활용할 수 있습니다. 인터넷 스크래핑은 시장의 변화를 나타낼 수 있는 정보 변화를 감지하는 효율적인 접근 방식임이 입증되었습니다. 전반적으로 자연어 처리는 대량의 데이터를 다루는 포트폴리오 관리자에게 귀중한 통찰력을 제공합니다.

비디오에서 연사는 금융 분야의 정서 분석에 대한 두 가지 접근 방식에 대해 자세히 설명합니다. 전통적인 방법은 긍정적이고 부정적인 단어의 빈도를 계산하는 반면, 고급 접근 방식은 딥 러닝과 단어 임베딩을 활용하여 단어의 문맥 및 의미론적 의미를 파악합니다. 연사는 보다 정확하고 효율적인 단어 표현을 제공하는 최첨단 언어 모델인 BERT(bi-directional encoder representation from transformers)의 효과를 강조합니다. 재무 텍스트의 숫자를 이해하는 BERT의 능력은 정확한 재무 분석에 특히 중요합니다. 다층 퍼셉트론, 메모리 네트워크 및 covnet과 같은 다른 기능 근사기도 금융에서 유용한 도구로 언급됩니다.

또한 연사는 금융 데이터를 이미지로 변환하고 분석을 위해 합성곱 신경망을 사용하는 개념에 대해 논의합니다. 이 접근 방식은 비지도 학습 문제에 특히 유용합니다. 비선형 데이터 압축을 위한 자동 인코더 사용과 시계열 분석을 위한 메모리 네트워크를 소개합니다. 메모리 네트워크는 환경이 충분히 안정적인 경우 시계열 데이터 분석에 적합할 수 있습니다. 또한 연사는 금융 분야의 언어 처리를 위한 변환기 모델의 사용을 다루고 TensorFlow를 사용한 구현에 대한 통찰력을 제공합니다.

금융 분야에서 오픈 소스 딥 러닝 모델을 구현하는 것과 관련하여 발표자는 금융 애플리케이션에 대한 특정 교육이 필요할 수 있지만 사용 가능한 오픈 소스 코드가 풍부하기 때문에 달성 가능한 목표라고 강조합니다. 현장에서 기계 학습을 활용할 수 있는 기회가 무수히 많기 때문에 도메인 전문가와 기계 학습자 간의 협업은 금융 관련 문제를 해결하는 데 매우 중요합니다. 연사는 손으로 만든 자연어 처리 접근 방식이 현재 금융에서 활용되고 있지만 딥 러닝 모델은 아직 업계에서 널리 채택되지 않았다고 지적합니다.

이 비디오는 또한 개인이 사전을 사용하여 오타가 없는지 확인하면서 JP Morgan과 같은 기업을 설명하는 전통적인 수작업 제어 방법을 탐구합니다. 장단기 기억 네트워크 및 BERT와 같은 다양한 기계 학습 알고리즘의 효율성에 대해 논의합니다. BERT는 발표된 연구에서 최첨단 기술로 간주됩니다. 단면적 투자를 위한 기계 학습의 잠재력도 탐구하여 기계가 고정 수익 또는 요인을 해석하는 데 도움이 되는 요인 또는 수익의 사용을 제안합니다.

딥 러닝에서 최적의 값을 찾는 어려움을 언급하면서 화자는 이것이 NP 문제일 수 있음을 인정합니다. 경험과 직관을 갖춘 휴먼 데이터 사이언티스트는 전문성을 바탕으로 휴리스틱한 선택을 해야 합니다. 수학자조차도 뛰어난 성능을 설명하기 위해 방정식을 공식화하는 데 어려움을 겪고 있기 때문에 심층 신경망을 이해하고 해석하는 문제가 강조됩니다. 이러한 경우에 질적 분석이 종종 사용됩니다. 그러나 시간이 지남에 따라 다양한 데이터 세트로 작업한 후 데이터 과학자는 특정 상황에 가장 적합한 매개 변수를 선택하기 위한 직관을 개발할 수 있습니다.

  • 00:00:00 Miguel Noguer i Alonso가 금융 분야에서 딥 러닝을 적용하는 방법에 대해 논의합니다. 그는 딥 러닝이 이미지 인식 및 언어 모델과 같은 다른 영역에서는 성공했지만 업계의 경험적이고 시끄러운 특성으로 인해 금융 분야에서 어떻게 성공적으로 적용될 수 있는지 보기가 복잡하다고 지적합니다. 복잡성에도 불구하고 구조화되지 않은 데이터 및 금융 애플리케이션에서 딥 러닝을 사용할 수 있는 흥미로운 가능성이 있습니다. Education Finance Institute는 대학 및 기업과 협력하여 금융 분야에서 AI를 사용하는 방법을 연구하고 있습니다.

  • 00:05:00 비디오의 이 섹션에서 Miquel Noguer i Alonso는 금융 분야에서 기계 학습 모델을 사용할 가능성과 이 분야에서 수행되는 연구가 부족하다는 점에 대해 논의합니다. 그는 계속해서 지도 학습, 비지도 학습, 강화 학습을 포함하여 금융에서 사용할 수 있는 기계 학습의 다양한 분야를 강조합니다. Noguer i Alonso는 현재 이 분야에 대한 연구가 제한되어 있기 때문에 연구원들이 비지도 학습을 위한 더 많은 도구를 구축하는 데 집중할 것을 권장합니다. 그는 신용 손실 예측 및 데이터 세트 구성과 같은 목적으로 기계 학습을 활용할 수 없는 금융 분야는 없다고 말하며 결론을 내립니다.

  • 00:10:00 연사는 비선형 함수를 사용하여 불가능한 학습, 회귀 문제 및 비지도 학습을 위한 엔진으로 딥 러닝을 소개합니다. 신경망은 많은 수의 매개변수를 가진 비선형 함수로 설명되어 통계학자와 엔지니어로부터 실현 가능성에 대한 경고를 받았습니다. 그러나 딥 러닝의 선구자들은 통계적 기대에 반하는 작동을 가능하게 하는 활성화 함수, 계층 수 및 뉴런의 올바른 조합을 발견했습니다. 연사는 또한 컨볼루션 신경망, 순환 신경망 및 변환기와 같은 딥 러닝의 다양한 아키텍처에 대해 논의합니다.

  • 00:15:00 연사가 금융 분야 딥 러닝의 장단점에 대해 논의합니다. 장점은 딥 러닝 모델이 비선형성과 데이터 세트의 표현 특성을 더 잘 포착하고 다변량 시계열에서 효율성을 보여준다는 것입니다. 또한 범주 및 수치 데이터에 대한 최고의 기술 중 하나인 부스팅 트리(boosting tree)와도 경쟁력이 있습니다. 그러나 주요 단점은 딥 러닝 모델의 많은 수의 매개 변수와 비정적 상황에서의 효율성 부족으로 인해 과적합된다는 것입니다. 이는 시계열이 계속 변화함에 따라 재무에서 큰 문제입니다. 발표자는 현재 모델이 이 문제에 대한 좋은 해결책을 제공하지 못한다고 지적합니다.

  • 00:20:00 Miquel Noguer i Alonso는 특히 데이터 생성 프로세스의 변화하는 특성과 그 안에서 작동할 수 있는 모델을 생성하는 방법에서 금융 분야의 딥 러닝이 직면한 문제에 대해 설명합니다. 그가 제안하는 한 가지 해결책은 정보 이론에서 나옵니다. 복잡성에 대한 아이디어와 정보를 가능한 한 가장 짧은 프로그램으로 압축합니다. 그는 또한 Universal Approximation Theorem에 대해 논의하고 deep net이 임의의 정밀도로 모든 것을 근사화할 수 있음을 보장하지만 일반화된다는 보장은 없습니다. 그는 독자들에게 정규화가 일반화에 충분하지 않다고 주장하는 Sun의 논문을 읽도록 권장하고 신경망의 본질적인 차원과 과매개화된 신경망에 대한 논문을 추천합니다.

  • 00:25:00 이 섹션에서 연사는 보간 체제라는 새로운 체제에 대해 이야기합니다. 이 체제에서는 deep net이 엄청난 수의 중력을 반환하여 일부 인증서를 작성할 수 있습니다. 더 작은 규범으로 함수를 보간합니다. 아이디어는 그 수의 기능으로 더 간단한 것을 찾는 것입니다. 또한 모든 계층이 동일하게 생성되지 않는 방식과 시계열 예측에서 심층 신경망의 역할과 같은 모델의 질적 측면에 대해 논의합니다. 그러나 그들에 대한 벤치마크 모델은 여전히 선형 모델이며 결과를 벤치마크와 비교해야 합니다.

  • 00:30:00 연사가 금융 분야에서 딥 러닝 모델의 성능에 대해 논의합니다. 그들은 하나가 아닌 30개의 주식이 있는 장단기 기억 네트워크를 사용한 결과를 보여주고 절대 오차가 다른 신경망에 비해 낮다는 점에 주목합니다. 연사는 또한 S&P 500에서 최고의 주식을 선택할 때 딥 러닝 모델이 선형 모델을 능가하여 결과적으로 샘플 외 정보 비율이 더 좋아지는 방법을 보여줍니다. 전반적으로 딥 러닝은 지속적으로 최상의 모델에 근접한 것으로 나타났으며 맹목적으로 모델을 선택할 때 좋은 선택입니다.

  • 00:35:00 연사는 재무를 위한 딥 러닝 모델의 요인 사용에 대해 논의합니다. 품질, 가치 및 모멘텀과 같은 요소는 수익과의 비선형 관계를 조사하는 데 사용됩니다. 이 방법과 순수한 시계열 연습의 차이점은 비선형성을 사용한다는 것입니다. 연사는 또한 더 많은 데이터를 사용한다고 해서 반드시 더 나은 정확도를 의미하는 것은 아니라는 점을 지적하면서 훈련 기간 매개변수의 중요성에 대해 논의합니다. 이 모델은 순전히 연구 목적이며 과거 데이터를 기반으로 하므로 비용이나 실제 고려 사항은 포함하지 않습니다.

  • 00:40:00 이 섹션에서 발표자는 업데이트 중인 논문에 대해 논의하고 논문의 주장이 deep net이 더 낫다는 것이 아니라 기존 벤치마크 모델과 함께 실행해야 한다는 것임을 분명히 합니다. 또한 발표자는 심층 네트워크가 비선형 관계를 캡처하고 올바른 주기를 학습하는 데 유용하다고 설명합니다. 그러나 네트워크가 학습하는 창과 같은 매개변수도 고려해야 합니다. 더욱이, 선형 모델이 놓칠 수 있는 2차 또는 3차 효과를 학습하기 때문에 딥 넷은 일부 수리 체제에서 다른 것을 알려줄 수 있습니다. 발표자는 또한 모든 것에 적용되는 단일 모델이 없으며 deep net이 기존의 벤치마크 모델을 대체해서는 안 된다고 강조합니다.

  • 00:45:00 Miguel Noguer i Alonso가 재무, 특히 감정 분석에서 자연어 처리의 사용에 대해 논의합니다. 시장에서 방대한 양의 정보가 생성되면서 이를 조사하기 위해서는 빅데이터 도구가 필요하고 기계 학습, 특히 딥 러닝은 고차원 공간을 다루는 데 유용할 수 있습니다. 언어 모델은 금융 분야에서 모멘텀의 전조가 될 수 있는 감정 분석과 같은 작업에 사용할 수 있습니다. 인터넷 스크랩은 또한 시장 변화를 나타낼 수 있는 정보 변화를 검색하는 효율적인 방법임이 입증되었습니다. 전반적으로 자연어 처리는 많은 양의 데이터를 처리할 때 포트폴리오 관리자에게 유용한 통찰력을 제공할 수 있습니다.

  • 00:50:00 이 섹션에서 연사는 금융 분야에서 감정 분석을 사용하는 방법과 이를 수행할 수 있는 두 가지 방법에 대해 설명합니다. 단어의 문맥과 의미를 이해하기 위한 학습 및 단어 임베딩. 가장 진보된 모델은 변환기의 양방향 인코더 표현으로, 단어를 보다 효율적이고 정확하게 표현할 수 있습니다. 이 기술은 날씨 관리 및 공급망 문제와 같은 일에 유용할 수 있습니다.

  • 00:55:00 이 섹션에서는 Miquel Noguer i Alonso가 양방향 복합 아키텍처, BERT 및 언어 모델에서 숫자의 중요성에 중점을 두고 금융 분야 딥 러닝의 최신 개발에 대해 설명합니다. BERT는 금융 데이터 세트를 교육하는 데 사용할 수 있는 매우 효율적인 오픈 소스 언어 모델로, 시간과 인력을 절약할 수 있습니다. 다른 모델보다 성능이 좋으며 특히 정확한 분석에 중요한 금융 텍스트의 숫자 이해에 능숙합니다. 다층 퍼셉트론, 메모리 네트 및 covnet은 금융에서 유용한 다른 함수 근사값입니다.

  • 01:00:00 Miguel Noguer i Alonso는 재무 데이터를 이미지로 변환하고 이를 분석하기 위해 컨벌루션 신경망을 사용하는 아이디어에 대해 논의합니다. 이는 비지도 학습 문제에 특히 유용할 수 있습니다. 또한 데이터의 비선형 압축에 사용할 수 있는 자동 인코더와 환경이 충분히 안정적이면 시계열 분석에 적합할 수 있는 메모리 네트워크의 개념을 소개합니다. 마지막으로 Noguer i Alonso는 금융에서 언어 처리를 위한 변환기 모델의 사용과 TensorFlow에서 이러한 모델을 구현하는 방법에 대해 언급합니다.

  • 01:05:00 비디오의 이 섹션에서는 ESADE 비즈니스 스쿨의 재무 혁신 이사이자 재무 선임 강사인 Miquel Noguer i Alonso가 재무에서 오픈 소스 딥 러닝 모델을 구현할 가능성에 대해 논의합니다. 그는 사용할 수 있는 오픈 소스 코드가 많고 특히 금융 응용 프로그램에 대한 교육이 필요할 수 있지만 도달할 수 없는 목표는 아니라고 설명합니다. Alonso는 또한 금융 분야에서 기계 학습에 대한 많은 기회가 있기 때문에 금융 관련 문제를 해결하기 위해 도메인 전문가와 기계 학습자 간의 협업의 중요성을 강조합니다. 또한 그는 금융 분야에서 수작업으로 만들어진 NLP 접근 방식이 사용되고 있지만 딥 러닝 모델은 아직 이 업계에서 널리 채택되지 않았다고 지적합니다.

  • 01:10:00 연사는 JP Morgan과 같은 것을 설명하기 위해 사전을 사용하고 오타가 없는지 확인하는 사람들을 포함하는 전통적인 금융 수작업 제어 방법에 대해 논의합니다. 그들은 계속해서 금융 분야에서 기계 학습의 사용과 쇼트 롱샷 메모리 네트워크 및 BERT와 같은 다양한 알고리즘의 효율성에 대해 논의합니다. 연사들은 또한 단면적 투자에 기계 학습을 사용할 가능성에 대해 논의하고 기계가 평평한 수익 또는 요인을 이해하는 데 도움이 되는 요인 또는 수익을 사용할 것을 제안합니다.

  • 01:15:00 이 섹션에서 Noguer와 Alonso는 딥 러닝에서 최적의 값을 찾는 어려움과 그것이 어떻게 NP 문제가 될 수 있는지에 대해 논의하며, 경험과 직관을 기반으로 휴리스틱한 선택을 하기 위해 인간 데이터 과학자의 기술과 직관이 필요합니다. . 수학자조차도 왜 그렇게 잘 작동하는지 이해하기 위해 방정식을 만드는 데 어려움을 겪고 대신 정성 분석에 의존해야 하기 때문에 딥 넷을 이해하고 해석하는 데 어려움이 있음을 강조합니다. 이러한 어려움에도 불구하고 데이터 과학자는 여러 데이터 세트로 작업한 후 주어진 상황에 사용할 최상의 매개 변수에 대한 직관을 개발할 수 있습니다.
Miquel Noguer i Alonso: "Latest Development in Deep Learning in Finance"
Miquel Noguer i Alonso: "Latest Development in Deep Learning in Finance"
  • 2020.03.19
  • www.youtube.com
Title of Seminar: "Latest Developments in Deep Learning in Finance"Date of Seminar: 9/24/19Speaker Bio: Miquel Noguer i Alonso (Artificial Intelligence Finan...
 

