세션은 금융 시장의 변동성에 대한 참가자의 이해를 높이는 것을 목표로 하는 웨비나의 의제를 제공하는 호스트 및 게스트 연사로 시작되었습니다. 그들은 변동성과 "두려움 지수"라고도 알려진 VIX와의 연관성을 정의하는 것으로 시작했습니다. 발표자는 다양한 유형의 VIX 및 VIX 기반 파생상품에 대해 탐구하여 거래에서 이들의 중요성을 조명했습니다. 세션에는 VIX 거래에 대한 실용적인 접근 방식도 포함되어 있으며 청중의 질문에 답하기 위한 Q&A 세션으로 마무리되었습니다.
변동성의 개념을 설명하기 위해 주최자는 Tesla를 변동성이 높은 주식의 예로 사용하여 일일 수익률이 -20%에서 +20% 사이에서 어떻게 변동하는지 설명했습니다. 이러한 수준의 변동성으로 인해 취급하기에 위험한 자산이 됩니다. 호스트는 자산의 가격 그래프만 보는 것으로는 변동성을 명확하게 파악할 수 없다고 강조했습니다. 대신 자산의 변동성을 더 잘 나타내는 것은 일일 수익률입니다.
비디오는 옵션 거래를 넘어선 변동성의 적용과 전체 자산 구매에 대한 결정을 내리는 데 있어 변동성의 유용성을 탐구했습니다. 발표자는 자산의 변동 정도에 따라 높은 변동성에서 낮은 변동성까지 변동성을 분류했습니다. Tesla와 S&P 500을 비교했는데 S&P 500이 변동성이 상당히 낮았습니다. 변동성의 역사적 가치를 제공하는 표준 편차 및 베타를 포함하여 변동성을 측정하는 다양한 방법이 논의되었습니다. 내재변동성 개념이 도입되어 자산의 미래 움직임 방향을 지정하지 않고 시장이 예상하는 자산의 움직임을 나타냅니다.
그런 다음 웨비나는 VIX 또는 변동성 지수의 계산과 급격한 변화의 가능성을 측정하기 위해 다양한 유형의 지수 옵션에서 내재 변동성을 활용하는 방법을 설명하는 데 중점을 두었습니다. VIX는 일반적으로 "공포 지수"라고 하며 S&P 500과 관련하여 그래프로 표시됩니다. VIX는 일반적으로 낮은 수준을 유지하는 것을 목표로 하지만 예상치 못한 사건으로 인해 급등할 수 있으며 이는 시장의 공포를 증가시킵니다. VIX의 실제 계산은 CBOE에서 수행하며 거래자에게 VIX의 여정 및 기본 지수와의 관계를 추적하는 데 필요한 수치를 제공합니다. 전반적으로 VIX는 시장의 위험을 완화하려는 트레이더에게 필수적인 도구 역할을 합니다.
연사는 VIX와 S&P 500 간의 관계에 대해 추가로 논의하면서 VIX가 지수의 미래에 대한 변동성에 대한 시장의 기대를 반영하고 S&P 500이 하락할 때 불확실성의 시기에 VIX가 어떻게 반응하는지를 강조했습니다. 연사는 VIX와 S&P 500 간의 상관관계를 설명하기 위해 미중 무역 전쟁과 COVID-19 대유행과 같은 사례를 인용했습니다. VIX가 낮은 수준을 유지하려고 노력하는 동안 예기치 않은 사건으로 인해 변동성이 급격히 증가할 수 있습니다. 그러나 트레이더가 새로운 정보를 처리하고 불확실성이 감소함에 따라 변동성도 감소합니다.
두려움 지수 또는 VIX의 개념은 시장에 영향을 미치는 부정적인 뉴스에 대한 트레이더의 두려움을 측정하기 위해 도입되었습니다. VIX는 S&P 500에 국한되지 않고 호주 증권 거래소, 유로존 주식, 항생 지수와 같은 다른 지역과 상품 및 통화와 같은 다른 자산 클래스에 적용될 수 있다는 점이 강조되었습니다. 거래자들이 시장 변동성을 예상할 수 있기 때문에 VIX에 대한 필요성이 발생하지만 옵션 그리스도 중요한 역할을 하기 때문에 VIX가 거래 결정을 결정하는 유일한 요소는 아닙니다. 따라서 VIX는 트레이더가 시장 변동성에 따라 옵션을 거래할 수 있는 도구 역할을 합니다. VIX 자체에는 거래 수단이 없지만 선물 및 옵션과 같은 파생 상품을 통해 미래 변동성을 예측할 수 있으므로 거래 전략이 용이합니다.
표준 만기, 근월 만기, 익월 만기, 원월 만기, 주간 만기 등 거래에 사용할 수 있는 다양한 유형의 VIX 선물에 대해 논의했습니다. 비디오는 VIX 선물이 비쌀 수 있지만 10분의 1의 가치로 이용할 수 있는 미니 선물이 있어 거래자들에게 더 접근하기 쉬운 옵션을 제공한다고 강조했습니다. 또한 VIX 선물 거래의 대안으로 VIX ETF(Exchange-Traded Funds)가 도입되었습니다. 이 ETF는 VIX 선물에서 가치를 도출하고 거래자의 선호도에 따라 다양한 옵션을 제공합니다. VIXY와 같은 단기 VIX ETF는 가까운 달과 다음 달 선물을 추적하고 VIXM과 같은 중기 VIX ETF는 중기 선물을 추적합니다. SVXY와 같은 인버스 VIX ETF도 VIX 선물과 반대 방향으로 움직이며 선물이 하락할 때 가치가 상승하기 때문에 언급되었습니다. 거래자는 시장 전망과 거래 전략에 따라 다양한 유형의 VIX 선물 및 ETF 중에서 선택할 수 있습니다.
계속해서 비디오는 VIX ETF 및 VIX ETN(Exchange-Traded Notes)을 포함한 다른 VIX 기반 파생 상품을 탐색했습니다. VIX ETF는 기본 VIX 선물을 가지고 있어 시장의 변동성에 노출될 수 있다고 설명했습니다. 반면 VIX ETN은 기초자산이 없는 것으로 부각됐다. 발표자는 VIX ETN의 예로 인기 있는 VXX를 언급했습니다. VIX 기반 파생 상품 거래에는 위험이 수반되며 거래자가 이러한 거래 활동에 참여하기 전에 이러한 위험을 이해하는 것이 중요하다는 점을 강조했습니다. 실제 자본으로 거래하기 전에 종이 거래 환경에서 테스트 및 백 테스트 전략을 권장했습니다. 특히 ETN은 발행자 위험을 수반하며, 이는 ETN을 발행하는 회사가 의무를 이행하지 않을 경우 투자자의 자본이 위험에 처할 수 있음을 의미합니다. 또한 VIX 선물은 거래자에게 특정 위험과 고려 사항을 도입하는 콘탱고 효과가 있는 것으로 나타났습니다.
연사는 만기일이 다가옴에 따라 VIX 선물 수렴이라는 주제에 대해 깊이 파고 들었습니다. 만기가 가까워질수록 VIX 선물 가격이 수렴하는 경향이 있다고 설명했다. VIX 선물 거래에 참여하는 거래자들에게는 이 수렴 전에 거래의 오른쪽에 있는 것이 중요하다는 점을 강조했습니다. 그런 다음 비디오는 VIX를 사용하여 VIX 선물에 롱 포지션을 취함으로써 하락기에 포트폴리오를 헤지하는 것과 관련된 간단한 VIX 기반 전략을 소개했습니다. 이 전략을 테스트한 결과 S&P 500의 포트폴리오와 결합했을 때 2011년에서 2021년 사이에 3배 더 높은 수익을 내는 것으로 나타났습니다. 아이디어를 백테스팅하고 종이 거래 환경에서 실행하는 것이 아이디어를 구현하기 전에 자신감을 얻는 수단으로 강조되었습니다. 실제 거래 시나리오에서.
웨비나는 "초보자를 위한 변동성 거래 전략"이라는 코스에 대한 공유 정보를 제공합니다. 이 과정은 트레이더에게 ATR(Average True Range), 표준 편차, VIX 및 베타를 포함하여 변동성을 측정하는 다양한 방법을 가르치는 데 중점을 둡니다. 그들은 변동성에 대한 두려움 없이 거래할 수 있는 올바른 도구와 지식을 갖추는 것의 중요성을 강조했습니다. 호스트는 현재 이 과정을 제한된 시간 동안 67% 할인된 가격으로 이용할 수 있다고 언급했습니다. 또한 웨비나 참석자에게는 쿠폰 코드 VTS10을 사용하여 코스에 대해 추가 10% 할인이 제공되었습니다. 호스트는 또한 VIX를 분석할 때 미국 시장에 초점을 맞추는 것과 VIX가 가격 움직임의 선행 또는 후행 지표로 작용하는지 여부에 대한 질문을 포함하여 청중의 몇 가지 질문에 답변할 기회를 가졌습니다.
연사는 S&P 500에 대한 VIX의 거의 즉각적인 반응에 대해 추가로 설명했습니다. 특정 VIX 범위는 논의되지 않았지만 30일 변동성은 연간으로 환산되며 0에서 100 범위에 속한다는 점에 주목했습니다. 연사는 강조했습니다. 10에서 20 사이의 중저 단계와 20에서 25 사이의 중간 단계와 같은 VIX의 여러 단계. 연사는 시장 참가자들이 집합적으로 행동하는 경향인 군집이 VIX에 영향을 미칠 수 있음을 인정했습니다. 비디오는 또한 인도 VIX에 대한 선물 옵션의 가용성에 대해 언급했지만 이러한 옵션의 유동성은 높은 자본 요구 사항으로 인해 제한됩니다.
Q&A 세션 동안 비디오는 거래 변동성 및 VIX와 관련된 몇 가지 질문을 다루었습니다. 한 질문은 인도에 기반을 두고 있는 동안 VIX 기반 파생상품 거래 가능성에 대해 질문했습니다. 응답은 이것이 새로운 관행이지만 일부 거래 플랫폼은 인도에서 VIX 기반 파생상품 거래를 허용한다고 밝혔습니다. 또 다른 질문은 옵션 가격 책정 모델에서 추가 매개변수로 뉴스 감정을 포함하는 아이디어를 제기했습니다. 발표자는 VIX가 다른 자산 클래스에 속하며 다른 옵션과 동일한 모델을 사용하지 않는다고 설명했습니다. 그러나 비디오는 정서 분석이 시장 역학을 이해하는 데 중요한 역할을 할 수 있음을 인정했습니다. 또한 영상에서는 트레이딩 전략을 고려할 때 다른 자산과 유사하게 취급할 수 있는 기초 자산으로 UVIX와 SVIX를 간략하게 언급했습니다.
그런 다음 토론은 비디오 앞부분에서 언급한 결합 포트폴리오 전략의 규칙으로 바뀌었습니다. 연사는 이 전략에서 진입 및 퇴출 규칙의 기준을 설명했습니다. 진입 규칙은 S&P 500의 행동에 초점을 맞춥니다. S&P 500이 하락하는 경우 트레이더는 VIX에 롱 포지션을 취하기 위해 자본을 비축할 수 있습니다. VIX는 일반적으로 S&P 500이 하락할 때 상승한다는 점에 주목했습니다. 반면에 출구 규칙은 S&P 500의 행동을 고려하여 약세장에서 벗어났는지 여부와 전반적인 경제가 양호하여 강세장을 나타내는지 판단합니다. 거래자들은 거래 진입 또는 청산에 대한 결정을 내리기 전에 시장 상황을 평가하라는 조언을 받았습니다.
웨비나는 VIX를 핵심 지표로 특히 강조하면서 변동성 거래에 대한 자세한 통찰력을 제공했습니다. 변동성 이해, 변동성 측정 및 분류, VIX 계산, 다양한 유형의 VIX 기반 파생 상품, 변동성 거래 전략과 같은 주제를 다루었습니다. 호스트는 또한 초보자를 위한 변동성 거래 전략에 대한 과정을 제공하여 트레이더가 자신 있게 시장을 탐색하는 데 필요한 지식과 도구를 갖추도록 권장했습니다. 웨비나는 대화식 Q&A 세션으로 마무리되어 청중의 다양한 질문에 답하고 논의된 주제에 대한 명확한 설명을 제공했습니다.
00:00:00 호스트와 게스트 연사는 금융 시장의 변동성을 정의하고 이해하는 것부터 시작하여 세션의 의제를 제공합니다. 연사는 계속해서 VIX가 "공포 지수"라고 불리는 이유와 다양한 유형의 VIX 및 VIX 기반 파생 상품에 대해 설명합니다. 세션에는 Q&A 세션으로 끝나기 전에 VIX 거래에 대한 실질적인 접근 방식도 포함됩니다. 호스트는 사람들이 변동성을 불안정한 화학 물질이나 액체와 연관시키는 방법을 설명하고 이것이 거래에 어떻게 적용되는지 설명합니다.
00:05:00 Tesla는 일일 수익률 변동폭이 -20%에서 +20% 사이인 매우 변동성이 큰 주식의 좋은 예입니다. 이 급격한 변동으로 인해 취급하기 위험한 자산이 됩니다. 그러나 가격 그래프만 보면 자산의 변동성이 어느 정도인지 명확하게 알 수 없습니다. 자산의 변동성을 더 잘 나타내는 것은 일일 수익률입니다.
00:10:00 비디오는 단순한 옵션 거래를 넘어선 변동성의 사용과 전체 자산 구매 여부를 결정하는 데 변동성이 어떻게 유용할 수 있는지에 대해 논의합니다. 동영상은 변동성이 자산의 변동 정도에 따라 높은 변동성에서 낮은 변동성까지 분류할 수 있다고 설명합니다. S&P 500은 변동성이 상당히 낮기 때문에 Tesla와 비교하는 데 사용됩니다. 이 비디오는 변동성의 과거 값을 제공하는 표준 편차 및 베타를 포함하여 변동성을 측정하는 데 사용되는 방법에 대해 설명합니다. 자산이 미래에 얼마나 움직일지에 대한 시장의 기대이지만 어떤 방향으로 움직일지에 대한 아이디어는 제공하지 않는 내재 변동성 개념도 도입되었습니다.
00:15:00 VIX 또는 변동성 지수가 계산되는 방식과 다양한 유형의 지수 옵션의 내재 변동성을 어떻게 사용하여 급격한 변화가 있을 수 있는지에 대한 아이디어를 제공하는 방법에 대한 명확한 이해. VIX는 종종 "공포 지수"라고 하며 S&P 500과 관련하여 그래프로 표시됩니다. VIX는 일반적으로 낮은 수준을 유지하려고 하지만 예상치 못한 사건으로 인해 급등할 수 있으므로 공포 측면이 있습니다. VIX 계산 이면의 힘든 작업은 CBOE에서 이루어지며 거래자에게 수치를 제공하여 VIX의 여정 및 기본 지수와의 관계에 집중할 수 있도록 합니다. 전반적으로 VIX는 시장의 위험을 완화하려는 트레이더에게 중요한 도구입니다.
00:20:00 연사는 공포 지수라고도 알려진 VIX와 S&P 500 사이의 관계에 대해 논의합니다. 그들은 VIX가 미래에 지수가 얼마나 변동할 것인지에 대한 시장의 기대치라고 설명합니다. S&P 500은 불확실성으로 인해 하락합니다. 연사는 미중 무역전쟁과 코로나19 팬데믹 등 여러 사례를 들어 이 둘 사이의 상관관계를 설명한다. 그들은 VIX가 낮은 수준을 유지하려고 노력하지만 예상치 못한 사건으로 인해 급격한 증가를 경험하여 변동성이 증가할 수 있음을 분명히 합니다. 그러나 트레이더가 새로운 정보를 처리함에 따라 불확실성 수준이 감소하고 변동성도 감소합니다.
00:25:00 두려움 지수 또는 VIX의 개념은 시장에 영향을 미치는 부정적인 뉴스에 대해 거래자들이 얼마나 두려워하는지 측정하기 위해 도입되었습니다. VIX는 S&P 500에만 적용되는 것이 아니라 호주 증권 거래소, 유로존 주식, 항셍 지수와 같은 다른 지역과 상품 및 통화와 같은 다른 자산 클래스에도 적용될 수 있습니다. VIX에 대한 필요성은 거래자들이 시장 변동성에 대한 기대를 가질 수 있기 때문에 발생하지만 그리스 옵션도 고려하기 때문에 VIX가 거래 결정을 결정하는 유일한 요소는 아닐 것입니다. 이와 같이 VIX는 거래자들이 시장 변동성을 기반으로 옵션을 거래할 수 있는 도구 역할을 하며 VIX는 거래 수단이 없지만 거래를 용이하게 하기 위해 미래 변동성을 예측할 수 있는 파생 상품을 가지고 있습니다. 이러한 파생상품에는 선물과 옵션이 포함됩니다.
00:30:00 연사는 거래에 사용할 수 있는 다양한 유형의 VIX 선물에 대해 설명합니다. 여기에는 표준 만기, 근월 만기, 다음 달 만기, 먼 달 만기, 주간 만기 등이 포함됩니다. VIX 선물은 비쌀 수 있지만 가치의 10분의 1로 사용할 수 있는 미니 선물이 있습니다. 또한 VIX ETF를 대안으로 사용할 수 있으며 VIX 선물에서 가치를 도출할 수 있습니다. VIXY와 같은 단기 VIX ETF는 가까운 달과 다음 달 선물을 추적하고 VIXM과 같은 중기 VIX ETF는 중기 선물을 추적합니다. 발표자는 또한 VIX 선물과 완전히 반대이며 선물이 하락할 때 가치가 증가하는 SVXY와 같은 역 VIX ETF에 대해서도 언급합니다. 궁극적으로 트레이더는 시장에 대한 관점에 따라 다양한 유형의 VIX 선물 및 ETF를 사용할 수 있습니다.
00:35:00 VIX ETF 및 VIX 상장지수채권(ETN)을 포함하여 다양한 유형의 VIX 기반 파생상품에 대해 논의합니다. VIX ETF에는 기본 VIX 선물이 있는 반면 VIX ETN에는 기본이 없습니다. VXX는 인기 있는 VIX ETN의 예입니다. 다만, VIX 기반 파생상품에는 리스크가 존재한다는 사실을 인지하고 거래하기 전에 이를 이해하는 것이 필수적이라는 점을 유의해야 합니다. 실제 자본으로 거래하기 전에 전략을 테스트하고 백테스트하는 것이 좋습니다. ETN에는 발행자 위험이 따릅니다. 즉, ETN을 발행하는 회사가 약속을 지키지 못하면 투자자의 자본이 위태로워집니다. 또한 VIX 선물에는 위험을 초래할 수 있는 콘탱고 효과가 있습니다.
00:40:00 발표자는 만기일에 가까워짐에 따라 VIX 선물 가격의 수렴과 VIX 선물을 거래하기 전에 거래의 오른쪽에 있는 것의 중요성에 대해 논의합니다. 그런 다음 간단한 VIX 기반 전략에 대해 설명합니다. 여기에는 VIX를 사용하여 VIX 선물에 롱 포지션을 취함으로써 하락기에 포트폴리오를 헤지하는 것이 포함됩니다. 이 전략은 변동성 거래 과정에서 테스트되었으며 S&P 500과 VIX 선물의 결합된 포트폴리오를 사용하여 2011년에서 2021년 사이에 3배 더 높은 수익을 얻었습니다. 연사는 맹목적으로 거래하기 전에 아이디어를 백테스트하고 종이 거래 환경에서 시도해야 할 필요성을 강조합니다.
00:45:00 웨비나 주최자는 ATR, 표준 편차, VIX 및 베타와 같은 다양한 방법을 사용하여 변동성을 측정하는 방법을 거래자에게 가르치는 데 중점을 둔 "초보자를 위한 변동성 거래 전략"이라는 과정에 대해 논의합니다. 그들은 변동성에 대한 두려움 없이 거래할 수 있는 올바른 도구와 지식을 갖는 것이 중요하다고 강조합니다. 이 과정은 제한된 시간 동안 67% 할인된 가격으로 제공되며 웨비나 참석자는 쿠폰 코드 VTS10을 사용하여 추가 10% 할인을 받습니다. 호스트는 또한 VIX를 분석할 때 미국 시장에 초점을 맞추는 이유와 VIX가 가격 움직임의 선행 또는 후행 지표인지 여부를 포함하여 몇 가지 청중 질문에 답합니다.
00:50:00 연사는 VIX가 S&P 500에 대해 거의 즉각적인 반응을 보인다고 설명합니다. VIX 범위는 30일 변동성이 연간으로 표시되고 표시되기 때문에 논의되지 않지만 0에서 100까지입니다. VIX 로우~미디엄 페이즈인 10~20과 미디엄 페이즈인 20~25 사이에서 다른 페이즈를 갖는 경향이 있습니다. 또한 목축은 VIX에 영향을 미칠 수 있으며 인도 VIX에 대한 선물 옵션이 있지만 높은 자본 요구 사항으로 인해 유동성이 많지 않습니다.
00:55:00 비디오는 거래 변동성 및 VIX와 관련된 다양한 질문에 대해 설명합니다. 한 가지 질문은 인도에 기반을 두고 있는 동안 VIX 기반 파생 상품 거래의 가능성을 다루고 응답은 일부 거래 플랫폼이 이를 허용한다고 제안하지만 여전히 새로운 관행입니다. 또 다른 질문은 옵션 가격 책정 모델에서 뉴스의 정서가 추가 매개변수로 포함될 수 있는지 묻습니다. 응답은 VIX가 다른 자산 클래스이며 다른 옵션과 동일한 모델을 사용하지 않는다는 점에 주목합니다. 또한 비디오는 UVIX 및 SVIX의 기본 자산에 대해 논의하고 거래 전략에서 고려할 다른 자산처럼 취급될 수 있음을 제안합니다. 마지막으로 S&P 500이 하락할 때 자본의 일부를 비축하고 재투자하는 결합 포트폴리오 전략의 규칙에 대한 질문이 있습니다.
01:00:00 연사는 결합된 포트폴리오 전략에서 진입 및 퇴출 규칙의 기준을 설명합니다. 진입 규칙은 S&P 500의 행동을 기반으로 합니다. 하락하는 경우 트레이더는 VIX에 롱 포지션을 취하기 위해 자본을 비축할 수 있습니다. VIX는 일반적으로 S&P 500이 하락할 때 상승합니다. 반면에 출구 규칙은 S&P 500이 약세장에서 벗어났는지, 경제가 잘 돌아가는지(강세장을 나타냄) 여부를 판단하기 위해 S&P 500의 행동을 살펴봅니다. 발표자는 또한 VIX가 S&P 500을 따르는지 또는 그 반대인지에 대한 질문에 답하면서 VIX는 S&P 500에서 가치를 도출하고 일반적으로 이를 따르지만 거래자는 지수에 영향을 미칠 수 있는 VIX 수준에 따라 결정을 내릴 수 있다고 설명합니다.
금융 시장은 매일 엄청난 양의 데이터를 생성합니다. 이 웨비나에서 발표자는 투자 및 거래의 맥락에서 그것과 함께 일하는 것의 중요성에 대해 논의할 것입니다. 또한 다양한 투자 스타일에 맞게 이를 활용할 수 있는 방법에 대해서도 설명합니다. 그 과정에서 그는 이 분야에서 번성하고 번영하는 데 필요한 지식과 기술을 배양하는 방법을 다룰 것입니다.
웨비나는 호스트가 브라질 주식 시장에서 쌍 거래에 대한 프로젝트를 발표하는 EPAT 졸업생인 Dr. Luis Guidas를 소개하는 것으로 시작됩니다. Dr. Guidas는 결제 카드 업계의 숙련된 소프트웨어 개발자이자 Universidade Federal Fluminense에서 컴파일러와 프로그래밍 언어를 가르치는 교수진입니다. 그는 암호화 알고리즘, 보안 통신 프로토콜 및 보안 전자 거래에 대해 광범위하게 작업했습니다. 2021년 7월 EPAT 프로그램을 수료한 후 현재 oCam Brazil의 정량 분석 책임자입니다.
Guidas 박사는 서로의 위험을 중화시키는 자산 쌍을 찾기 위해 통계 모델을 사용하는 것과 관련된 통계 차익 거래의 개념을 소개하는 것으로 시작합니다. 그는 공동 통합 쌍을 사용하여 평균과 분산이 일정한 고정 시계열을 만드는 방법을 설명합니다. 이를 설명하기 위해 그는 동일한 지수를 추적하는 두 ETF의 예를 사용합니다. 이 ETF는 거의 완벽하게 통합되고 일정한 평균과 분산으로 수평 스프레드를 생성합니다. 그는 이 프로세스에 교육 기간과 전략을 백 테스트하기 위한 테스트 기간이 포함된다고 언급합니다.
다음으로 Dr. Guidas는 쌍 거래 과정과 볼린저 밴드 거래 전략을 활용하는 방법에 대해 자세히 설명합니다. 그들은 시세와 섹터를 선택하고 양적 쌍을 찾고 헤지 비율을 계산하여 스프레드를 만듭니다. 각 쌍에 대해 스프레드를 계산하고 스프레드가 평균보다 낮을 때 매수하고 평균보다 높을 때 매도하는 평균 회귀 거래 전략을 사용합니다. 그는 또한 평균 회귀 알고리즘에서 손절매의 사용에 대해 논의하고 가격이 평균에서 더 멀어질수록 평균으로 돌아갈 확률이 높아진다고 강조합니다.
연사는 스프레드 거래가 닫히지 않으면 특정 일수가 지난 후 스프레드 거래를 종료하여 손실을 방지하는 중지 시간이라는 전략을 소개합니다. 그들은 브라질에서 쌍 거래를 위한 Bollinger Band 전략의 예를 제공하며 1년 동안의 수익성을 보여줍니다. 그러나 제한된 데이터로 인해 현재 기간에 존재하는 회사만 사용하는 경우 발생할 수 있는 편향을 언급합니다. 이 문제를 해결하기 위해 그들은 2018년부터 2020년까지 또 다른 교육 기간을 통합했으며, 그 결과 새로운 회사와 부문의 출현으로 더 많은 수의 쌍이 생겼습니다.
Guidas 박사는 브라질에서 쌍 거래에 대한 경험에 대한 통찰력을 공유하고 방법론에 대해 논의합니다. 스프레드 분석을 단순화하고 스프레드의 반감기를 조사하여 이상적인 단순 이동 평균 기간 길이를 결정합니다. 그들은 또한 브라질 주식 시장에서 거래하는 동안 직면한 문제, 특히 상위 100개 회사를 분석한 후 실행 가능한 쌍의 수를 제한하는 유동성을 강조합니다. 발표자는 성능 메트릭을 제공하지만 개선의 필요성을 인정하고 하이퍼 매개변수 튜닝, 정상성 검사 및 소규모 섹터 병합과 같은 접근 방식을 제안합니다. 그들은 특히 Dr. Chang과 Dr. Hippish의 책을 언급하는 주제에 관한 문헌을 읽을 것을 권장합니다.
Q&A 세션에서 Dr. Grace는 비디오에서 제시된 전략에 대한 청중의 질문에 답변합니다. 그녀는 Bollinger Bands의 기간이 스프레드 반감기의 그리드 테스트를 기반으로 동적으로 설정할 수 있는 하이퍼파라미터라고 설명합니다. 스트래들 및 스트랭글에 볼린저 밴드를 사용하는 것에 대해 질문을 받았을 때, 그녀는 이것이 구조화된 작업이므로 파생상품 전문가로부터 통찰력을 구할 것을 제안합니다. Grace 박사는 또한 비평균 복귀 거래의 문제를 다루고 첫 모멘트를 계산하여 비반전 시리즈를 평균 복귀로 만들 것을 제안합니다. 또 다른 질문은 Indice Futuro VINFUT와 BOVA11 사이의 상관관계에 관한 것인데, 그녀는 거래 결정을 위해 둘 사이의 관계를 연구할 것을 권장합니다.
그런 다음 Lewis Elton 박사는 Quantum Trading EPAD 프로그램에 대한 자신의 경험과 기술 분석이 거래에서 항상 작동하지 않는 이유를 이해하는 데 어떻게 자신의 기대를 충족했는지 공유합니다. 그는 지식을 얻기 위해 공부하고 강의를 듣는 것의 중요성을 강조하고, 인류의 지식을 혼자 재창조하려 하지 말라고 충고한다. 웨비나는 또한 모멘텀 거래에 대한 포르투갈어로 된 첫 번째 콘트라 코스의 출시를 발표합니다.
Siddharth Bhatia가 미국 시장의 매도 스트래들에 대해 논의하기 위해 발언권을 가집니다. 그는 스트래들 매도는 콜을 매도하고 같은 금액을 등가격에 넣는 것과 기본 자산이 매도된 행사가 수준보다 낮게 움직일 경우 이익을 내는 것과 관련이 있다고 설명합니다. 이 전략은 소득 거래 전략으로 선전되지만, Bhatia는 특히 시장 변동성이 큰 시기에 잠재적인 손실이 이익보다 훨씬 클 수 있다고 경고합니다. 그는 짧은 스트래들 거래로 인해 COVID 전염병과 같은 기간 동안 회사가 전멸되는 사례를 인용합니다.
연사는 기계적 접근 방식을 사용하여 매도 스트래들 거래 전략을 백테스팅한 자신의 경험을 공유합니다. 그들은 각 DTE(만기일) 기간이 시작될 때 등가격 스트래들 100단위를 매도했으며 손절매 또는 미묘한 진입 및 퇴장 지점 없이 만기까지 포지션을 유지했습니다. 그들은 두 세트의 데이터(하나는 델타 헤지 데이터, 다른 하나는 헤지되지 않음)를 사용하여 백테스팅을 수행했으며, 서로 다른 기간을 다루기 위해 7 DTE와 60 DTE의 서로 다른 두 가지 버전을 사용했습니다. 그들은 RATS API를 통해 백테스트에 필요한 데이터를 검색하고 Python pandas를 사용하여 처리하여 구매 및 판매 가격을 얻었습니다. 그러나 연사는 정확성을 보장하기 위해 각 라인에 개별적인 주의가 필요하기 때문에 데이터 프레임 생성의 어려움을 강조합니다.
연사는 브라질과 미국 시장 모두에서 스트래들 매도 거래 전략을 백테스팅한 결과에 대해 논의합니다. 그들은 이 전략이 두 시장 모두에서 저조한 성과를 보였고 결과적으로 상당한 손실과 낮은 샤프 비율을 초래했다고 밝혔습니다. 델타 헤징은 P&L(손익)의 표준 편차를 줄이는 데 도움이 되었지만 손실 거래를 수익성 있는 거래로 바꾸지는 못했습니다. 연사는 손절매 주문이 이러한 유형의 거래에서 매우 중요하며 VIX 지수와 VIX 선물의 기간 구조에 기반한 진입 필터 사용을 제안하는 학술 논문을 언급합니다. 스트래들 매도 전략은 수익성이 높지만 위험도가 높기 때문에 다양한 방법을 통한 효과적인 손실 관리가 필요합니다.
Q&A 세션 동안 연사는 시청자의 몇 가지 질문에 답합니다. 한 가지 질문은 전략의 포지션이 하루가 끝날 때 헤지되지 않는 이유와 관련이 있습니다. 연사는 손익의 표준 편차를 줄이고 장기 변동성을 최소화하는 데 도움이 되므로 장 마감 시 하루에 한 번 헤지하는 것이 일반적인 관행이라고 설명합니다. 그러나 그들은 헤징 기술이 테스트 및 연구 대상임을 강조합니다. 연사는 연평균 성장률(CAGR) 계산, 거래 비용, 스트래들 매도 전략에서 일일 매도 대신 7~10일 동안 포지션을 유지하는 이점 등의 주제에 대해서도 언급합니다. 또한 그들은 시장 변동성과 단기 손실 수용에 대해 거래자를 준비시키기 때문에 수동 및 비 알고리즘 거래에 대한 이전 경험의 중요성을 강조합니다.
연사는 계속해서 청중의 질문을 받고 브라질의 쌍 거래와 미국 시장의 숏 스트래들에 관한 질문을 처리합니다. 한 청취자는 VIX가 약 20이면 긴 스트래들을 취해야 하는지 묻고 화자는 이에 반대하며 VIX가 20보다 높으면 일반적으로 손실이 발생하고 지수를 매도할 것을 제안합니다. 또 다른 질문은 다음에 관한 것입니다. VIX가 30 이상일 때 반대되는 진입 전략을 조정합니다. 권장 사항은 항상 짧게 하고 백워데이션 제안을 무시하는 것입니다. 연사들은 책 추천에 대한 질문도 받으며, 연사 중 한 명은 은 싱클레어의 세 권의 책을 적극 추천합니다.
그런 다음 발표자는 Quantum City의 ePAD 프로그램에 대한 경험을 공유하고 이것이 코딩 및 알고리즘 거래 개념에 대한 지식의 격차를 줄이는 데 어떻게 도움이 되었는지 강조합니다. 그들은 공부하고 시장의 학생이 되는 것의 중요성을 강조합니다. 연사는 신규 이민자에게 데모 계좌를 개설하고 시장에서 손실을 감수하는 경험을 쌓도록 권장하며, 기술을 습득하려면 더 깊이 탐구하고 더 많은 과정을 수강해야 함을 강조합니다. 그들은 Quantum City의 ePAD 프로그램이 시장에 대한 이해를 높이고자 하는 사람들에게 훌륭한 출발점이라고 강조합니다. 연사는 시장에서 공부하고 지속적으로 배우는 것의 중요성에 대한 Dr. Luis Guidas의 조언을 되풀이합니다.
웨비나가 끝나갈 무렵 호스트는 브라질의 페어 트레이딩에 대한 귀중한 통찰력을 공유해 주신 Dr. Luiz에게 감사를 표합니다. 그들은 또한 웨비나에 적극적으로 참여하고 향후 주제에 대한 제안을 제공한 청중에게 감사를 표합니다. 호스트는 포르투갈어 과정을 시작하는 것과 관련된 어려움을 인정하지만 커뮤니티 내에서 일어나는 수많은 발전에 대한 흥분을 표현합니다. 청중이 설문 조사를 통해 피드백을 공유하도록 권장하여 향후 세션에 대한 귀중한 의견과 아이디어를 수집할 수 있습니다.