Gordon Ritter: "강화 학습 및 재정 거래 기회 발견"



Gordon Ritter: "강화 학습 및 재정 거래 기회 발견"

이 비디오에서 Gordon Ritter는 특히 파생 상품 거래 내에서 차익 거래 기회를 발견하는 데 중점을 두고 금융 시장의 맥락에서 강화 학습의 적용을 탐구합니다. 그는 불확실성에 직면했을 때 복잡한 다중 기간 계획 및 전략의 중요성을 강조합니다. Ritter는 최적의 정책 검색을 안내하는 가치 함수의 사용을 시연하고 단일 기간 증분과 평균 편차의 제곱을 곱한 상수를 결합하는 보상 함수를 제안합니다.

Ritter는 차익 거래 기회를 찾을 위치를 기계에 명시적으로 지시하지 않고 차익 거래 기회를 포함하는 시뮬레이션을 생성하는 프로세스에 대해 설명합니다. 그는 금융 시장을 모델링하기 위한 확률적 시뮬레이션의 사용을 강조하고 충분한 데이터가 있으면 강화 학습을 통해 훈련된 에이전트가 시장 차익 거래를 식별할 수 있다고 제안합니다. 그러나 그는 과적합 및 예상치 못한 시나리오를 처리하는 데 따른 어려움과 같은 강화 학습의 한계를 인정합니다. 훈련된 에이전트의 기능을 확장하기 위해 감마 중립성 거래 전략 탐색과 같은 추가 테스트가 제안됩니다.

비디오에는 파생 상품 헤징에서 기준 에이전트와 비교한 강화 학습 에이전트의 성능 분석이 포함되어 있습니다. 훈련된 에이전트는 비슷한 범위의 실현 변동성을 유지하면서 비용과 위험 사이에서 절충할 수 있는 능력을 보여주면서 상당한 비용 절감을 보여줍니다. Ritter는 파생 상품 가격 자체가 가치 함수의 한 형태로 볼 수 있기 때문에 파생 상품 거래를 위한 강화 학습에서 가치 함수의 관련성에 대해 논의합니다.

Ritter는 또한 강화 학습에서 적절한 상태 벡터와 행동 공간을 구성하는 것의 중요성을 강조합니다. 상태 벡터에 관련 정보를 포함하고 적절한 조치를 정의하는 것은 효과적인 의사 결정에 필수적입니다. 그는 잠재적으로 차익 거래 기회로 이어질 수 있는 평균 회귀 역학을 모델링하는 수단으로 Ornstein 및 Limbic 프로세스의 사용을 제시합니다.

또한 비디오는 거래 기회에 단기 수익을 사용하는 문제와 유한한 상태 공간의 한계에 대해 설명합니다. Ritter는 이러한 문제를 해결하고 가치 함수의 추정을 개선하기 위해 모델 트리 및 신경망과 같은 연속 상태 공간 및 함수 근사 방법을 사용할 것을 제안합니다.

마지막으로 Ritter는 강화 학습이 차익 거래 기회를 발견하는 데 유용한 도구가 될 수 있지만 실제 거래에서 보장된 접근 방식은 아니라는 점을 인정합니다. 그는 확률론적 시스템을 통해 수익성 있는 거래를 발견하기 위한 강화 학습의 잠재력을 강조하면서 결론을 내렸지만, 시장에 존재하지 않는 차익 거래 기회를 찾을 것이라고 기대하는 것에 대해 경고했습니다. 과적합 및 예상치 못한 시나리오를 처리할 수 없는 능력을 포함한 강화 학습의 한계도 인식됩니다.

  • 00:00:00 이 섹션에서 Gordon Ritter는 불확실한 환경에서 시간이 지남에 따라 보상을 최적화하기 위해 경험을 통한 학습에 대해 이야기합니다. 그는 로봇이 방을 탐색하는 방법과 가젤이 다리 근육에 신호를 보내 걷는 법을 배우는 방법에 대한 예를 제공합니다. 그는 또한 세계 최고의 바둑 선수는 이제 그의 이야기의 초점인 강화 학습 방법으로 훈련된 에이전트라고 언급합니다. Ritter는 불확실성이 존재하는 상황에서 복잡한 다중 기간 계획 및 전략의 중요성과 차익 거래 기회를 발견하기 위해 재무에서 강화 학습을 적용할 수 있는 방법을 강조합니다.

  • 00:05:00 Gordon Ritter가 에이전트가 환경과 상호 작용하고 보상 신호를 최적화하기 위한 조치를 취하는 프로세스인 강화 학습의 개념을 설명합니다. 에이전트는 환경의 상태를 관찰하고 그들의 행동이 긍정적인 보상인지 부정적인 보상인지 결정합니다. 강화 학습은 장기적인 보상에 대한 기대치를 최대화하기 위해 최적의 정책 검색을 구조화하기 위해 가치 함수를 사용하는 것을 포함합니다. Ritter는 가치 함수의 아이디어가 수학적 금융에 대한 배경 지식을 가진 사람들에게 친숙하다고 지적합니다.

  • 00:10:00 비디오의 이 섹션에서 Gordon Ritter는 강화 학습의 개념, 특히 최적 정책의 가치 함수를 찾는 데 사용되는 Hamilton-Jacobi Bellman 방정식에 대해 설명합니다. 그러나 그는 실제 시나리오에서 때때로 방정식을 명시적으로 푸는 것이 실현 가능하지 않다고 지적합니다. 그런 다음 Ritter는 주어진 상태에서 특정 조치를 취하고 이후 정책을 따를 때 예상되는 장기적 이득을 찾는 데 사용되는 조치 가치 함수를 도입합니다. 강화 학습의 목표는 그에 해당하는 큐 또는 행동 가치 함수를 찾아 최적의 정책을 찾는 것입니다. 그런 다음 Ritter는 입찰 제안 스프레드 및 수수료와 같은 거래 비용을 고려하여 인공 지능이 현실적인 시나리오에서 최적의 동적 거래 전략을 발견할 수 있는지에 대한 질문을 제기합니다. 그는 시장에 차익거래가 있다면 강화학습으로 생산된 에이전트가 충분한 데이터로 이를 찾아낼 수 있을 것이라고 제안한다.

  • 00:15:00 Gordon Ritter가 강화 학습을 사용하여 금융 시장에서 차익 거래 기회를 발견하는 방법에 대해 설명합니다. Ritter는 일관된 차익 거래 없는 가격에 의존하는 전통적인 방법과 달리 강화 학습을 사용하여 주어진 동적 시스템에 차익 거래 기회가 있는지 알아낼 수 있다고 주장합니다. 이 접근 방식은 샤프 비율이 높은 전략을 찾기 위해 알고리즘을 훈련하는 데 사용할 수 있으며, 이는 순수한 차익 거래가 아니라 좋은 거래 전략인 통계적 차익 거래를 식별하는 데 사용할 수 있습니다. Ritter는 그러한 접근 방식이 인간의 안내 없이 바둑을 두는 법을 배우고 인간 챔피언을 이기는 AlphaGo Zero와 유사하다고 주장합니다.

  • 00:20:00 Gordon Ritter는 부의 기대 효용을 최대화할 때 사용되는 가정과 그것이 평균 분산 2차 형태를 최대화하는 것과 수학적으로 어떻게 같은지 설명합니다. 그는 2차 함수가 효용 함수가 될 수 없음을 명확히 하고 폰 노이만 모르겐슈테른 투자자처럼 행동하도록 합리적인 에이전트를 훈련시키는 데 사용하는 보상 신호를 설명합니다. 그는 보상 함수에 대해 단일 기간의 증분에서 약 평균의 제곱을 뺀 값을 결합할 것을 제안하고 에이전트가 올바른 결정을 내리는 데 도움이 되는 관련 정보를 포함하는 것의 중요성을 강조하면서 상태에 무엇을 넣을지 선택하도록 조언합니다.

  • 00:25:00 Gordon Ritter가 강화 학습에서 상태 벡터 및 작업 공간을 구성하는 방법에 대해 설명합니다. 그는 에이전트가 거래 결정을 내리기 위해 신호를 사용하는 방법을 배우려면 해당 신호가 상태 벡터에 포함되어야 한다고 설명합니다. 또한 행동 공간에는 사용할 실행 전략 선택, 동작을 변경하기 위한 알고리즘의 매개변수 선택 또는 스프레드를 교차할지 아니면 주문서의 가까운 쪽에서 대기열에 참여할지 결정하는 것이 포함되어야 합니다. Ritter는 또한 Ornstein 및 Limbic 프로세스가 차익 거래 기회로 이어질 수 있는 평균 회귀 역학을 모델링하기 위해 재정에서 어떻게 사용될 수 있는지에 대한 예를 제공합니다.

  • 00:30:00 이 섹션에서 Gordon Ritter는 보장된 이익은 아니지만 적어도 대략적인 차익 거래를 통계적 차익 거래로 포함하는 확률적 시뮬레이션 구축에 대해 논의합니다. 그는 에이전트가 게임을 하고 몇 번 지는 것으로 모든 것을 파악해야 한다고 강조한다. 시뮬레이션에는 선형 가격 영향 함수를 기반으로 스프레드 비용과 영향 비용이 있으며 때로는 전체 비용 앞에서 승수를 가지고 노는 것을 좋아합니다. 그는 상태 벡터가 매우 간단할 수 있으며 상태에는 에이전트가 보유하고 있는 것과 신호를 포함하는 가격만 포함되어 있다고 말합니다. 마지막으로 그는 이것이 실제 거래에서 작동한다고 보장되지 않기 때문에 개념 증명일 뿐이라고 지적합니다.

  • 00:35:00 Gordon Ritter는 기계에 명시적으로 찾을 위치를 알려주지 않고 차익 거래 기회가 있는 시뮬레이션을 만드는 과정에 대해 설명합니다. 그는 가치 함수를 학습하고 Q-러닝이라는 고전적인 방법으로 작동한다고 설명합니다. 그러나 그는 연속성 없이 각 행렬 요소를 독립적으로 학습해야 하기 때문에 Q 함수 모델이 특히 마음에 들지 않는다는 점을 인정합니다. Ritter는 또한 다양한 행동에 대한 가격의 함수로서 가치 함수의 플롯을 제시하여 균형 가격 주변의 무역 금지 구역의 출현을 보여줍니다.

  • 00:40:00 이 섹션에서 Gordon Ritter는 거래 기회에 대한 단기 수익 사용의 한계와 유한한 상태 공간을 사용할 때 발생하는 문제에 대해 설명합니다. 그는 모델 트리와 같은 연속 상태 공간 및 함수 근사 방법을 사용하여 Bellman 가치 함수 Q를 추정하고 훈련 데이터에 맞는 가장 잘 알려지지 않은 함수를 찾을 것을 제안합니다. 이 방법은 가치 함수를 근사화하고 거래 기회를 찾는 보다 효율적이고 효과적인 방법을 허용합니다.

  • 00:45:00 Gordon Ritter는 장기 및 단기 보상의 형태로 보상을 근사화하도록 강화 학습 에이전트를 훈련하기 위해 함수 근사기와 같은 통계적 기계 학습 기술의 사용에 대해 논의합니다. 신경망과 같은 더 나은 함수 근사기를 사용하면 Bellmen 값 함수를 더 정확하게 근사하고 연속 함수를 얻을 수 있으므로 최적의 동작을 더 잘 이해할 수 있습니다. Ritter는 이러한 기술을 파생상품 헤징의 예에 적용합니다. 여기서 은행은 파생상품을 시장에 내다팔지 않고 포지션의 위험을 중화하고자 합니다. 목표는 동적 복제 전략을 기반으로 파생 상품 바구니를 최적으로 거래할 수 있는 강화 학습 에이전트를 사용하여 자동 헤징을 허용하고 시장 영향으로 인한 비용을 줄이는 것입니다.

  • 00:50:00 이 섹션에서 Gordon Ritter는 동적 복제 포트폴리오 전략을 가능하게 하기 위해 유럽 옵션 시장에 최소한으로 존재해야 하는 상태 변수에 대해 설명합니다. 그는 Black-Scholes 유형의 세계에서 델타를 계산하는 데 들어가는 상태 변수는 기본 가격과 만료 시간이며 옵션의 행사 가격은 옵션 정의의 일부라고 말합니다. 또한 그는 상태가 그리스 옵션을 포함할 필요가 없으며 에이전트가 이러한 비선형 함수를 스스로 학습해야 한다고 언급합니다. 그는 기계가 시뮬레이션을 통해 설정된 대규모 경험을 생성하는 위치를 경험을 통해서만 배울 수 있다고 말하면서 결론을 내립니다.

  • 00:55:00 Gordon Ritter가 볼륨에 대한 비용을 교환하는 강화 학습 에이전트의 출력에 대해 논의하고 이를 델타 헤징을 사용하는 기준 에이전트와 비교합니다. 훈련된 에이전트는 델타 헤징의 더 부드러운 위치 추적을 보여주는 반면, 베이스라인 에이전트는 델타 헤징으로 인해 과도한 거래와 더 높은 비용을 보여줍니다. 훈련된 에이전트는 비용과 위험 사이에서 절충하는 방법을 배웠으며 Ritter는 큰 비용 절감을 위해 약간의 변동성을 허용할 수 있다고 지적합니다. 높은 거래 비용으로 시장을 시뮬레이션했지만 훈련된 에이전트는 여전히 기본 에이전트보다 더 나은 성능을 보였습니다.

  • 01:00:00 이 섹션에서 발표자는 Delta 에이전트와 강화 학습 방법의 성능을 비교하기 위해 시뮬레이션의 히스토그램을 제시합니다. Delta 에이전트는 매우 예측 가능한 실현 볼륨을 보이지만 훈련된 에이전트는 비슷한 실현 볼륨 범위를 유지하면서 상당한 비용 절감 효과를 보입니다. 연사는 에이전트가 잠재적으로 발견할 수 있는 감마 중립성을 달성하는 거래 전략을 살펴보는 것과 같은 추가 테스트를 제안합니다. 화자는 강화 학습에서 볼 수 있듯이 가치 함수 기반 방법의 사용이 파생 상품 거래 분야와 잘 교차한다는 결론을 내립니다. 파생 상품 가격 자체가 가치 함수의 한 형태이기 때문입니다.

  • 01:05:00 Gordon Ritter는 수익성 있는 거래를 찾을 수 있는 확률적 시스템을 교육함으로써 차익 거래 기회를 발견하는 데 강화 학습을 사용할 수 있다고 설명합니다. 그러나 시스템이 수백만 또는 수십억 번의 시뮬레이션 후에도 기회를 찾지 못하면 시장이 차익 거래를 허용하지 않는다는 것을 나타낼 수 있습니다. 그는 또한 과적합, 무한 거래 및 플래시 크래시와 같은 예상치 못한 시나리오를 처리할 수 없는 능력을 포함하여 강화 학습의 한계에 대해 논의합니다.
Gordon Ritter: "Reinforcement Learning and the Discovery of Arbitrage Opportunities"
Gordon Ritter: "Reinforcement Learning and the Discovery of Arbitrage Opportunities"
  • 2019.05.30
  • www.youtube.com
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, ...
 

Marcos Lopez de Prado: "대부분의 기계 학습 자금이 실패하는 7가지 이유"



Marcos Lopez de Prado: "대부분의 기계 학습 자금이 실패하는 7가지 이유"

Marcos Lopez de Prado는 금융 업계에서 대부분의 머신 러닝 펀드가 실패하는 이유를 설명하는 포괄적인 프레젠테이션을 제공했습니다. 그는 이 영역에서 성공에 기여하는 몇 가지 핵심 요소의 중요성을 강조했습니다.

de Prado가 강조한 주요 요인 중 하나는 재량형 펀드에 잘 공식화된 이론이 없다는 것입니다. 그는 많은 투자 대화가 탄탄한 이론적 토대가 부족하기 때문에 건설적이고 추상적인 접근 방식이 부족하다고 지적했습니다. 의사결정을 안내하는 이론이 없으면 자유재량형 펀드는 다른 사람들과 상호 작용하고 그들의 아이디어를 테스트하는 데 어려움을 겪으며 잘못된 선택과 잠재적 손실을 초래합니다.

De Prado는 또한 기계 학습 자금 내에서 고립된 사일로에서 작업하는 것이 해로운 영향에 대해 논의했습니다. 그는 성공을 위해서는 협업과 소통이 필수적이라고 강조하며 수많은 박사를 고용하고 그들을 별도의 업무로 분리하는 것에 대해 경고했다. 대신 그는 전문가들이 독립적으로 일하지만 서로의 전문성에 대한 지식을 보유하여 더 나은 전략과 결과로 이어지는 팀 기반 접근 방식을 옹호했습니다.

팀 내 전문화는 de Prado가 강조한 또 다른 중요한 측면이었습니다. 그는 복잡한 시스템과 작업을 처리할 수 있는 전문가 그룹을 구성하는 것이 중요하다고 강조했습니다. 이러한 전문가는 전반적인 전략을 이해하고 동료의 전문 분야를 인식하면서 독립적인 기술을 보유해야 합니다. 이 메타 전략 패러다임은 효과적인 전략을 개발할 뿐만 아니라 불확실한 상황에서 고용, 투자 감독 및 중지 기준 정의를 포함하여 정보에 입각한 결정을 내리는 데에도 유용합니다.

재무 데이터의 적절한 처리는 de Prado가 논의한 또 다른 핵심 요소였습니다. 그는 귀중한 정보를 보존하면서 데이터의 고정성을 달성해야 한다고 강조했습니다. 그는 이전 관찰에서 메모리 정보를 유지하기 위해 데이터를 분수로 구분하여 특정 지점에서 중요한 예측을 가능하게 할 것을 제안했습니다. 또한 그는 과도한 메모리를 사용하지 않고 고정 시리즈와 원본 시리즈 간의 거의 완벽한 상관 관계를 달성하기 위해 특정 임계값을 사용하도록 조언했습니다. De Prado는 유동적인 미래 계약이 없는 경우 수익을 사용하지 말라고 경고하면서 대부분의 시나리오에서 단일 관찰을 사용하도록 권장했습니다.

de Prado는 샘플링 빈도와 데이터의 적절한 라벨링도 다루었습니다. 그는 일일 관찰 또는 분별 관찰과 같은 기존 방법에 의존하기보다 시장 정보 도착에 따라 샘플링 빈도를 기반으로 할 것을 제안했습니다. 거래량을 기반으로 샘플링하는 달러 막대와 같은 기술을 사용하면 동일한 양의 정보가 샘플에 포함되도록 할 수 있습니다. Touch Barrier Labeling 방법을 사용하는 것과 같이 관찰에 적절한 레이블을 지정하면 가격 역학 및 중지 가능성을 고려하여 위험 인식 전략을 개발할 수 있습니다.

하나의 기계 학습 모델이 다른 모델의 예측 정확도를 예측하는 메타 학습의 개념은 정밀도와 재현율을 달성하는 수단으로 논의되었습니다. 두 개의 개별 모델을 구성하면 조화 평균을 사용하여 정밀도와 재현율 사이의 균형을 맞출 수 있습니다. De Prado는 성능을 최적화하기 위해 개별 작업에 대해 서로 다른 기계 학습 알고리즘을 사용할 것을 권장했습니다.

De Prado는 기계 학습 알고리즘을 사용하기 전에 인간 전문가가 데이터를 필터링해야 할 필요성을 강조하면서 금융 분야에서 기계 학습을 적용하는 문제를 강조했습니다. 재무 데이터는 본질적으로 지저분하고 비현실적이어서 특정 관찰을 자산에 연결하기 어렵습니다. 또한 규제 및 법률로 인한 금융 시장의 끊임없는 변화로 인해 기계 학습 알고리즘을 구현하는 데 신중하고 미묘한 접근 방식이 필요합니다. 단순히 재무 데이터를 기계 학습 모델에 연결하는 것만으로는 재무 성공에 충분하지 않습니다.

비고유성 및 과대적합 문제를 다루는 것은 de Prado 프레젠테이션의 또 다른 중요한 측면이었습니다. 그는 테스트 세트와 공유된 것보다 오래된 정보를 포함하는 관찰을 제거할 것을 권장하는 관찰의 고유성을 결정하는 방법론을 제안했습니다. 이 프로세스는 "퍼징"으로 알려져 있습니다. 이는 교차 유효성 검사 기술의 가정과 일치하여 보다 정확한 기계 학습 모델을 만드는 데 도움이 됩니다. De Prado는 또한 과적합의 위험에 대해 경고하면서 반복적인 백 테스트 전략이 시간이 지남에 따라 오탐(false positive) 및 유용성 감소로 이어질 수 있다고 강조했습니다. 전략을 발견하는 데 관련된 시행 횟수를 고려하는 것은 과적합 및 거짓 양성을 방지하는 데 중요합니다. De Prado는 과대적합과 관련된 위험을 완화하기 위해 전략의 성능에 대해 높은 임계값을 설정하라고 조언했습니다.

de Prado는 "수축된 딸기"라는 개념을 도입했는데, 이는 펀드매니저가 의도적으로 이러한 특성을 목표로 삼지 않았음에도 불구하고 많은 헤지펀드가 음의 왜도와 양의 초과 첨도를 보인다는 것을 설명합니다. 이는 주로 펀드매니저가 샤프 비율을 기반으로 평가되기 때문에 이러한 통계적 속성이 비율을 부풀릴 수 있기 때문입니다. De Prado는 수익을 분석할 때 발견을 생성하는 것과 관련된 샘플 크기와 시도 횟수를 고려하는 것이 중요하다고 강조했습니다. 그는 0보다 큰 진정한 샤프 비율을 달성할 가능성이 낮은 전략에 투자하는 것에 대해 경고했습니다.

de Prado는 모델 적합과 과대적합 사이의 균형을 이루는 것을 강조했습니다. 그는 과신과 위험 증가로 이어질 수 있으므로 완벽한 핏을 위해 노력하지 말라고 조언했습니다. 대신 그는 통계 모델을 효과적으로 적용하면서 중요한 기억을 보존할 수 있는 방법을 찾을 것을 제안했다. De Prado는 또한 데이터 공급 및 교차 수분을 방해하여 기계 학습 알고리즘의 전반적인 효율성을 저해할 수 있으므로 지나치게 복잡한 모델을 사용하지 말라고 경고했습니다.

De Prado는 특정 특성이나 메트릭이 선호되어 전략의 수렴으로 이어지는 업계 현상을 다루었습니다. 인간의 선호도와 미적 특성이 특정 특성을 형성하는 개 사육과 비교하면서 샤프 비율과 음의 왜도의 조합과 같은 특정 지표의 사용이 처음에는 아니었지만 어떻게 헤지 펀드에서 선호되게 되었는지 설명했습니다. 대상. 이 현상은 특정 트리거 이벤트 없이 발생하기 때문에 해결하기가 어렵습니다.

또한 de Prado는 예측할 때 최근 가격 데이터를 사용하는 것의 중요성을 강조했습니다. 이는 가까운 미래에 더 큰 관련성이 있기 때문입니다. 그는 사용 가능한 모든 데이터를 사용할 때 샘플 길이를 결정하기 위해 지수적 가중치 감쇠를 사용할 것을 권장했습니다. 또한 그는 기계 학습 자금의 실패로 이어지는 일반적인 함정으로 시행 횟수를 통제하고 고립된 작업 환경을 피하는 것의 중요성을 강조했습니다. 그는 금융이 기계 학습이 상당한 발전을 이룬 다른 분야와 다르며 통계학자를 고용하는 것이 성공적인 거래 알고리즘을 개발하는 데 항상 가장 효과적인 접근 방식은 아닐 수 있다고 언급했습니다.

요약하자면, Marcos Lopez de Prado의 프레젠테이션은 대부분의 기계 학습 자금이 금융 업계에서 실패하는 이유를 밝혔습니다. 그는 잘 구성된 이론, 팀 협업, 전문화, 재무 데이터의 적절한 처리 및 차별화, 적절한 샘플링 및 레이블 지정, 비고유성 및 과적합과 같은 문제 해결, 기계 학습 알고리즘 구현에 대한 인간의 전문 지식 통합의 필요성을 강조했습니다. 이러한 요소를 이해하고 신중하고 미묘한 접근 방식을 취함으로써 실무자는 역동적이고 복잡한 금융 세계에서 성공 가능성을 높일 수 있습니다.

  • 00:00:00 Marcos Lopez de Prado는 자유재량 펀드에서 잘 공식화된 이론이 부족하여 사람들이 투자에 대해 진정으로 건설적이고 추상적인 대화를 나누는 것을 방해하는 방법에 대해 논의합니다. 투자 회의에 참석할 때 그는 대부분의 대화가 실제 이론이 논의되지 않는 일화적인 것임을 알게 됩니다. 결과적으로 자유재량형 펀드는 다른 사람과 상호 작용하고 이론을 테스트할 수 없는 문제를 겪을 수 있습니다. 잘 공식화된 이론의 부족은 잘못된 의사 결정으로 이어지고 결국 비즈니스 손실로 이어질 수 있습니다.

  • 00:05:00 이 섹션에서 Marcos Lopez de Prado는 사일로에서 작업하는 문제를 주요 요인으로 언급하면서 대부분의 기계 학습 자금이 실패하는 이유에 대해 설명합니다. 그는 50명의 박사를 고용하고 서로 사일로에서 함께 일하게 하는 것은 불가능하다고 설명합니다. 각 사람은 동일한 작업을 반복적으로 수행합니다. 이로 인해 종종 여러 전략이 시도되어 잘못된 발견, 구현 실패, 결국 펀드 폐쇄로 이어집니다. Lopez de Prado는 전략 개발에는 팀의 노력이 필요하며 성공을 위해서는 많은 전략이 필요하다고 주장합니다.

  • 00:10:00 Marcos Lopez de Prado는 금융 분야에서 기계 학습을 성공적으로 구현하기 위한 핵심 요소로 그룹 내 전문화의 중요성을 강조합니다. 그는 산업 프로세스나 기계 학습 전략과 같은 복잡한 시스템을 처리할 수 있는 고성능 인프라를 구축하려면 전문가 팀을 만드는 것이 필수적이라고 주장합니다. 개별 전문가는 독립적으로 작업할 수 있어야 하지만 여전히 전체 계획에 대해 잘 알고 있어야 하며 서로의 전문 분야와 관련 쿼리 및 문제를 알고 있어야 합니다. 이 메타 전략 패러다임은 전략을 개발하는 데 유용할 뿐만 아니라 고용, 투자 감독 및 전략 기준 중지를 포함하여 불확실성 하에서 결정을 내리는 데 유용합니다.

  • 00:15:00 이 섹션에서 Marcos Lopez de Prado는 재무 데이터를 적절하게 처리하여 가장 중요한 정보를 보존하면서 고정성을 달성하는 것이 중요하다고 강조합니다. 데이터를 차별화하는 데는 귀중한 신호 정보가 지워져 어떤 것도 예측할 수 없기 때문에 비용이 듭니다. 따라서 그는 계열이 예측을 위한 임계점에 있는지 여부를 식별할 수 있도록 이전 관찰에 대한 일부 메모리 정보를 보존하기 위해 데이터를 분수로 구분할 것을 제안합니다. 미분 데이터와 정상 데이터의 조합은 고전적 분석에 유용한 정보를 제공합니다.

  • 00:20:00 연사가 고정 시리즈를 만들고 이를 달성하는 방법에 대해 논의합니다. 특정 임계값을 사용하면 너무 많은 메모리를 사용하지 않고도 원래 시리즈와 거의 완벽하게 상관 관계가 있는 고정 시리즈를 얻을 수 있습니다. 원래 계열과의 상관관계가 사실상 0이면 정상성을 달성하는 것은 쓸모가 없습니다. 또한 화자는 반품을 사용하는 것이 정당한 미래의 유동적인 경우가 없다고 관찰하고 일일 데이터에도 사용하지 말라고 조언합니다. 그는 단일 관찰을 사용하는 것이 대부분의 경우에 충분할 것이라고 제안합니다.

  • 00:25:00 발표자는 샘플링 빈도의 중요성에 대해 논의하고 매일 또는 1분 관찰과 같은 표준 방법을 사용하는 대신 시장에 도달하는 정보의 양을 기반으로 해야 한다고 제안합니다. 그는 샘플이 동일한 시간이나 가격이 아니라 동일한 양의 정보를 포함하는지 확인하기 위해 트랜잭션 양을 기반으로 샘플링하는 달러 막대를 사용하는 예를 제공합니다. 연사는 또한 시장 활동에 영향을 미치는 중요한 정보를 제공하므로 샘플링 시 가격을 고려하는 것의 중요성을 강조합니다.

  • 00:30:00 Marcos Lopez de Prado가 재무에서 데이터 샘플링 및 레이블 지정의 중요성에 대해 논의합니다. 그는 더 많은 정보를 포함하고 있기 때문에 많은 정보가 시장에 도착할 때 더 많은 샘플을 채취하는 것이 중요하다고 설명합니다. 그는 터치 배리어 라벨링 방법을 사용하여 가격에 어떤 일이 일어나고 특정 결과에 도달했는지를 고려하여 관찰에 올바르게 라벨을 붙일 것을 제안합니다. 그렇게 함으로써 위험 수준을 고려한 전략을 개발할 수 있습니다. 이는 대부분의 사람들이 위험 수준을 따라야 하고 중단될 가능성을 고려해야 하기 때문에 중요합니다.

  • 00:35:00 Marcos López de Prado가 기계 학습 모델을 사용하여 다른 기계 학습 모델의 예측이 올바른지 예측하는 메타 학습의 개념에 대해 설명합니다. 그는 두 가지 결정을 두 가지 다른 모델로 구성하는 것의 중요성과 이것이 기계 학습 알고리즘에서 정밀도와 재현율을 달성하는 데 얼마나 유용한지 설명합니다. López de Prado는 또한 정밀도와 재현율 사이의 균형을 맞추는 데 사용되는 조화 평균의 개념을 소개하고 서로 다른 기계 학습 알고리즘을 사용하여 두 가지 매우 다른 작업을 처리할 것을 제안합니다.

  • 00:40:00 이 섹션에서는 Marcos Lopez de Prado가 금융 분야에서 기계 학습을 사용하는 데 따른 어려움을 설명합니다. 그는 금융 데이터가 지저분하고 비현실적이므로 기계 학습 알고리즘을 사용하기 전에 인간 전문가가 데이터를 필터링하는 것이 중요하다고 강조합니다. 즉, 특정 관찰을 특정 환자 또는 이 경우 특정 자산에 연결하기가 쉽지 않습니다. . 또한 금융 시장은 기계 학습 모델의 성능에 상당한 영향을 미칠 수 있는 새로운 규정 및 법률로 인해 끊임없이 변화합니다. 따라서 금융 분야에서 기계 학습을 사용하려면 신중하고 미묘한 접근 방식이 필요하며 단순히 금융 데이터를 기계 학습 알고리즘에 연결하는 것으로 구현할 수 없습니다.

  • 00:45:00 Marcos Lopez de Prado는 관찰의 비고유성 문제에 대해 논의하고 이를 해결하기 위한 방법론을 제안합니다. 그는 각 관찰에서 중복되는 양을 식별하고 고유성을 결정하여 솔루션을 도출할 것을 제안합니다. 교차 검증 기술은 관측값이 독립적이고 동일하게 분산되어 있다고 가정하므로 IID 가정을 피하기 위해 훈련 세트에서 제거해야 하는 관측값을 식별할 것을 권장합니다. "제거"라고 하는 이 프로세스는 테스트 세트와 공유된 것보다 오래된 정보가 포함된 관찰을 제거하여 금융에서 보다 정확한 머신 러닝 모델을 생성합니다.

  • 00:50:00 이 섹션에서 Marcos Lopez de Prado는 대부분의 기계 학습 자금이 실패하는 일곱 번째 이유인 과적합에 대해 설명합니다. 그는 전략의 샤프 비율이 0이더라도 전략을 반복적으로 백 테스트하면 결국 놀라운 전략을 종이에서 찾을 수 있다고 설명합니다. 그러나 반복적인 백테스팅은 오탐으로 이어질 수 있으며 시간이 지남에 따라 유용성이 떨어집니다. 과적합 및 오탐을 방지하려면 발견과 관련된 시행 횟수를 고려하여 똑똑하고 연습해야 합니다. 더 많이 연습할수록 연습에 대해 요구해야 하는 임계값이 높아집니다.