따뜻한 감사와 함께 호스트는 Luiz 박사와 청중에게 작별을 고하고 다가오는 웨비나에 대한 열정과 거래 커뮤니티에 귀중한 지식과 통찰력을 제공하겠다는 약속을 표명했습니다. 그들은 새로운 주제를 탐구하고 전문 지식을 공유하며 모든 참가자를 위한 성공적인 학습 환경을 조성하기를 기대합니다.
웨비나는 브라질 주식 시장의 쌍 거래에 대한 포괄적인 개요와 미국 시장의 스트래들 매도 거래 전략과 관련된 문제를 제공했습니다. 연사들은 자신의 경험, 전략 및 통찰력을 공유하여 거래의 역동적인 환경을 효과적으로 탐색하기 위한 지속적인 학습과 연구를 장려했습니다.
00:00:00 호스트는 브라질 주식 시장에서 쌍 거래에 대한 프로젝트를 발표하는 EPAT 졸업생인 Dr. Luis Guidas를 소개합니다. Dr. Guidas는 소프트웨어 개발, 특히 결제 카드 업계에서 광범위한 경험을 가지고 있습니다. 그는 Universidade Federal Fluminense에서 컴파일러와 프로그래밍 언어를 가르치는 교수진이기도 합니다. Guidas 박사는 소프트웨어 개발 경력에서 혁신적인 문제 해결 접근 방식을 사용했으며 암호화 알고리즘, 보안 통신 프로토콜 및 보안 전자 거래에 대해 광범위하게 작업했습니다. 그는 2021년 7월 EPAT 프로그램을 마친 후 현재 oCam Brazil의 정량 분석 책임자입니다.
00:05:00 연사는 거래자가 통계 모델을 사용하여 서로의 위험을 중화시키는 자산 쌍을 찾는 일종의 거래인 통계 차익 거래의 개념을 소개합니다. 발표자는 공동 통합 쌍을 사용하여 평균과 분산이 일정한 고정 시계열을 생성하는 방법을 설명합니다. 그들은 거의 완벽하게 통합되고 일정한 평균과 분산을 갖는 수평 스프레드를 생성하는 동일한 지수를 추적하는 두 ETF의 예를 사용합니다. 발표자는 이 프로세스에 교육 기간과 테스트 기간이 포함되며 전략을 백 테스트하는 데 사용된다고 설명합니다.
00:10:00 연사는 쌍 거래 과정과 볼린저 밴드 거래 전략을 사용하는 방법을 설명합니다. 그들은 시세와 섹터를 선택하고 양적 쌍을 찾아 스프레드를 만들기 위해 결합할 헤지 비율을 얻습니다. 각 쌍에 대해 스프레드를 계산하고 스프레드가 평균보다 낮을 때 매수하고 평균보다 높을 때 매도하는 평균 회귀 거래 전략을 사용합니다. 연사는 또한 평균 회귀 알고리즘에서 손절매의 사용에 대해 논의하고 가격이 평균에서 멀어질수록 평균으로 돌아갈 확률이 높아지기 때문에 이것이 좋은 접근 방식이 아닐 수 있는 이유에 대해 설명합니다.
00:15:00 연사는 스프레드 거래가 닫히지 않을 경우 일정 기간이 지난 후 스프레드 거래 거래를 종료하여 손실을 방지하는 데 도움이 되는 중지 시간이라는 전략에 대해 논의합니다. 그들은 또한 브라질에서 페어 트레이딩을 위한 Bollinger Band 전략의 예와 1년 거래로 상당한 수익을 내는 방법을 공유합니다. 그러나 제한된 데이터로 인해 화자는 현재 기간에 존재하는 회사를 사용해야 하므로 백 테스트 결과에 편향이 발생할 수 있습니다. 따라서 그들은 2018년부터 2020년까지의 또 다른 교육 기간을 새로운 데이터와 함께 활용했으며, 그 결과 새로운 회사와 부문의 출현으로 더 많은 쌍이 되었습니다.
00:20:00 연사는 브라질에서의 쌍 거래 경험에 대해 논의하고 방법론에 대한 통찰력을 제공합니다. 그들은 이상적인 단순 이동 평균 기간 길이를 결정하기 위해 거래의 스프레드와 반감기를 분석하는 단순화된 접근 방식을 사용하는 것에 대해 이야기합니다. 그들은 또한 유동성으로 인해 브라질 주식 시장에서 거래할 때 직면한 어려움을 강조하며 상위 100개 회사를 분석한 후 어떻게 몇 쌍만 살아남았는지 설명합니다. 발표자는 몇 가지 성능 메트릭을 공유하지만 항상 개선의 여지가 있음을 인정하고 가능한 접근 방식으로 하이퍼 매개변수 튜닝, 정상성 검사 및 작은 섹터 병합을 제안합니다. 그들은 이 주제에 관한 문헌, 특히 Dr. Chang과 Dr. Hippish의 책을 읽을 것을 권장합니다.
00:25:00 발표자는 비디오에 제시된 전략에 대한 청중의 몇 가지 질문에 응답합니다. 그녀는 볼린저 밴드의 기간에 대해 물었을 때 스프레드 반감기의 그리드 테스트를 기반으로 동적으로 설정할 수 있는 하이퍼파라미터라고 설명합니다. Bollinger Bands가 스트래들 및 스트랭글에 사용될 수 있는지 여부에 대해 그녀는 이것이 파생 상품을 사용한 구조화된 작업임을 언급하고 파생 상품 전문가와 협력하면 더 나은 통찰력을 얻을 수 있다고 제안합니다. 그녀는 또한 거래가 더 이상 되돌리기를 의미하지 않을 때 포지션을 닫고 쌍 거래 대신 첫 번째 순간을 계산하여 되돌리지 않는 시리즈를 되돌릴 수 있다고 제안합니다. 마지막으로 Indice Futuro VINFUT와 BOVA11의 상관관계에 대한 질문에 그녀는 다음을 권장합니다. 둘 사이의 관계를 연구하고 해당 정보를 거래 결정에 사용합니다.
00:30:00 발표자는 Quantum Trading EPAD 프로그램에 대한 자신의 경험과 기술 분석이 거래에서 항상 작동하지 않는 이유를 이해하는 데 어떻게 기대를 충족했는지에 대해 설명합니다. 그는 지식을 얻기 위해 공부하고 강좌를 수강할 것을 권장하며, 혼자 인류의 지식을 재창조하려고 할 정도로 오만하지 않을 것을 권합니다. 웨비나는 또한 모멘텀 거래에 대한 포르투갈어로 된 첫 번째 콘트라 코스의 출시를 발표합니다.
00:35:00 Siddharth Bhatia가 미국 시장의 스트래들 매도에 대해 논의합니다. 스트래들 매도는 콜을 매도하고 같은 금액을 돈에 넣고 기본 가격이 매도된 벽 수준보다 낮게 움직일 경우 돈을 버는 것입니다. 이 전략은 수익성이 있는 것으로 입증되었으며 소득 거래 전략으로 판매되지만 Bhatia는 특히 시장 변동성 시기에 손실이 이익보다 훨씬 더 크다고 경고합니다. 그는 짧은 스트래들이 큰 손실로 이어질 수 있다고 경고하고 COVID 전염병과 같은 시기에 전멸한 회사를 언급합니다.
00:40:00 연사는 각 DTE 기간이 시작될 때 스트래들에서 100단위를 매도하고 손절매 또는 미묘한 진입 없이 만기일까지 보유하는 기계적 전략을 사용하여 짧은 스트래들 거래와 이를 백테스트한 경험에 대해 이야기합니다. 또는 종료합니다. 그들은 델타 헤지와 헤지되지 않은 두 가지 세트와 7 DTE와 60 DTE가 있는 두 가지 다른 버전을 사용하여 서로 다른 기간을 샘플링했습니다. 그들은 RATS API를 사용하여 백테스팅을 위한 데이터를 검색하고 Python pandas를 사용하여 데이터를 처리하여 구매 및 판매 가격을 얻었습니다. 프로젝트의 진정한 과제는 데이터가 올바른지 확인하기 위해 각 라인에 개별적인 주의가 필요했기 때문에 데이터 프레임을 만드는 것이었습니다. 백 테스팅 후 결과를 얻었고 델타 헤징이 없는 주간 DT가 큰 손실을 입었음이 분명합니다.
00:45:00 연사는 브라질 및 미국 시장에서 스트래들 매도 거래 전략을 백테스팅한 결과에 대해 논의합니다. 이 전략은 상당한 손실과 낮은 샤프 비율로 인해 두 시장 모두에서 제대로 수행되지 않았습니다. 델타 헤징은 P&L의 표준편차를 줄이는 데 도움이 되었지만 손실 거래를 수익성 있게 만들지는 못했습니다. 발표자는 손절매 주문이 이러한 유형의 거래에 필수적이라고 언급하고 VIX 지수 및 VIX 선물의 기간 구조에 기반한 입력 필터 사용을 제안하는 학술 논문도 언급합니다. 이 전략은 수익성이 있지만 위험하다고 간주되어 다양한 방법을 통해 손실을 관리해야 합니다.
00:50:00 연사는 전략에 대한 포지션이 하루가 끝날 때 헤지되지 않는 이유를 포함하여 시청자의 몇 가지 질문에 답합니다. 그는 헤지하는 가장 간단하고 일반적인 방법은 손익 표준 편차를 줄이고 장기적으로 변동성을 최소화하는 데 도움이 되기 때문에 종가에 하루에 한 번 하는 것이라고 설명합니다. 그러나 그는 헤징 기술이 테스트 및 연구 대상이라고 언급합니다. 연사는 CAGR 계산, 거래 비용, 스트래들 매도 전략에서 일일 매도 대신 7~10일 동안 포지션을 유지하는 이점도 언급합니다. 또한 그는 시장의 변동성과 단기 손실 수용에 대해 트레이더를 준비시키기 때문에 수동 및 비알고 거래에 대한 이전 경험의 중요성을 강조합니다.
00:55:00 연사는 브라질의 쌍 거래와 미국 시장의 매도 스트래들에 대한 청중의 질문에 답합니다. 한 청취자는 VIX가 약 20이면 스트래들 매수를 해도 되는지 물었고, 그에 대한 대답은 일반적으로 손실이 발생하며 믹스가 20 이상이면 지수를 매도하는 것이 낫다는 것이었습니다. 또 다른 질문은 조정 방법에 관한 것이었습니다. VIX가 30 이상일 때 거래를 시작하는 동안 진입 전략에 반대합니다. 여기서 권장 사항은 항상 짧고 백워데이션 제안을 무시하는 것입니다. 연사들은 책 추천에 대한 질문도 받았는데, 연사 중 한 명이 은 싱클레어의 세 권의 책을 적극 추천했습니다.
01:00:00 연사는 Quantum City의 ePAD 프로그램에 대한 자신의 경험과 그것이 코딩 및 알고리즘 거래 개념에 대한 지식의 공백을 메우는 데 어떻게 도움이 되었는지에 대해 이야기합니다. 그는 공부와 시장의 학생이 되는 것의 중요성을 강조하고 신규 이민자에게 데모 계좌를 개설하고 시장에서 손실을 입는 경험을 쌓도록 조언합니다. 그는 또한 기술을 습득하려면 더 심화되고 더 많은 과정을 거쳐야 하며 Quantum City의 ePAD 프로그램이 시작하기에 좋은 곳이라고 언급합니다. 연사는 공부와 시장의 학생이 되는 것의 중요성에 대한 Dr. Luis Gide의 조언을 되풀이합니다.
01:05:00 호스트는 브라질에서 페어 트레이딩에 대한 경험을 공유한 Dr. Luiz에게 감사를 표하고 웨비나의 향후 주제를 제안하고 참석한 청중에게 감사를 표합니다. 진행자들은 포르투갈어 과정을 시작하는 것이 어렵다고 말하지만 커뮤니티에서 진행되는 많은 일들에 흥분하고 있습니다. 청중이 설문 조사를 통해 피드백을 공유하고 향후 세션에 대한 주제를 제안하도록 권장합니다. 호스트는 Luiz 박사와 청중에게 감사를 표하고 작별을 고합니다.
웨비나 호스트는 감정 분석 인증서 및 CSAF(Alternative Data for Finance) 프로그램을 소개하는 것으로 시작합니다. 그들은 이 프로그램이 두 명의 경험 많은 교수진인 Gautam Mitra 교수와 Christina Alvin Sayer 교수가 이끈다는 점을 강조합니다. 이 프로그램은 5개월에 걸쳐 진행되며 금융 업계의 전문가인 초청 강사가 제시하는 기초 이론과 실제 사용 사례를 모두 제공하는 것을 목표로 하는 일련의 강의를 포함합니다.
호스트는 감정 및 감정 데이터의 기본에 중점을 둔 처음 두 모듈부터 시작하여 프로그램 모듈에 대한 개요를 제공합니다. 모듈 3과 4는 위성 및 이메일 데이터와 텍스트 분석을 포함하여 대체 데이터 소스와 재무 예측 및 모델링에 대한 관련성을 탐구합니다. 이 과정은 또한 모델링 기초, 다양한 재무 모델, 위험 관리, 포트폴리오 최적화 및 자동 거래와 같은 영역에 감정 데이터를 적용하는 방법을 다룹니다. 또한 정서 분석에서 AI, 기계 학습 및 정량적 모델의 역할을 강조하는 대체 데이터 전용 모듈이 있습니다.
웨비나를 더욱 풍성하게 하기 위해 CSAF 졸업생인 두 명의 특별 게스트인 Amit Arora와 Abhijit Desai를 소개합니다. 그들은 EPAT NSA라는 과정의 이전 버전을 수강한 경험을 공유합니다. Amit은 과정의 실용적인 오리엔테이션이 자신의 거래 아이디어를 개발하는 데 어떻게 도움이 되었는지 설명하고 실제 거래에 더 많은 시간을 할애하여 예상보다 나은 결과를 얻었습니다. Abhijit는 과정을 최대한 활용하기 위한 헌신, 헌신 및 호기심의 중요성을 강조합니다.
웨비나에는 CSAF 프로그램을 경험한 다양한 개인과의 토론도 포함됩니다. 그들은 거래 전략에서 정서 분석 및 대체 데이터를 이해하고 적용하는 데 있어 어려움과 성공을 공유합니다. 연사는 정서와 변동성 거래의 결합, 대체 데이터의 의미, 투자 및 거래에서 인증의 중요성, 거래 전략에 정서 분석 포함, 실시간 뉴스 알림과 같은 주제를 다루며 청중의 질문에 답합니다. 거래.
웨비나 전반에 걸쳐 연사는 포괄적인 관점과 접근 방식을 개발하기 위해 CSAF와 같은 인증 과정을 통한 구조화된 학습의 중요성을 강조합니다. 감정 분석 및 대체 데이터를 효과적으로 적용하는 데 금융 시장 및 모델을 이해하는 것이 중요하다는 점을 강조합니다. 연사들은 또한 지식의 실제 적용, 정량적 프레임워크의 사용, 감정 데이터의 사용을 보여주는 사례 연구의 가치를 강조합니다.
호스트는 웨비나에 참여하고 CSAF 프로그램에 대한 정보에 적극적으로 참여해 주신 청중에게 감사를 표합니다. 시청자가 설문조사를 통해 피드백과 질문을 제공하도록 권장하고 웨비나의 성공에 기여한 연사와 서로에게 감사를 표합니다. 호스트는 지식 공유에 대한 즐거움과 모든 참가자를 위한 학습 환경 조성에 대한 약속을 표현합니다.
00:00:00 웨비나 호스트는 감정 분석 인증서 및 재무용 대체 데이터를 의미하는 CSAF 프로그램을 소개합니다. 이 프로그램은 두 명의 숙련된 교수진인 Gautam Mitra 교수와 Christina Alvin Sayer 교수가 이끌고 있습니다. CSAF 프로그램은 이론 발표를 위한 기초 강의와 금융업 전문가 초청 강사의 활용 사례 강의를 모두 아우르는 5개월 이상의 강의를 제공합니다. 호스트는 또한 웨비나 마지막에 Q&A 세션이 있을 것이라고 언급하고 CSAF 졸업생으로서의 경험을 공유할 두 명의 특별 게스트인 Amit Arora와 Abhijit Desai를 소개합니다.
00:05:00 연사는 참가자들에게 감정, 다양한 유형 및 대체 데이터의 사용에 대해 가르치는 데 중점을 둔 금융 프로그램 및 해당 모듈에 대한 감정 분석 및 대체 데이터 인증서에 대해 설명합니다. 모듈은 재무 및 감정 분석에 대한 실용적인 지식을 공유하는 Antonio Gerni 및 Classifying Ironing과 같은 핵심 교수진과 객원 교수진이 제공합니다. 이 프로그램에는 개념을 더 자세히 설명하는 데 도움이 되는 9개의 기본 강의도 포함되어 있습니다. 강의는 강의 노트로 뒷받침되며 프로그램이 끝나면 시험을 치릅니다.
00:10:00 Christina는 과정의 주요 모듈을 강조하면서 감정 분석 및 금융 대체 데이터(CSAF) 프로그램의 인증서에 대한 개요를 제공합니다. 처음 두 모듈은 정서 및 정서 데이터의 기본을 가르치는 데 중점을 둡니다. 모듈 3과 4로 넘어가면 이 과정은 위성 및 이메일 데이터와 텍스트 분석을 포함하여 대체 데이터 소스와 금융 예측 및 모델링과의 관련성을 탐구합니다. 이 과정은 또한 모델링 기본 사항 및 프레임워크, 다양한 재무 모델, 감정 데이터를 위험 관리, 포트폴리오 최적화 및 자동 거래에 적용하는 방법을 다룹니다. 마지막으로 이 과정에는 대체 데이터에 대한 모듈이 포함되어 있으며 감정 분석에서 AI, 기계 학습 및 정량적 모델의 역할을 강조합니다.
00:15:00 Amit이라는 졸업생이 EPAT NSA라는 과정의 이전 버전을 수강한 경험을 공유합니다. 그는 흥미로 코스에 참여했고 그다지 기대하지 않았지만 코스의 실용적인 오리엔테이션은 그가 자신의 거래 아이디어를 개발하는 데 도움이 되었습니다. 과정을 마친 후 그는 적극적인 변화 관리 컨설팅에서 벗어나 자신의 아이디어를 개발하는 데 더 많은 시간을 할애했습니다. 지난 3개월 동안 그는 대부분의 시간을 실제 거래에 할애했으며 결과는 예상보다 좋았습니다. Avirup이라는 또 다른 졸업생도 자신의 경험을 공유하고 과정을 최대한 활용하는 데 헌신, 헌신 및 호기심의 중요성을 강조합니다.
00:20:00 다양한 개인이 감정 분석 및 금융 대체 데이터(CSAF) 과정의 인증서에 대한 경험을 논의합니다. 한 개인은 알고리즘 거래 측면에서 도전적인 것을 찾고 있었고 정서 데이터와 뉴스가 돈을 버는 데 유용한 지식이 무엇인지 분석하고 구별하기 어렵다는 것을 발견했다고 설명합니다. 그러나 이 과정은 학생들이 Python을 이해하고 자체 모델을 개발하는 데 도움이 되었습니다. 기계 학습 모듈에 사용되는 언어는 주로 Python이며 일부 개인은 R도 사용합니다. 웨비나도 녹화되어 참석하지 못한 등록 참가자들과 공유할 예정입니다.
00:25:00 연사는 정서 분석 또는 일부 데이터를 거래에 적용하기 위한 배경 지식을 갖추는 데 필요한 일련의 주제 영역인 입문서에 대해 토론합니다. 이상 예측에 대한 권한이나 성능 측정 방법에 대한 정보가 포함되어 있습니다. 입문서는 과정이 시작되기 전에 학생들에게 제공되므로 정해진 기간이 없습니다. 반면에 각 모듈은 토요일 강의당 약 3시간 분량이며 강의 노트로 뒷받침됩니다. 사용 사례 강의는 1시간에서 2시간까지 다양하며 객원 교수진과의 Q&A 세션이 포함됩니다. 거래에 감정 분석이 필요한지 묻는 시청자의 질문에 연사는 시장 효율성이 궁극적으로 모든 감정과 뉴스를 흡수하더라도 감정 분석이 알파 소스를 찾거나 투자 수익을 얻는 데 도움이 될 수 있다고 설명합니다.
00:30:00 연사는 정서 분석이 시장 활동에 영향을 미치는 뉴스 항목을 신속하고 정량적으로 분석하는 기능으로 인해 거래 결정에 유용한 데이터를 제공하는 방법에 대해 논의합니다. 그들은 Twitter 및 기타 소셜 미디어 매체와 같은 소스에서 사용할 수 있는 풍부한 데이터로 인해 감정 분석이 점점 더 중요해지고 있다고 지적합니다. 연사들은 또한 감정 분석에 일반적으로 어떤 종류의 데이터 소스가 사용되는지에 대한 질문에 답하고 뉴스 매체와 소셜 미디어 플랫폼이 일반적인 소스이지만 이 데이터를 사용하려면 공급자의 허가가 필요하다고 언급합니다. 또한 감정 분석을 위해 Vader 플롯을 사용하는 주제에 대해서도 다룹니다.
00:35:00 연사는 재무 분석과 관련하여 감정 분석 및 자연어 처리에 대해 논의합니다. 감정 제공자가 이미 분석하고 계산한 감정 데이터를 양적 방식으로 사용하여 포트폴리오를 최적화하고 자산 배분 결정을 내리는 방법을 설명합니다. 그들은 또한 이러한 데이터를 제공하는 Bloomberg 및 Graffiti와 같은 업계의 주요 업체를 언급합니다. 연사는 거래 목적으로만 자연어 처리를 사용하는 것에 대해 경고하고 데이터 분석을 효과적으로 사용하기 위해 금융 시장을 이해하는 것이 중요하다고 강조합니다. 데이터 분석 또는 AI 분야에서 경력을 쌓는 것에 대한 질문에 연사들은 데이터 분석을 효과적으로 적용하기 위해 금융 시장과 모델에 대한 깊은 이해가 필요하다고 강조합니다.
00:40:00 스피커가 시청자의 질문에 답변합니다. 첫 번째 질문은 정서와 변동성 거래를 결합하는 것에 관한 것이며 코스에서 직접 다루지는 않지만 강사는 이를 달성하기 위한 도구와 방법을 제공합니다. 그들은 이 지수에 관련된 거래 또는 다른 시장에서 동등한 거래가 중요한 주제이지만 최첨단 연구 영역에 있다고 언급합니다. 다음 질문은 대체 데이터가 무엇을 의미하는지 묻고, 화자는 대체 데이터가 시장의 새로운 성장 영역이라고 설명하며 시장 참여자가 제공하는 시장에 영향을 미치는 데이터, 예를 들어 정서 데이터 또는 뉴스 데이터를 말합니다. 그들은 위성 데이터, 이메일 받은 편지함, Amazon 또는 피자 공급업체와 같은 회사의 주문이 모두 대체 데이터의 예라고 덧붙입니다.
00:45:00 연사는 투자 및 거래에서 인증의 중요성에 대해 논의합니다. 모든 소스에서 학습하는 것이 가치가 있지만 비구조적 학습이 제공할 수 없는 관점과 접근 방식을 개발하려면 인증 과정을 통한 구조적 학습이 필요합니다. 그러나 인증서 자체가 무역 회사에서 항상 의존하는 것은 아닙니다. 그들은 또한 매일의 정치 뉴스 및 기타 거래 뉴스의 중요성에 대한 질문을 다룹니다. 기술적 지식도 중요하지만 최신 이벤트를 파악하면 트레이더는 시장 경향을 더 잘 이해하고 정보에 입각한 결정을 내리는 데 도움이 될 수 있습니다.
00:50:00 연사는 거래 전략에 감정 분석을 포함하는 것에 대해 논의합니다. 기술적 분석과 매매는 잘 알려져 있지만 뉴스와 정서의 영향도 다양한 전략에 반영된다는 설명이다. 정보가 풍부한 트레이더는 재량권을 행사하여 거래하기 전에 뉴스 항목을 가져와 분석하는 반면 노이즈 트레이더는 뉴스 항목에 즉시 반응합니다. 그들은 또한 정서 분석을 포함하여 다양한 모델과 정보를 결합하면 더 많은 정보에 입각한 결정을 내릴 수 있다고 제안합니다. 개별 정서와 관련하여 정서 제공자는 시장과 관련된 사람들의 풀을 보유할 수 있으며 소셜 미디어 정서 분석을 위해 금융 시장 전문가를 필터링하는 것이 종종 유용합니다.
00:55:00 발표자는 과정이 자동 또는 체계적 거래에서 중요한 뉴스 및 보도 자료의 실시간 알림을 다루는지 여부를 설명합니다. 그들은 뉴스 도착이 정서 분석에서 중요하고 수익에 빠르게 영향을 미칠 수 있지만 거래 전략을 지배할 수는 없다고 설명합니다. 이 과정은 응용 지향적이고 실용적이지만 정보를 표현하는 구조화된 방법을 제공하기 위해서는 기본 이론도 중요합니다. 연사는 정서 데이터의 사용을 강조하기 위해 정량적 프레임워크와 흥미로운 사례 연구의 사용을 강조합니다.
01:00:00 연사들은 학문적 엄격함이 거래에 어떻게 적용될 수 있고 CSAF 과정이 EPAT 과정과 어떻게 차별화되는지 논의합니다. EPAT 과정은 기계 학습 및 Python 기술을 다루지만 CSAF 과정은 사용 사례 및 사례 연구의 맥락에서 정서 분석 및 대체 데이터에 대한 추가 지식을 추가합니다. 연사들은 또한 CSAF 과정이 이미 EPAT 과정을 이수한 사람에게 어떻게 도움이 되는지에 대한 마지막 질문에 답합니다. Amit과 Abhijit는 CSAF 과정이 EPAT 과정에서 제공하는 기초 작업을 기반으로 하며 수익성 있는 개발을 위한 추가 지식과 기술을 제공한다고 강조합니다. 거래 아이디어. 세션은 설문 조사에서 추가 질문을 할 것을 상기시키고 연사들에게 시간을 내어 주셔서 감사하다는 말로 끝납니다.
01:05:00 연사는 감정 분석 및 금융 대체 데이터(CSAF) 프로그램에 대한 정보 세션에 참석한 청중에게 감사를 표합니다. 시청자가 프로그램에 대한 질문과 우려를 표명하도록 격려하고 참여해 주신 모든 분들께 감사드립니다. 발표자들은 비디오를 성공적으로 만들어 준 것에 대해 서로 감사하고 다른 사람들과 지식을 공유하는 즐거움을 표현하며 비디오를 끝냅니다.
프레젠테이션 중에 연사는 자동 거래의 장점과 자동화가 필요한 이유에 대해 자세히 설명합니다. 그들은 자동 거래를 통해 거래자가 더 많은 수의 자산을 동시에 처리하고 미리 정의된 규칙에 따라 거래를 실행할 수 있다는 점을 강조합니다. 이 접근 방식은 오류 위험을 줄이고 감정에 기반한 거래를 제거하는 데 도움이 됩니다. 연사는 자동화가 지정된 규칙이 충족되면 자동으로 주문을 하여 시간 지연을 제거함으로써 프로세스를 단순화한다고 강조합니다. 또한 자동화를 통해 트레이더의 시간과 리소스를 확보하여 더 나은 트레이딩 전략 개발에 집중할 수 있다고 설명합니다.
연사는 사람의 개입을 완전히 대체하는 자동화에 대한 일반적인 오해를 다룹니다. 그들은 필요할 때 거래 전략을 조정하기 위해 정교한 자동 거래 시스템의 성능을 정기적으로 분석하는 것이 중요하다고 강조합니다. 그들은 자동화를 통해 트레이더가 수동으로 시도하지 않았을 수 있는 다른 작업이나 자산을 탐색할 수 있다고 강조합니다. 그런 다음 프레젠테이션은 거래의 세 가지 필수 단계인 데이터 수집, 분석(규칙 기반 또는 임의적일 수 있음) 및 거래 실행에 대해 논의합니다.
거래 프로세스의 일부를 자동화하기 위해 연사는 데이터 및 코딩을 사용하여 선호하는 자산에 대한 과거 데이터를 검색할 것을 권장합니다. 그들은 Google Finance가 API를 Google 스프레드시트에 통합하여 사용자가 시세 기호, 시작 및 종료 날짜, 데이터 유형과 같은 매개변수를 지정하여 데이터를 쉽게 검색할 수 있다고 언급합니다. 이 수집된 데이터는 가격 그래프 생성, 계산 수행(예: 사용자 지정 지표 생성 또는 백분율 변경 계산), 데이터 수집 프로세스 자동화, 거래 전략 간소화에 활용될 수 있습니다.
비디오의 데모는 과거 데이터에 대한 상대 강도 지수(RSI) 지표를 사용하여 거래 전략을 백테스팅하는 프로세스를 보여줍니다. 0에서 100까지의 RSI 값은 수행되는 작업을 결정합니다. RSI 값이 30 미만이면 자산이 과매도되었음을 나타내며 구매자에게 매력적이어서 자산을 구매하도록 유도합니다. 30에서 70 사이의 값은 조치가 없음을 의미하고 70 이상의 값은 자산이 과매수되어 매도를 유발함을 나타냅니다. 발표자는 미국 주식 데이터 세트에 대한 시각적 프로그래밍을 활용하여 과거 데이터에 대한 백테스팅을 자동화하여 이러한 규칙의 효과를 검증합니다.
발표자는 백테스팅, 페이퍼 트레이딩, 라이브 트레이딩 등의 기능을 제공하는 자동 트레이딩을 위한 Blue Shift 플랫폼을 소개합니다. 그들은 플랫폼이 코딩 지식이 필요하지 않은 시각적 프로그래밍 옵션을 제공한다고 강조합니다. 연사는 RSI 지표를 사용하여 거래 전략을 설정하는 방법을 시연하고 롱 포지션과 숏 포지션을 취하기 위한 조건을 설명합니다. 마지막으로 그들은 14%의 수익률, 1.22의 샤프 비율, 최대 손실률 -13%를 나타내는 백테스트 결과를 제시합니다. 전반적으로 Blue Shift는 자동화된 거래 전략을 생성하고 테스트하기 위한 사용자 친화적인 플랫폼으로 칭찬받고 있습니다.
발표자는 계속해서 실시간 거래에서 자동 거래 전략을 구현하는 과정에 대해 논의합니다. 그들은 현재 시장 환경에서 전략의 성과를 관찰하기 위해 실제 돈이 아닌 실시간 데이터를 활용하는 종이 거래로 시작할 것을 권장합니다. 연사는 브로커 선택, 자본 배분 결정 및 주문 확인을 포함하여 종이 거래 설정 및 라이브 거래로 전환하는 단계를 통해 청중을 안내합니다. 그들은 전략의 성과를 정기적으로 모니터링하고 필요한 조정을 하는 것의 중요성을 강조합니다. 발표자는 또한 다른 플랫폼을 사용한 라이브 거래를 다루는 이전 세션이 YouTube 채널에서 제공된다고 언급합니다.
모든 중개인이 자동 거래를 위한 API를 제공하는 것은 아니지만 연사는 API 지원을 제공하는 대부분의 지역에서 사용 가능한 플랫폼으로 대화형 중개인을 강조합니다. 그들은 Interactive Brokers와 함께 IBridge Py 브리지를 사용하면 싱가포르를 포함하여 전 세계 어디에서나 무역 자동화가 가능하다고 언급합니다. 연사는 NSE 주식에 대한 데이터를 얻는 것이 가능하지만 적절한 시세 기호를 찾고 Yahoo Finance를 사용하여 필요한 과거 데이터에 액세스하는 것이 필수적이라고 말합니다.
연사는 분 단위 데이터가 널리 무료로 제공되지 않는다고 설명하고 데이터 요구 사항이 해당 수준에서 더 까다로워진다고 지적합니다. 분 단위의 데이터를 얻기 위해 화자는 Interactive Brokers와 같은 브로커에 계좌를 개설할 것을 제안합니다. 그러나 그들은 지역과 선택한 중개인에 따라 수수료가 필요할 수 있다고 언급합니다. 연사는 거래 빈도 기능을 간략하게 언급하고 거래 전략 수립에 대한 자세한 내용은 Blue Shift 문서를 참조하도록 청중에게 지시합니다. 그들은 또한 거래 전략을 개발할 때 손절매 수준 설정의 중요성을 강조합니다.
계속해서 연사는 다양한 유형의 자산에 대해 적절한 손절매 수준을 설정하는 것의 중요성에 대해 논의합니다. 그들은 자산의 변동성에 따라 다른 손절매 값을 사용하고 Tesla와 같이 상당한 가격 변동을 경험하는 자산에 대해 더 높은 손절매 값을 사용할 것을 권장합니다. 발표자는 또한 알파와 베타의 이상적인 값을 결정하는 것은 트레이더의 목표와 특정 비율의 이익을 달성하기 위해 원하는 기간에 달려 있다고 지적합니다. 또한 인도 시장에서의 거래 자동화, 전략 모니터링 및 플랫폼을 사용한 옵션 전략 생성에 관한 질문에 응답합니다. 마지막으로 발표자는 예상치 못한 시장 이벤트가 발생하는 동안 경계를 유지하고 변동성을 견딜 수 있는 전략의 능력에 따라 거래를 일시 중지할지 계속할지 결정하는 것이 중요함을 강조합니다.
연사는 거래의 자동화와 작동 방식에 대해 더욱 확장합니다. 그들은 다양한 브로커와의 파트너십을 통해 백테스팅 전략과 실시간 거래를 용이하게 하는 Blueshift 플랫폼을 통해 인도 시장에 자동화가 가능하다고 설명합니다. 거래에서 미리 정의된 규칙을 갖는 것의 중요성을 강조하면서 발표자는 가상 화폐를 사용하여 현재 시장 상황에서 전략 성과를 평가하는 종이 거래와 백테스팅을 통해 이러한 규칙을 테스트하는 것의 가치를 강조합니다. 발표자는 또한 기계 학습이 거래에 적용될 수 있으며 거래 전략 개발을 위해 Blueshift가 지원한다고 언급합니다.