  • 00:55:00 Marcos Lopez de Prado는 대부분의 헤지 펀드가 음의 왜도와 양의 초과 첨도를 가지고 있다는 아이디어인 수축된 딸기의 개념을 설명합니다. 이는 펀드매니저가 샤프 비율을 기준으로 평가되는데 통계적으로 음의 왜도와 양의 초과 첨도가 이 비율을 부풀릴 수 있기 때문입니다. De Prado는 수익을 분석할 때 발견을 생성하는 것과 관련된 표본 크기와 시행 횟수를 고려하는 것의 중요성을 강조하고 실제 샤프 비율이 0보다 클 확률이 낮은 전략에 투자하는 것에 대해 경고합니다.

  • 01:00:00 Marcos Lopez de Prado는 모델을 데이터에 맞추는 것과 과적합을 피하는 것 사이에서 균형을 맞추는 것이 중요하다고 강조합니다. 그는 과신과 위험 증가로 이어질 수 있으므로 완벽한 핏을 달성하는 데 너무 집중하지 말 것을 제안합니다. 대신 그는 통계 모델을 효과적으로 구매하고 적용할 수 있으면서도 기억을 보존할 수 있는 방법을 찾을 것을 권장합니다. Lopez de Prado는 또한 너무 복잡한 모델을 사용하면 교차 수분 및 데이터 공급이 어려울 수 있다고 지적합니다.

  • 01:05:00 Marcos Lopez de Prado는 기계 학습 펀드와 헤지 펀드에서 특정 특성이나 지표가 어떻게 선호되어 업계의 수렴으로 이어질 수 있는지 설명합니다. 인간의 선호도와 미학 때문에 특정 특성이 선호되는 개 사육의 예를 사용하여 그는 이 현상을 샤프 비율 거래와 음의 왜도를 사용하는 것과 비교합니다. 대상. 그는 특정 이벤트가 발생하지 않고 발생하기 때문에 이 현상을 해결하는 것이 어렵다고 지적합니다.

  • 01:10:00 이 섹션에서 Marcos López de Prado는 예측할 때 최근 가격 데이터를 사용하는 것의 중요성에 대해 논의합니다. 그는 샘플 길이를 결정하기 위해 가중치가 지수적으로 감소하는 모든 사용 가능한 데이터를 사용할 것을 제안합니다. López de Prado는 또한 기계 학습 자금이 실패하는 일반적인 이유이기 때문에 시도 횟수를 통제하고 사일로에서 작업하는 것을 피해야 할 필요성을 강조합니다. 또한 그는 금융이 기계 학습이 상당한 발전을 이룬 다른 분야와 다르며 통계 전문가를 고용하는 것이 항상 성공적인 거래 알고리즘을 개발하는 최선의 접근 방식은 아니라는 점을 강조합니다.
Marcos Lopez de Prado: "The 7 Reasons Most Machine Learning Funds Fail"
Marcos Lopez de Prado: "The 7 Reasons Most Machine Learning Funds Fail"
  • 2019.05.13
  • www.youtube.com
Seminar Date: September 5, 2017For more information, please visit Marcos Lopez de Prado's website: http://www.quantresearch.org/Summary: In this popular thro...
 

Irene Aldridge: "장기 포트폴리오 최적화의 실시간 위험"



Irene Aldridge: "장기 포트폴리오 최적화의 실시간 위험"

Able Alpha Trading의 사장 겸 전무 이사인 Irene Aldridge는 고주파 거래(HFT)가 장기 포트폴리오 관리자에게 미치는 영향과 전체 산업에 영향을 미치는 시장의 시스템적 변화에 대해 포괄적인 논의를 제공합니다. 그녀는 빅 데이터 및 기계 학습의 발전으로 인해 증가하는 금융 자동화와 포트폴리오 최적화에 대한 영향을 탐구합니다. 또한 Aldridge는 일중 볼륨 데이터가 제시하는 과제와 기회를 탐구하고 빅 데이터를 사용하여 실시간 위험 식별을 통합하는 단계별 접근 방식을 제안합니다. 그녀는 미시 구조적 요인을 통합하고 방어 수단으로 요인의 사용을 제안하는 보다 미묘한 포트폴리오 최적화 전략을 옹호합니다. Aldridge는 또한 양적 전략의 3년 수명 주기, 데이터 분석에서 가상 현실 및 자동화의 잠재력, 포트폴리오 최적화에서 컴퓨터 매트릭스의 적용에 대해 다룹니다.

프리젠테이션 내내 Aldridge는 고주파 거래가 장기 포트폴리오 관리자에게 영향을 미치지 않는다는 오해에 도전합니다. 그녀는 시장의 시스템적 변화가 시간 지평에 관계없이 모든 투자 전략에 영향을 미친다고 주장합니다. Aldridge는 전기 공학, 소프트웨어 개발, 위험 관리 및 재무에 대한 전문 지식을 바탕으로 실시간 위험 평가 및 포트폴리오 최적화와 같은 새로운 영역 탐색의 중요성을 강조합니다.

Aldridge는 수동 거래가 주식, 외환, 고정 수입 및 상품 거래에서 자동화된 시스템에 자리를 내주면서 금융 산업에서 자동화로의 상당한 변화를 강조합니다. 관련성을 유지하기 위해 업계 참여자들은 빅 데이터 및 기계 학습 기술을 수용했습니다. 그러나 그녀는 자동화로 인해 전문 지식이 쓸모없게 될 것을 두려워하는 일부 거래자들의 초기 저항을 인정합니다.

연사는 빅 데이터의 진화와 포트폴리오 최적화에서의 역할을 탐구합니다. 그녀는 방대한 양의 정형 및 비정형 데이터의 가용성이 금융 환경에 혁명을 일으켰다고 지적합니다. Aldridge는 SVD(Singular Value Decomposition)와 같은 기술을 통해 대규모 데이터 세트를 처리하여 귀중한 통찰력을 추출하는 방법을 설명합니다. SVD는 투자 결정을 알리기 위해 가능한 한 많은 데이터를 통합하는 것을 목표로 포트폴리오 할당 자동화에 점점 더 많이 사용되고 있습니다.

Aldridge는 특이값 분해를 사용하여 데이터 차원을 줄이는 과정을 탐구합니다. 이 과정을 통해 도출된 특이값을 플로팅함으로써 연구원들은 나머지 벡터를 노이즈로 처리하면서 중요한 정보를 포함하는 벡터를 식별할 수 있습니다. 이 기술은 시가 총액, 베타, 가격 및 일중 변동성을 포함한 다양한 금융 데이터 세트에 적용될 수 있습니다. 그 결과 감소된 데이터 세트는 연구 목적을 위한 신뢰할 수 있는 지침을 제공하고 장기적인 포트폴리오 최적화를 위한 중요한 요소를 식별하는 데 도움을 줍니다.

발표자는 가격, 시장 위험(베타), 시가 총액 및 배당 수익률과 같이 포트폴리오 분석가가 사용하는 공통 요소에 대해 논의합니다. 기관 활동도 중요한 요소이며 Aldridge는 진드기 데이터를 분석하고 패턴을 감지하기 위해 빅 데이터를 사용하는 것을 강조합니다. 기관 활동을 인식하면 시장 참여자에게 가시적인 신호를 제공하여 거래량 증가와 유리한 실행으로 이어집니다.

Aldridge는 공격적 및 수동적 HFT 전략과 유동성에 미치는 영향을 구분합니다. 주문 취소를 특징으로 하는 공격적인 HFT 전략은 유동성을 잠식하고 위험에 기여할 수 있는 반면 시장 조성과 같은 수동적인 HFT 전략은 유동성을 제공하여 변동성을 줄일 수 있습니다. 그녀는 기관 투자자들이 거래량 가중 평균 가격을 선호하고 거래량 정보가 항상 제공되지 않을 수 있는 외환과 같은 특정 시장에서 시간 가중 평균 가격을 사용한다고 지적합니다.

연사는 다양한 교환, 축소된 시간 간격, 여러 교환 중에서 최상의 비즈니스 및 최상의 제안을 결정해야 하는 필요성을 고려할 때 일중 볼륨 데이터로 인해 발생하는 문제를 해결합니다. 이러한 어려움에도 불구하고 Aldridge는 일중 볼륨 데이터를 분할하고 분석하는 데 있어 혁신과 추가 연구를 위한 상당한 기회를 보고 있습니다. 그녀는 SEC에서 운영하는 SIP(Security Information Processor)를 언급하며 여러 거래소의 지정가 주문을 집계하지만 서로 다른 거래소에서 문제를 조정하고 해결해야 하는 지속적인 과제를 인정합니다.

Aldridge는 포트폴리오 최적화의 미개척 미세 구조적 요인과 위험을 강조합니다. 장기 포트폴리오 관리자는 전통적으로 위험-수익률 특성에 초점을 맞추고 미세구조적 요소를 간과하지만 Aldridge는 이를 입력으로 통합하고 사용 가능한 풍부한 데이터를 활용할 것을 제안합니다. 그녀는 단일 값 분해를 사용하여 이전 수익을 기반으로 성과를 예측하고 빅 데이터를 활용하여 실시간 위험을 식별하고 해결하는 단계적 접근 방식을 제안합니다. 알고리즘은 인간 트레이더가 알아차리지 못할 수 있는 핑 주문과 같은 교환의 복잡한 복잡성을 식별하고 활용하는 데 도움이 될 수 있습니다.

전통적인 포트폴리오 최적화의 한계에 도전하기 위해 Aldridge는 미세 구조적 요소와 기타 시장 역학을 통합하는 보다 포괄적인 접근 방식을 도입합니다. 그녀는 ETF 및 플래시 크래시와 같은 요인의 파괴적 잠재력을 강조하고 상관관계 매트릭스만으로는 위험 분석에 충분하지 않을 수 있음을 강조합니다. 광범위한 시장 움직임을 넘어서는 독립적인 미세 구조적 요인을 고려함으로써 Aldridge는 수익률을 높이고 샤프 비율을 개선할 수 있는 미묘한 포트폴리오 최적화 전략을 지지합니다. 그녀의 접근 방식에 대한 자세한 내용은 그녀의 책에서 찾을 수 있으며 고주파 거래에 대한 청중의 질문을 환영합니다.

Aldridge는 하루 동안의 고주파 거래의 지속성과 장기 포트폴리오 할당에 대한 영향에 대해 자세히 설명합니다. 그녀는 시간이 지남에 따라 특정 범위 내에서 안정성을 나타내는 Google의 일중 고빈도 거래량의 예를 통해 이를 설명합니다. Aldridge는 고가 주식의 고주파 거래와 관련된 낮은 비용과 페니 주식의 고주파 거래량 비율이 낮다는 점을 강조합니다. 또한 그녀는 코딩 복잡성으로 인해 종종 고빈도 거래자가 고배당 주식에 참여하는 것을 방해한다고 지적합니다. 공격적인 고주파 거래 전략에는 시장가 주문 또는 시장 가격에 근접한 공격적인 지정가 주문이 포함됩니다.

발표자는 퀀트 전략의 3년 수명 주기를 설명하고 퀀트가 성공적인 전략을 수립하는 데 직면한 문제를 조명합니다. 첫해는 일반적으로 이전 직업에서 성공적인 전략을 가져오고 좋은 보너스를 받는 것과 관련됩니다. 두 번째 해는 혁신을 시도하는 것으로 표시되지만 많은 사람들이 이 기간 동안 성공적인 전략을 개발하는 데 어려움을 겪습니다. 3년 차에는 성공적인 전략을 찾은 사람들이 좋은 보너스를 받을 수 있고, 다른 사람들은 떠나고 이전 전략을 새로운 회사로 가져갈 수 있습니다. 이것은 조정되거나 약간 수정될 수 있고 종종 거의 같은 시간에 거래를 실행할 수 있는 유사한 고주파 거래 전략의 집중에 기여합니다. Aldridge는 다른 형태의 자동화와 마찬가지로 고주파 거래가 유익하며 무시해서는 안 된다고 강조합니다.

Aldridge는 데이터 분석에서 가상 현실과 자동화의 잠재력에 대해 논의하면서 프레젠테이션을 마무리합니다. 그녀는 양말 한 켤레 구입과 Dell 컴퓨터 구입의 예를 사용하여 베타 기반 포트폴리오 및 요소의 유용성과 베타의 변화가 가격에 미치는 영향에 대해 설명합니다. 영업일에 반품을 정상화하고 무작위성을 해결하는 것의 중요성도 강조됩니다. Aldridge는 방어의 한 형태로 요소를 사용하는 것을 제안하고 요소를 사용하는 것이 즐거운 접근 방식이 될 수 있음을 강조합니다.

한 섹션에서 Aldridge는 포트폴리오의 각 주식에 대한 중요도 또는 계수를 결정하는 데 컴퓨터 매트릭스를 적용하는 방법을 설명합니다. 매트릭스는 수익을 조정하고 보다 정확한 결과를 얻기 위해 분산 공분산 및 축소 기술을 통합합니다. 전날 수익률의 패턴을 식별함으로써 매트릭스는 미래 결과를 예측하고 포트폴리오를 최적화할 수 있습니다. 논의된 장난감 모델은 기본적인 예를 나타내지만 장기적인 포트폴리오 최적화를 위해 컴퓨터 매트릭스를 사용할 수 있는 가능성을 보여줍니다.

요약하면, Irene Aldridge의 프레젠테이션은 초단타매매가 장기 포트폴리오 관리자와 진화하는 금융 산업 환경에 미치는 영향에 대한 귀중한 통찰력을 제공합니다. 그녀는 포트폴리오 최적화에서 자동화, 빅 데이터 및 기계 학습의 역할을 강조합니다. Aldridge는 일중 볼륨 데이터가 제시하는 문제와 기회에 대해 논의하고, 미세 구조적 요소 통합을 옹호하며, 실시간 위험 식별에 대한 단계별 접근 방식을 제안합니다. 그녀의 아이디어는 포트폴리오 최적화에 대한 보다 미묘한 이해에 기여하고 데이터 분석을 위한 가상 현실 및 자동화의 잠재력을 강조합니다. Aldridge의 포괄적인 접근 방식은 포트폴리오 관리자가 기술 발전을 수용하고 방대한 양의 데이터를 활용하여 정보에 입각한 투자 결정을 내리도록 권장합니다.

또한 Aldridge는 전통적인 포트폴리오 최적화에서 종종 눈에 띄지 않는 미세 구조적 요인을 고려하는 것의 중요성을 강조합니다. ETF 및 플래시 충돌과 같은 요인을 분석에 통합함으로써 포트폴리오 관리자는 시장 역학 및 관련 위험을 보다 정확하게 이해할 수 있습니다. 그녀는 상관관계 매트릭스만으로 위험 분석에 충분하다는 개념에 도전하고 독립적인 미세 구조 요인을 고려하는 보다 정교한 접근 방식을 제안합니다. 이 접근 방식은 포트폴리오 수익을 높이고 위험 조정 성과를 개선할 수 있는 잠재력이 있습니다.

Aldridge는 또한 고주파 거래의 복잡한 세계를 조명합니다. 그녀는 공격적인 HFT 전략과 수동적인 HFT 전략의 차이점에 대해 논의하고 시장 유동성과 변동성에 미치는 영향을 강조합니다. 주문 취소와 관련된 공격적인 전략은 유동성을 잠식하고 위험을 증가시킬 수 있지만 지정가 주문 및 시장 조성에 초점을 맞춘 수동적 전략은 유동성을 제공하고 변동성을 줄일 수 있습니다. 고주파 거래의 역학과 포트폴리오 할당에 미치는 영향을 이해하는 것은 장기 포트폴리오 관리자에게 필수적입니다.

또한 Aldridge는 일중 볼륨 데이터와 관련된 문제와 기회에 대해 설명합니다. 여러 번의 교환과 축소된 시간 간격으로 인해 이 데이터를 효과적으로 분석하고 해석하는 것은 복잡할 수 있습니다. 그러나 Aldridge는 이를 혁신과 추가 연구의 기회로 보고 있습니다. 그녀는 SEC에서 운영하는 SIP(Security Information Processor)에 대해 언급합니다. 이 프로세서는 다양한 거래소의 지정가 주문을 집계하여 최상의 비즈니스와 최상의 제안을 결정합니다. 그러나 그녀는 서로 다른 교류 간의 문제를 조정하고 해결하는 것이 여전히 어려운 과제임을 인정합니다.

Aldridge의 프레젠테이션은 또한 포트폴리오 최적화에서 방어 수단으로 팩터를 사용하는 것의 중요성을 강조합니다. 포트폴리오 관리자는 기존의 위험-수익 특성을 넘어선 다양한 요소를 고려하여 더 깊은 통찰력을 얻고 의사 결정 프로세스를 개선할 수 있습니다. 시가 총액, 베타, 가격 및 일중 변동성과 같은 요소는 장기 포트폴리오를 최적화하는 데 유용한 정보를 제공할 수 있습니다.

마지막으로 Aldridge는 데이터 분석에서 가상 현실과 자동화의 잠재력을 다룹니다. 이러한 기술 발전은 복잡한 재무 데이터를 분석하고 시장 역학을 더 깊이 이해할 수 있는 새로운 가능성을 제공합니다. 자동화의 힘을 활용하고 가상 현실 도구를 활용함으로써 포트폴리오 관리자는 데이터 분석 기능을 향상하고 정보에 입각한 투자 결정을 내릴 수 있습니다.

결론적으로, 고주파 거래의 영향과 진화하는 금융 환경에 대한 Irene Aldridge의 논의는 장기 포트폴리오 관리자에게 귀중한 통찰력을 제공합니다. 자동화, 빅 데이터 및 기계 학습에 대한 그녀의 탐구는 포트폴리오 최적화에서 이러한 기술의 혁신적인 잠재력을 강조합니다. 미시 구조적 요인을 통합하고 요인을 방어 수단으로 활용하고 기술 발전을 수용함으로써 포트폴리오 관리자는 변화하는 시장 역학에 적응하고 최적의 장기 포트폴리오 성과를 달성할 수 있는 새로운 기회를 열 수 있습니다.

  • 00:00:00 Irene Aldridge는 고주파 거래가 장기 포트폴리오 관리자에게 영향을 미치지 않는다는 오해에 대해 논의합니다. 많은 운용사가 자산을 장기간 보유할 수 있으므로 고주파 거래의 영향을 피할 수 있다고 주장하지만 Aldridge는 실제로 장기 포트폴리오 운용사에게 영향을 미친다고 주장합니다. 그녀는 시장의 시스템적 변화와 그것이 모든 사람에게 미치는 영향이 투자 전략이 장기인지 단기인지에 관계없이 포트폴리오 관리자에게 영향을 미칠 수 있다고 설명합니다. Aldridge는 전기 공학, 소프트웨어 개발, 위험 관리 및 재무에 대한 배경 지식을 가지고 있으며 그녀의 작업에는 실시간 위험 및 포트폴리오 최적화와 같은 새로운 영역 탐색이 포함됩니다.

  • 00:05:00 이 섹션에서 연사는 금융 산업의 자동화로의 전환과 10년 전만 해도 대부분의 거래가 수동으로 수행된 방법에 대해 논의합니다. 그러나 이제 자동화는 주식 거래뿐만 아니라 외환, 채권 및 상품 거래에서도 널리 보급되었습니다. 자동화의 목표는 사람의 거래를 대체하는 것이며 업계에서 관련성을 유지하는 사람들은 최신 정보를 유지하기 위해 빅 데이터와 머신 러닝을 수용했습니다. 그러나 일부 거래자들은 즉각적인 자동화와 자신의 노후화로 이어질 것을 두려워하여 컴퓨터와 지식을 공유하는 것을 거부했습니다.

  • 00:10:00 Irene Aldridge가 빅 데이터의 진화와 그것이 포트폴리오 최적화에 어떻게 사용되는지에 대해 이야기합니다. 그녀는 불과 몇 년 전만 해도 대부분의 금융 기관이 많은 양의 데이터에 액세스할 수 없었지만 상황이 바뀌었고 이제는 유용한 통찰력을 얻기 위해 다양한 방식으로 처리할 수 있는 정형 및 비정형 데이터 데이터베이스가 있다고 말합니다. 그러한 방법 중 하나는 SVD(Singular Value Decomposition)로, 방대한 양의 데이터를 보다 관리하기 쉬운 형태로 줄입니다. Aldridge는 SVD가 자동화 직전의 산업인 포트폴리오 할당을 자동화하는 데 어떻게 사용되고 있는지 설명합니다. 일부 회사는 여전히 연구원을 사용하여 월간 데이터를 분석하고 해당 데이터를 기반으로 투자 결정을 내리지만 추세는 투자 결정을 알리기 위해 가능한 한 많은 데이터를 통합하는 것입니다.

  • 00:15:00 Irene Aldridge가 특이값 분해를 통해 데이터 차원을 줄이는 프로세스에 대해 설명합니다. 이 과정을 통해 추출된 특이값을 플로팅함으로써 연구자는 어떤 벡터에 중요한 정보가 포함되어 있는지 파악하고 나머지는 노이즈로 간주하고 해당 벡터를 유지하는 데 집중할 수 있습니다. 이 기술은 시가 총액, 베타, 가격 및 일중 변동성과 같은 금융 데이터를 포함한 다양한 데이터 세트에 적용될 수 있습니다. 그 결과 감소된 데이터 세트는 연구 목적을 위한 신뢰할 수 있는 지침을 제공하고 장기적인 포트폴리오 최적화를 위한 중요한 요소를 식별하는 데 도움이 됩니다.

  • 00:20:00 이 섹션에서 Irene Aldridge는 가격 및 시장 위험 또는 베타와 같이 포트폴리오 분석가가 일반적으로 사용하는 요소에 대해 설명합니다. 시가총액과 배당수익률은 MSCI, Barra 등과 같은 회사에서 사용하는 프레임워크에 포함되는 포트폴리오 최적화에 사용되는 요소이기도 합니다. Aldridge는 진드기 데이터에 대한 빅 데이터를 사용하고 데이터에서 특정 패턴을 찾는 방법을 설명합니다. 제도적 활동은 시장 참여자에게 눈에 보이는 신호이기 때문에 중요하며, 이는 다른 시장 참여자의 급락으로 이어져 주문량이 증가하고 주문의 호의적인 실행으로 이어질 수 있습니다.

  • 00:25:00 Irene Aldridge가 유동성에 영향을 미치는 적극적인 HFT 전략과 수동적인 HFT 전략의 차이점에 대해 논의합니다. 공격적인 HFT 전략은 알파 기반이 될 수 있으며 유동성을 잠식하고 위험에 기여하는 많은 주문 취소를 포함하는 반면 시장 조성과 같은 순전히 제한 주문을 포함하는 수동적 HFT 전략은 더 많은 유동성을 제공하여 변동성을 줄일 수 있습니다. 기관 투자자는 거래량 가중 평균 가격을 선호하는 반면, 시간 가중 평균 가격은 여전히 거래량이 항상 사용 가능하지 않은 외환과 같은 일부 시장에서 사용됩니다. 전반적으로 HFT는 이점과 위험이 모두 있는 복잡한 주제입니다.

  • 00:30:00 이 섹션에서 Irene Aldridge는 데이터 열의 구조와 많은 수의 교환, 변경 시간 간격 축소, 최고의 비즈니스 및 여러 교환 중 최고의 제안. 어려움에도 불구하고 그녀는 일중 볼륨 데이터가 여러 가지 방법으로 쪼개질 수 있고 혁신과 추가 연구를 위한 기회를 제공한다고 믿습니다. 그녀는 또한 여러 거래소의 지정가 주문을 집계하고 최고의 비즈니스와 최상의 제안을 결정하는 SEC에서 운영하는 SIP(Security Information Processor)에 대해 언급하지만 서로 다른 거래소 간의 문제를 조정하고 해결하는 것은 여전히 어려운 일이라고 지적합니다.

  • 00:35:00 연사는 장기 포트폴리오 관리자가 주로 위험-수익 특성에 관심이 있고 실행에는 관심이 없지만 입력으로 사용할 수 있는 완전히 탐구되지 않은 많은 미세 구조와 위험 요소가 있다고 설명합니다. 뿐만 아니라 새로운 정보와 통찰력을 제공할 수 있는 많은 데이터. 그들은 단일 값 분해를 사용하여 이전 수익을 기반으로 성과를 예측하고 빅 데이터를 활용하여 실시간 위험을 식별하고 해결하는 단계적 접근 방식을 제안합니다. 발표자는 또한 인간 거래자에게 항상 명확하지는 않지만 알고리즘을 사용하여 식별하고 활용할 수 있는 교환에는 많은 핑 주문 및 기타 복잡성이 있음을 언급합니다.

  • 00:40:00 이 섹션에서 Irene Aldridge는 장기 투자를 위한 기존 포트폴리오 최적화의 한계에 대해 논의하고 미세 구조 및 기타 시장 요소를 최적화 프로세스에 통합하는 새로운 접근 방식을 소개합니다. 그녀는 ETF 및 플래시 크래시와 같은 요인이 어떻게 시장을 혼란에 빠뜨릴 수 있는지, 상관관계 매트릭스가 위험 분석에 충분하지 않을 수 있는 이유를 설명합니다. 더 큰 시장 움직임과 독립적인 미세 구조적 요인을 고려함으로써 Aldridge는 수익률과 샤프 비율을 개선할 수 있는 포트폴리오 최적화에 대한 보다 미묘한 접근 방식을 제안합니다. 그녀는 그녀의 접근 방식이 그녀의 책에서 더 자세히 다루어지고 고주파 거래에 대한 청중의 질문을 받는다고 언급합니다.

  • 00:45:00 Irene Aldridge는 하루 동안 고주파 거래의 지속성과 그것이 장기 포트폴리오 할당에 미치는 영향을 설명합니다. 그녀는 일중 고빈도 거래량이 0에서 100 사이일 수 있지만 시간이 지남에 따라 Google의 경우 36-42% 범위로 꽤 안정적이라고 지적합니다. 이 안정성은 다른 주식에서도 지속됩니다. 초단타매매는 고가주를 거래할 때 비용이 적게 들고, 소액주에 대한 초단타매매 거래량 비율이 낮습니다. 또한 고주파 거래자는 코딩 복잡성으로 인해 고배당 주식을 피하는 경향이 있습니다. 공격적인 초단타매매는 시장가 주문이나 시장가에 근접한 공격적인 지정가 주문을 이용하는 거래입니다.

  • 00:50:00 Irene Aldridge는 퀀트 전략의 3년 수명 주기에 대해 설명합니다. 첫 해에는 퀀트가 이전 직장에서 성공적인 전략을 가져와 좋은 보너스를 받고 두 번째 해에는 혁신을 시도하지만 많은 사람들이 성공적인 전략을 세우기 위해 고군분투하고, 3년차에 좋은 것을 발견하면 좋은 보너스를 받을 수 있고 그렇지 않으면 이전 전략을 새로운 상점으로 가져갑니다. 이것은 조정되거나 약간 수정될 수 있고 종종 거의 동시에 실행되는 유사한 고주파 거래 전략의 집중에 기여합니다. Aldridge는 바닥을 청소하는 로봇이나 난방 및 냉방을 제어하는 홈 자동화 시스템과 마찬가지로 자동화이기 때문에 고주파 거래가 좋고 변명의 여지가 없다고 생각합니다.

  • 00:55:00 Able Alpha Trading의 사장 겸 전무 이사인 Irene Aldridge가 데이터 분석을 위한 가상 현실 및 자동화의 잠재력에 대해 논의합니다. 그녀는 또한 베타 기반 포트폴리오의 유용성과 요인에 대해 언급하면서 양말 한 켤레와 Dell 컴퓨터 구입의 예를 인용하고 베타의 변화가 가격에 어떻게 다른 영향을 미치는지 언급합니다. 그녀는 수익 정상화의 중요성을 강조하고 영업일의 무작위성 문제를 해결합니다. 마지막으로 Aldridge는 방어의 한 형태로서 요소의 사용을 다루고 요소를 사용하는 것이 재미있을 수 있음을 제안합니다.

  • 01:00:00 이 섹션에서 Aldridge는 컴퓨터 매트릭스를 사용하여 포트폴리오의 각 주식에 대한 중요도 또는 계수를 결정하는 방법에 대해 설명합니다. 행렬의 행은 각 주식을 나타내며 첫 번째 행은 사과를 나타내고 다른 행은 다른 주식에 대한 시장 데이터입니다. 분산 공분산 및 축소를 통합함으로써 매트릭스는 수익을 통합하고 보다 구체적인 결과에 도달하기 위해 조정을 할 수 있습니다. 이것은 전날의 수익에서 X-mas를 찾고 거기에서 예측함으로써 이루어집니다. 설명된 장난감 모델은 기본적인 예에 불과하지만 컴퓨터 매트릭스를 사용하여 포트폴리오를 최적화하는 방법을 보여줍니다.
 

양적 거래의 기초



양적 거래의 기초

양적 거래의 기초에 관한 이 비디오에서 알고리즘 거래자 Shaun Overton은 알고리즘 거래와 관련된 도전과 기회에 대해 논의합니다. Overton은 데이터 수집, 분석 및 거래가 알고리즘 거래와 관련된 세 가지 간단한 문제라고 설명하지만 고품질 데이터를 찾고 적절한 분석으로 인해 프로세스가 복잡해질 수 있습니다. 선호하는 거래 유형에 따라 가장 인기 있는 플랫폼은 MetaTrader, NinjaTrader 및 TradeStation이며, 좋은 데이터와 기능으로 거래자의 목표를 충족하는 올바른 플랫폼을 선택하는 것은 어려울 수 있습니다. Overton은 또한 라이브 시장에서 거래할 때 계정을 폭파하는 것이 얼마나 쉬운지와 위험 관리가 얼마나 중요한지에 대한 가혹한 현실에 대해서도 논의합니다. 또한 그는 퀀트 트레이더가 시장에서 과도하게 확장된 움직임을 예측할 수 있는 방법을 설명하고 통화 전쟁의 영향에 대해 논의합니다.

YouTube의 "양적 거래의 기초" 비디오는 감정 분석 및 차트 라인을 기반으로 한 장기 전략을 포함하여 알고리즘 거래를 위한 다양한 전략을 다룹니다. 그러나 가장 큰 수익은 빅테일 이벤트 및 추세 중에 발생합니다. 비디오 참석자들은 백테스팅을 위한 다양한 플랫폼, 거래 분석을 위한 여러 플랫폼 통합 문제, 거래 전략 공식화 및 자동화에 대한 관심 증가에 대해 논의합니다. 일부 장기 트레이더는 오랫동안 게임을 해왔기 때문에 자동화를 추구하며 프로그래밍 언어의 경우 NinjaTrader를 권장하지만 한계가 있습니다.

  • 00:00:00 알고리즘 거래자 Shaun Overton은 알고리즘 거래와 관련된 세 가지 간단한 문제인 데이터 수집, 분석 및 거래에 대해 설명합니다. 그러나 특히 거래는 신중한 데이터 검토가 필요한 경우 고품질 데이터를 찾고 적절한 분석과 같은 장애물로 인해 프로세스가 복잡해질 수 있습니다. 무료 옵션을 사용한 거래는 데이터에 중복이나 차이가 있을 수 있으므로 권장하지 않습니다. 또한 유료 옵션을 사용하는 것은 상품당 수천 달러의 비용이 들 수 있으므로 소매 거래자의 리그를 벗어납니다. 그럼에도 불구하고 소프트웨어 및 브로커 API를 제공하는 플랫폼을 사용하여 거래를 단순화할 수 있습니다.

  • 00:05:00 연사가 데이터 분석 및 거래에 사용할 수 있는 다양한 소프트웨어 옵션에 대해 설명합니다. 외환 거래에서 가장 인기 있는 플랫폼은 선호하는 거래 유형에 따라 MetaTrader, NinjaTrader 및 TradeStation입니다. MetaTrader는 압도적으로 가장 인기가 있으며 전 세계에 이를 제공하는 브로커가 천 명 이상 있습니다. 발표자는 이러한 옵션과 같은 사전 구축된 플랫폼을 사용하면 거래 및 데이터 분석이 더 간단해지고 거래 시 분석을 여러 번 다시 코딩할 필요가 없다고 설명합니다. 발표자는 또한 각 플랫폼에서 사용되는 다양한 프로그래밍 언어에 대해 설명합니다.