모바일 장치에서 자동 거래의 가능성을 언급하면서 연사는 모바일 기반 플랫폼이 웹 기반 플랫폼만큼 기능이 풍부하지 않을 수 있지만 업계가 클라우드 기반 솔루션으로 이동함에 따라 휴대 전화에서 자동 거래가 더 널리 퍼질 수 있음을 인정합니다. . 그들은 초보자가 작게 시작하여 더 많이 배우고 거래 규칙이나 전략을 수립함으로써 점차 지식을 확장할 것을 제안합니다. 연사는 학습, 백테스팅 및 거래 플랫폼인 Blue Shift가 완전히 무료이며 거래 전략을 실험하는 데 활용할 수 있다고 강조합니다. 그들은 또한 플랫폼의 기능에 관한 질문에 응답하고 향후 더 많은 브로커를 추가할 계획을 언급합니다. 마지막으로 화자는 모든 플랫폼에서 비트코인 자동 거래에 대한 질문을 인정합니다.
자동 거래에 대한 중개인 지원과 관련하여 발표자는 모든 중개인이 이 기능을 제공하는 것은 아니며 사용자는 선택한 플랫폼이 이를 지원하는지 확인해야 한다고 설명합니다. 그들은 대부분의 주문이 자동 거래 시스템의 도움으로 실행되면서 업계가 점점 더 자동 거래로 전환하고 있다고 설명합니다. 알고리즘 거래를 위해 기계 학습, 신경망 및 AI를 결합하는 측면에서 연사는 기계 학습 모델에서 데이터를 훈련 및 테스트하고 예측된 결과를 알고리즘 거래에 활용하는 과정을 설명합니다. 마지막으로, 그들은 자동 거래가 거래 활동을 관리하는 동시에 화면 시간을 최소화하여 직업 요구 사항에 집중할 수 있도록 전문가를 도울 수 있다는 점을 지적하면서 일하는 전문가의 질문에 답합니다.
연사는 거래 전략 자동화가 실무 전문가에게 실현 가능하지만 시장 상황이 변할 수 있으므로 자동화 시스템의 성능을 주기적으로 검토하는 것이 중요하다고 반복해서 말합니다. 그들은 다양한 플랫폼을 사용하여 Python이나 코딩 언어를 배우지 않고도 거래 전략을 수립할 수 있지만 고급 전략에는 Python 또는 기타 프로그래밍 언어에 대한 숙련도가 필요할 수 있다고 제안합니다. 연사는 Python을 배우는 것이 보이는 것만큼 어렵지 않으며 추가적인 이점을 제공할 수 있다고 청중을 안심시킵니다. 그들은 그에 따라 전략을 수정하기 위해 성과를 정기적으로 평가하는 것의 중요성을 강조합니다.
마지막으로 연사는 청중에게 답변되지 않은 질문에 대한 설문 조사를 작성하도록 초대하고 모든 과정 등록에 대해 70% 할인 및 추가 25% 할인을 제공하는 기간 한정 제안을 활용하도록 권장합니다. 그들은 받은 지원에 감사를 표하고 앞으로 더 많은 웨비나를 조직하겠다는 약속을 청중에게 확신시킵니다. 연사는 청중의 관심과 요구에 맞는 더 나은 세션을 계획하기 위해 잠재적인 주제에 대한 제안을 요청합니다. 발표를 마치며 연사는 행복한 홀리를 기원하며 세션에 참여한 모든 참석자들에게 감사를 표합니다.
00:00:00 발표자가 자동 거래의 이점과 자동화가 필요한 이유에 대해 설명합니다. 자동화를 통해 트레이더는 더 많은 자산을 병렬로 관리하고 사전 결정된 규칙에 따라 거래를 실행하여 오류 위험을 줄이고 감정에 기반한 거래를 피할 수 있습니다. 규칙이 충족되면 시스템이 자동으로 주문하므로 시간 지연을 방지하므로 프로세스가 단순화됩니다. 또한 연사는 자동화를 통해 거래자가 더 나은 거래 전략을 개발하는 데 집중할 수 있는 시간과 자원을 확보할 수 있다고 설명합니다.
00:05:00 연사는 인간 개입을 완전히 제거하는 자동화에 대한 오해에 대해 논의하고 필요할 때 거래 전략을 조정하기 위해 정교한 자동 거래 시스템의 성능을 정기적으로 분석하는 것의 중요성을 강조합니다. 자동화를 사용하면 트레이더는 수동으로 시도하지 않았을 다른 작업이나 자산에 집중할 수 있습니다. 그런 다음 연사는 데이터 수집으로 시작하여 규칙 기반 또는 임의적일 수 있는 분석, 마지막으로 거래 실행의 세 가지 거래 단계에 대해 논의합니다.
00:10:00 거래 프로세스의 일부를 자동화하려는 경우 데이터 및 코딩을 사용하여 좋아하는 자산의 기록 데이터를 검색할 수 있습니다. Google Finance는 API를 Google 스프레드시트에 통합하여 시세 기호, 시작 및 종료 날짜, 데이터 유형과 같은 매개변수를 입력하기만 하면 데이터를 쉽게 검색할 수 있습니다. 그런 다음 이 데이터를 사용하여 가격 그래프를 만들거나 자체 지표를 만들거나 백분율 변경을 계산하는 등의 계산을 수행할 수 있습니다. 이 도구를 사용하여 거래자는 데이터 수집 프로세스를 자동화하고 거래 전략을 간소화할 수 있습니다.
00:15:00 비디오는 과거 데이터에 대한 상대 강도 지수(RSI) 지표를 사용하여 거래 전략을 백 테스트하거나 시도하는 방법을 보여줍니다. RSI 값의 범위는 0에서 100 사이이며 값에 따라 다른 작업이 수행됩니다. RSI 값이 30 미만이면 많은 사람들이 자산을 팔아 구매자에게 가격이 매력적이어서 자산을 구매한다는 의미입니다. RSI 값이 30에서 70 사이이면 아무 조치도 취하지 않고, RSI 값이 70 이상이면 사람들이 자산을 구입하여 가격 수준을 높였음을 의미하므로 거래를 종료하기에 좋은 시기입니다. 자산을 판매합니다. 그런 다음 미국 주식 데이터 세트에 대한 시각적 프로그래밍을 사용하여 과거 데이터에 대한 백 테스트를 자동화하여 이러한 규칙의 효과를 확인합니다.
00:20:00 연사는 자동 거래를 위한 Blue Shift 플랫폼 사용에 대해 논의합니다. 이 플랫폼을 통해 사용자는 백테스트, 페이퍼 트레이딩 및 라이브를 할 수 있습니다. 이 플랫폼은 코딩이 필요하지 않은 시각적 프로그래밍을 제공합니다. 연사는 RSI 지표를 사용하여 거래 전략을 설정하는 방법을 시연하고 롱 및 숏 조건을 설명합니다. 마지막으로 그는 14%의 수익, 1.22의 샤프 비율, 최대 마이너스 13을 제공하는 백테스트 결과를 보여줍니다. 전반적으로 Blue Shift는 자동화된 거래 전략을 만들고 테스트하기 위한 사용자 친화적인 플랫폼입니다.
00:25:00 연사는 자동화된 거래 전략을 사용하여 라이브로 전환하는 프로세스에 대해 논의합니다. 그는 실제 돈이 아닌 실시간 데이터를 사용하여 종이 거래로 시작하여 현재 시장 환경에서 전략이 어떻게 수행되는지 확인할 것을 권장합니다. 연사는 브로커 선택, 자본금 설정 및 주문 확인을 포함하여 종이 거래를 설정한 다음 라이브로 진행하는 과정을 안내합니다. 그는 전략의 성과를 정기적으로 모니터링하고 필요에 따라 조정하는 것의 중요성을 강조합니다. 발표자는 또한 YouTube 채널에서 다른 플랫폼을 사용한 실시간 거래를 다루는 이전 세션이 있다고 언급합니다.
00:30:00 모든 중개인이 API를 제공하는 것은 아니지만 Interactive Brokers는 거의 모든 곳에서 사용할 수 있는 플랫폼이며 자동 거래를 위한 API를 제공합니다. IBridge Py 브리지는 Interactive Brokers와 함께 사용하여 싱가포르를 포함한 전 세계 어디에서나 거래를 자동화할 수 있습니다. NSE 주식에 대한 데이터를 얻는 것도 가능하지만 적절한 시세 기호를 찾고 Yahoo Finance를 사용하여 필요한 과거 데이터를 얻는 것이 필요하다는 점에 유의하는 것이 중요합니다.
00:35:00 발표자는 분 단위 데이터가 무료로 널리 제공되지 않는 방법과 데이터 요구 사항이 해당 수준에서 높아진다는 점을 설명합니다. 그는 분 단위 데이터를 얻기 위해 Interactive Brokers와 같은 브로커와 계좌를 개설할 것을 제안하지만 귀하의 지역과 선택한 브로커에 따라 수수료가 필요할 수 있다고 언급합니다. 연사는 거래 빈도 기능에 대해 간략하게 언급하고 거래 전략 수립에 대한 자세한 내용은 Blue Shift 문서를 권장합니다. 그들은 또한 시각적 프로그래밍 또는 코딩에 Blue Shift를 사용할 수 있으며 거래 전략을 만들 때 손절매 수준을 설정해야 한다는 점을 명확히 합니다.
00:40:00 연사는 다양한 유형의 자산에 대해 적절한 손절매 수준을 설정하는 것의 중요성에 대해 논의합니다. 그는 Tesla와 같이 변동률이 높은 자산에 대해 더 높은 정지 손실과 함께 변동성의 정도에 따라 자산마다 다른 손절매를 사용할 것을 권장합니다. 발표자는 또한 알파와 베타의 이상적인 값은 트레이더의 목표와 특정 비율의 수익을 달성하고자 하는 기간에 따라 다르다고 지적합니다. 또한 연사는 인도 시장에서의 거래 자동화, 전략 모니터링 및 플랫폼을 사용하여 옵션 전략을 생성하는 기능에 대한 질문에 답합니다. 마지막으로 연사는 예상치 못한 시장 이벤트에 대해 경계를 유지하는 것의 중요성을 강조하고 변동성을 견딜 수 있는 전략의 능력에 따라 거래를 완전히 중단할지 또는 계속할지 여부를 결정해야 합니다.
00:45:00 연사는 거래의 자동화와 작동 방식에 대해 논의합니다. 그들은 Blueshift 플랫폼을 통해 인도 시장에 자동화가 가능하며 사용자는 다양한 브로커와의 파트너십을 통해 전략 및 거래당 지불 또는 실시간 거래를 백테스트할 수 있다고 설명합니다. 연사는 거래에서 특정 규칙을 갖는 것의 중요성과 가상 화폐를 사용하여 전략이 현재 시장에서 어떻게 수행되는지 확인하는 백테스팅 및 페이퍼 트레이딩을 통해 이를 테스트할 수 있는 것이 중요하다고 강조합니다. 발표자는 또한 머신 러닝이 거래에 적용될 수 있으며 거래 전략을 위해 Blueshift가 지원한다고 언급합니다.
00:50:00 발표자는 모바일 기반 플랫폼이 웹 기반 플랫폼만큼 기능이 풍부하지는 않지만 모든 것이 움직이고 있기 때문에 곧 자동 거래가 휴대폰에 올 것이라고 언급하면서 휴대폰에서 자동 거래를 사용할 가능성에 대해 논의합니다. 클라우드 기반이 되는 방향으로. 연사는 초보자가 작게 시작하여 더 많이 배우고 거래 규칙이나 전략을 마련함으로써 자신의 방식을 구축할 수 있다고 제안합니다. 발표자는 또한 학습, 백테스팅 및 거래 플랫폼인 Blue Shift가 완전히 무료이며 거래 전략을 시도하는 데 사용할 수 있다고 언급합니다. 또한 플랫폼에 대한 질문에 답하고 향후 더 많은 중개인이 추가될 것이라고 언급합니다. 마지막으로 화자는 플랫폼을 사용하여 비트코인을 자동 거래하는 것에 대한 질문을 인정합니다.
00:55:00 연사는 자동 거래가 모든 중개인에 의해 지원되는지 여부에 대한 질문을 다루고 모든 중개인이 자동 거래를 지원하는 것은 아니며 사용자는 사용 중인 플랫폼이 이를 지원하는지 확인해야 합니다. 연사는 업계가 대부분 자동 거래로 이동하고 있으며 대부분의 주문이 자동 거래 시스템의 도움을 받아 이루어지고 있다고 지적합니다. 알고 거래를 위해 기계 학습, 신경망 및 AI를 결합하는 것과 관련하여 프로세스에는 알고 거래에 대한 예측 결과를 사용하여 기계 학습 모델에서 데이터를 교육하고 테스트하는 작업이 포함됩니다. 마지막으로 화자는 일하는 전문가의 질문에 응답하고 화면 시간을 최소화하면서 거래 활동을 처리함으로써 직업 요구에 집중하는 데 도움이 되도록 자동 거래를 사용할 수 있다고 언급합니다.
01:00:00 목표는 거래 전략을 자동화하는 것입니다. 일하는 전문가도 가능합니다. 그러나 시나리오가 변경될 수 있고 이전에 작동했던 것이 지금 작동하지 않을 수 있으므로 자동화 시스템의 성능을 주기적으로 검토하는 것이 중요합니다. 다양한 플랫폼을 사용하여 Python 또는 코딩 언어를 배우지 않고도 거래 전략을 수립할 수 있지만, 보다 고급 전략을 미세 조정하거나 시도하려면 Python 또는 기타 프로그래밍 언어를 배워야 할 수 있습니다. Python을 배우는 것은 추가적인 이점이 될 수 있으며 사람들이 생각하는 것만큼 어렵지 않다는 것을 알게 될 것입니다. 어떤 경우든 그에 따라 전략을 수정하려면 정기적인 성과 검토가 필수적입니다.
01:05:00 연사는 청중에게 답이 없는 질문에 대한 설문 조사를 작성하도록 상기시키고 모든 과정에 등록하는 경우 70% 할인 및 추가 25% 할인을 제공하는 제한된 시간 제안을 활용하도록 권장합니다. 그들은 지원에 감사를 표하고 웨비나를 계속할 계획이며 더 나은 세션을 계획하기 위해 향후 주제에 대한 제안을 요청합니다. 연사는 모든 사람이 행복한 홀리를 기원하고 세션에 참석해 준 청중에게 감사를 표하며 끝을 맺습니다.
암호 화폐에 대한 정량적 데이터 분석에 대한 이 유익한 세션에서 연사인 Udisha Alook은 블록체인, 비트코인, 이더리움 및 리플을 전문으로 하는 Quant Institute의 퀀트 연구원으로 자신을 소개합니다. 그녀는 암호화폐에 투자하기 전에 실사를 수행하는 것의 중요성을 강조하고 세션의 의제를 설명합니다.
연사는 암호 화폐에 대한 개요를 제공하면서 암호로 보호되는 디지털 또는 가상 화폐이며 물리적 형태가 부족하다는 점을 강조하면서 시작합니다. 그녀는 암호화폐가 암호화를 통해 보안을 보장하고 블록체인 기술을 사용하여 분산된 방식으로 작동하며 이중 지출의 위험을 제거한다고 설명합니다.
다음으로 연사는 세션에서 다룰 주요 주제를 탐구합니다. 그녀는 세션이 최고의 암호 화폐를 탐색하고 암호 화폐에 대한 데이터를 어디서 얻을 수 있는지 논의하며 암호 화폐 시장 거래에 대한 통찰력을 제공할 것이라고 언급했습니다. 연사는 주요 암호화폐에 대한 데이터 분석에 중점을 둘 것이라고 강조합니다.
앞으로 연사는 양적 거래 회사인 Quantinsti와 그 제품을 소개합니다. 그녀는 EPAT(알고리즘 트레이딩)의 전문 인증 프로그램, CSAF(Sentiment Analysis and Alternative Data for Finance)의 인증, Quantra에서 제공되는 자기 주도 과정을 강조합니다. 또한 발표자는 전략 개발, 연구, 백테스팅, 페이퍼 트레이딩 및 라이브 트레이딩을 위한 클라우드 기반 플랫폼인 BlueShift를 소개합니다.
암호화폐의 주요 주제로 돌아가서 발표자는 시가 총액을 기준으로 상위 6개 암호화폐에 대해 논의하고 기능에 대한 간략한 개요를 제공합니다. 최초이자 가장 널리 알려진 암호화폐인 비트코인은 현재 엘살바도르에서 법정 통화로 채택된 유일한 암호화폐로 언급됩니다. 시가총액 2위인 이더리움이 스마트 컨트랙트 기능 도입에 주목받고 있다. 중간 교환 메커니즘으로 설계된 Ripple은 목록에서 여섯 번째 암호 화폐로 언급됩니다. 또한 연사는 자체 블록체인으로 전환한 바이낸스 코인, 미국 달러에 고정된 스테이블 코인인 테더와 USD 코인을 소개하며 법정화폐의 안정성과 함께 암호화폐 기능을 제공합니다.
cryptocurrencies의 데이터 소스와 관련하여 연사는 CryptoWatch 및 CoinAPI를 신뢰할 수 있는 과거 암호화 데이터 소스로 언급합니다. 그녀는 또한 Binance, Coinbase, Etoro, Gemini 및 Kraken을 포함한 주요 글로벌 암호 거래 플랫폼 목록을 제공합니다.
세션을 계속하면서 연사는 다양한 암호화폐의 가격을 비교하고 로그 스케일로 성능을 설명합니다. 비트코인은 가격 측면에서 지배적인 암호화폐로 부상했으며, 이더리움과 바이낸스 코인이 그 뒤를 이었습니다. Ripple은 성능이 저하된 반면 안정적인 코인은 특성상 안정적으로 유지됩니다. 발표자는 누적 수익률을 더 계산하여 Binance Coin이 가장 높은 수익률을 보였고 Ethereum과 Bitcoin이 그 뒤를 이었다고 강조합니다. 상위 4개 암호화폐의 변동성은 특정 기간 동안 급증하는 등 크게 변동하는 것으로 설명되지만 스테이블 코인은 지속적으로 안정성을 유지합니다.
그런 다음 동영상은 변동성 및 암호화폐 투자 관련 위험을 분석하는 데 중점을 둡니다. 화자는 암호화폐 수익률이 높은 첨도를 나타내는 것을 관찰하여 양수 및 음수 모두 극단적인 수익률을 나타낼 가능성을 나타냅니다. 이것은 투자자들이 가격이 상승할 때 매수하고 가격이 하락할 때 패닉 매도하는 경향이 있는 모멘텀 기반 거래에 기인합니다. 일일 수익률의 박스 플롯은 수많은 이상치의 존재를 보여주기 위해 제시되며, 암호화폐가 상당한 수준의 위험을 수반한다는 개념을 뒷받침합니다. 그러나 스테이블 코인은 변동성이 적은 것으로 알려져 있습니다.
후속 세그먼트에서 연사는 비트코인, 이더리움, 바이낸스 코인, 리플, USD 코인 및 USDC와 같은 인기 있는 암호화폐의 중앙값에 대한 이상값 제거의 영향을 조사합니다. 스테이블 코인은 1달러에 가까운 가치를 유지하도록 설계된 것으로 강조되어 많은 사용자에게 특히 매력적입니다. 반면에 Ripple은 금융 기관을 위해 설계된 고유한 승인 블록체인으로 인해 다른 암호 화폐와 구별됩니다. Ripple의 창립자에 대한 진행중인 SEC 사례는 투자자에게 변동과 불확실성을 야기한 요인으로 언급됩니다.
계속해서 발표자는 암호 화폐에 영향을 미치는 요소를 다섯 가지 주요 범주로 그룹화합니다. 여기에는 암호화폐의 희소성과 가치에 영향을 미치는 수요와 공급의 법칙이 포함됩니다. 시장심리와 투자자심리로 인해 가치에 대한 인식도 중요한 역할을 합니다. 블록체인 프로토콜 업데이트 및 확장성 개선과 같은 기술 발전은 암호화폐의 성능에 영향을 미칠 수 있습니다. 법적 프레임워크 및 규제 조치를 포함한 정부 규제 및 정책은 암호화폐 시장에 상당한 영향을 미칩니다. 마지막으로 언론 보도, 정치적 사건 및 전반적인 시장 동향에 의해 형성되는 시장 심리는 암호화폐 가격에 큰 영향을 미칠 수 있습니다.
연사는 미디어, 정치적 사건, 규제 변경 및 블록체인 수정이 암호화폐 가격에 미치는 영향을 탐구합니다. 긍정적이거나 부정적인 뉴스 보도는 사람들의 투자를 장려하거나 억제할 수 있기 때문에 암호화폐 가격에 상당한 영향을 미치는 것으로 강조됩니다. 평판이 좋은 회사나 개인이 암호화폐를 보증하면 신뢰성과 신뢰도가 높아집니다. 경제 위기 또는 정부 개입과 같은 정치적 사건 및 규제 변화는 투자자의 기존 통화에 대한 신뢰에 영향을 미치고 투자자를 암호화폐로 이끌 수 있습니다. 발표자는 다양한 암호화폐 사이의 높은 상관관계, 특히 지배적인 암호화폐인 비트코인을 언급합니다. 그러나 스테이블 코인은 전통적인 암호화폐와 상관관계가 없는 것으로 관찰되어 고유한 자산 클래스가 됩니다.
비디오는 암호화폐를 명목 화폐로 교환하는 과정에 대해 더 자세히 설명합니다. 대부분의 거래소가 비트코인, 이더리움 등 주요 암호화폐 거래를 지원하는 것으로 설명된다. 따라서 알트코인을 명목 화폐로 전환하기 전에 이러한 상위 암호화폐 중 하나로 교환해야 하는 경우가 종종 있습니다. 모멘텀 지표 기반 전략, 차익거래 등 암호화폐에 적합한 트레이딩 전략도 시장의 높은 변동성을 활용해 알아본다. Relative Strength Index, Moving Average Convergence Divergence 및 Awesome Oscillator와 같은 지표를 사용한 코딩 예제는 모멘텀 기반 전략을 설명하기 위해 제공됩니다.
세션이 끝날 무렵 발표자는 다루었던 주요 사항을 요약하고 낮은 변동성과 다른 암호 화폐와의 상관 관계 부족으로 인해 포트폴리오 다각화를 위한 스테이블 코인의 잠재력을 강조합니다. Blue Shift 연구 및 거래 플랫폼뿐만 아니라 무료 서적 및 과정을 포함하여 알고리즘 거래 및 암호 화폐에 대해 학습할 수 있는 추가 리소스가 제공됩니다. 연사는 알고리즘 트레이딩 데스크를 시작하거나 업계 실무자의 멘토링을 통해 알고리즘 트레이딩 경력을 추구하는 데 관심이 있는 개인을 위해 맞춤화된 알고리즘 트레이딩의 집행 프로그램을 언급합니다. 프로그램에 대한 얼리버드 할인의 가용성도 강조됩니다.
결론 부분에서 연사는 암호화폐 및 블록체인과 관련된 몇 가지 청중 질문에 답합니다. 규제 지원이 없는 암호화폐의 장기적인 생존 가능성에 대해 논의하고 연사는 일부 국가에서 암호화폐를 규제하는 법률을 이미 통과시켜 장기 투자로 취급한다고 강조합니다. 블록체인 기술의 수용과 발전이 늘어나면서 암호화폐에 대한 사람들의 편안함에도 기여하고 있습니다. 탈중앙화 금융(DeFi)의 미래는 아직 탐구되지 않은 차익 거래의 다양한 개념과 유형으로 진화하는 공간으로 인정받고 있습니다. 연사는 암호화폐 거래가 데이터 마이닝 및 기술 지표를 넘어 블록체인 기술과 그 응용 프로그램을 이해하는 것의 중요성을 강조합니다.
또한 향후 미국 규제가 암호화폐 시장에 미칠 잠재적 영향에 대해 논의합니다. 발표자는 정부가 미국에서 블록체인을 규제할 수 있음을 인정하지만 기술의 분산된 특성을 제어하는 문제를 강조합니다. 따라서 규제 결정이 암호화폐 가격에 영향을 미칠 수 있지만 시장에 대한 완전한 통제는 달성하기 어려울 수 있습니다. 암호화폐 거래에 필요한 최소 자본과 실제 거래에서 암호화폐의 잠재적 사용에 대해서도 설명합니다. 마지막으로 중앙 은행 디지털 통화(CBDC)의 부상과 암호화폐의 탈중앙화 특성에 대한 잠재적 영향에 대해 간략하게 언급합니다.
마무리 발언에서 연사는 ID 발급 및 공급망 관리와 같은 문제를 해결하기 위해 블록체인 기술에 대한 탐구가 증가하고 있음을 강조합니다. 그들은 해당 분야의 지속적인 개발로 인해 향후 블록체인 개발자에 대한 수요가 높을 것으로 예상합니다. 24시간 거래가 가능한 등 암호화폐의 장점이 부각된다. 청중은 피드백을 제공하고 향후 토론을 위해 답변되지 않은 질문을 제기하도록 권장됩니다.
세션이 끝날 때 연사는 중요한 내용을 요약하고 암호화폐의 높은 변동성을 탐색하기 위한 적절한 데이터 분석 및 정량적 기술의 필요성을 강조합니다. 기술 및 양적 분석은 백테스팅과 함께 위험을 완화하기 위한 필수 도구로 강조됩니다. 연사는 또한 암호화폐 시장에 대한 지정학적 개입의 영향에 관한 질문에 답하면서 정부 결정이 영향을 미치지만 암호화폐의 탈중앙화 특성으로 인해 전통적인 통화나 정부에 대한 신뢰가 낮은 상황에서 사람들이 암호화폐에 의존하게 될 수 있다고 언급했습니다. 마지막으로 스테이블 코인의 장점은 다른 암호화폐에 비해 안정적이고 예측 가능한 가치를 제공하여 일상적인 거래에 더 적합하다는 점입니다.
다가오는 미국 규제가 암호화폐 시장에 미칠 잠재적 영향에 대한 질문에 대해 발표자는 정부 규제의 가능성을 인정하지만 암호화폐의 탈중앙화 특성을 완전히 통제하는 데 따르는 어려움을 강조합니다. 규제가 암호화폐 가격에 영향을 미칠 수 있지만 연사는 시장에 대한 완전한 통제가 어려울 수 있다고 제안합니다. 중앙 은행 디지털 통화(CBDC)의 부상도 언급되며, 암호화폐의 탈중앙화 특성에 대한 잠재적 영향에 대해 간략하게 논의합니다.
마지막 부분에서 연사는 ID 발급 및 공급망 관리와 같은 실제 문제를 해결하기 위해 증가하는 블록체인 기술 탐색에 대해 논의합니다. 그들은 블록체인 개발자에 대한 미래의 수요와 블록체인 산업의 지속적인 성장에 대해 낙관적입니다. 연중무휴 24시간 거래가 가능한 것과 같은 암호화폐의 장점이 강조됩니다. 청중은 피드백을 제공하고 향후 세션을 위해 남은 질문을 공유하도록 권장됩니다.
Udisha Alook이 진행하는 세션은 암호화폐에 대한 정량적 데이터 분석에 대한 귀중한 통찰력을 제공합니다. 투자 전 실사의 중요성을 강조하고, 암호화폐 및 그 기능에 대한 개요를 제공하고, 데이터 소스 및 거래 플랫폼을 탐색하고, 가격 변동 및 변동성을 분석하고, 암호화폐 가격에 영향을 미치는 요인에 대해 논의하고, 규제, 거래 전략 및 암호화폐의 미래. 이 세션은 암호화폐 시장의 정량적 분석에 대한 종합적인 소개 역할을 하며 참가자들에게 정보에 입각한 투자 결정을 내리는 데 필요한 지식을 제공합니다.
00:00:00 발표자는 암호화폐에 대한 정량적 데이터 분석이라는 주제를 소개합니다. 세션은 퀀트 연구소의 퀀트 연구원으로 블록체인, 비트코인, 이더리움, 리플 전문가인 Udisha Alook이 진행합니다. 연사는 암호화폐에 투자하기 전에 실사의 중요성을 강조하고 암호화폐에 대한 개요, 상위 암호화폐, 암호화폐에서 데이터를 얻고 거래하는 위치를 포함하는 세션의 의제를 설명합니다. 세션의 주요 부분은 상위 암호화폐에 대한 데이터 분석에 중점을 둡니다.
00:05:00 동영상에서는 Quantitative Trading Firm인 Quantinsti와 EPAT(알고리즘 트레이딩) 전문 인증 프로그램, CSAF(Sentiment Analysis and Alternative Data for Finance) 인증, Quantra에서 진행되는 코스. 또한 이 동영상에서는 연구, 백테스팅, 페이퍼 트레이딩 및 라이브 트레이딩을 위한 클라우드 기반 전략 개발 플랫폼인 BlueShift에 대해 설명합니다. 비디오의 주요 주제는 물리적 존재 매체가 없는 암호로 보호되는 디지털 또는 가상 통화로 정의되는 암호 화폐입니다. 암호화폐는 암호화를 사용하고 블록체인 기술을 통해 분산되며 이중 지출을 방지하기 때문에 안전합니다.
00:10:00 연사는 시가총액 상위 6개 암호화폐에 대해 논의하고 기능에 대해 간략하게 설명합니다. 비트코인은 최초의 암호화폐이자 엘살바도르에서 법정화폐로 채택된 유일한 암호화폐입니다. Ethereum은 시가 총액 측면에서 Bitcoin에 이어 두 번째이며 스마트 계약 기능을 도입했습니다. 중간 교환 메커니즘으로 설계된 Ripple은 목록에서 6번째입니다. 바이낸스 거래소에서 발행한 바이낸스 코인이 자체 블록체인으로 이동했습니다. 미국 달러에 고정된 스테이블 코인인 테더와 USD 코인은 암호화폐의 기능을 제공하지만 명목 화폐의 안정성을 제공합니다. 연사는 또한 CryptoWatch 및 CoinAPI와 같은 역사적인 암호화 데이터의 좋은 출처가 있으며 Binance, Coinbase, Etoro, Gemini 및 Kraken과 같은 주요 글로벌 암호화 거래 플랫폼을 나열합니다.
00:15:00 화자는 다양한 암호화폐의 가격을 비교하고 로그 스케일에서 어떻게 작동하는지 보여줍니다. 비트코인은 가격 측면에서 다른 모든 암호화폐를 지배하고 있으며, 이더리움과 바이낸스 코인이 그 뒤를 잇고 있습니다. Ripple은 잘되지 않았으며 안정적인 코인은 특성상 안정적으로 유지됩니다. 그런 다음 연사는 누적 수익을 계산하고 Binance Coin이 가장 높은 수익을 내고 Ethereum과 Bitcoin이 그 뒤를 따른다는 것을 보여줍니다. 상위 4개 암호화폐의 변동성은 도처에 있었고 일부 기간에는 급증했지만 스테이블 코인은 안정적으로 유지되었습니다.
00:20:00 동영상은 암호화폐 투자와 관련된 변동성과 위험을 분석합니다. 그것은 암호 화폐의 수익률이 높은 첨도를 가지고 있음을 관찰하여 양수 및 음수 모두 극단적인 수익률을 기대할 수 있음을 나타냅니다. 이는 투자자들이 가격이 오르면 매수하고 가격이 내리면 패닉 매도하는 경향이 있는 모멘텀 기반 거래 때문입니다. 이 비디오는 또한 수많은 이상치가 있는 암호화폐의 일일 수익률에 대한 박스 플롯을 보여줍니다. 이 과거 데이터는 암호화폐가 위험한 투자라는 것을 증명하지만 스테이블 코인은 덜 위험합니다.
00:25:00 발표자는 비트코인, 이더리움, 파이낸스 코인, 리플, USD 및 USDC와 같은 인기 있는 암호화폐의 중앙값에 이상값을 제거하는 방법에 대해 논의합니다. 스테이블 코인은 대부분의 스테이블 코인의 주요 초점인 1달러에 가까운 가치를 유지하기 위해 만들어집니다. 반면에 Ripple은 금융 기관을 위해 설계된 허가형 블록체인이라는 다른 종류의 블록체인이라는 점에서 다른 암호화폐와 구별됩니다. 연사는 또한 Ripple 설립자들에 대한 진행 중인 SEC 사건이 어떻게 투자자들에게 변동과 불확실성을 야기했는지에 대해 논의합니다. 마지막으로 발표자는 암호화폐에 영향을 미치는 요인을 수요와 공급의 법칙, 가치 인식, 기술 발전, 정부 규제 및 시장 정서의 다섯 가지 주요 요인으로 분류합니다.
00:30:00 암호화폐 가격에 대한 미디어, 정치 행사, 규제 변경 및 블록체인 수정의 영향에 대해 논의합니다. 긍정적인 뉴스는 사람들이 구매하도록 부추길 수 있고 부정적인 언론은 그들을 저지할 수 있기 때문에 미디어는 암호화폐 가격에 상당한 영향을 미칩니다. 또한 평판이 좋은 회사나 개인이 암호화폐를 보증하면 신뢰성과 신뢰성을 높일 수 있습니다. 2015년 그리스 위기와 같은 정치적 사건과 규제 변화도 정부에 대한 투자자의 신뢰에 영향을 미치고 투자자를 암호화폐로 몰아갈 수 있습니다. 대부분의 암호화폐는 블록체인 기반이며 비트코인에서 많이 끌어오기 때문에 비트코인과 이더리움과 같은 다양한 암호화폐 간의 상관관계가 높습니다. 마지막으로 스테이블 코인은 전통적인 암호화폐와 상관관계가 없는 것으로 관찰됩니다.