  • 00:10:00 연사는 양적 거래를 위한 다양한 플랫폼에 대해 논의하고 TradeStation의 플랫폼과 언어를 모방하여 Multicharts가 어떻게 인기를 얻게 되었는지 설명합니다. 그러나 언어 간에 차이가 있으며 항상 완벽하게 호환되는 것은 아닙니다. 연사는 또한 양적 거래에서 데이터의 중요성과 각 플랫폼에 수반되는 문제에 대해 이야기합니다. 그는 MetaTrader가 사용하기 간단하지만 보다 복잡한 분석을 수행할 만큼 정교하지 않으며 제공된 데이터의 품질이 좋지 않은 경우가 많다고 지적합니다. 전반적으로 발표자는 트레이더의 목표를 충족하는 좋은 데이터와 기능을 갖춘 플랫폼을 신중하게 선택하는 것이 중요하다고 강조합니다.

  • 00:15:00 Shaun Overton이 양적 거래 전략을 위한 데이터 수집 및 저장 문제에 대해 논의합니다. 그는 수년간의 테스트 데이터를 저장하려는 시도의 어려움과 서버 제한으로 인해 브로커가 데이터를 얻는 데 제한이 있다고 설명합니다. 그는 MetaTrader가 무료 데이터를 제공하지만 고품질 데이터는 아니며 NinjaTrader는 좋은 데이터를 제공하지만 설정하는 데 가파른 학습 곡선이 있다고 지적합니다. 그는 또한 거래자와 특정 중개인을 결합하여 특정 중개인과 관련된 프로그래밍 전략의 위험에 대해 경고하여 만족스럽지 않으면 전환하기 어렵게 만듭니다. 그는 나쁜 서비스와 잘못된 실행을 포함하여 트레이더가 중개인에게 화를 낼 수 있는 이유를 나열합니다.

  • 00:20:00 Shaun Overton은 브로커가 거래자와 거래에서 돈을 벌기 위해 하는 몇 가지 문제와 게임에 대해 설명합니다. 중개인은 시장 가격을 조작하고 거래를 통해 하나의 가격을 표시한 다음 거래자가 더 나쁜 가격을 수락하도록 함으로써 거래자가 거래에 대해 더 많은 비용을 지불하도록 할 수 있습니다. 또한 거래자는 대기 시간이 짧거나 소프트웨어 오류로 인해 잘못된 실행을 받을 수 있습니다. 현재 알고리즘 거래의 가장 큰 문제는 제도화된 부패와 기술 사고로 인해 기관이 어떻게 거래자로부터 돈을 훔칠 수 있는지, 거래를 조작하기 위한 자체 규칙이 있는 다크 풀 및 기타 거래 장소입니다.

  • 00:25:00 연사는 양적 거래를 위한 브로커별 플랫폼의 한계에 대해 논의합니다. 매우 간단한 전략에는 효율적일 수 있지만 한계가 있으며 더 정교한 전략을 지원할 수 없습니다. 발표자는 연구 품질이 우수하고 맞춤형 프로그래밍 및 GUI 조정이 가능한 NinjaTrader 및 MultiCharts와 같은 안정적인 플랫폼을 추천합니다. 그러나 화자는 이러한 플랫폼은 여러 차트와 대화할 수 있는 능력이 부족하고 많은 수작업이 필요하기 때문에 포트폴리오 관리나 자금 운용에 적합하지 않다고 경고합니다.

  • 00:30:00 Shaun Overton은 라이브 시장에서 거래할 때 계정의 90-95%가 6개월 또는 1년 이내에 폐쇄되는 것이 얼마나 쉬운지에 대한 가혹한 현실에 대해 논의합니다. 중개인이 수수료 또는 위험을 통해 돈을 버는 방법에는 두 가지가 있으며, 종종 더 인기 있고 수익성이 좋은 방법은 거래 손실을 감수하는 것입니다. 일반 거래자들은 변동성이 낮을 때 돈을 벌지만, 변동성이 높을 때는 100% 손해를 입습니다. 위험 관리에 대해 이야기하지만 대부분의 사람들에게는 단지 뜨거운 공기일 뿐이며 위험을 관리하지 않음으로써 계속해서 돈을 잃습니다.

  • 00:35:00 Shaun은 변동성이 퀀트 트레이딩 전략에 미치는 영향과 소매 트레이더가 시장 예측에서 어떻게 잘못된 경향이 있는지에 대해 설명합니다. 그는 고객 계정에 액세스할 수 있는 브로커가 롱 포지션과 숏 포지션의 비율을 추적하는 방법과 이 정보를 사용하여 과도하게 확장된 움직임을 예측하는 방법을 설명합니다. Overton은 MyFxBook 및 OANDA와 같은 웹사이트가 시장 포지셔닝에 대한 데이터를 게시하면서 이 정보가 더욱 널리 사용 가능해지고 있다고 말합니다. 그러나 그는 이 정보가 중개인에게는 금광이 될 수 있지만 안정적인 현금 흐름을 제공하지 못할 수 있으며 막대한 손실을 초래할 수 있다고 경고합니다.

  • 00:40:00 Shaun Overton은 퀀트 트레이더가 주요 은행의 고객 자금을 조사하여 특정 방향으로 진행되는 거래 비율을 기반으로 롱 및 숏 전략을 고안할 수 있는 가능성에 대해 논의합니다. 그는 또한 특히 최근의 부정적인 뉴스에 비추어 주식 시장에 참여하는 개인 투자자들의 회의론에 대해 언급하여 지난 폭락 이후 수십억 달러의 인출로 이어졌습니다. Overton은 또한 대형 펀드 매니저와 이들이 대기업 주식에 미치는 영향에 관한 CNBC의 최근 뉴스 기사를 언급하여 시장을 움직이는 기관 자금의 힘을 보여줍니다.

  • 00:45:00 기관 거래, 특히 외환 거래가 거래자의 평균 계정 크기로 인해 소매 거래만큼 시장에 영향을 미치지 않을 수 있는 방법에 대해 논의합니다. 하지만 평가액이 커지고 거래량이 많아질수록 시세를 조작하는 사람이 많아지고, 술취한 거래 같은 작은 사건이라도 시장에 영향을 미칠 수 있다. 통화의 주요 동인은 금리이며, 모두가 제로 금리를 원하는 통화 전쟁이므로 어느 나라 통화가 가장 약한지 판단하기가 더 어려워집니다. 마지막으로 일본의 통화쌍인 Dollar Yen을 역사의 관점에서 분석하고 가격 하락이 달러 약세 및 엔화 강세와 어떻게 관련될 수 있는지 분석합니다.

  • 00:50:00 Shaun Overton이 통화 전쟁이 수출업체에 미치는 영향에 대해 논의합니다. 그는 그들이 운영하는 통화의 가치가 증가할 때 Toyota와 같은 수출업체가 얼마나 큰 영향을 받는지 설명합니다. Overton은 현재 주요 통화 간에 통화 전쟁이 벌어지고 있으며, 국가들이 스스로를 평가 절하하려고 노력하고 있으며 모두가 0이 되기 위해 경쟁하고 있다고 말합니다. 따라서 거래자들은 이 환경에서 최고가 될 것이기 때문에 누가 통화를 파괴하는 데 최악의 일을 할 것인지 추측해야 합니다. Overton은 달러가 현재 재앙이지만 지금까지 최고의 재앙이라고 생각합니다. 9.11 테러 및 후쿠시마 재해와 같은 국가별 사회적 위험 및 사건도 통화 가격에 영향을 미칠 수 있습니다.

  • 00:55:00 연사는 얇은 시장과 이국적인 통화 거래에 대해 논의했습니다. 알고리즘 거래의 경우 유동성과 얇은 스프레드가 필요하므로 남아공 랜드나 터키 리라와 같은 덜 인기 있는 통화로 거래하기 어렵다고 언급되었습니다. 더욱이 이러한 통화의 스프레드는 유로화를 달러화로 거래하는 데 드는 비용보다 8~9배 더 많을 수 있어 수익을 내기가 어렵습니다. 계좌가 50,000 미만인 사람들을 위한 전략과 관련하여 연사는 시장 포지션에 대한 통찰력을 얻기 위해 선물 시장에서 거래자의 약속 보고서와 같은 것에 초점을 맞추는 것이 중요하다고 언급합니다.

  • 01:00:00 그룹은 감정 분석 및 차트 라인을 기반으로 한 간단한 장기 전략을 포함하여 알고리즘 거래를 위한 다양한 전략에 대해 논의합니다. 거래의 어려움은 대부분의 경우 노이즈에 불과하기 때문에 수익 분배를 이해하는 것입니다. 그러나 가장 큰 수익은 빅테일 이벤트 및 추세 중에 발생합니다. 따라서 최고의 전략은 지속적으로 돈을 버는 것이 아니라 기회가 왔을 때 잡는 것입니다. 신호와 조치에 대한 욕구에도 불구하고 시장이 하려는 대로 하도록 두는 것이 가장 좋습니다. 시장 데이터를 분석하는 프로그램인 퀀토피안(Quantopian)도 언급된다.

  • 01:05:00 이 섹션에서는 "양적 거래의 기초" YouTube 비디오 참석자들이 백테스팅 및 최적화에 사용하는 다양한 플랫폼과 거래 분석 및 전략 개발을 위한 여러 플랫폼 통합의 문제에 대해 논의합니다. 일부 참석자들은 Quantopian이 개별 분석을 위한 플랫폼을 제공하고 잠재적으로 플랫폼 통합 문제를 해결하기 위해 중개인과 계약을 협상하고 있다고 언급하는 반면, 다른 사람들은 NinjaTrader와 같은 플랫폼의 한계와 다른 플랫폼과 통합의 어려움에 대해 논의하며 일부는 그들이 수동 거래 또는 간단한 백테스팅 도구로 더 적합합니다. 또한 Shaun Overton은 자신의 사업이 트레이더 자신의 전략을 공식화하고 자동화하는 데 중점을 두고 있으며, 참석자들은 개인 트레이더와 시장 모두 거래 전략을 공식화하고 자동화하는 데 점점 더 많은 관심을 보이고 있다고 언급했습니다.

  • 01:10:00 퀀트 트레이딩 세미나에 참석한 트레이더들이 특정 트레이딩 전략 자동화의 이점에 대해 질문합니다. 연사인 Shaun Overton은 10년, 20년 또는 심지어 30년 동안 게임에 있었던 일부 거래자들이 더 이상 하루 종일 전략을 모니터링할 필요가 없도록 전략을 자동화하기를 원한다고 말합니다. 거래 관련 프로그래밍 언어에 대해 논의할 때 Overton은 C Sharp에서 실행되기 때문에 NinjaTrader를 지지하지만 그 안에서 수행할 수 있는 작업에는 제한이 있음을 언급합니다.
Basics of Quantitative Trading
Basics of Quantitative Trading
  • 2013.02.26
  • www.youtube.com
http://www.onestepremoved.com/ Shaun Overton speaks to the meetup group Dallas Algorithmic Traders about quantitative trading. Most members of the audience h...
 

퀀트 트레이더란?



퀀트 트레이더란?

"퀀트 트레이더란?" Michael Halls-Moore가 퀀트 거래의 세계를 탐구하는 동영상으로 수학과 통계를 사용하여 거래 전략을 개발하고 시장 비효율성을 분석하는 방법을 설명합니다. 퀀트 펀드는 주로 단기 전략에 초점을 맞추지만 연사는 저주파 및 자동화된 접근 방식도 활용된다고 강조합니다. 기관 거래자는 위험 관리를 우선시하는 반면 소매 거래자는 이익에 의해 움직입니다. 효과적인 시장 제도 탐지는 중요하지만 시장의 무작위 이벤트로 인해 까다롭습니다. 퀀트 트레이더는 단일 모델에만 의존하지 말고 알려지거나 알려지지 않은 시장 역학을 설명하기 위해 새로운 모델을 지속적으로 연구하고 테스트하는 것이 좋습니다. 관련된 위험에도 불구하고 성공적인 퀀트 트레이더는 수수료에 대해 연간 35%의 인상적인 수익을 달성할 수 있습니다.

비디오에서 Michael Halls-Moore는 "퀀트 트레이더"의 개념에 대한 통찰력 있는 관점을 제공합니다. 그는 퀀트 트레이더가 계산 및 통계 방법을 활용하여 금융 분야에서 수학적 및 통계적 기법을 사용한다고 설명합니다. 그들의 작업은 거래 구조 프로그래밍에서 심층 연구 수행 및 강력한 거래 전략 개발에 이르기까지 광범위한 활동을 포함합니다. 매매 규칙이 중요한 역할을 하지만 퀀트 트레이더는 신호 생성기가 하나의 구성 요소에 불과한 더 큰 시스템 내에서 작동하기 때문에 규칙이 유일한 초점은 아닙니다.

퀀트 펀드는 일반적으로 고주파 거래에 참여하고 시장 자산 내에서 기술 및 미세 구조를 최적화하기 위해 노력합니다. 퀀트 거래와 관련된 기간은 마이크로초에서 몇 주까지 매우 다양할 수 있습니다. 소매 거래자는 빈도가 높은 스타일 전략을 채택할 수 있는 상당한 기회가 있습니다.

일반적인 생각과는 달리 퀀트 거래는 고주파 거래 및 차익 거래에만 초점을 맞추는 것이 아닙니다. 또한 저주파 및 자동화 전략을 통합합니다. 그러나 시스템의 물리적 비효율성을 활용하는 과학적 접근 방식으로 인해 퀀트 펀드는 주로 단기 전략에 집중합니다. 연사는 퀀트 거래 분야에서 번창하기 위해 과학적 배경과 거래 배경을 혼합하는 것이 중요하다고 강조합니다.

소매 거래자와 기관 거래자의 눈에 띄는 차이점은 위험 관리에 대한 접근 방식에 있습니다. 소매 거래자는 주로 이익 동기에 의해 움직이는 반면, 기관 거래자는 잠재적 수익을 희생하더라도 위험 관리를 우선시합니다. 기관 거래자는 위험 우선 사고 방식을 채택하고 실사, 스트레스 테스트 및 위험을 효과적으로 완화하기 위한 하방 보험 정책 구현을 강조합니다.

위험 관리에는 Kelly 기준과 같은 수학적 프레임워크를 사용하여 계정 자산을 기반으로 레버리지를 조정하는 것과 같은 다양한 기법이 포함됩니다. 보다 보수적인 트레이더는 통제된 성장률을 달성하기 위해 손실을 줄이는 것을 선택합니다. VIX와 같은 주요 위험 지표는 미래의 변동성을 측정하는 데 활용됩니다. 이러한 거래에서 위험 관리 시스템은 진입 시스템보다 더 중요합니다. 손절매는 추세 추종에 사용되지만, 평균 회귀 전략은 드로다운 계획을 위해 다양한 시나리오와 과거 데이터를 재평가하고 탐색해야 합니다. 거래 알고리즘을 구현하기 전에 위험 요소를 효과적으로 관리하기 위해 백 테스트 단계를 수행합니다.

이 비디오는 거래 전략을 걸러내고 직접 생산에 투입하는 것보다 이를 걸러내는 도구로 백테스팅을 사용하는 것의 중요성을 탐구합니다. 앞으로 걸어가는 동안 더 나쁜 손실을 예상하고 구현을 위한 전략의 적합성을 결정하기 위해 여과 메커니즘을 활용하는 것의 중요성을 강조합니다. 그런 다음 대화는 뚱뚱한 꼬리에 대한 Nassim Nicholas Taleb의 믿음을 탐구하고 기계 학습 기술을 사용하여 범위 거래 및 추세 거래 전략을 적용하여 시장 체제 감지를 가능하게 하는 방법을 탐구합니다.

효과적인 시장 체제 탐지는 양적 금융의 중요한 측면입니다. 그러나 금리 하락 및 시장 동향과 같은 무작위 이벤트에 의존하기 때문에 문제가 있습니다. 보다 정교한 기업은 기본 데이터를 추적하고 이를 모델에 통합하여 시장 체제 감지를 향상시킵니다. 거래 시 주식 또는 ETF의 선택은 특정 시장에 따라 다르며 올바른 자산을 선택하는 것은 복잡한 작업이 될 수 있습니다. 발표자는 이전의 변동성이 높았던 기간이 미래의 변동성과 시장 변화를 예측하는 통찰력을 제공할 수 있기 때문에 수학적 모델과 시장 펀더멘털의 조합이 블랙 스완 사건을 효과적으로 방어하는 데 중요하다고 강조합니다.