00:35:00 비디오는 암호화폐를 명목 화폐로 교환하는 과정에 대해 설명합니다. 대부분의 거래소는 비트코인 및 이더리움과 같은 주요 암호화폐의 교환만 지원하므로 명목 화폐로 교환하기 전에 먼저 알트코인을 이러한 상위 암호화폐 중 하나로 교환해야 합니다. 동영상은 또한 암호화폐의 변동성으로 인한 모멘텀 지표 기반 전략 및 차익 거래를 포함하여 암호화폐에 적합할 수 있는 거래 전략을 탐구합니다. 이 비디오는 Relative Strength Index, 이동 평균 수렴 다이버전스 및 Awesome Oscillator와 같은 지표를 사용하여 모멘텀 기반 전략에 대한 코딩을 보여줍니다.
00:40:00 발표자는 비디오에서 다루는 주요 사항을 요약하고 스테이블 코인이 낮은 변동성과 다른 암호 화폐와의 상관 관계 부족으로 인해 포트폴리오 다각화를 위한 좋은 후보가 될 가능성을 강조합니다. 또한 발표자는 Blue Shift라는 연구 및 거래 플랫폼뿐만 아니라 무료 서적 및 과정을 포함하여 알고리즘 거래 및 암호 화폐에 대해 자세히 알아보는 데 관심이 있는 사람들을 위해 추가 리소스를 제공합니다. 이 섹션은 알고 트레이딩 데스크를 시작하거나 업계 실무자의 멘토링을 통해 알고리즘 트레이딩 경력을 개발하려는 개인을 위해 설계된 알고리즘 트레이딩의 이그제큐티브 프로그램에 대한 논의로 끝납니다. 얼리버드 할인이 현재 진행 중입니다.
00:45:00 발표자는 암호화폐 및 블록체인과 관련된 몇 가지 질문에 대해 논의합니다. 규제 지원 없이 암호 화폐의 장기적인 생존 가능성에 대해 질문을 받았을 때 연사는 몰타와 같은 일부 국가에서 이미 암호 화폐를 규제하고 이를 장기 투자로 취급하는 법률을 통과시켰다고 언급했습니다. 블록체인 기술도 최근 몇 년 동안 성장하고 수용되어 사람들이 암호화폐를 더 편안하게 사용할 수 있게 되었습니다. 화자는 암호화폐를 통제하기 어려울 수 있다고 생각하지만 정부와 규제 당국은 암호화폐를 규제하기 위한 조치를 취하고 있습니다. 분산형 금융의 미래에 대해 질문을 받았을 때 연사는 이를 따라잡고 있다고 인정하지만 차익 거래의 유형과 고려해야 할 다른 개념이 여전히 존재합니다. 마지막으로 암호화폐 거래에 대한 질문에 연사는 데이터 마이닝 및 기술 지표뿐만 아니라 블록체인 기술 및 그 용도에 대한 이해도 포함한다고 언급했습니다.
00:50:00 발표자는 높은 변동성으로 인해 암호화폐에 투자하기 전에 적절한 데이터 분석을 수행하는 것의 중요성에 대해 논의합니다. 그녀는 위험을 완화하기 위해 백테스팅뿐만 아니라 기술 및 양적 분석의 사용을 강조합니다. 연사는 또한 암호화폐 시장에 대한 지정학적 개입의 영향에 관한 질문에 답하면서 정부 결정이 영향을 미치지만 암호화폐의 탈중앙화 특성은 사람들이 전통적인 통화나 정부에 대한 신뢰가 낮을 경우 암호화폐에 의존할 수 있음을 의미한다고 강조합니다. 마지막으로 연사는 암호화폐와 관련된 변동성을 일부 완화하여 일상 거래에서 더 유용하게 만드는 스테이블 코인의 이점에 대해 논의합니다.
00:55:00 연사는 향후 미국 규제가 암호화폐 시장에 미칠 잠재적 영향에 대해 논의합니다. 정부가 미국에서 블록체인을 규제할 수 있는 것은 사실이지만 기술의 분산된 특성을 제어하는 것은 어려울 수 있습니다. 결과적으로 암호화폐 규제에 대한 정부의 결정은 가격에 영향을 미칠 수 있지만 반드시 완전히 통제하지는 못할 수 있습니다. 연사는 또한 암호화폐 거래에 필요한 최소 자본과 실제 거래에서 암호화폐가 사용될 가능성에 관한 질문에 대해서도 언급합니다. 마지막으로 발표자는 중앙은행 디지털 통화의 부상과 암호화폐의 탈중앙화 특성에 미칠 수 있는 영향에 대해 이야기합니다.
01:00:00 발표자는 신원 발급 및 공급망 관리와 같은 문제를 해결하기 위해 증가하는 블록체인 기술 탐색에 대해 논의합니다. 그들은 블록체인 공간에서 여전히 많은 개발과 작업이 필요하며 블록체인 개발자에 대한 좋은 수요가 있을 것이라고 믿습니다. 암호화폐는 24시간 거래가 가능하다는 장점이 있습니다. 연사는 또한 청중이 세션에 대한 피드백을 제공하고 답변되지 않은 질문에 대해 언급하도록 권장하며, 향후 답변을 목표로 합니다.
퀀트 트레이딩 입문 세미나에서 연사는 코드 예제를 사용하여 트레이딩 알고리즘의 생성, 평가 및 배포에 대해 자세히 설명합니다. 세션은 거래 기회를 식별하고 거래를 실행하기 위해 수학적 및 통계적 모델을 사용하는 양적 거래의 개념을 소개하는 것으로 시작됩니다. 모멘텀 매매, 평균 전환 매매 시스템, 수학적 모델, 고주파 매매, 뉴스 기반 매매 시스템 등 다양한 유형의 퀀트 매매 전략에 대해 설명합니다. 발표자는 알고리즘이 거래에만 사용되는 것이 아니라 시장 조성 및 가격 비효율성을 이용하여 이익을 창출하는 데에도 사용된다고 강조합니다.
그런 다음 양적 거래 시스템의 기본 구조에 대해 설명합니다. 여기에는 데이터 수집, 거래 전략 생성, 백테스팅, 실행 및 위험 관리가 포함됩니다. 가격, 기본, 경제 및 뉴스 데이터는 일반적으로 거래 알고리즘에 사용됩니다. 기술, 통계 및 수학적 분석을 사용하여 전략에 대한 거래 규칙을 설계할 수 있습니다. 백테스팅에는 과거 데이터에 대한 규칙을 테스트하여 성능을 평가하는 작업이 포함됩니다. 실행은 수동 또는 자동일 수 있으며 위험 관리는 자본 배분 및 손절매와 같은 위험 매개변수 설정에 매우 중요합니다. 연사는 이러한 개념을 설명하기 위해 양적 거래 전략의 실제 예를 제공합니다.
추세 기반 전략이 강조 표시되고 지수 이동 평균(EMA), 포물선 SM 및 확률 발진기와 같은 기술 지표가 알고리즘 설계에 사용됩니다. 소프트웨어 설치 없이 비디오 자습서, 대화식 연습 및 실제 노출을 제공하는 Contra 플랫폼이 도입되었습니다. 알고리즘 생성을 지원하기 위해 Python 모듈을 가져오고 CSV 파일에서 데이터를 가져와 거래 규칙을 정의하고 전략 성과를 모니터링합니다. TLA Python 모듈은 기술 지표에 대한 매개변수를 설정하는 데 활용되어 설계 프로세스를 단순화합니다.
강사는 EMA, Stochastic fast 및 Stochastic slow 오실레이터와 같은 기술 지표를 사용하여 거래 규칙을 정의하고 거래 신호를 생성하는 방법을 설명합니다. 매수 신호 생성을 위한 5가지 거래 조건이 설명되어 있으며, 매도 포지션에 대한 거래 규칙도 설계되어 있습니다. 다음 단계는 Python 노트북을 사용하여 전략을 백테스트하여 실제 성능을 평가하는 것입니다. 전략 수익률 플롯은 알고리즘이 초기에 손실을 입었지만 2018년부터 추진력을 얻었고 궁극적으로 테스트 기간이 끝날 때까지 이익을 창출했음을 보여줍니다. 알고리즘의 연구, 구축, 백테스팅을 쉽게 할 수 있는 플랫폼인 BlueShift를 소개합니다.
BlueShift 플랫폼을 사용하여 Bank of America 주식에 대한 백테스팅 데모가 이어집니다. 이 플랫폼은 데이터 유지 관리와 데이터를 Python으로 가져오기 위한 간단한 코드 줄을 제공합니다. 지표 및 거래 규칙이 정의되고 장기 및 단기 조건 충족에 따라 거래가 자동으로 실행됩니다. 백테스트는 2020년 1월부터 2021년 10월까지 자본금 10,000달러로 진행되며, 성과는 S&P 500 벤치마크와 비교됩니다. 결과는 113%의 투자 수익을 나타냅니다. 자세한 백테스트 결과를 통해 월별 수익, 실행된 거래 및 사용된 마진을 분석하여 더 나은 거래 결정을 내릴 수 있습니다.
발표자는 알고리즘 반환 및 월별 반환 히트 맵과 같은 성능 메트릭의 시각적 표현을 포함하여 BlueShift 플랫폼에서 포괄적인 백 테스트 결과에 액세스하는 방법을 시연합니다. 알고리즘이 취하는 포지션을 분석하고 롱 사이드와 숏 사이드의 총 이익과 같은 주요 지표를 조사합니다. 종이 거래 또는 실제 자본을 통해 전략을 실시간으로 배포하기 전에 위험 매개변수 및 주문 한도를 구성할 수 있습니다.
BlueShift 거래 플랫폼을 사용하여 종이 거래를 위한 브로커를 선택하고 자본 및 알고리즘 매개변수를 지정하는 과정을 설명합니다. 사용자는 미국 주식용 Alpaca, 외환용 OANDA, 인도 시장 거래용 Master Trust와 같은 다양한 옵션 중에서 선택할 수 있습니다. 연사는 BlueShift를 사용하여 감소 한도가 30%이고 주문 및 크기 제한이 각각 1,000 및 10,000인 위험 매트릭스를 지정하는 방법을 보여줍니다. 사용자는 선호도에 따라 자동 실행 또는 원클릭 확인 방법을 유연하게 선택할 수 있습니다. 사용자가 확인을 클릭하면 알고리즘이 실행되기 시작하고 BlueShift는 Alpaca 종이 거래 부분과 연결을 설정합니다. 대시보드는 거래 자본, 거래, 포지션 및 기타 관련 정보를 실시간으로 지속적으로 업데이트합니다.
발표자는 양적 거래에 필수적인 두 가지 제품인 Conda와 BlueShift를 강조합니다. Conda는 주가, 암호 화폐, 뉴스 및 소셜 미디어를 포함한 다양한 소스에서 데이터를 얻는 데 사용됩니다. 이 과정에서는 기본 보고서에 액세스하거나 API를 사용하여 소셜 미디어 데이터를 거래 시스템으로 추출하는 방법을 설명합니다. 두 번째 제품인 BlueShift는 경제 모델 및 시계열 분석을 사용하여 전략을 설계 및 테스트하는 데 사용됩니다. 평균 전환 거래 전략, 모멘텀 거래 전략, 데이 트레이딩 전략과 같은 다양한 거래 전략에 대한 예제와 코드를 제공합니다. 또한 이 과정은 기계 학습 방법을 사용하여 포트폴리오 관리 및 위험 제어를 용이하게 하기 위해 "기계 학습 계층적 불일치를 사용한 포트폴리오 관리"를 다룹니다. BlueShift를 사용하면 광범위한 데이터 세트에서 거래 전략을 백테스팅할 수 있습니다.
미국 주식, 암호화폐, 외환, 인도 주식 및 부동산 데이터를 포함하여 양적 거래를 실행하기 위한 다양한 데이터 세트의 가용성에 대해 논의합니다. 브로커가 클라우드 기반 실행을 처리하면서 클라우드 기반 및 데스크톱 기반 배포에 대해 설명합니다. Interactive Brokers 또는 eTrade와 같은 브로커에 연결하는 IBridgePy 소프트웨어를 사용하여 데스크톱 기반 통합을 달성할 수 있습니다. 세션에 참석하는 학생들에게는 ContraQuant 웹사이트에서 제공되는 모든 과정에 대해 60% 할인 코드가 제공됩니다. 이 웹사이트는 신경망, 자연어 처리(NLP), 모멘텀 전략, 옵션, 선물 및 쌍 거래와 같은 광범위한 개념을 다루는 초보자, 중급 거래자 및 고급 거래자에게 적합한 과정을 제공합니다.
00:00:00 코드 예제를 사용하여 거래 알고리즘의 생성, 평가 및 배포를 다루는 입문 양적 거래에 대한 세미나가 논의됩니다. 이 세션에서는 거래 기회를 식별하고 거래를 실행하기 위한 수학적 및 통계적 모델의 사용을 포함하여 양적 거래의 개념을 소개합니다. 모멘텀 매매, 평균 전환 매매 시스템, 수학적 모델, 고주파 매매, 뉴스 기반 매매 시스템 등 다양한 유형의 퀀트 매매 전략에 대해 설명합니다. 마지막으로 알고리즘은 시장 조성과 가격의 비효율성을 이용하여 수익을 창출하는 데에도 사용됩니다.
00:05:00 연사는 데이터 수집, 거래 전략 생성, 백테스팅, 실행 및 위험 관리를 포함하는 양적 거래 시스템의 기본 구조를 설명합니다. 거래 알고리즘에 가장 일반적으로 사용되는 데이터는 가격, 기본, 경제 및 뉴스 데이터입니다. 기술, 통계 및 수학적 분석을 사용하여 전략에 대한 거래 규칙을 설계할 수 있습니다. 백 테스팅에서 규칙은 성능을 평가하기 위해 기록 데이터에서 테스트됩니다. 실행은 수동 또는 자동일 수 있으며 위험 관리는 자본 할당 및 손절매와 같은 위험 매개변수 설정에 도움이 됩니다. 연사는 또한 양적 거래 전략의 실제 사례를 제공합니다.
00:10:00 연사는 퀀트 거래에서 사용되는 추세 기반 전략과 Contra 플랫폼에서 지수 이동 평균, 포물선 SM 및 확률 발진기와 같은 기술 지표를 사용하여 설계할 수 있는 방법에 대해 논의합니다. 이 플랫폼은 사용자가 소프트웨어를 설치할 필요 없이 비디오 자습서, 대화식 연습 및 실제 노출을 제공합니다. 발표자는 알고리즘 생성을 돕기 위해 Python 모듈을 가져오고 거래 규칙을 정의하고 전략 성과를 모니터링하는 데 사용되는 CSV 파일에서 데이터를 가져옵니다. 기술 지표 매개변수는 이러한 지표의 설계를 용이하게 하는 TLA Python 모듈을 사용하여 설정됩니다.
00:15:00 강사는 EMA, Stochastic fast 및 Stochastic slow 오실레이터와 같은 기술 지표를 사용하여 거래 규칙을 정의하고 거래 신호를 생성하는 방법을 설명합니다. 매수 신호를 생성하고 매도 포지션에 대한 거래 규칙을 설계하기 위해 충족해야 하는 5가지 거래 조건을 설명합니다. 다음 단계는 전략이 실제로 얼마나 잘 수행되는지 확인하기 위해 Python 노트북을 사용하여 전략을 백테스트하는 것입니다. 전략 수익률 플롯은 알고리즘이 2017년 초에 손실을 입었지만 2018년부터 반등하여 테스트 기간이 끝날 때까지 이익을 창출했음을 보여줍니다. 또한 사용자가 버튼 클릭 한 번으로 알고리즘을 연구, 구성 및 백테스트할 수 있는 플랫폼인 BlueShift를 소개합니다.
00:20:00 Blue Shift 플랫폼을 사용하여 Bank of America 주식에 대한 백테스팅 데모를 봅니다. 이 플랫폼은 데이터 유지 관리와 데이터를 Python으로 가져오기 위한 간단한 코드 라인을 제공합니다. 지표 및 거래 규칙이 정의되고 충족되는 장기 및 단기 조건에 따라 자동으로 거래가 이루어집니다. 백 테스트는 2020년 1월부터 2021년 10월까지 $10,000의 자본금으로 실행되며 성능은 S&P 500 벤치마크와 비교됩니다. 결과는 113%의 투자 수익을 보여줍니다. 보다 심층적인 백 테스트를 실행하여 월별 수익, 거래 및 사용 마진에 대한 세부 정보를 얻을 수 있으므로 더 나은 거래 결정을 내릴 수 있습니다.
00:25:00 연사는 알고리즘 반환 및 월별 반환 히트 맵과 같은 성능 메트릭의 시각적 표현을 포함하여 Blueshift 플랫폼에서 전체 백테스트 결과에 액세스하는 방법을 보여줍니다. 또한 알고리즘이 취하는 포지션을 분석하는 방법과 롱 사이드와 숏 사이드에서 얻은 총 이익과 같은 주요 지표를 조사하는 방법을 설명합니다. 그런 다음 발표자는 종이 거래 또는 실제 자본을 통해 전략을 실시간으로 배포하기 전에 위험 매개변수 및 주문 한도를 구성하는 방법을 보여줍니다.
00:30:00 발표자가 BlueShift 거래 플랫폼을 사용하여 종이 거래에 대한 브로커를 선택하고 자본 및 알고리즘 매개변수를 지정하는 방법을 설명합니다. 사용자는 미국 주식의 경우 Alpaca, 외환의 경우 OANDA, 인도 시장 거래의 경우 Master Trust와 같은 다양한 옵션 중에서 선택할 수 있습니다. 발표자는 BlueShift를 사용하여 감소 한도가 30%이고 주문 및 크기 제한이 각각 1,000 및 10,000인 위험 매트릭스를 지정하는 방법을 보여줍니다. 사용자는 기본 설정에 따라 자동 실행 또는 원클릭 확인 방법을 선택할 수 있습니다. 사용자가 확인을 클릭하면 알고리즘이 실행되기 시작하고 BlueShift는 Alpaca 종이 거래 분수와 연결을 시작합니다. 대시보드는 매 밀리초마다 거래 자본, 거래, 포지션 및 업데이트를 표시합니다.
00:35:00 연사는 양적 거래에 사용할 두 가지 제품인 Conda와 Blueshift에 대해 설명합니다. Conda는 주가 및 암호화폐에서 뉴스 및 소셜 미디어에 이르는 다양한 소스에서 데이터를 얻는 데 활용됩니다. 이 과정은 기본 보고서에 액세스하거나 API를 사용하여 소셜 미디어 데이터를 거래 시스템으로 추출하는 방법을 설명합니다. 두 번째 제품인 Blueshift는 계량경제 모델과 시계열 분석을 사용하여 전략을 설계하고 테스트하기 위한 것입니다. 이 과정은 평균 분할 거래 전략, 모멘텀 거래 전략 및 일일 거래 전략과 같은 다양한 거래 전략에 대한 예제와 코드를 제공합니다. 또한 포트폴리오 관리 및 위험 관리를 위해 기계 학습 방법을 사용한 "기계 학습 계층적 차이를 사용한 포트폴리오 관리"를 제공합니다. Blueshift는 광범위한 데이터 세트에서 거래 전략의 백테스팅을 가능하게 합니다.
00:40:00 연사는 미국 주식, 암호화폐, 외환, 인도 주식 및 부동산 데이터를 포함하여 양적 거래를 실행하는 데 사용할 수 있는 다양한 데이터 세트에 대해 논의합니다. 클라우드 기반 및 데스크톱 기반의 두 가지 배포 유형이 있으며 브로커가 클라우드 기반 실행을 처리합니다. 데스크톱 기반 통합은 IBridgePy 소프트웨어를 사용하여 Interactive Brokers 또는 eTrade와 같은 브로커에 연결할 수 있습니다. 세션에 참석하는 학생들에게는 ContraQuant 웹사이트에서 제공되는 모든 과정에 대해 60% 할인 코드가 제공됩니다. 이 과정은 초보자, 중급 및 고급 거래자에게 적합한 과정을 제공하고 신경망, NLP, 모멘텀 전략, 옵션, 선물 및 쌍 거래.
소개 웨비나에서 호스트는 일일 주가 예측 및 일일 거래 전략 자동화에 대한 세션의 주요 주제를 소개합니다. 세션에는 두 개의 프로젝트 프레젠테이션이 포함됩니다. 첫 번째 프레젠테이션은 영국의 Renato Otto가 랜덤 포레스트 분류기, 기술 지표 및 감정 데이터를 사용하여 일일 주가 예측에 대해 설명합니다. Renato Otto는 영국 에너지 시장에서 정량 분석 및 시장 조작의 체계적 식별을 위한 소프트웨어 및 도구 개발에 참여한 경험이 있는 개인으로 소개되었습니다.
Renato Otto는 프로젝트 완료 동기를 공유하며 Python 프로그래밍, 데이터 엔지니어링 및 기계 학습에 대한 지식을 엔드 투 엔드 프로젝트로 통합할 수 있는 기회라고 설명합니다. 이 프로젝트는 그의 기술을 향상시키고 거래에서 기계 학습 및 자연어 처리의 힘을 탐구하는 것을 목표로 했습니다. 또한 목표는 다른 사람들이 자신의 분석이나 전략 구현에 사용할 수 있는 재사용 가능한 것을 만드는 것이었습니다. 이 프로젝트에는 사전에 분석 세부 정보를 정의하고 파이프라인을 초기화하는 것부터 시작하여 9단계가 포함됩니다. 그런 다음 프로그램이 실행되어 백테스팅 계산에 필요한 데이터 세트를 얻습니다. 발표자는 프로그램의 사용성 테스트와 최종 수치의 신뢰성 확보의 중요성을 강조합니다.
연사는 일일 거래 전략 백테스팅과 관련된 방법을 설명합니다. 데이터 전처리, 모델 교육 및 테스트, 전략 성능 분석을 위한 다양한 방법으로 구성된 백 테스트 전략 수업에 대해 논의합니다. 백테스팅 프로세스의 출력에는 투자 수익, 예리한 비율, 최대 손실률 및 기타 관련 매개변수를 보여주는 표와 플롯이 포함됩니다. 백테스팅은 전략의 잠재적 수익성을 결정하는 데 도움이 되지만 연사는 실제 거래에서 적용되지 않을 수 있는 특정 측면을 단순화한다고 경고합니다. 연사는 거래 수수료 및 계정 크기를 포함하여 실제 거래 조건을 반영하도록 매개 변수를 업데이트하는 프로그램의 최신 개선 사항을 언급합니다.
프레젠테이션 중에 연사는 프로그램 개발 중에 직면한 문제에 대해서도 논의합니다. 한 가지 과제는 사용자가 데이터를 입력하라는 메시지를 표시하는 대화형 메뉴를 구현하는 것이었습니다. 여기에는 추가적인 생각과 개발 노력이 필요했습니다. 그러나 화자는 프로그램을 보다 사용자 친화적으로 만들었기 때문에 그만한 가치가 있다고 말합니다. 다른 과제로는 성과 지표 계산을 위한 솔루션을 찾고 일과 삶의 균형을 유지하는 것이 포함되었습니다. 발표자는 이러한 어려움을 극복하기 위해 다이어그램 그리기, 코드 작성의 디딤돌로 주석 작성, 휴식, 온라인 검색 수행 및 지식 통합과 같은 전략을 권장합니다. 발표자는 또한 양적 금융 및 프로그래밍 기술에 대한 지식 통합, 처음부터 끝까지 프로젝트 관리에 대한 자신감 확보, 주가 예측에서 기계 학습의 힘 입증 등 프로젝트를 통해 얻은 성과를 강조합니다.
연사는 현재 프로젝트를 완료한 후 향후 프로젝트 계획에 대해 논의합니다. 그들은 다양한 자산으로 새로운 전략을 연구하고, 블로그를 통해 지식을 확장하고, 다른 매니아들과의 상호작용을 통해 지식을 확장하고, 새로운 전략과 기계 학습 모델을 연구하고, 결국 라이브 거래에서 수익성 있는 전략을 구현하려는 의도를 언급합니다. 연사는 프로젝트에 대한 추가 질문이나 문의를 위해 연락처 정보를 공유합니다. 청중은 프로젝트에 소요된 심야 횟수와 프로그램이 암호화폐 거래에 사용될 수 있는지 여부를 포함하여 몇 가지 질문을 합니다.
프로젝트에 사용된 데이터에 대해 작성자는 2009년 회사 설립 당시부터 매일 Tesla 가격을 사용하여 모델을 교육했다고 설명합니다. 교육 과정은 5개월이 걸렸으며 모델은 2년 동안 테스트되었습니다. 위험 감소 측면에서 작성자는 위험을 줄이기 위해 기계 학습 모델에서 수행할 수 있는 작업이 많지 않지만 대부분의 거래가 수익성이 있는지 확인하기 위해 합리적인 양의 거래를 평가했다고 언급합니다. 제작자는 또한 가격 예측을 위한 시간 프레임과 모델 훈련을 위한 고성능 PC의 필요성에 대한 질문에 답합니다.
연사는 모델 훈련 과정을 설명하고 임의 시스템에 비해 알고리즘 거래의 이점에 대해 논의합니다. 그들은 작동하는 모델에 도달하는 데 몇 시간이 걸릴 수 있지만 GPU 없이 컴퓨터를 사용하여 모델을 훈련하는 것이 가능하다고 언급합니다. 그러나 그들은 이 접근 방식에 정기적으로 의존하지 말라고 조언합니다. 알고리즘 거래의 이점에 대해 논의할 때 연사는 대부분의 거래가 수익성이 있다는 통계적 신뢰도를 강조하여 재량 거래에 비해 수익성이 더 높다고 강조합니다. 마지막으로 발표자는 EPAC 프로그램이 알고리즘 트레이딩을 이해하기 위한 기본 사항과 전문 분야를 선택하는 데 필요한 도구를 제공했다고 말하면서 EPAC 프로그램에 대한 기대를 표현했습니다.
다음으로 두 번째 연사인 인도의 유주얼 아그라왈(Usual Agrawal)이 퀀트 트레이더이자 비즈니스 오너로 소개됩니다. Agrawal은 지난 4년 동안 인도 시장에서 거래한 경험과 정규 거래와 함께 비즈니스를 관리하면서 직면한 어려움을 공유합니다. 이러한 문제를 극복하기 위해 Agrawal은 EPAT 과정의 도움과 Quantum City 팀의 무조건적인 지원을 통해 거래 설정을 자동화하기로 결정했습니다. 프레젠테이션에서 Agrawal은 상관관계가 없는 설정을 결합하여 손실을 최소화하면서 상당한 수익을 창출하는 완전 자동화된 거래 설정인 "장중 스트래들"을 선보입니다. 데이터 수집, 백 테스트, 프런트 테스트, 배포 및 거래 전략의 성능 평가에 대한 접근 방식에 대해 논의합니다.
프레젠테이션 중에 연사는 일일 거래 전략을 백테스트하는 데 사용되는 데이터, 시스템 및 매개 변수에 대해 자세히 설명합니다. 그들의 전략에는 1분의 시간 프레임을 사용하여 Nifty 및 Bank Nifty 선물 및 옵션 데이터에 대한 스트래들 및 스트랭글을 생성하는 것이 포함됩니다. 발표자는 2019년 3월부터 2021년 3월까지 2년 분량의 데이터를 사용했으며, 변동성이 낮은 기간과 COVID-19 대유행을 모두 다루었습니다. 그들은 손절매 수준의 변화를 포함하여 백 테스트에 사용되는 다양한 클래스와 테스트된 매개 변수를 설명합니다. 마지막으로 연사는 백테스팅 과정의 결과를 발표합니다.
발표자는 일일 거래 전략의 백 테스트 및 프런트 테스트 결과에 대해 논의합니다. 백테스팅 단계에서 그들은 연간 52.9%의 수익률에 해당하는 3.15 lakhs의 순수익을 달성했습니다. 적중률은 정규화와 정규화 모두 계산되었으며 후자는 보다 사실적인 그림을 제공합니다. 샤프 비율은 3.78로 결정되었고 주식 곡선은 3개월 단순 이동 평균에서 좋은 지지를 받았습니다. 그러나 전면 테스트 단계에서 전략은 예상대로 수행되지 않았으며 11개월 동안 70,000루피(연간 수익률 25%에 해당)만 벌어들였습니다. 주식 곡선은 평평하게 유지되어 현재 전략이 잘 수행되지 않을 수 있으며 추가 분석이 필요함을 나타냅니다. 발표자는 또한 데이터 수집 중에 발생하는 주요 어려움과 함께 프로젝트 전반에 걸쳐 직면한 주요 과제와 교훈을 공유합니다.
연사는 일일 거래 전략을 개발하는 동안 직면한 몇 가지 문제에 대해 논의합니다. 주요 장애물 중 하나는 신뢰할 수 있는 일중 옵션 데이터를 확보하는 것이었고 이를 위해서는 제3자 벤더로부터 이를 구매해야 했습니다. 또 다른 문제는 전략의 전반적인 성과를 정확하게 나타내지 않을 수 있는 지난 2년 간의 데이터에만 집중하기 때문에 잠재적인 샘플링 편향이었습니다. 또한 화자는 많은 트레이더가 유사한 전략을 사용하는 시장의 과밀 효과에 주목합니다. 발표자는 전략을 독립적으로 개발하기로 한 결정을 설명하여 맞춤형 조정을 허용합니다. 마지막으로 전략에 대한 지속적인 평가와 효율성 향상을 위한 다각화 노력이 강조됩니다.
연사는 프로그램이 수동으로 실행되는지 또는 클라우드 플랫폼을 사용하여 자동으로 실행되는지 여부, 스트래들 판매를 위해 주식을 선택한 방법 및 프리미엄과 관련된 일반적인 손절매 거리를 포함하여 청중의 질문에 답합니다. 이 전략은 유동성 문제로 인해 Nifty 지수와 Bank Nifty 지수에만 적용되며 화자는 시행 착오를 통해 데이터를 정리하고 형식 변경을 수정하고 데이터 오류가 있는 날짜를 제거합니다.
연사는 일일 거래 전략과 관련된 두 가지 추가 질문에 답합니다. 그들은 테스트에 사용되는 손절매 비율과 컴퓨터 공학에 대한 배경 지식 없이 프로그래밍에서 직면한 문제에 대해 논의합니다. 그들은 EPAT 프로그램과 Quadency의 멘토링을 통해 이러한 문제를 어떻게 극복했는지 설명합니다. 또한 연사는 퀀트와 알고리즘 트레이더를 꿈꾸는 사람들에게 조언을 제공하여 실제로 거래 전략을 적용할 때 주의를 기울이고 적절한 위험 관리를 구현하는 것의 중요성을 강조합니다.
연사는 다양한 거래 전략의 중요성과 다른 전략이 계속 좋은 성과를 거두는 동안 한 전략에서 하락 단계를 탐색하는 데 어떻게 도움이 될 수 있는지 강조합니다. 그들은 뉘앙스를 배우고 효과적으로 결합하기 위해 각 전략에 대한 철저한 테스트와 시간 소비의 필요성을 강조합니다. 세션 중에 공유된 정보는 거래 조언을 위한 것이 아님을 유의하는 것이 중요합니다.
호스트는 프로젝트와 경험을 공유해 준 Visual 발표자에게 감사를 표하며 웨비나를 마무리합니다. 청중에게 YouTube 채널에서 세션 녹화를 사용할 수 있으며 참가자는 논의된 전략과 관련된 필수 코드 및 GitHub 링크가 포함된 이메일을 받게 된다고 알립니다. 주최자는 앞으로 몇 달 동안 더 흥미로운 세션을 개최하여 청중의 지식과 이해를 더욱 풍부하게 하기를 기대합니다.
웨비나는 일일 주가 예측 및 일일 거래 전략 자동화에 대한 귀중한 통찰력을 제공했습니다. Renato Otto의 첫 번째 프레젠테이션은 랜덤 포레스트 분류기, 기술 지표 및 감정 데이터를 사용하여 주가를 예측하는 데 중점을 두었습니다. Usual Agrawal의 두 번째 프리젠테이션에서는 완전 자동화된 거래 설정인 "장중 스트래들(Intraday Straddles)"을 선보였습니다. 이 설정은 상관관계가 없는 설정을 결합하여 최소 손실로 수익을 창출했습니다. 두 발표자는 자신의 도전과 성취, 학습 내용을 공유하여 청중에게 귀중한 교훈을 제공했습니다. 웨비나는 거래에서 기계 학습 및 자연어 처리의 힘을 탐구하는 플랫폼 역할을 했으며 흥미진진한 알고리즘 거래의 세계를 엿볼 수 있는 기회를 제공했습니다.
00:00:00 호스트는 일일 주가를 예측하고 일일 거래 전략을 자동화하는 웨비나의 주제를 소개합니다. 두 개의 프로젝트 프레젠테이션이 제공됩니다. 첫 번째는 영국의 Renato Otto가 발표한 랜덤 포레스트 분류기 기술 지표 및 감정 데이터를 사용한 일일 주가 예측에 관한 것이고 두 번째는 Usual이 발표한 옵션 데이 거래 전략을 자동화하는 방법에 관한 것입니다. 인도에서 Agrawal. 호스트는 Renato Otto를 소개하고 정량 분석을 위한 소프트웨어 및 도구 개발과 영국 에너지 시장에서 시장 조작의 체계적 식별에 대한 그의 경험과 참여를 포함하여 그에 대한 간략한 배경을 제공합니다.
00:05:00 발표자는 일일 주가 예측 및 일일 거래 전략 자동화와 관련된 프로젝트를 완료하게 된 동기에 대해 논의합니다. 그들은 Python 프로그래밍, 데이터 엔지니어링 및 기계 학습에 대한 지식을 기술을 향상시키고 거래에서 기계 학습 및 자연어 처리의 힘을 탐구하는 종단 간 프로젝트로 통합하기를 원했습니다. 또한 그들은 다른 사람들이 자신의 분석이나 구현 전략에 사용할 수 있는 재사용 가능한 것을 구축하는 것을 목표로 했습니다. 이 프로그램은 분석을 정의하기 위해 사전에 세부 정보를 제공하는 것부터 시작하여 파이프라인을 초기화하고 프로그램을 실행하여 백테스팅 계산을 위한 데이터 세트를 얻는 9단계로 구성됩니다. 발표자는 프로그램의 유용성을 테스트하고 마지막에 있는 수치가 신뢰할 수 있는지 확인하는 것의 중요성을 다룹니다.
00:10:00 연사는 일일 거래 전략 백 테스트와 관련된 다양한 방법을 설명합니다. 백 테스트 전략 수업은 데이터를 전처리하고, 모델을 훈련 및 테스트하고, 전략의 성능을 분석할 수 있는 여러 가지 방법으로 구성됩니다. 출력은 다른 매개변수 중에서 투자 수익률, 예리한 비율 및 최대 손실을 보여주는 표와 도표로 구성됩니다. 백테스팅 방법은 전략의 잠재적인 수익성을 결정하는 데 유용하지만 연사는 라이브 거래에 적용되지 않을 수 있는 몇 가지 단순화를 만든다고 경고합니다. 프로그램의 최신 개선 사항에는 실제 거래 조건을 반영하기 위해 거래 수수료 및 계정 크기를 포함하도록 매개변수를 업데이트하는 것이 포함됩니다.
00:15:00 발표자는 일일 주가 예측 및 일일 거래 자동화 프로그램을 개발하면서 직면한 문제에 대해 논의합니다. 문제 중 하나는 사용자에게 데이터를 입력하라는 메시지를 표시하는 대화형 메뉴를 구현하는 복잡성이었습니다. 이를 위해서는 추가적인 생각과 개발이 필요했지만 프로그램이 사용자 친화적이기 때문에 결국 그럴 가치가 있었습니다. 다른 과제로는 성과 메트릭 계산을 위한 솔루션을 찾고 일과 삶의 균형을 유지하는 것이 포함되었습니다. 발표자는 이러한 어려움을 극복하기 위해 다이어그램 그리기, 실제 코드에 대한 디딤돌로 주석 작성, 휴식, 인터넷 검색 문제 및 지식 통합을 권장합니다. 발표자는 또한 양적 금융 및 프로그래밍 기술에 대한 지식 통합, 처음부터 끝까지 프로젝트 관리에 대한 자신감 확보, 기계 학습이 다음날 주가 예측에 얼마나 강력한지 보여주는 등 이 프로젝트를 통해 얻은 성과에 대해 논의합니다.
00:20:00 연사는 일일 주가 예측 및 일일 거래 전략 자동화에 대한 현재 프로젝트를 완료한 후 향후 프로젝트에 대한 계획을 논의합니다. 그는 다양한 자산으로 새로운 전략을 연구하고, 블로그를 통해 다른 애호가들과 지식을 확장하고, 새로운 전략과 기계 학습 모델을 연구하고, 결국 라이브 거래 환경에서 수익성 있는 전략을 구현한다고 언급합니다. 또한 발표자는 질문을 하거나 프로젝트에 대해 자세히 알아보려는 사람들을 위해 연락처 정보를 공유합니다. 청중은 또한 연사가 프로젝트 중에 얼마나 많은 밤을 지새웠는지, 프로그램이 암호 화폐로 사용될 수 있는지 등 몇 가지 질문을 합니다.
00:25:00 제작자는 2009년 회사 설립 이후 일일 Tesla 가격을 사용하여 모델을 훈련했습니다. 훈련 과정은 5개월이 걸렸고 모델은 몇 년 동안 테스트되었습니다. 위험 감소와 관련하여 제작자는 기계 학습 모델에서 위험을 줄이기 위해 할 수 있는 일이 많지 않다고 언급했습니다. 그럼에도 불구하고 그들은 대부분의 거래가 수익성이 있는지 확인하기 위해 합리적이거나 수용 가능한 거래량을 평가했습니다. 제작자는 또한 가격 예측을 위한 시간 프레임과 모델 훈련을 위한 고성능 PC의 필요성과 관련된 질문에 답했습니다.
00:30:00 연사는 모델 훈련 과정과 임의 시스템에 비해 알고리즘 거래의 이점에 대해 논의합니다. 그는 GPU 없이 컴퓨터를 사용하여 모델을 교육하는 것이 가능하며 작동하는 모델에 도달하는 데 몇 시간이 걸릴 수 있다고 설명합니다. 그는 이 작업을 한 번 수행하는 것이 가능하지만 정기적으로 사용하는 것은 권장하지 않는다고 말합니다. 알고리즘 거래의 이점에 대해 물었을 때 화자는 대부분의 거래가 수익성이 있다는 통계적 확신이 있어 재량 거래보다 수익성이 더 높다고 말합니다. 마지막으로 연사는 epac 프로그램이 알고 거래를 이해하기 위한 기초와 전문 분야를 선택하기 위한 도구를 제공했다고 말하면서 epac 프로그램에 대한 기대를 공유합니다.
00:35:00 비디오의 두 번째 연사인 Usual Agrawal은 인도의 퀀트 트레이더이자 비즈니스 오너로 소개됩니다. Agrawal은 지난 4년 동안 인도 시장에서 거래를 해왔으며 풀타임으로 거래하면서 사업을 관리하는 데 어려움을 겪었습니다. 이를 통해 그는 EPAD 과정의 도움과 Quantum City 팀의 무조건적인 지원을 받아 거래 설정을 자동화할 수 있었습니다. 두 번째 프레젠테이션에서 Agrawal은 상관관계가 없는 설정을 결합하여 손실을 최소화하면서 상당한 수익을 창출하는 완전히 자동화된 거래 설정인 "장중 스트래들"을 선보입니다. 그는 또한 데이터 수집, 백테스팅, 프론트 테스팅, 배치, 거래 전략의 성과 평가에 대한 접근 방식에 대해 설명합니다.
00:40:00 연사는 Nifty 및 파산 선물 및 옵션 데이터에 대한 스트래들 및 스트랭글 생성과 관련된 기본 데이 트레이딩 전략을 1분 단위로 백테스트하는 데 사용되는 데이터, 시스템 및 매개변수에 대해 논의합니다. 발표자는 2019년 3월부터 2021년 3월까지 2년 분량의 데이터를 사용했으며 여기에는 변동성이 낮은 기간과 COVID-19 대유행이 모두 포함되었습니다. 그런 다음 스피커는 다양한 정지 손실 수준을 포함하여 백 테스트에 사용되는 다양한 클래스와 테스트된 매개 변수를 설명합니다. 마지막으로 발표자는 백테스팅 결과를 발표합니다.
00:45:00 발표자는 일일 거래 전략의 백 테스트 및 프런트 테스트 결과에 대해 논의합니다. 백테스트 단계에서 그들은 3.15 lakhs의 순수익을 얻었으며 이는 연간 52.9%의 수익으로 해석됩니다. 적중률은 정규화와 정규화 모두 계산되었으며 후자는 보다 사실적인 그림을 제공합니다. 예리한 비율은 3.78이었고 주식 곡선은 3개월 단순 이동 평균으로부터 좋은 지지를 받았습니다. 그러나 전면 테스트 단계에서 전략은 예상대로 수행되지 않았으며 11개월 동안 70,000루피만 벌어 연간 25%의 수익을 올렸습니다. 에쿼티 커브는 평평했으며, 이는 전략이 현재 잘 수행되지 않을 수 있으며 분석이 필요함을 나타냅니다. 발표자는 또한 데이터 수집 중에 발생하는 주요 문제와 함께 이 프로젝트 동안의 주요 과제와 학습 내용을 공유합니다.
00:50:00 연사는 일일 거래 전략을 개발하는 동안 직면한 몇 가지 문제에 대해 논의합니다. 주요 문제 중 하나는 신뢰할 수 있는 일중 옵션 데이터를 확보하는 것이었고 이를 위해서는 제3자 벤더로부터 구매해야 했습니다. 또 다른 문제는 샘플링 편향이었습니다. 분석은 전략의 전반적인 성과를 정확하게 나타내지 못할 수 있는 지난 2년 간의 데이터에만 집중했기 때문입니다. 또한 연사는 많은 거래자들이 유사한 전략을 사용하고 있기 때문에 시장의 과밀 효과에 주목했습니다. 그런 다음 연사는 맞춤형 조정이 가능한 독립적인 전략 개발을 선택한 이유를 공유합니다. 마지막으로 발표자는 전략에 대한 지속적인 평가와 효율성 향상을 위한 다각화 노력에 대해 논의합니다.
00:55:00 연사는 프로그램이 수동으로 실행되는지 또는 클라우드 플랫폼을 사용하여 자동으로 실행되는지, 스트래들을 판매할 주식을 어떻게 선택했는지, 일반적인 손절매가 프리미엄과 얼마나 관련이 있는지 등 청중의 질문에 답합니다. 이 전략은 유동성 문제로 인해 Nifty 지수와 Bank Nifty 지수에만 적용되며 화자는 시행 착오를 통해 데이터를 정리하고 형식 변경을 수정하고 데이터 오류가 있는 날짜를 제거합니다.
01:00:00 연사는 테스트에 사용한 손절매 비율과 컴퓨터 공학에 대한 배경 지식 없이 프로그래밍에서 직면한 문제를 포함하여 하루 거래 전략에 대한 두 가지 질문에 답합니다. 그들은 EPAT 프로그램과 Quadency의 멘토링을 통해 이러한 문제를 극복한 방법에 대해 논의합니다. 연사는 또한 제시된 전략이 단순해 보일 수 있지만 실제로 적용할 때 주의를 기울이고 적절한 위험 관리를 하는 것이 중요하다고 강조하면서 퀀트와 알고리즘 트레이더를 꿈꾸는 사람들에게 조언을 합니다.
01:05:00 연사는 다양한 거래 전략의 중요성과 한 전략이 손실 단계에 있는 동안 다른 전략이 잘 수행될 때 어떻게 도움이 될 수 있는지에 대해 논의합니다. 그는 가장 잘 작동하는 방식으로 전략을 배우고 결합하기 위해 전략을 테스트하고 시간을 할애할 필요성을 강조합니다. 그는 이것이 거래 조언이 아니라는 면책 조항을 제공하고 프로젝트와 경험을 공유해 준 Visual에 감사를 표합니다. 세션 녹화는 YouTube 채널에서 볼 수 있으며 참가자는 필요한 코드와 GitHub 링크가 포함된 이메일을 받게 됩니다. 호스트는 앞으로 몇 달 동안 더 흥미로운 세션을 기대합니다.
웨비나에서 발표자는 첫 번째 연사인 러시아의 수석 정량 분석가인 Evgeny Teshkin을 소개합니다. Teshkin은 시장 제도에 적응하는 Kalman 필터링을 사용하여 가격 책정 모델을 구현하는 프로젝트를 발표합니다. 그는 이 프로젝트가 전략 개발을 만드는 데 온라인 기계 학습의 정량적 기술을 사용하는 방법에 대한 교육적 사례 역할을 한다고 설명합니다.
Teshkin은 더 깊은 자동화와 실시간 거래를 가능하게 하는 온라인 학습 기술의 장점을 강조하여 기존 모델 재훈련보다 더 효율적입니다. 그의 프로젝트의 주요 목표는 Facebook, Apple, Netflix, Google, Amazon 및 Microsoft와 같은 회사를 포함하여 미국 주식 시장의 거대 기술 부문에 특히 중점을 두고 단순 부문 투자를 개선하는 거래 전략을 만드는 것입니다.
연사는 자신의 알고 거래 프로젝트를 위한 가격 책정 모델과 동적 자산 배분을 구현하는 데 사용한 접근 방식에 대해 계속해서 논의합니다. 그는 롱 전용 포지션에 대해 통계적 및 정량적 기법을 사용하고 진입점과 청산점을 선택하고 해당 부문의 다른 주식에 비해 저평가 또는 고평가된 가격을 결정했다고 설명합니다.
이를 달성하기 위해 Teshkin은 선형 회귀, 주성분 분석(PCA) 및 칼만 필터와 같은 다양한 모델을 활용했습니다. 이러한 모델은 잔차를 계산하고 부문 내 상관 주식 간의 통계적 선형 스프레드에 대한 최적의 계수를 찾는 데 도움이 되었습니다. 그는 상대적 가치의 중요성을 강조하고 온라인 학습 접근 방식이 주가 및 치과 의사 지수와 같은 입력값을 고려하여 1년의 룩백 윈도우를 사용했다고 설명합니다.
연사는 알고리즘 거래 프로젝트에서 데이터 분석 문제를 해결하기 위해 사용한 다양한 모델에 대해 자세히 설명합니다. 그는 직교 비상관 분산 성분 추출, Kalman 필터 및 숨겨진 Markov 모델과 같은 기술 사용에 대해 언급합니다. 그는 이러한 모델이 자신의 접근 방식에 어떻게 통합되었는지 설명하고 추가 학습을 위한 리소스를 제공합니다. 또한 그는 자신의 프로젝트 결과에 대해 논의하고 잠재적으로 수익성 있는 포지션을 늘리기 위해 사용한 몇 가지 요령을 공유합니다.
다음으로 연사는 간단한 종가 시세 및 델타를 기반으로 주식을 사고 팔아 어떻게 시장을 이길 수 있었는지에 대해 설명합니다. 그는 이 전략과 관련된 위험이 온라인 상대 가격 기법에 의해 결정된 여러 진입 및 퇴장을 사용하여 극복되었다고 설명합니다. 그는 자동화된 실시간 가격 책정 모델을 구축하기 위해 온라인 기계 학습을 사용하는 것과 함께 진입 및 청산을 결정하기 위한 주식 상대 가격 책정의 개념을 탐구합니다.
발표자는 청중이 온라인에서 프로젝트를 탐색하도록 권장하고 코드를 다운로드하고 추가 질문이 있는 경우 연락할 수 있는 기회를 제공합니다. 그들은 또한 웨비나가 녹화되어 프레젠테이션 파일 및 관련 링크와 함께 YouTube 채널에서 제공될 것이라고 언급했습니다. 세션 중에 발표자는 청중과 소통하면서 알고 거래 대회 참여에 대한 질문에 답하고 제시된 결과가 실제 거래에서 나온 것인지 백테스팅에서 나온 것인지 명확히 합니다.
프레젠테이션 후 웨비나 발표자는 알고 거래 프로젝트에 관한 시청자의 몇 가지 질문에 답변합니다. 최적의 상관 관계를 위한 선형 회귀 사용, 최적화된 거래 전략과 비교한 매수 및 보유 전략의 성능, 통계 모델에 숨겨진 상태 포함과 같은 주제를 다룹니다. 발표자는 통찰력 있는 응답을 제공하고 프로젝트 세부 사항을 확장하고 접근 방식의 의사 결정을 설명합니다.
그런 다음 웨비나는 신경망을 사용한 동적 자산 할당에 중점을 둔 다음 프로젝트 소개로 이동합니다. 연사는 그들의 프로젝트가 최소한의 수동 개입으로 은행 주식에 대한 "오늘 사서 내일 팔기" 전략을 위한 자동화 시스템을 구축하는 것을 목표로 한다고 설명합니다. 그들은 프로젝트의 모델 개발, 전략 구현 및 위험 관리 측면에 대해 논의하며 멋진 은행 주식에 대한 과거 데이터로 훈련된 딥 러닝 모델의 사용을 강조합니다.
발표자는 각 주식의 예상 수익을 결정하기 위해 서로 다른 모델의 출력을 결합하는 것과 관련된 전략에 대해 자세히 설명합니다. 이 비율에 따라 자금은 각 주식에 분배됩니다. 프로젝트의 위험 관리 부분은 거래 비용 및 자동화와 같은 문제를 다룹니다. 연사는 거래 알고리즘에서 위험을 효과적으로 관리하는 것의 중요성을 강조합니다.
계속해서 연사는 전략, 위험 관리 및 거래 알고리즘 개발 중에 직면한 문제에 대한 추가 통찰력을 제공합니다. 그들은 확률론적 수익 모델과 수익 모델 모두에 대한 수렴형 아키텍처의 구현을 설명합니다. 이 전략은 각 주식의 기대 수익률을 계산하고 이를 수익률 변동성으로 나누어 비율을 구하는 것입니다. 그런 다음 사용 가능한 자금은 양수 비율의 주식에 비례하여 할당되고 포트폴리오는 예상 손실에 비례하여 판매됩니다. 알고리즘은 지속적으로 업데이트되며 손절 매커니즘이 적용되어 위험을 완화합니다. 연사는 업데이트 프로세스 자동화의 어려움을 인정하고 최적의 구매 또는 판매 가격을 결정하기 위한 시장 미세 구조 전략의 부재를 언급합니다.
연사는 계속해서 백테스팅 노력의 결과와 모델에 가장 적합한 20일 조합을 선택하는 방법에 대해 논의합니다. 그들은 또한 은행 주식에 대한 텍스트 뉴스 점수 통합 및 추가 자동화를 위한 Android 앱 기반 솔루션 개발을 포함하여 프로젝트의 향후 단계에 대해 언급합니다. 청중은 질문을 할 기회가 있으며 백테스팅 결과 및 모델에서 손절 매커니즘 사용과 같은 주제에 대한 토론으로 이어집니다. 연사는 특정 기간 동안 약 5%의 패턴을 제공하는 백테스팅 결과가 괜찮았다고 말했습니다. 그들은 또한 지난 6개월 동안 10%에 가까운 수익을 낸 베타 테스트 단계를 언급합니다.
손절매 구현에 대한 청중의 질문에 대해 연사는 각 주식에 대한 투자 가치당 포트폴리오 가치의 5% 손절매를 통합했다고 설명합니다. 주식의 손실이 투자액의 5%에 도달하면 최대 손실을 5%로 제한하기 위해 포트폴리오에서 자동으로 제거됩니다. 연사는 단순 매수 후 보유 전략과 비교한 동적 자산 배분의 성과에 관한 질문에 대해 추가로 답변합니다. 그들은 Nifty Bank에 대한 벤치마킹이 5%에 가까운 수익률로 합리적인 성과를 보였다고 강조합니다. 연사는 또한 전반적인 시장 상황을 반영한 은행 부문에 집중하기로 한 결정에 대해 설명하고 머신 러닝에 대한 배경 지식이 프로젝트에 대한 숙련도 향상에 도움이 되었다고 언급합니다.
프로젝트 프레젠테이션에 이어 참가자는 EPAT에 대한 긍정적인 경험을 공유하고 이론적 학습 및 실제 구현 측면에서 EPAT의 가치를 강조합니다. 그들은 옵션 및 선물 가격 책정에 대한 수학적 이해를 얻은 데 대해 감사를 표하고 귀중한 지침을 제공한 프로그램의 지원 시스템과 전담 성과 관리자를 칭찬합니다. 과정이 어려웠지만 참가자는 그것이 개인적 및 직업적 성장에 필수적이라고 믿습니다. 그들은 야심 찬 거래자들이 점차 거래 운영에 능숙해질 것이기 때문에 현재의 강점을 넘어 지식을 탐구하고 확장하도록 격려합니다.
마지막 부분에서 연사는 습득한 지식을 가능한 한 빨리 실제 시나리오에 적용하는 것의 중요성을 강조합니다. 그들은 지속적인 학습과 성장을 촉진하는 일일 거래 실험을 위해 iPad 과정을 활용할 것을 권장합니다. 웨비나는 향후 웨비나를 위한 주제 제안 요청과 함께 발표자와 청중에게 감사의 마음을 전하며 마무리됩니다.
00:00:00 웨비나 발표자는 첫 번째 연사인 러시아의 수석 양적 분석가인 Evgeny Teshkin을 소개합니다. 그는 시장 제도에 적응하는 칼만 필터링을 사용하여 가격 책정 모델을 구현하는 프로젝트를 발표합니다. Teshkin은 이 프로젝트가 전략 개발을 만드는 데 온라인 기계 학습의 정량적 기술을 사용하는 방법에 대한 교육적 예라고 설명합니다. 그는 온라인 학습 기술이 더 깊은 자동화와 실시간 거래를 가능하게 하여 기존 모델 재교육보다 더 효율적이라고 강조합니다. 이 프로젝트의 목적은 페이스북, 애플, 넷플릭스, 구글, 아마존, 마이크로소프트와 같은 미국 주식 시장의 빅 테크 부문에 집중하여 단순 부문 투자를 개선하는 거래 전략을 만드는 것입니다.
00:05:00 발표자가 알고 거래 프로젝트를 위한 가격 책정 모델 및 동적 자산 배분 구현에 대한 접근 방식을 설명합니다. 이 접근 방식에는 롱 전용 포지션에 대한 통계적 또는 정량적 기법을 사용하고 진입점과 청산점을 선택하고 해당 부문의 다른 주식에 비해 저평가 또는 고평가된 가격을 결정하는 것이 포함되었습니다. 연사는 선형 회귀, 주성분 분석 및 Kalman 필터 모델을 사용하여 잔차를 계산하고 섹터의 상관 주식 간의 통계적 선형 스프레드에 대한 최적의 계수를 찾았습니다. 핵심은 주식의 상대가치였으며, 온라인 학습은 주가, 치과의사지수 등의 인풋을 이용해 1년의 룩백 윈도우를 가졌습니다.
00:10:00 발표자는 알고리즘 트레이딩 프로젝트의 데이터 분석 문제를 해결하기 위해 사용한 다양한 모델에 대해 논의합니다. 여기에는 직교 비상관 분산 성분 추출, 칼만 필터 및 숨겨진 마르코프 모델이 포함됩니다. 그는 자신의 접근 방식에서 이러한 모델을 사용하는 방법을 설명하고 추가 학습을 위한 리소스를 제공합니다. 또한 그는 자신의 프로젝트 결과와 잠재적으로 수익성 있는 포지션을 늘리기 위해 사용한 트릭에 대해 논의합니다.
00:15:00 연사는 간단한 종가 시세 및 델타를 기반으로 주식을 사고 팔아 시장을 이기는 데 사용되는 접근 방식에 대해 설명합니다. 그들은 또한 온라인 상대 가격 기법에 의해 결정된 여러 입력 및 종료를 사용하여 이 전략과 관련된 위험을 어떻게 극복했는지 설명합니다. 엔트리와 엑시트를 결정하기 위해 주식 상대 가격을 사용하는 개념과 자동화된 실시간 가격 모델을 구축하기 위해 온라인 기계 학습을 사용하는 방법을 탐구합니다. 발표자는 청중이 자신의 프로젝트를 온라인으로 확인하고 자유롭게 코드를 다운로드하고 추가 질문이 있는 경우 연락하도록 권장합니다. 웨비나는 녹화되어 프레젠테이션 파일 및 링크와 함께 YouTube 채널에서 제공됩니다. 연사는 또한 알고 거래 대회 참가 여부와 제시된 결과가 실제 거래에서 나온 것인지 백테스팅에서 나온 것인지에 대한 청중의 질문에 응답합니다.
00:20:00 웨비나 발표자는 알고 거래 프로젝트에 대한 시청자의 몇 가지 질문에 답변합니다. 한 시청자는 대상 VR과의 최적의 상관 관계를 위해 선형 회귀를 사용하는 것에 대해 질문했고 발표자는 회귀 모델의 입력이 다른 주식의 가격 델타일 뿐이라고 설명했습니다. 또 다른 시청자는 매수 후 보유 전략이 가장 잘 작동하는 이유에 대해 물었고 발표자는 가장 많은 총 이익을 제공할 수 있지만 프로젝트의 목표는 위험을 극복하는 것이며 위험 조정 수익률은 실제로 더 높다고 대답했습니다. 최적화된 트래픽 전략을 위해 발표자는 또한 프로젝트에 사용된 통계 모델의 숨겨진 상태에 대한 질문에 답했습니다.
00:25:00 발표자가 알고 거래 프로젝트를 개발할 때 분석에 사용한 상태와 기능을 설명합니다. 그는 섹터 ETF의 가격 델타와 관찰 가능한 시장 지표인 빅 델타와 같은 매개변수로 계산된 시장 체제로 2~3개의 주를 선택했습니다. 그가 사용한 기능은 가격 델타 및 이동 평균과 같이 단순했으며 선형 회귀를 위해 이러한 델타에서 첫 번째 및 두 번째 구성 요소도 추출했습니다. PCA에 사용할 주요 구성 요소를 선택하는 측면에서 첫 번째 구성 요소와 적어도 하나의 다른 구성 요소를 사용하는 것이 전략이었습니다. 연사는 또한 변동성 예측이 탐구해야 할 또 다른 영역이지만 이 프로젝트는 거래 위험을 개선하기 위해 가격을 예측하는 데 중점을 두었다고 언급합니다.
00:30:00 발표자는 청중의 몇 가지 질문에 답합니다. 한 가지 질문은 가격 책정 모델이 암호 화폐 또는 외환과 같은 다른 상품에서 백 테스트되었는지 여부에 관한 것입니다. 발표자는 아직 백 테스트되지 않았지만 다양한 금융 상품에 개념을 적용할 수 있다고 설명합니다. 또 다른 질문은 트레이딩 선물이 기계 학습을 사용하여 주식보다 예측하기 쉬운 지에 대한 것이며 발표자는 모델에 따라 다르지만 원칙은 동일하며 과잉 적합을 피하기 위해 단순하게 유지하는 것이 좋습니다. 그런 다음 발표자는 신경망을 사용한 동적 자산 할당에 관한 다음 프로젝트를 소개합니다.
00:35:00 발표자는 최소한의 수동 개입으로 은행 주식에 대한 "오늘 구매 내일 판매" 전략을 위한 자동화 시스템 구축을 목표로 하는 "신경망을 사용한 동적 자산 할당" 프로젝트에 대해 논의합니다. 솔루션은 모델 개발, 전략 및 위험 관리 부분으로 구성됩니다. 모델 개발에는 12개의 멋진 은행 주식에 대한 5년간의 데이터를 교육하여 확률 모델과 2개의 수익 기반 모델을 포함한 3개의 딥 러닝 모델 세트를 개발하는 작업이 포함됩니다. 전략에는 이러한 모델의 결과를 결합하여 주식의 예상 수익에 도달한 다음 비율에 따라 각 주식에 자금을 분배하는 것이 포함됩니다. 마지막으로 위험 관리 부분에는 거래 비용 및 자동화와 같은 문제를 다루는 것이 포함됩니다.
00:40:00 연사는 거래 알고리즘을 개발하면서 직면한 전략, 위험 관리 및 어려움에 대해 설명합니다. 그들은 수렴형 아키텍처를 사용하여 확률적 수익 모델과 수익 모델을 모두 구축했습니다. 이 전략에는 각 주식의 기대 수익률을 계산하고 이를 수익률 변동성으로 나누어 비율을 구하는 것이 포함되었습니다. 그런 다음 양수 S 비율에 비례하여 사용 가능한 현금을 분배하고 예상 손실에 비례하여 포트폴리오를 판매했습니다. 알고리즘은 동적으로 업데이트되었으며 주식에 손절매를 적용했습니다. 한 가지 문제는 업데이트 프로세스를 자동화하는 것이었고 다른 하나는 최적의 구매 또는 판매 가격을 제안하는 시장 미세 구조 전략이 없다는 것이었습니다.
00:45:00 연사는 백테스팅 결과와 모델에 가장 적합한 20일 조합을 사용하는 방법에 대해 논의합니다. 그들은 또한 은행 주식에 대한 텍스트 뉴스 점수를 통합하고 모델을 Android 앱 기반 솔루션으로 추가 자동화하는 것과 같은 향후 단계에 대해서도 언급합니다. 연사는 또한 백테스팅 결과 및 모델에서 손절매 사용에 대한 질문을 포함하여 청중의 질문에 답합니다. 백테스팅 수익률은 괜찮았고 일정 기간 동안 약 5%의 패턴을 제공했으며 베타 테스트는 지난 6개월 동안 10%에 가까운 수익률을 보였습니다.
00:50:00 연사는 주식에 대한 투자 가치당 포트폴리오 가치의 5%의 손절매를 구현했다고 설명합니다. 주식이 투자된 금액의 5%를 잃으면 포트폴리오에서 제거되어 모든 주식의 최대 손실을 5%로 제한합니다. 그런 다음 발표자는 동적 자산 할당이 단순한 매수 후 보유보다 더 나은 성과를 내는지에 대한 질문에 답하고 Nifty Bank와 비교하여 벤치마킹한 결과 5%에 가까운 합리적으로 좋은 성과를 보였다고 설명합니다. 발표자는 또한 신경망에 대한 하이브리드 매개변수 튜닝을 사용하지 않았으며 시장이 은행의 상황을 반영하므로 은행 부문에 중점을 두고 딥 러닝과 거래를 결합하는 프로젝트 주제를 선택했다고 설명합니다. 그들은 또한 기계 학습에 대한 배경 지식이 프로젝트를 위한 기술 향상에 도움이 되었다고 언급합니다.
00:55:00 참가자는 EPAT에 대한 긍정적인 경험을 공유하며 EPAT가 이론적 학습과 실제 구현 측면에서 모두 유용했다고 말합니다. 그들은 그것이 옵션과 선물의 가격이 어떻게 책정되는지에 대한 수학적 이해를 얻는 데 도움이 되었다고 말합니다. 참가자는 또한 프로그램의 지원 시스템과 진행 상황을 모니터링하는 데 도움을 준 전담 성과 관리자를 칭찬합니다. 과정이 어렵다고 생각했지만 크리에이터와 전문가로서 성장하는 데 중요하다고 생각합니다. 야심 찬 트레이더는 결국 상황이 어떻게 작동하는지 알게 될 것이기 때문에 현재의 강점에 자신을 제한하지 않고 탐구하도록 권장됩니다.
01:00:00 연사는 이론적 지식보다 실용적인 지식의 가치를 강조하고 참가자들이 배운 내용을 가능한 한 빨리 실생활에 적용하도록 촉구합니다. 그들은 더 많은 것을 구현하고 학습함으로써 참가자들이 성장할 수 있도록 매일 거래를 실험하는 데 iPad 과정을 사용할 것을 권장합니다. 웨비나는 발표자와 청중에게 감사를 표하고 향후 웨비나에 대한 주제 제안을 요청하는 것으로 끝납니다.
웨비나의 발표자인 Ishan Shah와 Rekhit Pachanekar는 자신을 소개하고 알고 거래 주간의 마지막 날에 대한 흥분을 표현하는 것으로 시작합니다. 그들은 알고 거래 대회의 우승자를 발표하고 그들의 업적을 칭찬합니다. 그들은 이날 프레젠테이션의 초점이 머신 러닝과 거래에 적용되는 것이라고 언급했습니다. 또한 프레젠테이션이 끝나면 Q&A 세션이 있을 것이라고 청중에게 알립니다.
Rekhit Pachanekar가 웨비나 시작을 주도하고 기계 학습의 기본 사항에 대해 자세히 설명합니다. 그는 기계 학습을 통해 알고리즘이 데이터에서 학습하고 광범위한 프로그래밍 없이 의사 결정을 내리는 방법을 설명하기 위해 이미지 인식을 예로 사용합니다. 그런 다음 거래 및 투자, 특히 급여, 직업 및 지역과 같은 다양한 데이터 포인트를 기반으로 개인화된 투자 포트폴리오를 만드는 데 있어 기계 학습의 역할에 대해 논의합니다. 기계 학습은 또한 포트폴리오의 자산에 가중치를 할당하고 거래 전략을 개발하는 데 도움이 됩니다. Pachanekar는 투자 및 거래 결정을 위해 헤지 펀드, 연기금 및 뮤추얼 펀드에서 활용하는 기계 학습의 속도 및 데이터 분석 기능을 강조합니다.
앞으로 Ishan Shah와 Rekhit Pachanekar는 거래를 위한 기계 학습 모델 구축과 관련된 7단계를 자세히 설명합니다. 그들은 개인 소매 거래자도 기계 학습 기술을 활용하여 자신의 거래 전략을 세울 수 있다고 강조합니다. 그들이 논의하는 첫 번째 단계는 긍정적인 수익에 대한 일반적인 욕구에서 JP Morgan과 같은 특정 주식에 투자할 적절한 시기를 결정하는 것과 같은 보다 구체적인 목표에 이르기까지 문제 진술을 정의하는 것입니다. 두 번째 단계는 양질의 데이터를 수집하여 누락되거나 중복된 값 및 이상값이 없는지 확인하는 것입니다. 발표자들은 정확한 기계 학습 모델을 구성하는 데 있어 데이터 품질의 중요성을 강조합니다.
Shah와 Pachanekar는 거래에서 기계 학습 모델에 대한 입력 및 출력 변수를 선택하는 프로세스를 설명합니다. 주식의 미래 수익을 나타내는 출력 변수 또는 대상 변수를 강조 표시합니다. 그들은 신호 변수에 미래 수익이 양수일 것으로 예측되면 1의 값이 할당되고 음수일 것으로 예측될 때 0의 값이 할당된다고 언급합니다. 입력 변수 또는 기능은 예측력을 보유하고 정상성 요구 사항을 충족해야 합니다. 즉, 평균 및 일정한 분산을 나타냅니다. 그들은 open, low, high, close와 같은 변수가 고정되어 있지 않으며 입력 기능으로 사용할 수 없다고 강조합니다.
다음으로 발표자는 거래에서 기계 학습 모델에 대한 입력 기능 선택에 대해 논의합니다. 고정 입력 기능의 필요성을 설명하고 다양한 기간에 대한 백분율 변경 값을 사용하여 이를 달성합니다. 또한 입력 변수 간의 상관 관계를 피하는 것의 중요성을 강조하고 상관 관계 열 지도를 사용하여 상관 관계가 높은 기능을 식별하고 제거하는 방법을 보여줍니다. 입력 기능의 최종 선택에는 서로 다른 기간, RSI(Relative Strength Index) 및 상관 관계에 대한 백분율 변화 값이 포함됩니다. 라이브 거래에 모델을 사용하기 전에 데이터 세트를 교육 및 테스트 세트로 분할하여 성능을 평가했습니다.