비디오는 퀀트 거래와 관련된 잠재적인 수익 및 위험을 추가로 탐색합니다. 퀀트 트레이더는 특히 박사 학위와 같은 견고한 교육 배경과 효율적인 관리 프로세스가 결합된 경우 수수료에 대해 연간 35%의 인상적인 수익을 올릴 수 있는 잠재력이 있습니다. 그러나 고주파 퀀트는 기본 하드웨어 또는 교환에서 변경 사항이 발생하여 잠재적으로 시스템 충돌로 이어질 때 문제에 직면할 수 있습니다.

관련된 위험에도 불구하고 장기적으로 수익성 있는 기회를 활용하여 15%에서 20%의 일관된 수익을 달성하는 것이 유리한 것으로 간주됩니다. 퀀트 트레이더는 문제에 직면했을 때 하나의 마법 알고리즘이나 패닉에 의존하지 않습니다. 대신 그들은 분석하기 복잡할 수 있지만 잠재적인 문제를 탐색하기 위해 미리 준비할 수 있는 통계적 특성을 탐구합니다.

비디오는 양적 거래에서 단일 모델에 대한 과도한 의존을 피하는 것의 중요성을 강조합니다. 과거의 월스트리트 붕괴와 모델의 결점으로 인한 투자 실패에서 알 수 있듯이 모델은 미래의 모든 사건을 정확하게 예측할 수 없습니다. 퀀트 트레이더는 새로운 모델을 지속적으로 연구하고 테스트하여 성과를 평가하는 것이 필수적입니다. 하락 기간은 거래 여정의 본질적인 부분이며 거래자는 이를 탐색할 준비가 되어 있어야 합니다.

결론적으로 일부 트레이더는 모델을 세세하게 관리하는 데 지나치게 집중할 수 있지만 모델이 알려지지 않은 미지수를 포함하여 모든 시장 역학을 설명하는지 이해하는 것이 중요합니다. 퀀트 트레이더는 시장 행동에 대한 종합적인 이해를 얻기 위해 수학적 모델과 시장 펀더멘털을 결합하는 다차원적 접근 방식을 채택해야 합니다. 지속적으로 전략을 다듬고 다양화함으로써 퀀트 트레이더는 끊임없이 진화하는 금융 환경에서 성공 가능성을 높일 수 있습니다.

  • 00:00:00 이 섹션에서 Michael Halls-Moore는 계산 및 통계적 방식으로 재무에서 수학 또는 통계를 사용하는 사람인 "퀀트 트레이더"의 의미를 설명합니다. 이는 거래 구조 프로그래밍에서 하드 코어 거래 연구 및 전략 개발에 이르기까지 다양합니다. 구매 및 판매 규칙의 중요성은 다른 측면만큼 중요하지 않으며 신호 생성기는 더 큰 시스템의 일부일 뿐입니다. 퀀트 펀드는 일반적으로 고주파 거래를 다루고 시장 자산 내에서 기술 및 미세 구조를 최적화하는 데 중점을 둡니다. 퀀트 트레이더의 일반적인 기간은 마이크로초에서 몇 주까지이며 소매 트레이더의 가장 큰 기회는 고주파 스타일 전략에 있습니다.

  • 00:05:00 이 섹션에서 우리는 퀀트 거래가 저주파 및 자동화 전략을 포함하기 때문에 고주파 거래 및 차익 거래에 관한 전부가 아니라는 것을 배웁니다. 그러나 퀀트 펀드는 일반적으로 시스템의 물리적 비효율성을 이용하는 과학적 접근 방식으로 인해 단기 전략에 중점을 둡니다. 연사는 과학적 배경과 거래 배경이 혼합된 것이 퀀트 거래에서 성공하는 데 중요하다고 믿습니다. 위험 관리와 관련하여 그는 소매 거래와 기관 거래 사이의 문화적 차이에 주목합니다. 후자는 위험 우선 사고 방식을 갖고 실사, 스트레스 테스트 및 하향 보험 정책을 강조합니다.

  • 00:10:00 이 섹션에서는 비디오에서 위험 관리와 관련하여 소매 및 기관 트레이더가 사용하는 다양한 접근 방식에 대해 설명합니다. 소매 트레이더는 주로 이익을 추구하는 반면, 기관 트레이더는 잠재적 수익이 가능한 것의 일부에 불과하더라도 위험 관리에 중점을 둡니다. 비디오는 켈리 기준을 계정 자산을 기반으로 레버리지를 조정하는 수학적 수단으로 언급하며, 보다 보수적인 트레이더는 더 통제된 성장률을 달성하기 위해 손실을 줄이는 슬라이드를 선택합니다. 또한 VIX와 같은 주요 위험 지표는 미래 변동성을 확인하는 데 사용됩니다. 위험 관리 시스템은 이러한 거래에서 입력 시스템보다 더 중요합니다. 손절매는 추세 추종에 활용되지만 거래자가 손실 계획을 위해 다양한 시나리오와 기록을 다시 생각하고 탐색하는 평균 회귀에는 사용되지 않습니다. 거래 알고를 시작하기 전에 위험 요소를 관리하기 위해 백 테스트 단계를 수행합니다.

  • 00:15:00 이 섹션에서는 면접관과 퀀트 트레이더가 거래 전략을 걸러내는 것의 중요성과 전략을 생산에 투입하는 수단이 아니라 전략을 걸러내는 수단으로 백테스팅을 사용하는 방법에 대해 논의합니다. 그들은 앞으로 걸어가는 동안 더 심각한 하락을 예상하고 여과 메커니즘을 사용하여 전략이 구현에 적합한지 여부를 결정하는 것의 중요성을 강조합니다. 그런 다음 대화는 뚱뚱한 꼬리에 대한 Taleb의 믿음과 미래에 기계 학습 기술을 사용하여 범위 거래 및 추세 거래 전략을 적용하여 시장 체제 변화를 결정하는 방법으로 바뀝니다.

  • 00:20:00 이 섹션에서 연사는 퀀트 금융에서 효과적인 시장 체제 감지의 중요성을 강조합니다. 문제는 금리 하락과 시장 추세와 같은 순전히 무작위적인 사건에 의존하기 때문에 이것을 염두에 두기가 어렵다는 것입니다. 시장 체제를 감지하는 것은 까다롭지만 더 정교한 기업은 기본 데이터를 추적하고 이를 모델에 통합할 것입니다. 거래할 때 거래 대상에 따라 선택할 수 있는 주식 또는 ETF의 수가 다르며 올바른 것을 선택하는 것이 까다로울 수 있습니다. 또한 스피커는 이전의 끔찍한 변동성을 통해 미래의 변동성과 시장 변화를 예측할 수 있기 때문에 Black Swan 방어는 수학 모델과 시장 펀더멘털의 혼합에 의존한다고 믿습니다.

  • 00:25:00 이 섹션에서는 퀀트 트레이더가 기대할 수 있는 수익과 이로 인한 위험에 대해 설명합니다. 퀀트 트레이더는 박사 학위와 효율적인 관리 프로세스의 도움을 받아 연간 35%의 수수료 수익을 올릴 수 있습니다. 그러나 높은 빈도의 퀀트는 기본 하드웨어 또는 교환의 변경으로 인해 시스템이 충돌할 수 있습니다. 이러한 위험에도 불구하고 장기적으로 그렇게 할 수 있는 것을 악용하여 15~20%의 수익을 얻는 것은 좋은 수익입니다. 퀀텀 트레이더는 단일 마법 알고리즘을 가지고 있지 않으며 문제에 직면했을 때 당황하지도 않습니다. 미리 분석하고 준비하기 힘든 몇 가지 통계적 특성을 거쳐야 합니다.

  • 00:30:00 이 섹션에서 발표자는 모델이 모든 미래 이벤트를 정확하게 예측할 수 없기 때문에 단일 모델에 너무 많이 의존하는 것이 양적 거래에서 권장되지 않는 방법에 대해 논의합니다. 그는 주로 모델의 결점으로 인한 고전적인 월스트리트 붕괴와 투자 실패의 예를 인용합니다. 발표자는 지속적으로 새로운 모델을 연구하고 성능을 확인하는 것의 중요성을 강조합니다. 그러나 손실 기간은 항상 발생합니다. 결론적으로 일부 트레이더는 모델을 세부적으로 관리하는 시점에 도달할 수 있지만 모델이 모든 시장 역학을 설명하는지 또는 알려지지 않은 미지수를 설명하는지 이해하는 것이 중요합니다.
What is a quant trader?
What is a quant trader?
  • 2013.12.02
  • www.youtube.com
http://www.onestepremoved.com/ Shaun Overton interviews Michael Halls-Moore, a quantitative developer. Mike jumped from postgraduate school straight into alg...
 

PyCon Canada 2015 - Karen Rubin: 양적 거래 전략 구축(키노트)



PyCon Canada 2015 - Karen Rubin: 양적 거래 전략 구축(키노트)

토론을 계속하면서 Karen Rubin은 Fortune 1000대 기업의 여성 CEO에 대한 자신의 연구 결과와 통찰에 대해 자세히 설명합니다. 분석 결과 여성 CEO의 수익률은 68%, 남성 CEO의 수익률은 47%인 것으로 나타났습니다. 그러나 Karen은 자신의 데이터가 아직 여성 CEO가 남성 CEO를 능가한다는 것을 보여주지 않는다고 강조합니다. 그녀는 이 연구가 고수익 및 고시가총액 기업 내에서 흥미로운 개념이라고 생각합니다.

그녀의 연구 결과에 동기를 부여받은 Karen은 금융 및 기술 산업에서 다양성의 중요성을 강조합니다. 그녀는 더 많은 여성들이 현장에 참여하고 투자 전략 수립에 참여하도록 권장합니다. 그녀는 여성 CEO에 대한 투자와 같은 아이디어를 접목하면 다양하고 포용적인 펀드 조성에 기여할 수 있다고 믿습니다.

토론을 확장하면서 Karen은 성별, 고용 방법(내부 또는 외부), 심지어 태어난 달을 포함하여 CEO의 성공에 영향을 미칠 수 있는 다른 요인에 대해서도 언급합니다. 그녀는 기업이 조직의 성과가 좋지 않을 때 여성 CEO를 임명하고 구조 조정의 이점을 얻기 위해 남성 CEO로 교체할 수 있다는 이론을 인정합니다. 그러나 Karen은 지금까지 이 이론을 차용할 수 없었습니다. 또한 그녀는 이러한 경향이 여성 CEO와 남성 CEO 간에 다른지 여부는 여전히 불확실하지만 CEO 발표 후 주가가 하락하는 경우가 많다고 지적합니다.

결론적으로 Karen은 CEO를 위한 퀀트 트레이딩 전략 수립에는 다양한 요소를 고려하고 철저한 분석을 수행하는 것이 포함된다고 강조합니다. 그녀의 연구는 여성 CEO의 성과에 대한 귀중한 통찰력을 제공하는 한편, 경영진의 성별 역학 및 투자 결과에 미치는 영향에 대한 보다 포괄적인 이해를 얻기 위한 추가 연구 및 탐구의 필요성을 강조합니다.

  • 00:00:00 이 섹션에서 화자는 자신과 시장에 투자하기 위한 알고리즘 작성 경험을 소개합니다. 크라우드 소싱 헤지 펀드인 Quantiacs의 제품 부사장인 그녀는 사용자가 무엇을 하는지 이해하는 알고리즘을 작성하여 사용자를 위한 효과적인 소프트웨어를 구축해야 했습니다. 그녀는 Credit Suisse 젠더 보고서를 읽은 후 여성 CEO에 대한 투자에 관심을 갖게 되었고 여성 CEO를 역사적으로 살펴보고 더 이상 CEO가 아닐 때 판매하는 전략을 세울 수 있는지 궁금해했습니다.

  • 00:05:00 이 섹션에서는 Karen Rubin이 양적 거래 전략을 구축하기 위해 취한 초기 단계에 대해 이야기합니다. 그녀는 시간이 지남에 따라 일어난 일에 대한 시뮬레이션을 만들기 위해 특정 기간 내의 모든 여성 CEO의 과거 목록을 가져와야 했습니다. Karen은 각 CEO의 시작 날짜와 종료 날짜 및 해당 시세 기호를 수동으로 검색하고 분석해야 했기 때문에 프로젝트 초기 단계에서 데이터를 가져오고 정리하는 데 상당한 시간이 걸렸다고 설명합니다. 그녀는 또한 가격 데이터를 분석하기 전에 정확하고 정제되었는지 확인하는 문제에 대해 이야기합니다. 작은 표본 크기에도 불구하고 Karen은 계속해서 연구를 진행했습니다.

  • 00:10:00 이 섹션에서 Karen Rubin은 알고리즘 트레이딩의 백 테스트 과정과 그녀의 전략에서 시뮬레이션이 작동하는 방식을 설명합니다. 그녀는 과거 데이터를 살펴보고 자신의 여성 CEO 목록을 기반으로 구매 및 판매 결정을 내림으로써 실제 시장에서 거래하는 것처럼 전략을 시뮬레이션합니다. 그녀는 알고리즘의 첫 번째 버전을 벤치마크인 S&P 500과 비교합니다. 그러나 이전 전략에서 레버리지를 고려하지 않았기 때문에 나중에 상주 퀀트의 도움으로 전략을 다시 작성합니다.

  • 00:15:00 비디오의 이 섹션에서 Karen Rubin은 모든 회사에서 동일한 가중 포트폴리오를 보장하기 위해 거래 전략의 균형을 재조정한 방법에 대해 설명합니다. 그녀의 알고리즘은 회사를 사고 팔고 포트폴리오의 가치를 계산하여 돈을 잃지 않거나 미래에 구매하기 위해 돈을 빌려야 하는 일이 없도록 합니다. 그녀는 또한 자신의 전략이 야후와 알리바바의 주가에 의존하는지 의문을 제기한 Reddit 및 Hacker News 커뮤니티로부터 받은 피드백에 대해서도 논의합니다. 그녀는 이 이론을 테스트하기 위해 자신의 전략에서 야후를 제거했고 그것이 전체 수익에 영향을 미치기는 하지만 그러한 수익의 유일한 원인은 아니라는 것을 발견했습니다.

  • 00:20:00 이 섹션에서 연사는 부문 중립적 포트폴리오를 만들어 부문 편향을 피하는 방법에 대해 논의합니다. 포트폴리오 금액을 섹터 수로 나누면 해당 섹터 내의 모든 회사가 동일한 금액의 투자를 받습니다. 예를 들어 헬스케어에 3개 회사가 있는 경우 할당은 3분의 1로 나뉘는 반면 약 20개 회사가 있는 순환 소비재는 각각 해당 부문에 할당된 총 금액의 20분의 1을 받습니다. 발표자의 전략의 결과 수익률은 275%인 반면 동일 가중 벤치마크는 251%, S&P 500은 122%를 반환합니다. 일부에서는 S&P 500과 같은 벤치마크가 기업의 가중치가 동일하지 않기 때문에 철학적으로 정확하지 않다고 주장하지만 RSP Guggenheim Equal Weight S&P 500 지수는 비교 목적으로 더 나은 벤치마크를 제공합니다.

  • 00:25:00 이 섹션에서는 Karen Rubin이 여성 CEO에게 투자할 때 올바른 벤치마크를 찾는 문제에 대해 설명합니다. 그녀는 Fortune 1000대 벤치마크가 올바른 선택인 것처럼 보이지만 과거 구성 요소 목록을 구입하는 데 비용이 많이 든다고 강조합니다. 대신, 그녀는 매출 기준으로 모든 회사의 순위를 매기고 상위 1000개 기업을 선택하여 새로운 벤치마크인 Quanto 1000을 만듭니다. 그녀의 알고리즘이 Quanto 1000과 S&P 500에 대한 수익을 비교한 결과, 그녀는 알고리즘이 43%로 다른 두 벤치마크를 능가한다는 것을 발견했습니다. 차이점. 또한 CEO 변경에 대한 Event Fessor의 새로운 데이터 세트를 탐색하여 남성 CEO와 여성 CEO 간의 비교 전략을 만들 수 있습니다. 그 결과 여성 CEO가 취임한 날 투자하고 퇴사한 날 중단한 전략은 7년 동안 28%의 수익률을 보인 반면 남성 CEO는 44%의 수익률을 보였습니다.