연사는 기계 학습 모델에 사용되는 데이터 세트의 품질과 관련성을 보장하는 것의 중요성을 강조합니다. 그들은 의사 결정 트리의 개념을 소개하고 기술 지표에서 친구의 추천에 이르기까지 다양한 응답을 언급하면서 주식 또는 자산 구매와 관련하여 참석자의 개인 의사 결정 프로세스에 대해 질문합니다. 그들은 이러한 기능을 사용할 때 개인적인 경험을 바탕으로 의사 결정을 위한 정신적 모델을 수립할 필요가 있다고 주장합니다. 과적합 문제를 극복하는 방법으로 랜덤 포레스트를 소개하고 결정 트리의 기초로 베이지안 트리를 사용하는 방법을 설명합니다.
Shah와 Pachanekar는 기계 학습 알고리즘, 특히 의사 결정 트리를 활용하여 거래 규칙을 만드는 방법을 설명합니다. ADX(Average Directional Index) 및 RSI와 같은 기술 지표를 통합한 이러한 규칙을 통해 트레이더는 사전 정의된 조건에 따라 결정을 내릴 수 있습니다. 이러한 규칙이 운에만 의존하지 않도록 하기 위해 발표자는 랜덤 포레스트의 개념을 도입합니다. 랜덤 포레스트는 여러 의사 결정 트리를 결합하여 보다 일반화되고 신뢰할 수 있는 거래 전략을 생성한다고 설명합니다. 랜덤 포레스트는 각 트리에 대한 기능의 하위 집합을 무작위로 선택하여 과적합 가능성을 줄이고 보다 정확한 예측을 제공합니다. 발표자들은 추정기의 수, 최대 특징, 트리의 최대 깊이 등 랜덤 포레스트 알고리즘에 필요한 다양한 매개변수에 대해 논의합니다.
계속해서 발표자는 거래에 기계 학습을 적용하기 위한 임의 포리스트 분류기의 구현에 대해 자세히 설명합니다. 과적합을 피하고 일관된 출력을 보장하기 위해 결정 트리의 깊이를 제어하고 기능을 무작위로 선택하는 것의 중요성을 강조합니다. 랜덤 포레스트 분류기는 입력 기능과 예상 출력에서 규칙을 학습한 다음 보이지 않는 데이터를 예측하는 데 사용됩니다. 그들은 또한 모델의 성능이 다양한 메트릭을 사용하여 측정될 수 있다고 언급합니다.
그런 다음 발표자는 권장 사항을 기반으로 실제 돈을 투자하기 전에 기계 학습 모델의 효과를 평가하는 것의 중요성에 대해 논의합니다. 그들은 모델의 예측이 실제 시장 결과와 일치하는지 여부를 확인하는 것과 관련된 정확도의 개념을 도입합니다. 그들은 모델의 정확도가 일반적으로 50%에서 60% 범위임을 강조하고 높은 정확도가 좋은 결과를 보장하지 않는다는 점을 주의합니다. 그들은 혼동 매트릭스를 사용하여 실제 레이블과 예측 레이블을 비교하고 정밀도, 재현율 및 F1 점수와 같은 성능 메트릭을 계산하여 모델의 성능을 평가할 것을 제안합니다.
세부적으로는 모델의 정확도에 대해 충분히 논의하고, 정확도를 설정하기 위해 설문조사를 실시하여 60%로 계산됩니다. 그러나 레이블별로 확인하면 긴 신호의 정확도가 33%로 떨어집니다. 이것은 전반적인 정확성의 증가가 수익성 있는 거래 모델로 이어질 것인지에 대한 의문을 제기합니다. 발표자들은 정확도가 시장 예측에서 모델의 효율성을 결정하는 중요한 요소임을 강조합니다. 그들은 높은 전체 정확도가 반드시 수익성으로 이어지는 것은 아니며 다른 요소를 고려해야 한다고 지적합니다.
그런 다음 Shah와 Pachanekar는 정밀도, 재현율 및 F1 점수를 포함하여 거래 모델의 성능을 평가하는 데 사용되는 다양한 메트릭을 논의하는 데 초점을 맞춥니다. 그들은 재현율이 불균형 데이터 문제를 극복하는 데 도움이 될 수 있지만 자체적으로 사용할 경우 신뢰할 수 없는 지표가 될 수 있다고 지적합니다. 대신 모델 성능에 대한 보다 포괄적인 평가를 제공하는 F1 점수를 계산하기 위해 정밀도와 재현율의 조합을 사용할 것을 권장합니다. 그들은 실제 거래 시나리오에서 모델의 효과를 보장하기 위해 모델을 백테스팅하는 것의 중요성과 모델의 과적합에 대한 주의를 강조합니다.
발표자는 실제 환경에서 과적합 문제를 다루고 사용된 특정 기계 학습 모델을 기반으로 이를 처리할 전략을 제안합니다. 모델의 매개변수 이해, 기능 수 제한, 기계 학습 모델 유형마다 다른 하이퍼 매개변수 작업의 중요성을 강조합니다. 그들은 조작 없이 실제 데이터를 사용하는 것의 중요성을 강조합니다. 또한 위험 관리의 잠재력과 같은 신호 생성을 넘어 거래에서 기계 학습을 적용하는 방법에 대해 논의합니다. 또한 클러스터링 알고리즘을 사용하여 시장에서 수익성 있는 기회를 식별하는 방법도 다룹니다.
Ishan Shah와 Rekhit Pachanekar는 특히 인간이 식별하기 어려울 수 있는 복잡한 패턴을 해독할 때 거래에서 기계 학습을 사용하는 이점에 대해 논의하며 웨비나를 마무리합니다. 그들은 알파 식별 프로세스에서 기계 학습을 보완 도구로 사용할 것을 제안합니다. 세션은 발표자가 알고 트레이딩 위크의 발표자와 참가자에게 감사를 표하는 것으로 끝납니다. 답이 없는 질문이 있으면 설문 조사를 통해 제출하도록 초대합니다.
00:00:00 발표자인 Ishan Shah와 Rekhit Pachanekar가 자신을 소개하고 알고 거래 주간의 마지막 날에 대해 논의합니다. 알고 트레이딩 대회 우승자를 조명하고 오늘의 두 연사를 소개합니다. 그들은 프레젠테이션이 기계 학습에 초점을 맞출 것이며 마지막에 Q&A 세션이 있을 것이라고 언급합니다. Rekhit Pachanekar가 웨비나를 시작한 다음 Ishan Shah에게 전달합니다.
00:05:00 이 비디오는 이미지 인식을 예로 사용하여 기계 학습의 기본 사항을 소개합니다. 기계 학습을 통해 알고리즘은 광범위한 프로그래밍이 필요한 기존 컴퓨터 프로그램과 달리 데이터에서 학습하고 결정을 내릴 수 있습니다. 그런 다음 비디오는 거래 및 투자, 특히 급여, 직업, 지역 등과 같은 데이터를 기반으로 개인을 위한 투자 포트폴리오를 생성할 때 기계 학습의 역할을 설명합니다. 기계 학습은 또한 포트폴리오의 자산에 가중치를 할당하고 거래 전략을 만드는 데 도움을 줍니다. . 헤지 펀드, 연금 펀드 및 뮤추얼 펀드는 머신 러닝의 속도와 능력을 활용하여 투자 및 거래 결정을 위해 대량의 데이터를 분석합니다.
00:10:00 발표자는 거래를 위한 기계 학습(ML) 모델을 구축하는 7단계와 개별 소매 거래자도 ML 기술을 활용하여 자신의 거래 전략을 수립할 수 있는 방법에 대해 논의합니다. 첫 번째 단계는 긍정적인 수익을 얻고자 하는 것처럼 간단할 수 있는 문제 설명을 정의하는 것과 관련이 있지만 추가 정제를 통해 JP Morgan과 같은 특정 주식에 투자할 적절한 시기를 결정하는 것과 같이 보다 구체적이 될 수 있습니다. 두 번째 단계는 좋은 품질의 데이터를 얻고 누락되거나 중복된 값이 없고 데이터에 특이치가 없는지 확인하는 것입니다. 발표자는 정확한 ML 모델을 구축하는 데 있어 데이터 품질의 중요성을 강조합니다.
00:15:00 Ishan Shah와 Rekhit Pachanekar가 거래에서 기계 학습 모델의 입력 및 출력 변수를 선택하는 과정을 설명합니다. 출력 변수 또는 대상 변수는 주식의 미래 수익이며, 신호 변수는 미래 수익이 양수로 예측되면 1, 음수로 예측되면 0의 값을 할당합니다. 입력 변수 또는 기능은 예측력이 있어야 하며 정상성 요구 사항을 충족해야 합니다. 즉, 진자처럼 앞뒤로 흔들리는 평균 및 일정한 분산이 있음을 의미합니다. 열림, 낮음, 높음 및 닫힘 변수는 고정되지 않으므로 입력 기능으로 사용할 수 없습니다.
00:20:00 연사는 거래에서 기계 학습 모델에 대한 입력 기능을 선택하는 과정에 대해 논의합니다. 그들은 모델에 고정된 입력 기능이 필요하며 다양한 기간 동안 백분율 변화 값을 취함으로써 달성한다는 점에 주목합니다. 또한 입력 변수 간의 상관 관계를 피하는 것의 중요성을 강조하고 상관 관계 열 지도를 사용하여 상관 관계가 높은 기능을 제거합니다. 입력 기능의 최종 선택에는 다양한 기간, RSI 및 상관 관계에 대한 백분율 변경 값이 포함됩니다. 실시간 거래에 모델을 사용하기 전에 모델의 성능을 평가하기 위해 데이터 세트를 교육 및 테스트 세트로 분할합니다.
00:25:00 연사는 사용할 모델을 결정하기 전에 기계 학습 모델에 사용되는 데이터 세트의 품질과 관련성을 보장하는 것의 중요성에 대해 논의합니다. 그들은 또한 의사 결정 트리의 개념을 소개하고 기술 지표에서 친구의 추천에 이르기까지 다양한 응답을 통해 특정 주식이나 자산을 구매할지 여부를 개인적으로 결정하는 방법을 참석자에게 묻습니다. 화자는 이러한 기능을 사용할 때 개인적인 경험을 바탕으로 의사 결정을 위한 정신적 모델을 설정하는 것이 중요하다고 말합니다. 랜덤 포레스트의 개념과 베이지안 트리를 결정 트리의 기초로 사용하는 방법을 소개합니다.
00:30:00 연사는 기계 학습 알고리즘, 특히 의사 결정 트리를 사용하여 거래 규칙을 만드는 방법을 설명합니다. ADX 및 RSI와 같은 기술 지표를 포함할 수 있는 이러한 규칙을 통해 트레이더는 사전 정의된 조건에 따라 결정을 내릴 수 있습니다. 이러한 규칙이 운에 의해서만 만들어지지 않도록 연사들은 여러 의사 결정 트리를 사용하여 보다 일반화되고 신뢰할 수 있는 거래 전략을 만드는 랜덤 포레스트의 개념을 도입합니다. 랜덤 포레스트는 각 트리에 대해 기능의 하위 집합을 무작위로 선택하여 과적합 가능성을 줄이고 보다 정확한 예측을 제공합니다. 스피커는 추정기의 수, 최대 기능 및 트리의 최대 깊이를 포함하여 랜덤 포레스트 알고리즘에 필요한 다양한 매개 변수에 대해 논의합니다.
00:35:00 연사는 기계 학습을 거래에 적용하기 위해 임의 포리스트 분류기를 구현하는 것과 관련된 매개 변수 및 코드에 대해 논의합니다. 과적합을 방지하고 일관된 출력을 보장하기 위해 결정 트리의 깊이를 제어하고 기능을 무작위로 선택하는 것의 중요성을 설명합니다. 랜덤 포레스트 분류기는 규칙을 학습하고 보이지 않는 데이터를 예측하는 데 사용되는 결정 트리를 생성하기 위해 입력 기능과 예상 출력이 필요합니다. 모델의 성능은 다양한 메트릭을 사용하여 측정할 수 있습니다.
00:40:00 발표자는 권장 사항에 따라 실제 돈을 투자하기 전에 기계 학습 모델의 효과를 평가하는 것의 중요성에 대해 논의합니다. 그들은 모델의 예측이 시장에서 실제로 일어난 것과 일치하는지 여부를 확인하는 것과 관련된 정확도의 개념을 도입합니다. 그들은 모델의 정확도가 일반적으로 50%에서 60%이며 높은 정확도가 반드시 좋은 결과를 보장하는 것은 아니라는 점을 강조합니다. 모델의 성능을 결정하기 위해 발표자는 혼동 행렬을 사용하여 실제 레이블과 예측 레이블을 비교하고 정밀도, 재현율 및 F1 점수와 같은 성능 메트릭을 계산할 것을 제안합니다.
00:45:00 모델의 정확도는 이를 확립하기 위해 수행된 설문 조사와 함께 자세히 논의됩니다. 모델의 정확도는 60%로 계산되지만 레이블 방식으로 확인하면 긴 신호의 정확도가 33%로 떨어집니다. 이것은 정확성의 증가가 수익성 있는 거래 모델로 귀결될 것인지에 대한 의문을 제기합니다. 모델의 정확도는 시장 예측에 얼마나 효과적인지 결정하는 데 도움이 되므로 중요하며, 이 경우 전체 정확도가 높다고 반드시 수익성으로 이어지는 것은 아닙니다.
00:50:00 Shah와 Pachanekar는 정밀도, 재현율 및 F1 점수와 같은 거래 모델의 성능을 평가하는 데 사용되는 다양한 메트릭에 대해 논의합니다. 그들은 재현율이 불균형 데이터 문제를 극복하는 데 도움이 될 수 있지만 그 자체로 신뢰할 수 없는 지표가 될 수도 있다고 지적합니다. 대신 그들은 F1 점수를 계산하기 위해 정밀도와 재현율의 조합을 사용할 것을 권장합니다. 이 점수는 혼동 행렬을 사용하여 쉽게 구성할 수 있으며 높은 F1 점수는 거래할 가치가 있는 모델을 나타냅니다. 또한 모델이 실제로 잘 수행되는지 확인하기 위해 모델을 백테스팅하는 것의 중요성과 모델을 과적합하지 않도록 주의하는 방법에 대해 논의합니다.
00:55:00 모델이 과대적합될 수 있습니다. 즉, 모델이 학습 데이터에 너무 근접하여 새 데이터에서 제대로 작동하지 않을 수 있습니다. 반면에 과잉 최적화는 원하는 결과를 얻기 위해 거래 전략을 반복적으로 백테스팅하고 조정한 결과입니다. 이를 통해 교육 및 테스트 데이터에서는 잘 작동하지만 라이브 데이터에서는 작동하지 않을 수 있는 특별한 경우를 찾을 수 있습니다. 과도한 최적화를 방지하려면 여러 자산 클래스에서 작동하는 강력한 모델을 보유하고 손절 매커니즘과 같은 위험 관리 도구를 사용하며 백테스팅 중에 과잉 적합 또는 과잉 최적화하지 않는 것이 중요합니다.
01:00:00 과적합은 모델이 교육 데이터 세트에 너무 가깝게 맞추려고 할 때 발생하며, 이는 교육 데이터의 높은 정확도로 나타납니다. 반면에 과소적합은 매우 낮은 정확도로 입증되는 것처럼 모델이 예상대로 데이터에서 학습할 수 없을 때 발생합니다. 이를 정량화하는 한 가지 방법은 모델의 정확도를 측정하는 것입니다. 정확도가 100이면 과적합을 나타내고 매우 낮은 정확도는 과소적합을 나타냅니다.
01:05:00 연사는 실제 환경에서의 과적합 문제를 다루고 사용된 특정 모델을 기반으로 이를 처리하는 방법을 제안합니다. 모델의 매개변수 이해, 기능 수 제한, 기계 학습 모델 유형마다 다른 하이퍼 매개변수 작업의 중요성을 강조합니다. 그들은 또한 실제 데이터로 작업하고 이를 조작하지 않는 것이 필수적이라고 말합니다. 또한 거래에서 기계 학습을 적용하는 방법에 대해 논의하면서 기계 학습이 신호를 생성하는 것보다 훨씬 낫고 위험 관리에 충분한 여지가 있다고 말했습니다. 마지막으로 클러스터링 알고리즘을 사용하여 시장에서 수익성 있는 극점을 식별함으로써 기계 학습 모델로 알파 신호를 발견하는 방법을 다룹니다.
01:10:00 Ishan Shah와 Rekhit Pachanekar가 거래, 특히 인간이 식별하기 어려울 수 있는 복잡한 패턴을 해독하는 데 기계 학습을 사용하는 이점에 대해 논의합니다. 기계 학습은 즉시가 아니라 장기간에 걸쳐 소멸되는 보다 지속 가능하고 강력한 알파를 생성할 수 있습니다. 그들은 알파 식별 프로세스를 보완하기 위해 기계 학습을 사용할 것을 제안합니다. 세션은 알고 트레이딩 위크의 연사 및 참가자들에게 감사의 인사를 전하고 설문조사에서 답이 없는 질문을 하도록 초대하는 것으로 끝납니다.
변동성 거래: 공포 지수 VIX 거래
변동성 거래: 공포 지수 VIX 거래
세션은 금융 시장의 변동성에 대한 참가자의 이해를 높이는 것을 목표로 하는 웨비나의 의제를 제공하는 호스트 및 게스트 연사로 시작되었습니다. 그들은 변동성과 "두려움 지수"라고도 알려진 VIX와의 연관성을 정의하는 것으로 시작했습니다. 발표자는 다양한 유형의 VIX 및 VIX 기반 파생상품에 대해 탐구하여 거래에서 이들의 중요성을 조명했습니다. 세션에는 VIX 거래에 대한 실용적인 접근 방식도 포함되어 있으며 청중의 질문에 답하기 위한 Q&A 세션으로 마무리되었습니다.
변동성의 개념을 설명하기 위해 주최자는 Tesla를 변동성이 높은 주식의 예로 사용하여 일일 수익률이 -20%에서 +20% 사이에서 어떻게 변동하는지 설명했습니다. 이러한 수준의 변동성으로 인해 취급하기에 위험한 자산이 됩니다. 호스트는 자산의 가격 그래프만 보는 것으로는 변동성을 명확하게 파악할 수 없다고 강조했습니다. 대신 자산의 변동성을 더 잘 나타내는 것은 일일 수익률입니다.
비디오는 옵션 거래를 넘어선 변동성의 적용과 전체 자산 구매에 대한 결정을 내리는 데 있어 변동성의 유용성을 탐구했습니다. 발표자는 자산의 변동 정도에 따라 높은 변동성에서 낮은 변동성까지 변동성을 분류했습니다. Tesla와 S&P 500을 비교했는데 S&P 500이 변동성이 상당히 낮았습니다. 변동성의 역사적 가치를 제공하는 표준 편차 및 베타를 포함하여 변동성을 측정하는 다양한 방법이 논의되었습니다. 내재변동성 개념이 도입되어 자산의 미래 움직임 방향을 지정하지 않고 시장이 예상하는 자산의 움직임을 나타냅니다.
그런 다음 웨비나는 VIX 또는 변동성 지수의 계산과 급격한 변화의 가능성을 측정하기 위해 다양한 유형의 지수 옵션에서 내재 변동성을 활용하는 방법을 설명하는 데 중점을 두었습니다. VIX는 일반적으로 "공포 지수"라고 하며 S&P 500과 관련하여 그래프로 표시됩니다. VIX는 일반적으로 낮은 수준을 유지하는 것을 목표로 하지만 예상치 못한 사건으로 인해 급등할 수 있으며 이는 시장의 공포를 증가시킵니다. VIX의 실제 계산은 CBOE에서 수행하며 거래자에게 VIX의 여정 및 기본 지수와의 관계를 추적하는 데 필요한 수치를 제공합니다. 전반적으로 VIX는 시장의 위험을 완화하려는 트레이더에게 필수적인 도구 역할을 합니다.
연사는 VIX와 S&P 500 간의 관계에 대해 추가로 논의하면서 VIX가 지수의 미래에 대한 변동성에 대한 시장의 기대를 반영하고 S&P 500이 하락할 때 불확실성의 시기에 VIX가 어떻게 반응하는지를 강조했습니다. 연사는 VIX와 S&P 500 간의 상관관계를 설명하기 위해 미중 무역 전쟁과 COVID-19 대유행과 같은 사례를 인용했습니다. VIX가 낮은 수준을 유지하려고 노력하는 동안 예기치 않은 사건으로 인해 변동성이 급격히 증가할 수 있습니다. 그러나 트레이더가 새로운 정보를 처리하고 불확실성이 감소함에 따라 변동성도 감소합니다.
두려움 지수 또는 VIX의 개념은 시장에 영향을 미치는 부정적인 뉴스에 대한 트레이더의 두려움을 측정하기 위해 도입되었습니다. VIX는 S&P 500에 국한되지 않고 호주 증권 거래소, 유로존 주식, 항생 지수와 같은 다른 지역과 상품 및 통화와 같은 다른 자산 클래스에 적용될 수 있다는 점이 강조되었습니다. 거래자들이 시장 변동성을 예상할 수 있기 때문에 VIX에 대한 필요성이 발생하지만 옵션 그리스도 중요한 역할을 하기 때문에 VIX가 거래 결정을 결정하는 유일한 요소는 아닙니다. 따라서 VIX는 트레이더가 시장 변동성에 따라 옵션을 거래할 수 있는 도구 역할을 합니다. VIX 자체에는 거래 수단이 없지만 선물 및 옵션과 같은 파생 상품을 통해 미래 변동성을 예측할 수 있으므로 거래 전략이 용이합니다.
표준 만기, 근월 만기, 익월 만기, 원월 만기, 주간 만기 등 거래에 사용할 수 있는 다양한 유형의 VIX 선물에 대해 논의했습니다. 비디오는 VIX 선물이 비쌀 수 있지만 10분의 1의 가치로 이용할 수 있는 미니 선물이 있어 거래자들에게 더 접근하기 쉬운 옵션을 제공한다고 강조했습니다. 또한 VIX 선물 거래의 대안으로 VIX ETF(Exchange-Traded Funds)가 도입되었습니다. 이 ETF는 VIX 선물에서 가치를 도출하고 거래자의 선호도에 따라 다양한 옵션을 제공합니다. VIXY와 같은 단기 VIX ETF는 가까운 달과 다음 달 선물을 추적하고 VIXM과 같은 중기 VIX ETF는 중기 선물을 추적합니다. SVXY와 같은 인버스 VIX ETF도 VIX 선물과 반대 방향으로 움직이며 선물이 하락할 때 가치가 상승하기 때문에 언급되었습니다. 거래자는 시장 전망과 거래 전략에 따라 다양한 유형의 VIX 선물 및 ETF 중에서 선택할 수 있습니다.
계속해서 비디오는 VIX ETF 및 VIX ETN(Exchange-Traded Notes)을 포함한 다른 VIX 기반 파생 상품을 탐색했습니다. VIX ETF는 기본 VIX 선물을 가지고 있어 시장의 변동성에 노출될 수 있다고 설명했습니다. 반면 VIX ETN은 기초자산이 없는 것으로 부각됐다. 발표자는 VIX ETN의 예로 인기 있는 VXX를 언급했습니다. VIX 기반 파생 상품 거래에는 위험이 수반되며 거래자가 이러한 거래 활동에 참여하기 전에 이러한 위험을 이해하는 것이 중요하다는 점을 강조했습니다. 실제 자본으로 거래하기 전에 종이 거래 환경에서 테스트 및 백 테스트 전략을 권장했습니다. 특히 ETN은 발행자 위험을 수반하며, 이는 ETN을 발행하는 회사가 의무를 이행하지 않을 경우 투자자의 자본이 위험에 처할 수 있음을 의미합니다. 또한 VIX 선물은 거래자에게 특정 위험과 고려 사항을 도입하는 콘탱고 효과가 있는 것으로 나타났습니다.
연사는 만기일이 다가옴에 따라 VIX 선물 수렴이라는 주제에 대해 깊이 파고 들었습니다. 만기가 가까워질수록 VIX 선물 가격이 수렴하는 경향이 있다고 설명했다. VIX 선물 거래에 참여하는 거래자들에게는 이 수렴 전에 거래의 오른쪽에 있는 것이 중요하다는 점을 강조했습니다. 그런 다음 비디오는 VIX를 사용하여 VIX 선물에 롱 포지션을 취함으로써 하락기에 포트폴리오를 헤지하는 것과 관련된 간단한 VIX 기반 전략을 소개했습니다. 이 전략을 테스트한 결과 S&P 500의 포트폴리오와 결합했을 때 2011년에서 2021년 사이에 3배 더 높은 수익을 내는 것으로 나타났습니다. 아이디어를 백테스팅하고 종이 거래 환경에서 실행하는 것이 아이디어를 구현하기 전에 자신감을 얻는 수단으로 강조되었습니다. 실제 거래 시나리오에서.
웨비나는 "초보자를 위한 변동성 거래 전략"이라는 코스에 대한 공유 정보를 제공합니다. 이 과정은 트레이더에게 ATR(Average True Range), 표준 편차, VIX 및 베타를 포함하여 변동성을 측정하는 다양한 방법을 가르치는 데 중점을 둡니다. 그들은 변동성에 대한 두려움 없이 거래할 수 있는 올바른 도구와 지식을 갖추는 것의 중요성을 강조했습니다. 호스트는 현재 이 과정을 제한된 시간 동안 67% 할인된 가격으로 이용할 수 있다고 언급했습니다. 또한 웨비나 참석자에게는 쿠폰 코드 VTS10을 사용하여 코스에 대해 추가 10% 할인이 제공되었습니다. 호스트는 또한 VIX를 분석할 때 미국 시장에 초점을 맞추는 것과 VIX가 가격 움직임의 선행 또는 후행 지표로 작용하는지 여부에 대한 질문을 포함하여 청중의 몇 가지 질문에 답변할 기회를 가졌습니다.
연사는 S&P 500에 대한 VIX의 거의 즉각적인 반응에 대해 추가로 설명했습니다. 특정 VIX 범위는 논의되지 않았지만 30일 변동성은 연간으로 환산되며 0에서 100 범위에 속한다는 점에 주목했습니다. 연사는 강조했습니다. 10에서 20 사이의 중저 단계와 20에서 25 사이의 중간 단계와 같은 VIX의 여러 단계. 연사는 시장 참가자들이 집합적으로 행동하는 경향인 군집이 VIX에 영향을 미칠 수 있음을 인정했습니다. 비디오는 또한 인도 VIX에 대한 선물 옵션의 가용성에 대해 언급했지만 이러한 옵션의 유동성은 높은 자본 요구 사항으로 인해 제한됩니다.
Q&A 세션 동안 비디오는 거래 변동성 및 VIX와 관련된 몇 가지 질문을 다루었습니다. 한 질문은 인도에 기반을 두고 있는 동안 VIX 기반 파생상품 거래 가능성에 대해 질문했습니다. 응답은 이것이 새로운 관행이지만 일부 거래 플랫폼은 인도에서 VIX 기반 파생상품 거래를 허용한다고 밝혔습니다. 또 다른 질문은 옵션 가격 책정 모델에서 추가 매개변수로 뉴스 감정을 포함하는 아이디어를 제기했습니다. 발표자는 VIX가 다른 자산 클래스에 속하며 다른 옵션과 동일한 모델을 사용하지 않는다고 설명했습니다. 그러나 비디오는 정서 분석이 시장 역학을 이해하는 데 중요한 역할을 할 수 있음을 인정했습니다. 또한 영상에서는 트레이딩 전략을 고려할 때 다른 자산과 유사하게 취급할 수 있는 기초 자산으로 UVIX와 SVIX를 간략하게 언급했습니다.
그런 다음 토론은 비디오 앞부분에서 언급한 결합 포트폴리오 전략의 규칙으로 바뀌었습니다. 연사는 이 전략에서 진입 및 퇴출 규칙의 기준을 설명했습니다. 진입 규칙은 S&P 500의 행동에 초점을 맞춥니다. S&P 500이 하락하는 경우 트레이더는 VIX에 롱 포지션을 취하기 위해 자본을 비축할 수 있습니다. VIX는 일반적으로 S&P 500이 하락할 때 상승한다는 점에 주목했습니다. 반면에 출구 규칙은 S&P 500의 행동을 고려하여 약세장에서 벗어났는지 여부와 전반적인 경제가 양호하여 강세장을 나타내는지 판단합니다. 거래자들은 거래 진입 또는 청산에 대한 결정을 내리기 전에 시장 상황을 평가하라는 조언을 받았습니다.
웨비나는 VIX를 핵심 지표로 특히 강조하면서 변동성 거래에 대한 자세한 통찰력을 제공했습니다. 변동성 이해, 변동성 측정 및 분류, VIX 계산, 다양한 유형의 VIX 기반 파생 상품, 변동성 거래 전략과 같은 주제를 다루었습니다. 호스트는 또한 초보자를 위한 변동성 거래 전략에 대한 과정을 제공하여 트레이더가 자신 있게 시장을 탐색하는 데 필요한 지식과 도구를 갖추도록 권장했습니다. 웨비나는 대화식 Q&A 세션으로 마무리되어 청중의 다양한 질문에 답하고 논의된 주제에 대한 명확한 설명을 제공했습니다.
빅 데이터와 소매 투자의 미래
빅 데이터와 소매 투자의 미래
금융 시장은 매일 엄청난 양의 데이터를 생성합니다. 이 웨비나에서 발표자는 투자 및 거래의 맥락에서 그것과 함께 일하는 것의 중요성에 대해 논의할 것입니다. 또한 다양한 투자 스타일에 맞게 이를 활용할 수 있는 방법에 대해서도 설명합니다. 그 과정에서 그는 이 분야에서 번성하고 번영하는 데 필요한 지식과 기술을 배양하는 방법을 다룰 것입니다.
00:00 - 소개
04:00 - 면책조항
05:44 - 의제
11:04 - 데이터
14:31 - 빅데이터
20:01 - 데이터 분석의 시작
23:29 - 현재 거래 및 투자 환경
23:36 - 고전적인 데이터 분석 접근 방식
27:43 - 최신 데이터 분석
31:29 - 금융 시장에서 분석이 사용되는 이유와 방법
37:00 - 데이터의 종류
43:58 - 소매 투자자를 위한 과제
52:38 - 질의응답
브라질의 페어 트레이딩과 미국 시장의 스트래들 매도 [알고 트레이딩 프로젝트]
브라질의 페어 트레이딩과 미국 시장의 스트래들 매도 [알고 트레이딩 프로젝트]
웨비나는 호스트가 브라질 주식 시장에서 쌍 거래에 대한 프로젝트를 발표하는 EPAT 졸업생인 Dr. Luis Guidas를 소개하는 것으로 시작됩니다. Dr. Guidas는 결제 카드 업계의 숙련된 소프트웨어 개발자이자 Universidade Federal Fluminense에서 컴파일러와 프로그래밍 언어를 가르치는 교수진입니다. 그는 암호화 알고리즘, 보안 통신 프로토콜 및 보안 전자 거래에 대해 광범위하게 작업했습니다. 2021년 7월 EPAT 프로그램을 수료한 후 현재 oCam Brazil의 정량 분석 책임자입니다.
Guidas 박사는 서로의 위험을 중화시키는 자산 쌍을 찾기 위해 통계 모델을 사용하는 것과 관련된 통계 차익 거래의 개념을 소개하는 것으로 시작합니다. 그는 공동 통합 쌍을 사용하여 평균과 분산이 일정한 고정 시계열을 만드는 방법을 설명합니다. 이를 설명하기 위해 그는 동일한 지수를 추적하는 두 ETF의 예를 사용합니다. 이 ETF는 거의 완벽하게 통합되고 일정한 평균과 분산으로 수평 스프레드를 생성합니다. 그는 이 프로세스에 교육 기간과 전략을 백 테스트하기 위한 테스트 기간이 포함된다고 언급합니다.
다음으로 Dr. Guidas는 쌍 거래 과정과 볼린저 밴드 거래 전략을 활용하는 방법에 대해 자세히 설명합니다. 그들은 시세와 섹터를 선택하고 양적 쌍을 찾고 헤지 비율을 계산하여 스프레드를 만듭니다. 각 쌍에 대해 스프레드를 계산하고 스프레드가 평균보다 낮을 때 매수하고 평균보다 높을 때 매도하는 평균 회귀 거래 전략을 사용합니다. 그는 또한 평균 회귀 알고리즘에서 손절매의 사용에 대해 논의하고 가격이 평균에서 더 멀어질수록 평균으로 돌아갈 확률이 높아진다고 강조합니다.
연사는 스프레드 거래가 닫히지 않으면 특정 일수가 지난 후 스프레드 거래를 종료하여 손실을 방지하는 중지 시간이라는 전략을 소개합니다. 그들은 브라질에서 쌍 거래를 위한 Bollinger Band 전략의 예를 제공하며 1년 동안의 수익성을 보여줍니다. 그러나 제한된 데이터로 인해 현재 기간에 존재하는 회사만 사용하는 경우 발생할 수 있는 편향을 언급합니다. 이 문제를 해결하기 위해 그들은 2018년부터 2020년까지 또 다른 교육 기간을 통합했으며, 그 결과 새로운 회사와 부문의 출현으로 더 많은 수의 쌍이 생겼습니다.
Guidas 박사는 브라질에서 쌍 거래에 대한 경험에 대한 통찰력을 공유하고 방법론에 대해 논의합니다. 스프레드 분석을 단순화하고 스프레드의 반감기를 조사하여 이상적인 단순 이동 평균 기간 길이를 결정합니다. 그들은 또한 브라질 주식 시장에서 거래하는 동안 직면한 문제, 특히 상위 100개 회사를 분석한 후 실행 가능한 쌍의 수를 제한하는 유동성을 강조합니다. 발표자는 성능 메트릭을 제공하지만 개선의 필요성을 인정하고 하이퍼 매개변수 튜닝, 정상성 검사 및 소규모 섹터 병합과 같은 접근 방식을 제안합니다. 그들은 특히 Dr. Chang과 Dr. Hippish의 책을 언급하는 주제에 관한 문헌을 읽을 것을 권장합니다.
Q&A 세션에서 Dr. Grace는 비디오에서 제시된 전략에 대한 청중의 질문에 답변합니다. 그녀는 Bollinger Bands의 기간이 스프레드 반감기의 그리드 테스트를 기반으로 동적으로 설정할 수 있는 하이퍼파라미터라고 설명합니다. 스트래들 및 스트랭글에 볼린저 밴드를 사용하는 것에 대해 질문을 받았을 때, 그녀는 이것이 구조화된 작업이므로 파생상품 전문가로부터 통찰력을 구할 것을 제안합니다. Grace 박사는 또한 비평균 복귀 거래의 문제를 다루고 첫 모멘트를 계산하여 비반전 시리즈를 평균 복귀로 만들 것을 제안합니다. 또 다른 질문은 Indice Futuro VINFUT와 BOVA11 사이의 상관관계에 관한 것인데, 그녀는 거래 결정을 위해 둘 사이의 관계를 연구할 것을 권장합니다.
그런 다음 Lewis Elton 박사는 Quantum Trading EPAD 프로그램에 대한 자신의 경험과 기술 분석이 거래에서 항상 작동하지 않는 이유를 이해하는 데 어떻게 자신의 기대를 충족했는지 공유합니다. 그는 지식을 얻기 위해 공부하고 강의를 듣는 것의 중요성을 강조하고, 인류의 지식을 혼자 재창조하려 하지 말라고 충고한다. 웨비나는 또한 모멘텀 거래에 대한 포르투갈어로 된 첫 번째 콘트라 코스의 출시를 발표합니다.
Siddharth Bhatia가 미국 시장의 매도 스트래들에 대해 논의하기 위해 발언권을 가집니다. 그는 스트래들 매도는 콜을 매도하고 같은 금액을 등가격에 넣는 것과 기본 자산이 매도된 행사가 수준보다 낮게 움직일 경우 이익을 내는 것과 관련이 있다고 설명합니다. 이 전략은 소득 거래 전략으로 선전되지만, Bhatia는 특히 시장 변동성이 큰 시기에 잠재적인 손실이 이익보다 훨씬 클 수 있다고 경고합니다. 그는 짧은 스트래들 거래로 인해 COVID 전염병과 같은 기간 동안 회사가 전멸되는 사례를 인용합니다.
연사는 기계적 접근 방식을 사용하여 매도 스트래들 거래 전략을 백테스팅한 자신의 경험을 공유합니다. 그들은 각 DTE(만기일) 기간이 시작될 때 등가격 스트래들 100단위를 매도했으며 손절매 또는 미묘한 진입 및 퇴장 지점 없이 만기까지 포지션을 유지했습니다. 그들은 두 세트의 데이터(하나는 델타 헤지 데이터, 다른 하나는 헤지되지 않음)를 사용하여 백테스팅을 수행했으며, 서로 다른 기간을 다루기 위해 7 DTE와 60 DTE의 서로 다른 두 가지 버전을 사용했습니다. 그들은 RATS API를 통해 백테스트에 필요한 데이터를 검색하고 Python pandas를 사용하여 처리하여 구매 및 판매 가격을 얻었습니다. 그러나 연사는 정확성을 보장하기 위해 각 라인에 개별적인 주의가 필요하기 때문에 데이터 프레임 생성의 어려움을 강조합니다.
연사는 브라질과 미국 시장 모두에서 스트래들 매도 거래 전략을 백테스팅한 결과에 대해 논의합니다. 그들은 이 전략이 두 시장 모두에서 저조한 성과를 보였고 결과적으로 상당한 손실과 낮은 샤프 비율을 초래했다고 밝혔습니다. 델타 헤징은 P&L(손익)의 표준 편차를 줄이는 데 도움이 되었지만 손실 거래를 수익성 있는 거래로 바꾸지는 못했습니다. 연사는 손절매 주문이 이러한 유형의 거래에서 매우 중요하며 VIX 지수와 VIX 선물의 기간 구조에 기반한 진입 필터 사용을 제안하는 학술 논문을 언급합니다. 스트래들 매도 전략은 수익성이 높지만 위험도가 높기 때문에 다양한 방법을 통한 효과적인 손실 관리가 필요합니다.
Q&A 세션 동안 연사는 시청자의 몇 가지 질문에 답합니다. 한 가지 질문은 전략의 포지션이 하루가 끝날 때 헤지되지 않는 이유와 관련이 있습니다. 연사는 손익의 표준 편차를 줄이고 장기 변동성을 최소화하는 데 도움이 되므로 장 마감 시 하루에 한 번 헤지하는 것이 일반적인 관행이라고 설명합니다. 그러나 그들은 헤징 기술이 테스트 및 연구 대상임을 강조합니다. 연사는 연평균 성장률(CAGR) 계산, 거래 비용, 스트래들 매도 전략에서 일일 매도 대신 7~10일 동안 포지션을 유지하는 이점 등의 주제에 대해서도 언급합니다. 또한 그들은 시장 변동성과 단기 손실 수용에 대해 거래자를 준비시키기 때문에 수동 및 비 알고리즘 거래에 대한 이전 경험의 중요성을 강조합니다.
연사는 계속해서 청중의 질문을 받고 브라질의 쌍 거래와 미국 시장의 숏 스트래들에 관한 질문을 처리합니다. 한 청취자는 VIX가 약 20이면 긴 스트래들을 취해야 하는지 묻고 화자는 이에 반대하며 VIX가 20보다 높으면 일반적으로 손실이 발생하고 지수를 매도할 것을 제안합니다. 또 다른 질문은 다음에 관한 것입니다. VIX가 30 이상일 때 반대되는 진입 전략을 조정합니다. 권장 사항은 항상 짧게 하고 백워데이션 제안을 무시하는 것입니다. 연사들은 책 추천에 대한 질문도 받으며, 연사 중 한 명은 은 싱클레어의 세 권의 책을 적극 추천합니다.
그런 다음 발표자는 Quantum City의 ePAD 프로그램에 대한 경험을 공유하고 이것이 코딩 및 알고리즘 거래 개념에 대한 지식의 격차를 줄이는 데 어떻게 도움이 되었는지 강조합니다. 그들은 공부하고 시장의 학생이 되는 것의 중요성을 강조합니다. 연사는 신규 이민자에게 데모 계좌를 개설하고 시장에서 손실을 감수하는 경험을 쌓도록 권장하며, 기술을 습득하려면 더 깊이 탐구하고 더 많은 과정을 수강해야 함을 강조합니다. 그들은 Quantum City의 ePAD 프로그램이 시장에 대한 이해를 높이고자 하는 사람들에게 훌륭한 출발점이라고 강조합니다. 연사는 시장에서 공부하고 지속적으로 배우는 것의 중요성에 대한 Dr. Luis Guidas의 조언을 되풀이합니다.
웨비나가 끝나갈 무렵 호스트는 브라질의 페어 트레이딩에 대한 귀중한 통찰력을 공유해 주신 Dr. Luiz에게 감사를 표합니다. 그들은 또한 웨비나에 적극적으로 참여하고 향후 주제에 대한 제안을 제공한 청중에게 감사를 표합니다. 호스트는 포르투갈어 과정을 시작하는 것과 관련된 어려움을 인정하지만 커뮤니티 내에서 일어나는 수많은 발전에 대한 흥분을 표현합니다. 청중이 설문 조사를 통해 피드백을 공유하도록 권장하여 향후 세션에 대한 귀중한 의견과 아이디어를 수집할 수 있습니다.
따뜻한 감사와 함께 호스트는 Luiz 박사와 청중에게 작별을 고하고 다가오는 웨비나에 대한 열정과 거래 커뮤니티에 귀중한 지식과 통찰력을 제공하겠다는 약속을 표명했습니다. 그들은 새로운 주제를 탐구하고 전문 지식을 공유하며 모든 참가자를 위한 성공적인 학습 환경을 조성하기를 기대합니다.
웨비나는 브라질 주식 시장의 쌍 거래에 대한 포괄적인 개요와 미국 시장의 스트래들 매도 거래 전략과 관련된 문제를 제공했습니다. 연사들은 자신의 경험, 전략 및 통찰력을 공유하여 거래의 역동적인 환경을 효과적으로 탐색하기 위한 지속적인 학습과 연구를 장려했습니다.
둘 사이의 관계를 연구하고 해당 정보를 거래 결정에 사용합니다.
재무를 위한 감정 분석 및 대체 데이터 인증서 - CSAF™ [무료 정보 세션]
재무를 위한 감정 분석 및 대체 데이터 인증서 - CSAF™ [무료 정보 세션]
웨비나 호스트는 감정 분석 인증서 및 CSAF(Alternative Data for Finance) 프로그램을 소개하는 것으로 시작합니다. 그들은 이 프로그램이 두 명의 경험 많은 교수진인 Gautam Mitra 교수와 Christina Alvin Sayer 교수가 이끈다는 점을 강조합니다. 이 프로그램은 5개월에 걸쳐 진행되며 금융 업계의 전문가인 초청 강사가 제시하는 기초 이론과 실제 사용 사례를 모두 제공하는 것을 목표로 하는 일련의 강의를 포함합니다.
호스트는 감정 및 감정 데이터의 기본에 중점을 둔 처음 두 모듈부터 시작하여 프로그램 모듈에 대한 개요를 제공합니다. 모듈 3과 4는 위성 및 이메일 데이터와 텍스트 분석을 포함하여 대체 데이터 소스와 재무 예측 및 모델링에 대한 관련성을 탐구합니다. 이 과정은 또한 모델링 기초, 다양한 재무 모델, 위험 관리, 포트폴리오 최적화 및 자동 거래와 같은 영역에 감정 데이터를 적용하는 방법을 다룹니다. 또한 정서 분석에서 AI, 기계 학습 및 정량적 모델의 역할을 강조하는 대체 데이터 전용 모듈이 있습니다.
웨비나를 더욱 풍성하게 하기 위해 CSAF 졸업생인 두 명의 특별 게스트인 Amit Arora와 Abhijit Desai를 소개합니다. 그들은 EPAT NSA라는 과정의 이전 버전을 수강한 경험을 공유합니다. Amit은 과정의 실용적인 오리엔테이션이 자신의 거래 아이디어를 개발하는 데 어떻게 도움이 되었는지 설명하고 실제 거래에 더 많은 시간을 할애하여 예상보다 나은 결과를 얻었습니다. Abhijit는 과정을 최대한 활용하기 위한 헌신, 헌신 및 호기심의 중요성을 강조합니다.
웨비나에는 CSAF 프로그램을 경험한 다양한 개인과의 토론도 포함됩니다. 그들은 거래 전략에서 정서 분석 및 대체 데이터를 이해하고 적용하는 데 있어 어려움과 성공을 공유합니다. 연사는 정서와 변동성 거래의 결합, 대체 데이터의 의미, 투자 및 거래에서 인증의 중요성, 거래 전략에 정서 분석 포함, 실시간 뉴스 알림과 같은 주제를 다루며 청중의 질문에 답합니다. 거래.
웨비나 전반에 걸쳐 연사는 포괄적인 관점과 접근 방식을 개발하기 위해 CSAF와 같은 인증 과정을 통한 구조화된 학습의 중요성을 강조합니다. 감정 분석 및 대체 데이터를 효과적으로 적용하는 데 금융 시장 및 모델을 이해하는 것이 중요하다는 점을 강조합니다. 연사들은 또한 지식의 실제 적용, 정량적 프레임워크의 사용, 감정 데이터의 사용을 보여주는 사례 연구의 가치를 강조합니다.
호스트는 웨비나에 참여하고 CSAF 프로그램에 대한 정보에 적극적으로 참여해 주신 청중에게 감사를 표합니다. 시청자가 설문조사를 통해 피드백과 질문을 제공하도록 권장하고 웨비나의 성공에 기여한 연사와 서로에게 감사를 표합니다. 호스트는 지식 공유에 대한 즐거움과 모든 참가자를 위한 학습 환경 조성에 대한 약속을 표현합니다.
자동 거래 설정 방법
자동 거래 설정 방법
프레젠테이션 중에 연사는 자동 거래의 장점과 자동화가 필요한 이유에 대해 자세히 설명합니다. 그들은 자동 거래를 통해 거래자가 더 많은 수의 자산을 동시에 처리하고 미리 정의된 규칙에 따라 거래를 실행할 수 있다는 점을 강조합니다. 이 접근 방식은 오류 위험을 줄이고 감정에 기반한 거래를 제거하는 데 도움이 됩니다. 연사는 자동화가 지정된 규칙이 충족되면 자동으로 주문을 하여 시간 지연을 제거함으로써 프로세스를 단순화한다고 강조합니다. 또한 자동화를 통해 트레이더의 시간과 리소스를 확보하여 더 나은 트레이딩 전략 개발에 집중할 수 있다고 설명합니다.
연사는 사람의 개입을 완전히 대체하는 자동화에 대한 일반적인 오해를 다룹니다. 그들은 필요할 때 거래 전략을 조정하기 위해 정교한 자동 거래 시스템의 성능을 정기적으로 분석하는 것이 중요하다고 강조합니다. 그들은 자동화를 통해 트레이더가 수동으로 시도하지 않았을 수 있는 다른 작업이나 자산을 탐색할 수 있다고 강조합니다. 그런 다음 프레젠테이션은 거래의 세 가지 필수 단계인 데이터 수집, 분석(규칙 기반 또는 임의적일 수 있음) 및 거래 실행에 대해 논의합니다.
거래 프로세스의 일부를 자동화하기 위해 연사는 데이터 및 코딩을 사용하여 선호하는 자산에 대한 과거 데이터를 검색할 것을 권장합니다. 그들은 Google Finance가 API를 Google 스프레드시트에 통합하여 사용자가 시세 기호, 시작 및 종료 날짜, 데이터 유형과 같은 매개변수를 지정하여 데이터를 쉽게 검색할 수 있다고 언급합니다. 이 수집된 데이터는 가격 그래프 생성, 계산 수행(예: 사용자 지정 지표 생성 또는 백분율 변경 계산), 데이터 수집 프로세스 자동화, 거래 전략 간소화에 활용될 수 있습니다.
비디오의 데모는 과거 데이터에 대한 상대 강도 지수(RSI) 지표를 사용하여 거래 전략을 백테스팅하는 프로세스를 보여줍니다. 0에서 100까지의 RSI 값은 수행되는 작업을 결정합니다. RSI 값이 30 미만이면 자산이 과매도되었음을 나타내며 구매자에게 매력적이어서 자산을 구매하도록 유도합니다. 30에서 70 사이의 값은 조치가 없음을 의미하고 70 이상의 값은 자산이 과매수되어 매도를 유발함을 나타냅니다. 발표자는 미국 주식 데이터 세트에 대한 시각적 프로그래밍을 활용하여 과거 데이터에 대한 백테스팅을 자동화하여 이러한 규칙의 효과를 검증합니다.
발표자는 백테스팅, 페이퍼 트레이딩, 라이브 트레이딩 등의 기능을 제공하는 자동 트레이딩을 위한 Blue Shift 플랫폼을 소개합니다. 그들은 플랫폼이 코딩 지식이 필요하지 않은 시각적 프로그래밍 옵션을 제공한다고 강조합니다. 연사는 RSI 지표를 사용하여 거래 전략을 설정하는 방법을 시연하고 롱 포지션과 숏 포지션을 취하기 위한 조건을 설명합니다. 마지막으로 그들은 14%의 수익률, 1.22의 샤프 비율, 최대 손실률 -13%를 나타내는 백테스트 결과를 제시합니다. 전반적으로 Blue Shift는 자동화된 거래 전략을 생성하고 테스트하기 위한 사용자 친화적인 플랫폼으로 칭찬받고 있습니다.
발표자는 계속해서 실시간 거래에서 자동 거래 전략을 구현하는 과정에 대해 논의합니다. 그들은 현재 시장 환경에서 전략의 성과를 관찰하기 위해 실제 돈이 아닌 실시간 데이터를 활용하는 종이 거래로 시작할 것을 권장합니다. 연사는 브로커 선택, 자본 배분 결정 및 주문 확인을 포함하여 종이 거래 설정 및 라이브 거래로 전환하는 단계를 통해 청중을 안내합니다. 그들은 전략의 성과를 정기적으로 모니터링하고 필요한 조정을 하는 것의 중요성을 강조합니다. 발표자는 또한 다른 플랫폼을 사용한 라이브 거래를 다루는 이전 세션이 YouTube 채널에서 제공된다고 언급합니다.
모든 중개인이 자동 거래를 위한 API를 제공하는 것은 아니지만 연사는 API 지원을 제공하는 대부분의 지역에서 사용 가능한 플랫폼으로 대화형 중개인을 강조합니다. 그들은 Interactive Brokers와 함께 IBridge Py 브리지를 사용하면 싱가포르를 포함하여 전 세계 어디에서나 무역 자동화가 가능하다고 언급합니다. 연사는 NSE 주식에 대한 데이터를 얻는 것이 가능하지만 적절한 시세 기호를 찾고 Yahoo Finance를 사용하여 필요한 과거 데이터에 액세스하는 것이 필수적이라고 말합니다.
연사는 분 단위 데이터가 널리 무료로 제공되지 않는다고 설명하고 데이터 요구 사항이 해당 수준에서 더 까다로워진다고 지적합니다. 분 단위의 데이터를 얻기 위해 화자는 Interactive Brokers와 같은 브로커에 계좌를 개설할 것을 제안합니다. 그러나 그들은 지역과 선택한 중개인에 따라 수수료가 필요할 수 있다고 언급합니다. 연사는 거래 빈도 기능을 간략하게 언급하고 거래 전략 수립에 대한 자세한 내용은 Blue Shift 문서를 참조하도록 청중에게 지시합니다. 그들은 또한 거래 전략을 개발할 때 손절매 수준 설정의 중요성을 강조합니다.
계속해서 연사는 다양한 유형의 자산에 대해 적절한 손절매 수준을 설정하는 것의 중요성에 대해 논의합니다. 그들은 자산의 변동성에 따라 다른 손절매 값을 사용하고 Tesla와 같이 상당한 가격 변동을 경험하는 자산에 대해 더 높은 손절매 값을 사용할 것을 권장합니다. 발표자는 또한 알파와 베타의 이상적인 값을 결정하는 것은 트레이더의 목표와 특정 비율의 이익을 달성하기 위해 원하는 기간에 달려 있다고 지적합니다. 또한 인도 시장에서의 거래 자동화, 전략 모니터링 및 플랫폼을 사용한 옵션 전략 생성에 관한 질문에 응답합니다. 마지막으로 발표자는 예상치 못한 시장 이벤트가 발생하는 동안 경계를 유지하고 변동성을 견딜 수 있는 전략의 능력에 따라 거래를 일시 중지할지 계속할지 결정하는 것이 중요함을 강조합니다.
연사는 거래의 자동화와 작동 방식에 대해 더욱 확장합니다. 그들은 다양한 브로커와의 파트너십을 통해 백테스팅 전략과 실시간 거래를 용이하게 하는 Blueshift 플랫폼을 통해 인도 시장에 자동화가 가능하다고 설명합니다. 거래에서 미리 정의된 규칙을 갖는 것의 중요성을 강조하면서 발표자는 가상 화폐를 사용하여 현재 시장 상황에서 전략 성과를 평가하는 종이 거래와 백테스팅을 통해 이러한 규칙을 테스트하는 것의 가치를 강조합니다. 발표자는 또한 기계 학습이 거래에 적용될 수 있으며 거래 전략 개발을 위해 Blueshift가 지원한다고 언급합니다.
모바일 장치에서 자동 거래의 가능성을 언급하면서 연사는 모바일 기반 플랫폼이 웹 기반 플랫폼만큼 기능이 풍부하지 않을 수 있지만 업계가 클라우드 기반 솔루션으로 이동함에 따라 휴대 전화에서 자동 거래가 더 널리 퍼질 수 있음을 인정합니다. . 그들은 초보자가 작게 시작하여 더 많이 배우고 거래 규칙이나 전략을 수립함으로써 점차 지식을 확장할 것을 제안합니다. 연사는 학습, 백테스팅 및 거래 플랫폼인 Blue Shift가 완전히 무료이며 거래 전략을 실험하는 데 활용할 수 있다고 강조합니다. 그들은 또한 플랫폼의 기능에 관한 질문에 응답하고 향후 더 많은 브로커를 추가할 계획을 언급합니다. 마지막으로 화자는 모든 플랫폼에서 비트코인 자동 거래에 대한 질문을 인정합니다.
자동 거래에 대한 중개인 지원과 관련하여 발표자는 모든 중개인이 이 기능을 제공하는 것은 아니며 사용자는 선택한 플랫폼이 이를 지원하는지 확인해야 한다고 설명합니다. 그들은 대부분의 주문이 자동 거래 시스템의 도움으로 실행되면서 업계가 점점 더 자동 거래로 전환하고 있다고 설명합니다. 알고리즘 거래를 위해 기계 학습, 신경망 및 AI를 결합하는 측면에서 연사는 기계 학습 모델에서 데이터를 훈련 및 테스트하고 예측된 결과를 알고리즘 거래에 활용하는 과정을 설명합니다. 마지막으로, 그들은 자동 거래가 거래 활동을 관리하는 동시에 화면 시간을 최소화하여 직업 요구 사항에 집중할 수 있도록 전문가를 도울 수 있다는 점을 지적하면서 일하는 전문가의 질문에 답합니다.
연사는 거래 전략 자동화가 실무 전문가에게 실현 가능하지만 시장 상황이 변할 수 있으므로 자동화 시스템의 성능을 주기적으로 검토하는 것이 중요하다고 반복해서 말합니다. 그들은 다양한 플랫폼을 사용하여 Python이나 코딩 언어를 배우지 않고도 거래 전략을 수립할 수 있지만 고급 전략에는 Python 또는 기타 프로그래밍 언어에 대한 숙련도가 필요할 수 있다고 제안합니다. 연사는 Python을 배우는 것이 보이는 것만큼 어렵지 않으며 추가적인 이점을 제공할 수 있다고 청중을 안심시킵니다. 그들은 그에 따라 전략을 수정하기 위해 성과를 정기적으로 평가하는 것의 중요성을 강조합니다.
마지막으로 연사는 청중에게 답변되지 않은 질문에 대한 설문 조사를 작성하도록 초대하고 모든 과정 등록에 대해 70% 할인 및 추가 25% 할인을 제공하는 기간 한정 제안을 활용하도록 권장합니다. 그들은 받은 지원에 감사를 표하고 앞으로 더 많은 웨비나를 조직하겠다는 약속을 청중에게 확신시킵니다. 연사는 청중의 관심과 요구에 맞는 더 나은 세션을 계획하기 위해 잠재적인 주제에 대한 제안을 요청합니다. 발표를 마치며 연사는 행복한 홀리를 기원하며 세션에 참여한 모든 참석자들에게 감사를 표합니다.
암호화폐의 정량적 데이터 분석
암호화폐의 정량적 데이터 분석
암호 화폐에 대한 정량적 데이터 분석에 대한 이 유익한 세션에서 연사인 Udisha Alook은 블록체인, 비트코인, 이더리움 및 리플을 전문으로 하는 Quant Institute의 퀀트 연구원으로 자신을 소개합니다. 그녀는 암호화폐에 투자하기 전에 실사를 수행하는 것의 중요성을 강조하고 세션의 의제를 설명합니다.
연사는 암호 화폐에 대한 개요를 제공하면서 암호로 보호되는 디지털 또는 가상 화폐이며 물리적 형태가 부족하다는 점을 강조하면서 시작합니다. 그녀는 암호화폐가 암호화를 통해 보안을 보장하고 블록체인 기술을 사용하여 분산된 방식으로 작동하며 이중 지출의 위험을 제거한다고 설명합니다.
다음으로 연사는 세션에서 다룰 주요 주제를 탐구합니다. 그녀는 세션이 최고의 암호 화폐를 탐색하고 암호 화폐에 대한 데이터를 어디서 얻을 수 있는지 논의하며 암호 화폐 시장 거래에 대한 통찰력을 제공할 것이라고 언급했습니다. 연사는 주요 암호화폐에 대한 데이터 분석에 중점을 둘 것이라고 강조합니다.
앞으로 연사는 양적 거래 회사인 Quantinsti와 그 제품을 소개합니다. 그녀는 EPAT(알고리즘 트레이딩)의 전문 인증 프로그램, CSAF(Sentiment Analysis and Alternative Data for Finance)의 인증, Quantra에서 제공되는 자기 주도 과정을 강조합니다. 또한 발표자는 전략 개발, 연구, 백테스팅, 페이퍼 트레이딩 및 라이브 트레이딩을 위한 클라우드 기반 플랫폼인 BlueShift를 소개합니다.
암호화폐의 주요 주제로 돌아가서 발표자는 시가 총액을 기준으로 상위 6개 암호화폐에 대해 논의하고 기능에 대한 간략한 개요를 제공합니다. 최초이자 가장 널리 알려진 암호화폐인 비트코인은 현재 엘살바도르에서 법정 통화로 채택된 유일한 암호화폐로 언급됩니다. 시가총액 2위인 이더리움이 스마트 컨트랙트 기능 도입에 주목받고 있다. 중간 교환 메커니즘으로 설계된 Ripple은 목록에서 여섯 번째 암호 화폐로 언급됩니다. 또한 연사는 자체 블록체인으로 전환한 바이낸스 코인, 미국 달러에 고정된 스테이블 코인인 테더와 USD 코인을 소개하며 법정화폐의 안정성과 함께 암호화폐 기능을 제공합니다.
cryptocurrencies의 데이터 소스와 관련하여 연사는 CryptoWatch 및 CoinAPI를 신뢰할 수 있는 과거 암호화 데이터 소스로 언급합니다. 그녀는 또한 Binance, Coinbase, Etoro, Gemini 및 Kraken을 포함한 주요 글로벌 암호 거래 플랫폼 목록을 제공합니다.
세션을 계속하면서 연사는 다양한 암호화폐의 가격을 비교하고 로그 스케일로 성능을 설명합니다. 비트코인은 가격 측면에서 지배적인 암호화폐로 부상했으며, 이더리움과 바이낸스 코인이 그 뒤를 이었습니다. Ripple은 성능이 저하된 반면 안정적인 코인은 특성상 안정적으로 유지됩니다. 발표자는 누적 수익률을 더 계산하여 Binance Coin이 가장 높은 수익률을 보였고 Ethereum과 Bitcoin이 그 뒤를 이었다고 강조합니다. 상위 4개 암호화폐의 변동성은 특정 기간 동안 급증하는 등 크게 변동하는 것으로 설명되지만 스테이블 코인은 지속적으로 안정성을 유지합니다.
그런 다음 동영상은 변동성 및 암호화폐 투자 관련 위험을 분석하는 데 중점을 둡니다. 화자는 암호화폐 수익률이 높은 첨도를 나타내는 것을 관찰하여 양수 및 음수 모두 극단적인 수익률을 나타낼 가능성을 나타냅니다. 이것은 투자자들이 가격이 상승할 때 매수하고 가격이 하락할 때 패닉 매도하는 경향이 있는 모멘텀 기반 거래에 기인합니다. 일일 수익률의 박스 플롯은 수많은 이상치의 존재를 보여주기 위해 제시되며, 암호화폐가 상당한 수준의 위험을 수반한다는 개념을 뒷받침합니다. 그러나 스테이블 코인은 변동성이 적은 것으로 알려져 있습니다.
후속 세그먼트에서 연사는 비트코인, 이더리움, 바이낸스 코인, 리플, USD 코인 및 USDC와 같은 인기 있는 암호화폐의 중앙값에 대한 이상값 제거의 영향을 조사합니다. 스테이블 코인은 1달러에 가까운 가치를 유지하도록 설계된 것으로 강조되어 많은 사용자에게 특히 매력적입니다. 반면에 Ripple은 금융 기관을 위해 설계된 고유한 승인 블록체인으로 인해 다른 암호 화폐와 구별됩니다. Ripple의 창립자에 대한 진행중인 SEC 사례는 투자자에게 변동과 불확실성을 야기한 요인으로 언급됩니다.
계속해서 발표자는 암호 화폐에 영향을 미치는 요소를 다섯 가지 주요 범주로 그룹화합니다. 여기에는 암호화폐의 희소성과 가치에 영향을 미치는 수요와 공급의 법칙이 포함됩니다. 시장심리와 투자자심리로 인해 가치에 대한 인식도 중요한 역할을 합니다. 블록체인 프로토콜 업데이트 및 확장성 개선과 같은 기술 발전은 암호화폐의 성능에 영향을 미칠 수 있습니다. 법적 프레임워크 및 규제 조치를 포함한 정부 규제 및 정책은 암호화폐 시장에 상당한 영향을 미칩니다. 마지막으로 언론 보도, 정치적 사건 및 전반적인 시장 동향에 의해 형성되는 시장 심리는 암호화폐 가격에 큰 영향을 미칠 수 있습니다.
연사는 미디어, 정치적 사건, 규제 변경 및 블록체인 수정이 암호화폐 가격에 미치는 영향을 탐구합니다. 긍정적이거나 부정적인 뉴스 보도는 사람들의 투자를 장려하거나 억제할 수 있기 때문에 암호화폐 가격에 상당한 영향을 미치는 것으로 강조됩니다. 평판이 좋은 회사나 개인이 암호화폐를 보증하면 신뢰성과 신뢰도가 높아집니다. 경제 위기 또는 정부 개입과 같은 정치적 사건 및 규제 변화는 투자자의 기존 통화에 대한 신뢰에 영향을 미치고 투자자를 암호화폐로 이끌 수 있습니다. 발표자는 다양한 암호화폐 사이의 높은 상관관계, 특히 지배적인 암호화폐인 비트코인을 언급합니다. 그러나 스테이블 코인은 전통적인 암호화폐와 상관관계가 없는 것으로 관찰되어 고유한 자산 클래스가 됩니다.
비디오는 암호화폐를 명목 화폐로 교환하는 과정에 대해 더 자세히 설명합니다. 대부분의 거래소가 비트코인, 이더리움 등 주요 암호화폐 거래를 지원하는 것으로 설명된다. 따라서 알트코인을 명목 화폐로 전환하기 전에 이러한 상위 암호화폐 중 하나로 교환해야 하는 경우가 종종 있습니다. 모멘텀 지표 기반 전략, 차익거래 등 암호화폐에 적합한 트레이딩 전략도 시장의 높은 변동성을 활용해 알아본다. Relative Strength Index, Moving Average Convergence Divergence 및 Awesome Oscillator와 같은 지표를 사용한 코딩 예제는 모멘텀 기반 전략을 설명하기 위해 제공됩니다.
세션이 끝날 무렵 발표자는 다루었던 주요 사항을 요약하고 낮은 변동성과 다른 암호 화폐와의 상관 관계 부족으로 인해 포트폴리오 다각화를 위한 스테이블 코인의 잠재력을 강조합니다. Blue Shift 연구 및 거래 플랫폼뿐만 아니라 무료 서적 및 과정을 포함하여 알고리즘 거래 및 암호 화폐에 대해 학습할 수 있는 추가 리소스가 제공됩니다. 연사는 알고리즘 트레이딩 데스크를 시작하거나 업계 실무자의 멘토링을 통해 알고리즘 트레이딩 경력을 추구하는 데 관심이 있는 개인을 위해 맞춤화된 알고리즘 트레이딩의 집행 프로그램을 언급합니다. 프로그램에 대한 얼리버드 할인의 가용성도 강조됩니다.
결론 부분에서 연사는 암호화폐 및 블록체인과 관련된 몇 가지 청중 질문에 답합니다. 규제 지원이 없는 암호화폐의 장기적인 생존 가능성에 대해 논의하고 연사는 일부 국가에서 암호화폐를 규제하는 법률을 이미 통과시켜 장기 투자로 취급한다고 강조합니다. 블록체인 기술의 수용과 발전이 늘어나면서 암호화폐에 대한 사람들의 편안함에도 기여하고 있습니다. 탈중앙화 금융(DeFi)의 미래는 아직 탐구되지 않은 차익 거래의 다양한 개념과 유형으로 진화하는 공간으로 인정받고 있습니다. 연사는 암호화폐 거래가 데이터 마이닝 및 기술 지표를 넘어 블록체인 기술과 그 응용 프로그램을 이해하는 것의 중요성을 강조합니다.
또한 향후 미국 규제가 암호화폐 시장에 미칠 잠재적 영향에 대해 논의합니다. 발표자는 정부가 미국에서 블록체인을 규제할 수 있음을 인정하지만 기술의 분산된 특성을 제어하는 문제를 강조합니다. 따라서 규제 결정이 암호화폐 가격에 영향을 미칠 수 있지만 시장에 대한 완전한 통제는 달성하기 어려울 수 있습니다. 암호화폐 거래에 필요한 최소 자본과 실제 거래에서 암호화폐의 잠재적 사용에 대해서도 설명합니다. 마지막으로 중앙 은행 디지털 통화(CBDC)의 부상과 암호화폐의 탈중앙화 특성에 대한 잠재적 영향에 대해 간략하게 언급합니다.
마무리 발언에서 연사는 ID 발급 및 공급망 관리와 같은 문제를 해결하기 위해 블록체인 기술에 대한 탐구가 증가하고 있음을 강조합니다. 그들은 해당 분야의 지속적인 개발로 인해 향후 블록체인 개발자에 대한 수요가 높을 것으로 예상합니다. 24시간 거래가 가능한 등 암호화폐의 장점이 부각된다. 청중은 피드백을 제공하고 향후 토론을 위해 답변되지 않은 질문을 제기하도록 권장됩니다.
세션이 끝날 때 연사는 중요한 내용을 요약하고 암호화폐의 높은 변동성을 탐색하기 위한 적절한 데이터 분석 및 정량적 기술의 필요성을 강조합니다. 기술 및 양적 분석은 백테스팅과 함께 위험을 완화하기 위한 필수 도구로 강조됩니다. 연사는 또한 암호화폐 시장에 대한 지정학적 개입의 영향에 관한 질문에 답하면서 정부 결정이 영향을 미치지만 암호화폐의 탈중앙화 특성으로 인해 전통적인 통화나 정부에 대한 신뢰가 낮은 상황에서 사람들이 암호화폐에 의존하게 될 수 있다고 언급했습니다. 마지막으로 스테이블 코인의 장점은 다른 암호화폐에 비해 안정적이고 예측 가능한 가치를 제공하여 일상적인 거래에 더 적합하다는 점입니다.