  • 00:30:00 이 섹션에서 Karen은 Fortune 1000대 기업의 여성 CEO에 대한 연구 결과를 자세히 설명합니다. 분석에 따르면 여성 CEO는 68%, 남성 CEO는 47%의 수익률을 기록하고 있습니다. 그러나 Karen은 그녀의 데이터가 아직 여성 CEO가 남성 CEO를 능가하고 있다는 것을 보여주지 않는다고 생각합니다. 그녀는 이 연구가 고수익 및 고시가총액 기업의 여성 CEO에 대한 흥미로운 아이디어를 제공한다고 생각합니다. Karen은 금융 및 기술 산업의 다양성을 장려하고 더 많은 여성이 이 분야에 참여하도록 초대합니다. 그녀는 다양한 펀드를 만들기 위해 여성 CEO에게 투자하는 것과 같은 아이디어를 가져오는 것이 중요하다고 믿습니다.

  • 00:35:00 이 섹션에서 연사는 CEO의 성공에 영향을 미칠 수 있는 성별, 내부 또는 외부 채용, 태어난 달 등 다양한 요인에 대해 논의합니다. 그녀는 또한 기업이 실적이 좋지 않을 때 여성 CEO를 영입하고 남성 CEO로 대체하여 구조 조정의 이점을 거둘 것이라는 이론에 대해서도 설명합니다. 그러나 그녀는 이 이론을 차용할 수 없었다. 또한 그녀는 CEO 발표 후 주가가 종종 하락하지만 이러한 경향이 여성 CEO와 남성 CEO 간에 다른지 확신할 수 없다고 지적합니다. 전반적으로 CEO를 위한 퀀트 트레이딩 전략을 수립할 때 고려해야 할 많은 요소가 있습니다.
PyCon Canada 2015 - Karen Rubin: Building a Quantitative Trading Strategy (Keynote)
PyCon Canada 2015 - Karen Rubin: Building a Quantitative Trading Strategy (Keynote)
  • 2015.11.24
  • www.youtube.com
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...
 

Ernie Chan 박사와 함께하는 양적 거래를 위한 기계 학습 웨비나



Ernie Chan 박사와 함께하는 양적 거래를 위한 기계 학습 웨비나

금융 업계의 저명한 인물인 Dr. Ernie Chan이 거래에서 기계 학습에 대한 통찰력과 경험을 공유합니다. 그는 기계 학습을 거래에 적용하려는 초기 시도를 반성하는 것으로 시작하며 처음에는 성공적인 결과를 얻지 못했다고 인정합니다. Chan 박사는 거래, 특히 데이터가 충분하지 않을 수 있는 선물 및 지수 거래에서 기계 학습의 한계를 이해하는 것이 중요하다고 강조합니다.

그러나 그는 개별 기술주, 오더북 데이터, 기본 데이터 또는 뉴스와 같은 비전통적 데이터 소스에 적용될 때 수익성 있는 거래 전략을 생성하는 데 기계 학습의 잠재력을 강조합니다. 데이터 가용성 및 데이터 스누핑 편향의 한계를 해결하기 위해 Dr. Chan은 오버샘플링 또는 배깅과 같은 리샘플링 기술을 사용할 것을 제안합니다. 이러한 기술은 데이터 세트를 확장하는 데 도움이 될 수 있지만 시계열 데이터를 거래 전략에 사용할 때 시계열 데이터에서 직렬 자기 상관을 유지하는 것이 중요합니다.

기능 선택은 트레이딩에서 성공적인 기계 학습 애플리케이션에 중요한 역할을 합니다. Chan 박사는 관련 기능 또는 예측 변수를 선택하여 데이터 샘플링 편향을 줄이는 것의 중요성을 강조합니다. 그는 많은 사람들이 더 많은 기능을 갖는 것이 더 좋다고 생각하지만 거래에서 기능이 풍부한 데이터 세트는 가짜 자기 상관과 좋지 않은 결과로 이어질 수 있다고 설명합니다. 그는 가장 예측 가능한 변수를 식별하는 데 도움이 되는 순방향 기능 선택, 분류 및 회귀 트리(CART) 및 랜덤 포레스트의 세 가지 기능 선택 알고리즘에 대해 설명합니다.

Chan 박사는 미래의 일일 수익률과 긍정적 또는 부정적 특성을 예측하는 것을 목표로 하는 지원 벡터 머신(SVM) 분류 알고리즘을 탐구합니다. SVM은 데이터 포인트를 분리하기 위한 초평면을 찾고 효과적인 분리를 위해 비선형 변환이 필요할 수 있습니다. 그는 또한 신경망과 같은 다른 기계 학습 접근 방식에 대해서도 다루지만 관련 기능을 캡처하는 데 한계가 있고 금융 시장의 비정적 특성으로 인해 거래에 적합하지 않음을 강조합니다.

웨비나는 또한 거래 전략에서 맞춤형 목표 기능의 중요성을 강조합니다. Chan 박사는 예측 모델을 개발하기 위해 단계적 회귀, 결정 트리 및 세트별 회귀와 같은 기술을 권장합니다. 그는 수익 보호에서 높은 정확도를 달성하기 위해 거래 수의 제곱근을 줄이는 것의 중요성을 강조합니다. 샤프 비율은 전략 효과를 평가하기 위한 효과적인 벤치마크로 제시되며 비율이 2 이상이면 유리한 것으로 간주됩니다.

Chan 박사는 금융 산업에서 머신 러닝의 적용에 대한 귀중한 통찰력을 제공하며 한계에 대해 경고하면서 특정 영역에서의 잠재력을 강조합니다. 그는 양적 거래에서 성공적인 기계 학습 응용 프로그램을 위한 기능 선택, 데이터 리샘플링 및 적절한 대상 기능 선택의 중요성을 강조합니다.

  • 00:00:00 이 섹션에서는 Dr. Ernie Chan이 금융 업계에서 기계 학습에 대한 배경과 경험을 공유합니다. 그는 해당 분야에 대한 전문 지식과 잘 알려진 회사에서 일했음에도 불구하고 기계 학습을 트레이딩에 적용하는 데 성공하지 못한 방법에 대해 설명합니다. Chan 박사는 강연의 목표가 기계 학습의 함정과 그것이 거래에서 작동하지 않는 이유와 그것이 거래에서 어떻게 작동할 수 있는지를 설명하는 것이라고 공유합니다. 그는 트레이딩에서 기계 학습을 처음 사용하기 시작했을 때 일간 바에서 작동할 것이라고 생각하고 기술 지표를 입력으로 사용하는 실수를 저질렀고 결국 성공적인 결과를 얻지 못했다고 지적합니다.

  • 00:05:00 이 섹션에서 Dr. Ernie Chan은 데이터 부족과 데이터 스누핑 편향의 위험으로 인해 선물 및 지수 거래에 기계 학습 알고리즘을 사용할 때의 한계에 대해 논의합니다. 그는 기계 학습이 개별 기술주, 주문서 데이터, 기본 데이터 또는 뉴스와 같은 비전통적 데이터에 적용될 때 수익성 있는 거래 전략을 생성하는 데 더 많은 잠재력이 있다고 믿습니다. 불충분한 데이터와 데이터 스누핑 편향의 한계를 극복하기 위해 Chan 박사는 오버샘플링 또는 배깅과 같은 리샘플링 기술을 사용할 것을 제안합니다. 리샘플링은 데이터 세트를 확장할 수 있지만 거래 전략에 이러한 기술을 사용할 때 시계열 데이터의 직렬 자기상관을 보존하기 위해 신중하게 고려해야 합니다.

  • 00:10:00 이 섹션에서 Dr. Chan은 자기 상관을 유지하기 위해 단 하루가 아닌 입력으로 여러 날을 사용할 수 있는 기계 학습에서의 트라이그램 사용에 대해 설명합니다. 그는 또한 특성 또는 예측 변수의 수를 줄임으로써 달성할 수 있는 데이터 샘플링 편향을 줄이는 것의 중요성을 강조합니다. 많은 사람들이 더 많은 기능을 갖는 것이 더 좋다고 생각하지만 거래에서는 그렇지 않습니다. 기능이 풍부한 데이터 세트는 기능과 대상 사이의 가짜 자기 상관으로 인해 저주이기 때문입니다. 따라서 기능 선택이 중요하며 기능 선택을 지원하는 기계 학습 알고리즘은 거래에 이상적입니다. Chan 박사는 단계별 회귀, 랜덤 포레스트 및 LASSO 회귀를 포함하여 이러한 세 가지 알고리즘을 강조합니다. 그는 기능을 선택하지 않고 모든 것을 취합하여 혼합하는 신경망 및 딥 러닝 알고리즘은 거래에 적합하지 않다고 경고합니다.

  • 00:15:00 이 섹션에서 Dr. Ernie Chan은 순방향 기능 선택, 분류 및 회귀 트리(CART), 랜덤 포레스트의 세 가지 기능 선택 알고리즘에 대해 설명합니다. 순방향 기능 선택에는 알고리즘이 예측 가능성을 향상시키는 기능을 식별할 때까지 선형 회귀 모델에 기능을 한 번에 하나씩 추가하는 작업이 포함됩니다. 반면에 CART는 의사 결정 트리와 유사하며 분류 목적을 위해 각 반복에서 부과된 조건으로 계층적으로 작동합니다. 랜덤 포레스트는 배깅과 랜덤 서브스페이스를 결합하여 다양한 분류 알고리즘에 적용할 수 있는 기술로, 데이터와 기능 간의 균형을 이루기 위해 데이터 오버샘플링 및 예측 변수 언더샘플링이 포함됩니다. Chan 박사는 개념을 더 잘 설명하기 위해 내일의 수익을 예측하는 가상 기능이 있는 예제 테이블을 제공합니다.

  • 00:20:00 이 섹션에서는 Dr. Ernie Chan이 분류 회귀 트리와 같은 분류 알고리즘을 사용하여 기능 집합을 줄이는 프로세스에 대해 설명합니다. 그는 언더 샘플링이나 상호 정보 사용과 같은 많은 기술이 있다고 설명합니다. 그러나 그는 이러한 기술이 가장 간단하고 잘 알려져 있다고 말합니다. 데이터의 대표적인 샘플을 사용하여 미래 수익을 예측하는 데 유용한 기술 지표와 이러한 지표의 어떤 값이 양수 또는 음수 수익을 생성하는지 식별하여 알고리즘이 어떻게 작동하는지 보여줍니다. 데이터의 하위 집합이 분류되면 더 나은 분류를 위해 다른 변수를 식별하기 위해 프로세스가 반복됩니다.

  • 00:25:00 이 섹션에서 Ernie Chan 박사는 기계 학습 알고리즘이 분류기에 유용한 예측 변수와 매개변수를 찾고 통계적 유의성이 발견되지 않을 때까지 반복하는 방식으로 작동한다고 설명합니다. 기계 학습 알고리즘은 종종 데이터에 대한 자세한 내용과 조건이 있는 통계 회귀 시스템입니다. 그는 계속해서 미래의 하루 수익을 예측하고 수익이 양수인지 음수인지 예측하는 것을 목표로 하는 지원 벡터 머신 분류 알고리즘에 대해 논의합니다. 알고리즘은 데이터를 절단하기 위해 초평면을 찾으려고 시도하지만 종종 분리를 찾기 위해 비선형 변환이 필요합니다. 이 변환은 서포트 벡터 머신이 효과적으로 작동하도록 만드는 데 중요합니다.

  • 00:30:00 이 섹션에서 Dr. Chan은 기계 학습 알고리즘이 학습할 데이터가 충분하지 않은 경우 데이터를 다시 샘플링해야 할 필요성에 대해 논의합니다. 필요한 양은 예측 변수의 수에 따라 다릅니다. 그는 서포트 벡터 머신이 데이터를 분류하는 방법이며, 단계적 회귀 또는 분류 트리보다 기능 선택 알고리즘은 적지만 SVM은 모든 차원을 절단할 수 있는 초평면을 찾습니다. 그는 신경망이 비선형 방정식이며 회귀에서와 같이 선형 함수를 사용하는 대신 괴물처럼 긴 선형 함수로 데이터를 맞추며 딥 러닝은 단순히 많은 계층이 있지만 계층당 노드가 거의 없는 신경망이라는 점에 주목합니다. 단계별로 기능을 캡처하는 것이 더 쉽습니다.

  • 00:35:00 이 섹션에서는 Ernie Chan 박사가 양적 거래에 신경망을 사용하는 개념에 대해 설명합니다. 그는 신경망이 모든 비선형 함수를 근사화할 수 있고 오늘의 변수가 주어지면 내일의 수익을 예측할 수 있기 때문에 강력한 도구라고 설명합니다. 그러나 그는 또한 금융 시장이 고정적이지 않기 때문에 신경망이 거래에서 잘 작동하지 않으며 이 접근 방식을 사용하여 관련 기능을 캡처하기 어렵다고 지적합니다. 그는 신경망이 모든 입력을 사용하고 기능을 선택하지 않기 때문에 시장에 인과 관계가 있는 변수를 찾기가 어렵다고 강조합니다.

  • 00:40:00 이 섹션에서는 Dr. Ernie Chan이 기계 학습이 거래자에게 유용한 경우를 설명합니다. 기계 학습은 트레이더가 데이터 또는 시장에 대한 직관이 부족하거나 데이터의 수학적 모델이 없는 경우에 유용합니다. 또한 기계 학습은 기능이 너무 많거나 어떤 기능이 중요한지 모를 때 트레이더가 직관을 개발하는 데 도움이 될 수 있습니다. 그러나 트레이더가 좋은 직관력과 간단한 수학적 모델을 가지고 있다면 기계 학습을 사용하는 것보다 간단한 모델을 구축하는 것이 좋습니다. 또한 트레이더는 데이터가 너무 적거나 시장에 대한 체제 변경이 있는 경우 머신 러닝을 사용할 때 주의해야 합니다. 시장 모델이 좋지 않으면 체제 변경이 있을 때 알고리즘이 무너질 수 있기 때문입니다.

  • 00:45:00 웨비나의 이 섹션에서 Ernie Chan 박사는 양적 거래에서 기계 학습 기술을 적용할 때 고정 데이터를 사용하는 것의 중요성을 설명합니다. 그는 데이터 세트의 정상성을 결정하기 위해 많은 통계 및 기술 테스트를 사용할 수 있지만 결과가 종종 모호할 수 있다고 지적합니다. Chan 박사는 성공적인 out-of-sample 복제의 부족으로 인해 트레이딩에서 강화 학습 및 딥 러닝의 효과에 대한 그의 회의론에 대해서도 논의합니다. 또한 그는 거래 전략에서 맞춤형 목표 기능의 필요성을 강조하고 예측 모델링을 위해 집합별 회귀 또는 의사 결정 트리와 같은 기술을 사용할 것을 제안합니다.

  • 00:50:00 이 섹션에서 Dr. Ernie Chan은 양적 거래를 위한 기계 학습에서 대상 함수 선택에 대해 설명하고 데이터의 가용성이 대상 함수의 선택을 결정한다고 설명합니다. 대상 함수가 1개월 수익률이면 일일 수익률이 입력이 되며 대상 변수의 선택은 예측 변수의 시간 척도와 일치해야 합니다. Dr. Chan은 또한 Adam과 딥 러닝 방법의 차이점을 설명하면서 딥 러닝이 기능 선택에 덜 적합하다고 말합니다. 또한 이 섹션에서는 다양한 제도를 정의하고 선호하는 기준에 따라 제도를 정의하는 방법에 대해 자세히 설명합니다. 마지막으로 Dr. Chan은 Quantitative Trading에서 거래 횟수가 성공을 결정하는 요인이 아니라고 강조합니다.

  • 00:55:00 이 섹션에서 Dr. Ernie Chan은 n의 제곱근을 관리 가능한 숫자로 줄이는 것이 수익 보호에서 높은 정확도를 달성하는 데 어떻게 중요한지 설명합니다. 그는 오류가 거래 수의 제곱근에 비례하며 샤프 비율은 이 개념을 구성에 통합하기 때문에 통계적 유의성을 측정하는 훌륭한 척도라고 설명합니다. 샤프 비율이 2 이상인 전략은 효과적으로 작동하는 것으로 간주됩니다. Christophe가 언급한 마지막 질문이 너무 전문적일 수 있지만 Dr. Chan은 샤프 비율이 전략 효율성에 대한 좋은 벤치마크라고 생각합니다.
Machine Learning for Quantitative Trading Webinar with Dr. Ernie Chan
Machine Learning for Quantitative Trading Webinar with Dr. Ernie Chan
  • 2017.03.28
  • www.youtube.com
Quantitative trading and algorithmic trading expert Dr. Ernie Chan teaches you machine learning in quantitative finance. You will learn:1) The pros and cons ...