다가오는 미국 규제가 암호화폐 시장에 미칠 잠재적 영향에 대한 질문에 대해 발표자는 정부 규제의 가능성을 인정하지만 암호화폐의 탈중앙화 특성을 완전히 통제하는 데 따르는 어려움을 강조합니다. 규제가 암호화폐 가격에 영향을 미칠 수 있지만 연사는 시장에 대한 완전한 통제가 어려울 수 있다고 제안합니다. 중앙 은행 디지털 통화(CBDC)의 부상도 언급되며, 암호화폐의 탈중앙화 특성에 대한 잠재적 영향에 대해 간략하게 논의합니다.
마지막 부분에서 연사는 ID 발급 및 공급망 관리와 같은 실제 문제를 해결하기 위해 증가하는 블록체인 기술 탐색에 대해 논의합니다. 그들은 블록체인 개발자에 대한 미래의 수요와 블록체인 산업의 지속적인 성장에 대해 낙관적입니다. 연중무휴 24시간 거래가 가능한 것과 같은 암호화폐의 장점이 강조됩니다. 청중은 피드백을 제공하고 향후 세션을 위해 남은 질문을 공유하도록 권장됩니다.
Udisha Alook이 진행하는 세션은 암호화폐에 대한 정량적 데이터 분석에 대한 귀중한 통찰력을 제공합니다. 투자 전 실사의 중요성을 강조하고, 암호화폐 및 그 기능에 대한 개요를 제공하고, 데이터 소스 및 거래 플랫폼을 탐색하고, 가격 변동 및 변동성을 분석하고, 암호화폐 가격에 영향을 미치는 요인에 대해 논의하고, 규제, 거래 전략 및 암호화폐의 미래. 이 세션은 암호화폐 시장의 정량적 분석에 대한 종합적인 소개 역할을 하며 참가자들에게 정보에 입각한 투자 결정을 내리는 데 필요한 지식을 제공합니다.
양적 거래에 대한 실습 소개 | 예일 경영 대학원
양적 거래에 대한 실습 소개 | 예일 경영 대학원
퀀트 트레이딩 입문 세미나에서 연사는 코드 예제를 사용하여 트레이딩 알고리즘의 생성, 평가 및 배포에 대해 자세히 설명합니다. 세션은 거래 기회를 식별하고 거래를 실행하기 위해 수학적 및 통계적 모델을 사용하는 양적 거래의 개념을 소개하는 것으로 시작됩니다. 모멘텀 매매, 평균 전환 매매 시스템, 수학적 모델, 고주파 매매, 뉴스 기반 매매 시스템 등 다양한 유형의 퀀트 매매 전략에 대해 설명합니다. 발표자는 알고리즘이 거래에만 사용되는 것이 아니라 시장 조성 및 가격 비효율성을 이용하여 이익을 창출하는 데에도 사용된다고 강조합니다.
그런 다음 양적 거래 시스템의 기본 구조에 대해 설명합니다. 여기에는 데이터 수집, 거래 전략 생성, 백테스팅, 실행 및 위험 관리가 포함됩니다. 가격, 기본, 경제 및 뉴스 데이터는 일반적으로 거래 알고리즘에 사용됩니다. 기술, 통계 및 수학적 분석을 사용하여 전략에 대한 거래 규칙을 설계할 수 있습니다. 백테스팅에는 과거 데이터에 대한 규칙을 테스트하여 성능을 평가하는 작업이 포함됩니다. 실행은 수동 또는 자동일 수 있으며 위험 관리는 자본 배분 및 손절매와 같은 위험 매개변수 설정에 매우 중요합니다. 연사는 이러한 개념을 설명하기 위해 양적 거래 전략의 실제 예를 제공합니다.
추세 기반 전략이 강조 표시되고 지수 이동 평균(EMA), 포물선 SM 및 확률 발진기와 같은 기술 지표가 알고리즘 설계에 사용됩니다. 소프트웨어 설치 없이 비디오 자습서, 대화식 연습 및 실제 노출을 제공하는 Contra 플랫폼이 도입되었습니다. 알고리즘 생성을 지원하기 위해 Python 모듈을 가져오고 CSV 파일에서 데이터를 가져와 거래 규칙을 정의하고 전략 성과를 모니터링합니다. TLA Python 모듈은 기술 지표에 대한 매개변수를 설정하는 데 활용되어 설계 프로세스를 단순화합니다.
강사는 EMA, Stochastic fast 및 Stochastic slow 오실레이터와 같은 기술 지표를 사용하여 거래 규칙을 정의하고 거래 신호를 생성하는 방법을 설명합니다. 매수 신호 생성을 위한 5가지 거래 조건이 설명되어 있으며, 매도 포지션에 대한 거래 규칙도 설계되어 있습니다. 다음 단계는 Python 노트북을 사용하여 전략을 백테스트하여 실제 성능을 평가하는 것입니다. 전략 수익률 플롯은 알고리즘이 초기에 손실을 입었지만 2018년부터 추진력을 얻었고 궁극적으로 테스트 기간이 끝날 때까지 이익을 창출했음을 보여줍니다. 알고리즘의 연구, 구축, 백테스팅을 쉽게 할 수 있는 플랫폼인 BlueShift를 소개합니다.
BlueShift 플랫폼을 사용하여 Bank of America 주식에 대한 백테스팅 데모가 이어집니다. 이 플랫폼은 데이터 유지 관리와 데이터를 Python으로 가져오기 위한 간단한 코드 줄을 제공합니다. 지표 및 거래 규칙이 정의되고 장기 및 단기 조건 충족에 따라 거래가 자동으로 실행됩니다. 백테스트는 2020년 1월부터 2021년 10월까지 자본금 10,000달러로 진행되며, 성과는 S&P 500 벤치마크와 비교됩니다. 결과는 113%의 투자 수익을 나타냅니다. 자세한 백테스트 결과를 통해 월별 수익, 실행된 거래 및 사용된 마진을 분석하여 더 나은 거래 결정을 내릴 수 있습니다.
발표자는 알고리즘 반환 및 월별 반환 히트 맵과 같은 성능 메트릭의 시각적 표현을 포함하여 BlueShift 플랫폼에서 포괄적인 백 테스트 결과에 액세스하는 방법을 시연합니다. 알고리즘이 취하는 포지션을 분석하고 롱 사이드와 숏 사이드의 총 이익과 같은 주요 지표를 조사합니다. 종이 거래 또는 실제 자본을 통해 전략을 실시간으로 배포하기 전에 위험 매개변수 및 주문 한도를 구성할 수 있습니다.
BlueShift 거래 플랫폼을 사용하여 종이 거래를 위한 브로커를 선택하고 자본 및 알고리즘 매개변수를 지정하는 과정을 설명합니다. 사용자는 미국 주식용 Alpaca, 외환용 OANDA, 인도 시장 거래용 Master Trust와 같은 다양한 옵션 중에서 선택할 수 있습니다. 연사는 BlueShift를 사용하여 감소 한도가 30%이고 주문 및 크기 제한이 각각 1,000 및 10,000인 위험 매트릭스를 지정하는 방법을 보여줍니다. 사용자는 선호도에 따라 자동 실행 또는 원클릭 확인 방법을 유연하게 선택할 수 있습니다. 사용자가 확인을 클릭하면 알고리즘이 실행되기 시작하고 BlueShift는 Alpaca 종이 거래 부분과 연결을 설정합니다. 대시보드는 거래 자본, 거래, 포지션 및 기타 관련 정보를 실시간으로 지속적으로 업데이트합니다.
발표자는 양적 거래에 필수적인 두 가지 제품인 Conda와 BlueShift를 강조합니다. Conda는 주가, 암호 화폐, 뉴스 및 소셜 미디어를 포함한 다양한 소스에서 데이터를 얻는 데 사용됩니다. 이 과정에서는 기본 보고서에 액세스하거나 API를 사용하여 소셜 미디어 데이터를 거래 시스템으로 추출하는 방법을 설명합니다. 두 번째 제품인 BlueShift는 경제 모델 및 시계열 분석을 사용하여 전략을 설계 및 테스트하는 데 사용됩니다. 평균 전환 거래 전략, 모멘텀 거래 전략, 데이 트레이딩 전략과 같은 다양한 거래 전략에 대한 예제와 코드를 제공합니다. 또한 이 과정은 기계 학습 방법을 사용하여 포트폴리오 관리 및 위험 제어를 용이하게 하기 위해 "기계 학습 계층적 불일치를 사용한 포트폴리오 관리"를 다룹니다. BlueShift를 사용하면 광범위한 데이터 세트에서 거래 전략을 백테스팅할 수 있습니다.
미국 주식, 암호화폐, 외환, 인도 주식 및 부동산 데이터를 포함하여 양적 거래를 실행하기 위한 다양한 데이터 세트의 가용성에 대해 논의합니다. 브로커가 클라우드 기반 실행을 처리하면서 클라우드 기반 및 데스크톱 기반 배포에 대해 설명합니다. Interactive Brokers 또는 eTrade와 같은 브로커에 연결하는 IBridgePy 소프트웨어를 사용하여 데스크톱 기반 통합을 달성할 수 있습니다. 세션에 참석하는 학생들에게는 ContraQuant 웹사이트에서 제공되는 모든 과정에 대해 60% 할인 코드가 제공됩니다. 이 웹사이트는 신경망, 자연어 처리(NLP), 모멘텀 전략, 옵션, 선물 및 쌍 거래와 같은 광범위한 개념을 다루는 초보자, 중급 거래자 및 고급 거래자에게 적합한 과정을 제공합니다.
일일 주가 예측 및 일일 거래 전략 자동화
일일 주가 예측 및 일일 거래 전략 자동화
소개 웨비나에서 호스트는 일일 주가 예측 및 일일 거래 전략 자동화에 대한 세션의 주요 주제를 소개합니다. 세션에는 두 개의 프로젝트 프레젠테이션이 포함됩니다. 첫 번째 프레젠테이션은 영국의 Renato Otto가 랜덤 포레스트 분류기, 기술 지표 및 감정 데이터를 사용하여 일일 주가 예측에 대해 설명합니다. Renato Otto는 영국 에너지 시장에서 정량 분석 및 시장 조작의 체계적 식별을 위한 소프트웨어 및 도구 개발에 참여한 경험이 있는 개인으로 소개되었습니다.
Renato Otto는 프로젝트 완료 동기를 공유하며 Python 프로그래밍, 데이터 엔지니어링 및 기계 학습에 대한 지식을 엔드 투 엔드 프로젝트로 통합할 수 있는 기회라고 설명합니다. 이 프로젝트는 그의 기술을 향상시키고 거래에서 기계 학습 및 자연어 처리의 힘을 탐구하는 것을 목표로 했습니다. 또한 목표는 다른 사람들이 자신의 분석이나 전략 구현에 사용할 수 있는 재사용 가능한 것을 만드는 것이었습니다. 이 프로젝트에는 사전에 분석 세부 정보를 정의하고 파이프라인을 초기화하는 것부터 시작하여 9단계가 포함됩니다. 그런 다음 프로그램이 실행되어 백테스팅 계산에 필요한 데이터 세트를 얻습니다. 발표자는 프로그램의 사용성 테스트와 최종 수치의 신뢰성 확보의 중요성을 강조합니다.
연사는 일일 거래 전략 백테스팅과 관련된 방법을 설명합니다. 데이터 전처리, 모델 교육 및 테스트, 전략 성능 분석을 위한 다양한 방법으로 구성된 백 테스트 전략 수업에 대해 논의합니다. 백테스팅 프로세스의 출력에는 투자 수익, 예리한 비율, 최대 손실률 및 기타 관련 매개변수를 보여주는 표와 플롯이 포함됩니다. 백테스팅은 전략의 잠재적 수익성을 결정하는 데 도움이 되지만 연사는 실제 거래에서 적용되지 않을 수 있는 특정 측면을 단순화한다고 경고합니다. 연사는 거래 수수료 및 계정 크기를 포함하여 실제 거래 조건을 반영하도록 매개 변수를 업데이트하는 프로그램의 최신 개선 사항을 언급합니다.
프레젠테이션 중에 연사는 프로그램 개발 중에 직면한 문제에 대해서도 논의합니다. 한 가지 과제는 사용자가 데이터를 입력하라는 메시지를 표시하는 대화형 메뉴를 구현하는 것이었습니다. 여기에는 추가적인 생각과 개발 노력이 필요했습니다. 그러나 화자는 프로그램을 보다 사용자 친화적으로 만들었기 때문에 그만한 가치가 있다고 말합니다. 다른 과제로는 성과 지표 계산을 위한 솔루션을 찾고 일과 삶의 균형을 유지하는 것이 포함되었습니다. 발표자는 이러한 어려움을 극복하기 위해 다이어그램 그리기, 코드 작성의 디딤돌로 주석 작성, 휴식, 온라인 검색 수행 및 지식 통합과 같은 전략을 권장합니다. 발표자는 또한 양적 금융 및 프로그래밍 기술에 대한 지식 통합, 처음부터 끝까지 프로젝트 관리에 대한 자신감 확보, 주가 예측에서 기계 학습의 힘 입증 등 프로젝트를 통해 얻은 성과를 강조합니다.
연사는 현재 프로젝트를 완료한 후 향후 프로젝트 계획에 대해 논의합니다. 그들은 다양한 자산으로 새로운 전략을 연구하고, 블로그를 통해 지식을 확장하고, 다른 매니아들과의 상호작용을 통해 지식을 확장하고, 새로운 전략과 기계 학습 모델을 연구하고, 결국 라이브 거래에서 수익성 있는 전략을 구현하려는 의도를 언급합니다. 연사는 프로젝트에 대한 추가 질문이나 문의를 위해 연락처 정보를 공유합니다. 청중은 프로젝트에 소요된 심야 횟수와 프로그램이 암호화폐 거래에 사용될 수 있는지 여부를 포함하여 몇 가지 질문을 합니다.
프로젝트에 사용된 데이터에 대해 작성자는 2009년 회사 설립 당시부터 매일 Tesla 가격을 사용하여 모델을 교육했다고 설명합니다. 교육 과정은 5개월이 걸렸으며 모델은 2년 동안 테스트되었습니다. 위험 감소 측면에서 작성자는 위험을 줄이기 위해 기계 학습 모델에서 수행할 수 있는 작업이 많지 않지만 대부분의 거래가 수익성이 있는지 확인하기 위해 합리적인 양의 거래를 평가했다고 언급합니다. 제작자는 또한 가격 예측을 위한 시간 프레임과 모델 훈련을 위한 고성능 PC의 필요성에 대한 질문에 답합니다.
연사는 모델 훈련 과정을 설명하고 임의 시스템에 비해 알고리즘 거래의 이점에 대해 논의합니다. 그들은 작동하는 모델에 도달하는 데 몇 시간이 걸릴 수 있지만 GPU 없이 컴퓨터를 사용하여 모델을 훈련하는 것이 가능하다고 언급합니다. 그러나 그들은 이 접근 방식에 정기적으로 의존하지 말라고 조언합니다. 알고리즘 거래의 이점에 대해 논의할 때 연사는 대부분의 거래가 수익성이 있다는 통계적 신뢰도를 강조하여 재량 거래에 비해 수익성이 더 높다고 강조합니다. 마지막으로 발표자는 EPAC 프로그램이 알고리즘 트레이딩을 이해하기 위한 기본 사항과 전문 분야를 선택하는 데 필요한 도구를 제공했다고 말하면서 EPAC 프로그램에 대한 기대를 표현했습니다.
다음으로 두 번째 연사인 인도의 유주얼 아그라왈(Usual Agrawal)이 퀀트 트레이더이자 비즈니스 오너로 소개됩니다. Agrawal은 지난 4년 동안 인도 시장에서 거래한 경험과 정규 거래와 함께 비즈니스를 관리하면서 직면한 어려움을 공유합니다. 이러한 문제를 극복하기 위해 Agrawal은 EPAT 과정의 도움과 Quantum City 팀의 무조건적인 지원을 통해 거래 설정을 자동화하기로 결정했습니다. 프레젠테이션에서 Agrawal은 상관관계가 없는 설정을 결합하여 손실을 최소화하면서 상당한 수익을 창출하는 완전 자동화된 거래 설정인 "장중 스트래들"을 선보입니다. 데이터 수집, 백 테스트, 프런트 테스트, 배포 및 거래 전략의 성능 평가에 대한 접근 방식에 대해 논의합니다.
프레젠테이션 중에 연사는 일일 거래 전략을 백테스트하는 데 사용되는 데이터, 시스템 및 매개 변수에 대해 자세히 설명합니다. 그들의 전략에는 1분의 시간 프레임을 사용하여 Nifty 및 Bank Nifty 선물 및 옵션 데이터에 대한 스트래들 및 스트랭글을 생성하는 것이 포함됩니다. 발표자는 2019년 3월부터 2021년 3월까지 2년 분량의 데이터를 사용했으며, 변동성이 낮은 기간과 COVID-19 대유행을 모두 다루었습니다. 그들은 손절매 수준의 변화를 포함하여 백 테스트에 사용되는 다양한 클래스와 테스트된 매개 변수를 설명합니다. 마지막으로 연사는 백테스팅 과정의 결과를 발표합니다.
발표자는 일일 거래 전략의 백 테스트 및 프런트 테스트 결과에 대해 논의합니다. 백테스팅 단계에서 그들은 연간 52.9%의 수익률에 해당하는 3.15 lakhs의 순수익을 달성했습니다. 적중률은 정규화와 정규화 모두 계산되었으며 후자는 보다 사실적인 그림을 제공합니다. 샤프 비율은 3.78로 결정되었고 주식 곡선은 3개월 단순 이동 평균에서 좋은 지지를 받았습니다. 그러나 전면 테스트 단계에서 전략은 예상대로 수행되지 않았으며 11개월 동안 70,000루피(연간 수익률 25%에 해당)만 벌어들였습니다. 주식 곡선은 평평하게 유지되어 현재 전략이 잘 수행되지 않을 수 있으며 추가 분석이 필요함을 나타냅니다. 발표자는 또한 데이터 수집 중에 발생하는 주요 어려움과 함께 프로젝트 전반에 걸쳐 직면한 주요 과제와 교훈을 공유합니다.
연사는 일일 거래 전략을 개발하는 동안 직면한 몇 가지 문제에 대해 논의합니다. 주요 장애물 중 하나는 신뢰할 수 있는 일중 옵션 데이터를 확보하는 것이었고 이를 위해서는 제3자 벤더로부터 이를 구매해야 했습니다. 또 다른 문제는 전략의 전반적인 성과를 정확하게 나타내지 않을 수 있는 지난 2년 간의 데이터에만 집중하기 때문에 잠재적인 샘플링 편향이었습니다. 또한 화자는 많은 트레이더가 유사한 전략을 사용하는 시장의 과밀 효과에 주목합니다. 발표자는 전략을 독립적으로 개발하기로 한 결정을 설명하여 맞춤형 조정을 허용합니다. 마지막으로 전략에 대한 지속적인 평가와 효율성 향상을 위한 다각화 노력이 강조됩니다.
연사는 프로그램이 수동으로 실행되는지 또는 클라우드 플랫폼을 사용하여 자동으로 실행되는지 여부, 스트래들 판매를 위해 주식을 선택한 방법 및 프리미엄과 관련된 일반적인 손절매 거리를 포함하여 청중의 질문에 답합니다. 이 전략은 유동성 문제로 인해 Nifty 지수와 Bank Nifty 지수에만 적용되며 화자는 시행 착오를 통해 데이터를 정리하고 형식 변경을 수정하고 데이터 오류가 있는 날짜를 제거합니다.
연사는 일일 거래 전략과 관련된 두 가지 추가 질문에 답합니다. 그들은 테스트에 사용되는 손절매 비율과 컴퓨터 공학에 대한 배경 지식 없이 프로그래밍에서 직면한 문제에 대해 논의합니다. 그들은 EPAT 프로그램과 Quadency의 멘토링을 통해 이러한 문제를 어떻게 극복했는지 설명합니다. 또한 연사는 퀀트와 알고리즘 트레이더를 꿈꾸는 사람들에게 조언을 제공하여 실제로 거래 전략을 적용할 때 주의를 기울이고 적절한 위험 관리를 구현하는 것의 중요성을 강조합니다.
연사는 다양한 거래 전략의 중요성과 다른 전략이 계속 좋은 성과를 거두는 동안 한 전략에서 하락 단계를 탐색하는 데 어떻게 도움이 될 수 있는지 강조합니다. 그들은 뉘앙스를 배우고 효과적으로 결합하기 위해 각 전략에 대한 철저한 테스트와 시간 소비의 필요성을 강조합니다. 세션 중에 공유된 정보는 거래 조언을 위한 것이 아님을 유의하는 것이 중요합니다.
호스트는 프로젝트와 경험을 공유해 준 Visual 발표자에게 감사를 표하며 웨비나를 마무리합니다. 청중에게 YouTube 채널에서 세션 녹화를 사용할 수 있으며 참가자는 논의된 전략과 관련된 필수 코드 및 GitHub 링크가 포함된 이메일을 받게 된다고 알립니다. 주최자는 앞으로 몇 달 동안 더 흥미로운 세션을 개최하여 청중의 지식과 이해를 더욱 풍부하게 하기를 기대합니다.
웨비나는 일일 주가 예측 및 일일 거래 전략 자동화에 대한 귀중한 통찰력을 제공했습니다. Renato Otto의 첫 번째 프레젠테이션은 랜덤 포레스트 분류기, 기술 지표 및 감정 데이터를 사용하여 주가를 예측하는 데 중점을 두었습니다. Usual Agrawal의 두 번째 프리젠테이션에서는 완전 자동화된 거래 설정인 "장중 스트래들(Intraday Straddles)"을 선보였습니다. 이 설정은 상관관계가 없는 설정을 결합하여 최소 손실로 수익을 창출했습니다. 두 발표자는 자신의 도전과 성취, 학습 내용을 공유하여 청중에게 귀중한 교훈을 제공했습니다. 웨비나는 거래에서 기계 학습 및 자연어 처리의 힘을 탐구하는 플랫폼 역할을 했으며 흥미진진한 알고리즘 거래의 세계를 엿볼 수 있는 기회를 제공했습니다.
가격 책정 모델 및 동적 자산 배분 구현: 알고 트레이딩 프로젝트 웨비나
가격 책정 모델 및 동적 자산 배분 구현: 알고 트레이딩 프로젝트 웨비나
웨비나에서 발표자는 첫 번째 연사인 러시아의 수석 정량 분석가인 Evgeny Teshkin을 소개합니다. Teshkin은 시장 제도에 적응하는 Kalman 필터링을 사용하여 가격 책정 모델을 구현하는 프로젝트를 발표합니다. 그는 이 프로젝트가 전략 개발을 만드는 데 온라인 기계 학습의 정량적 기술을 사용하는 방법에 대한 교육적 사례 역할을 한다고 설명합니다.
Teshkin은 더 깊은 자동화와 실시간 거래를 가능하게 하는 온라인 학습 기술의 장점을 강조하여 기존 모델 재훈련보다 더 효율적입니다. 그의 프로젝트의 주요 목표는 Facebook, Apple, Netflix, Google, Amazon 및 Microsoft와 같은 회사를 포함하여 미국 주식 시장의 거대 기술 부문에 특히 중점을 두고 단순 부문 투자를 개선하는 거래 전략을 만드는 것입니다.
연사는 자신의 알고 거래 프로젝트를 위한 가격 책정 모델과 동적 자산 배분을 구현하는 데 사용한 접근 방식에 대해 계속해서 논의합니다. 그는 롱 전용 포지션에 대해 통계적 및 정량적 기법을 사용하고 진입점과 청산점을 선택하고 해당 부문의 다른 주식에 비해 저평가 또는 고평가된 가격을 결정했다고 설명합니다.
이를 달성하기 위해 Teshkin은 선형 회귀, 주성분 분석(PCA) 및 칼만 필터와 같은 다양한 모델을 활용했습니다. 이러한 모델은 잔차를 계산하고 부문 내 상관 주식 간의 통계적 선형 스프레드에 대한 최적의 계수를 찾는 데 도움이 되었습니다. 그는 상대적 가치의 중요성을 강조하고 온라인 학습 접근 방식이 주가 및 치과 의사 지수와 같은 입력값을 고려하여 1년의 룩백 윈도우를 사용했다고 설명합니다.
연사는 알고리즘 거래 프로젝트에서 데이터 분석 문제를 해결하기 위해 사용한 다양한 모델에 대해 자세히 설명합니다. 그는 직교 비상관 분산 성분 추출, Kalman 필터 및 숨겨진 Markov 모델과 같은 기술 사용에 대해 언급합니다. 그는 이러한 모델이 자신의 접근 방식에 어떻게 통합되었는지 설명하고 추가 학습을 위한 리소스를 제공합니다. 또한 그는 자신의 프로젝트 결과에 대해 논의하고 잠재적으로 수익성 있는 포지션을 늘리기 위해 사용한 몇 가지 요령을 공유합니다.
다음으로 연사는 간단한 종가 시세 및 델타를 기반으로 주식을 사고 팔아 어떻게 시장을 이길 수 있었는지에 대해 설명합니다. 그는 이 전략과 관련된 위험이 온라인 상대 가격 기법에 의해 결정된 여러 진입 및 퇴장을 사용하여 극복되었다고 설명합니다. 그는 자동화된 실시간 가격 책정 모델을 구축하기 위해 온라인 기계 학습을 사용하는 것과 함께 진입 및 청산을 결정하기 위한 주식 상대 가격 책정의 개념을 탐구합니다.
발표자는 청중이 온라인에서 프로젝트를 탐색하도록 권장하고 코드를 다운로드하고 추가 질문이 있는 경우 연락할 수 있는 기회를 제공합니다. 그들은 또한 웨비나가 녹화되어 프레젠테이션 파일 및 관련 링크와 함께 YouTube 채널에서 제공될 것이라고 언급했습니다. 세션 중에 발표자는 청중과 소통하면서 알고 거래 대회 참여에 대한 질문에 답하고 제시된 결과가 실제 거래에서 나온 것인지 백테스팅에서 나온 것인지 명확히 합니다.
프레젠테이션 후 웨비나 발표자는 알고 거래 프로젝트에 관한 시청자의 몇 가지 질문에 답변합니다. 최적의 상관 관계를 위한 선형 회귀 사용, 최적화된 거래 전략과 비교한 매수 및 보유 전략의 성능, 통계 모델에 숨겨진 상태 포함과 같은 주제를 다룹니다. 발표자는 통찰력 있는 응답을 제공하고 프로젝트 세부 사항을 확장하고 접근 방식의 의사 결정을 설명합니다.
그런 다음 웨비나는 신경망을 사용한 동적 자산 할당에 중점을 둔 다음 프로젝트 소개로 이동합니다. 연사는 그들의 프로젝트가 최소한의 수동 개입으로 은행 주식에 대한 "오늘 사서 내일 팔기" 전략을 위한 자동화 시스템을 구축하는 것을 목표로 한다고 설명합니다. 그들은 프로젝트의 모델 개발, 전략 구현 및 위험 관리 측면에 대해 논의하며 멋진 은행 주식에 대한 과거 데이터로 훈련된 딥 러닝 모델의 사용을 강조합니다.
발표자는 각 주식의 예상 수익을 결정하기 위해 서로 다른 모델의 출력을 결합하는 것과 관련된 전략에 대해 자세히 설명합니다. 이 비율에 따라 자금은 각 주식에 분배됩니다. 프로젝트의 위험 관리 부분은 거래 비용 및 자동화와 같은 문제를 다룹니다. 연사는 거래 알고리즘에서 위험을 효과적으로 관리하는 것의 중요성을 강조합니다.
계속해서 연사는 전략, 위험 관리 및 거래 알고리즘 개발 중에 직면한 문제에 대한 추가 통찰력을 제공합니다. 그들은 확률론적 수익 모델과 수익 모델 모두에 대한 수렴형 아키텍처의 구현을 설명합니다. 이 전략은 각 주식의 기대 수익률을 계산하고 이를 수익률 변동성으로 나누어 비율을 구하는 것입니다. 그런 다음 사용 가능한 자금은 양수 비율의 주식에 비례하여 할당되고 포트폴리오는 예상 손실에 비례하여 판매됩니다. 알고리즘은 지속적으로 업데이트되며 손절 매커니즘이 적용되어 위험을 완화합니다. 연사는 업데이트 프로세스 자동화의 어려움을 인정하고 최적의 구매 또는 판매 가격을 결정하기 위한 시장 미세 구조 전략의 부재를 언급합니다.
연사는 계속해서 백테스팅 노력의 결과와 모델에 가장 적합한 20일 조합을 선택하는 방법에 대해 논의합니다. 그들은 또한 은행 주식에 대한 텍스트 뉴스 점수 통합 및 추가 자동화를 위한 Android 앱 기반 솔루션 개발을 포함하여 프로젝트의 향후 단계에 대해 언급합니다. 청중은 질문을 할 기회가 있으며 백테스팅 결과 및 모델에서 손절 매커니즘 사용과 같은 주제에 대한 토론으로 이어집니다. 연사는 특정 기간 동안 약 5%의 패턴을 제공하는 백테스팅 결과가 괜찮았다고 말했습니다. 그들은 또한 지난 6개월 동안 10%에 가까운 수익을 낸 베타 테스트 단계를 언급합니다.
손절매 구현에 대한 청중의 질문에 대해 연사는 각 주식에 대한 투자 가치당 포트폴리오 가치의 5% 손절매를 통합했다고 설명합니다. 주식의 손실이 투자액의 5%에 도달하면 최대 손실을 5%로 제한하기 위해 포트폴리오에서 자동으로 제거됩니다. 연사는 단순 매수 후 보유 전략과 비교한 동적 자산 배분의 성과에 관한 질문에 대해 추가로 답변합니다. 그들은 Nifty Bank에 대한 벤치마킹이 5%에 가까운 수익률로 합리적인 성과를 보였다고 강조합니다. 연사는 또한 전반적인 시장 상황을 반영한 은행 부문에 집중하기로 한 결정에 대해 설명하고 머신 러닝에 대한 배경 지식이 프로젝트에 대한 숙련도 향상에 도움이 되었다고 언급합니다.
프로젝트 프레젠테이션에 이어 참가자는 EPAT에 대한 긍정적인 경험을 공유하고 이론적 학습 및 실제 구현 측면에서 EPAT의 가치를 강조합니다. 그들은 옵션 및 선물 가격 책정에 대한 수학적 이해를 얻은 데 대해 감사를 표하고 귀중한 지침을 제공한 프로그램의 지원 시스템과 전담 성과 관리자를 칭찬합니다. 과정이 어려웠지만 참가자는 그것이 개인적 및 직업적 성장에 필수적이라고 믿습니다. 그들은 야심 찬 거래자들이 점차 거래 운영에 능숙해질 것이기 때문에 현재의 강점을 넘어 지식을 탐구하고 확장하도록 격려합니다.
마지막 부분에서 연사는 습득한 지식을 가능한 한 빨리 실제 시나리오에 적용하는 것의 중요성을 강조합니다. 그들은 지속적인 학습과 성장을 촉진하는 일일 거래 실험을 위해 iPad 과정을 활용할 것을 권장합니다. 웨비나는 향후 웨비나를 위한 주제 제안 요청과 함께 발표자와 청중에게 감사의 마음을 전하며 마무리됩니다.
Ishan Shah와 Rekhit Pachanekar의 거래에 기계 학습 적용하기 | 알고 거래 주간 7일차
Ishan Shah와 Rekhit Pachanekar의 거래에 기계 학습 적용하기 | 알고 거래 주간 7일차
웨비나의 발표자인 Ishan Shah와 Rekhit Pachanekar는 자신을 소개하고 알고 거래 주간의 마지막 날에 대한 흥분을 표현하는 것으로 시작합니다. 그들은 알고 거래 대회의 우승자를 발표하고 그들의 업적을 칭찬합니다. 그들은 이날 프레젠테이션의 초점이 머신 러닝과 거래에 적용되는 것이라고 언급했습니다. 또한 프레젠테이션이 끝나면 Q&A 세션이 있을 것이라고 청중에게 알립니다.
Rekhit Pachanekar가 웨비나 시작을 주도하고 기계 학습의 기본 사항에 대해 자세히 설명합니다. 그는 기계 학습을 통해 알고리즘이 데이터에서 학습하고 광범위한 프로그래밍 없이 의사 결정을 내리는 방법을 설명하기 위해 이미지 인식을 예로 사용합니다. 그런 다음 거래 및 투자, 특히 급여, 직업 및 지역과 같은 다양한 데이터 포인트를 기반으로 개인화된 투자 포트폴리오를 만드는 데 있어 기계 학습의 역할에 대해 논의합니다. 기계 학습은 또한 포트폴리오의 자산에 가중치를 할당하고 거래 전략을 개발하는 데 도움이 됩니다. Pachanekar는 투자 및 거래 결정을 위해 헤지 펀드, 연기금 및 뮤추얼 펀드에서 활용하는 기계 학습의 속도 및 데이터 분석 기능을 강조합니다.
앞으로 Ishan Shah와 Rekhit Pachanekar는 거래를 위한 기계 학습 모델 구축과 관련된 7단계를 자세히 설명합니다. 그들은 개인 소매 거래자도 기계 학습 기술을 활용하여 자신의 거래 전략을 세울 수 있다고 강조합니다. 그들이 논의하는 첫 번째 단계는 긍정적인 수익에 대한 일반적인 욕구에서 JP Morgan과 같은 특정 주식에 투자할 적절한 시기를 결정하는 것과 같은 보다 구체적인 목표에 이르기까지 문제 진술을 정의하는 것입니다. 두 번째 단계는 양질의 데이터를 수집하여 누락되거나 중복된 값 및 이상값이 없는지 확인하는 것입니다. 발표자들은 정확한 기계 학습 모델을 구성하는 데 있어 데이터 품질의 중요성을 강조합니다.
Shah와 Pachanekar는 거래에서 기계 학습 모델에 대한 입력 및 출력 변수를 선택하는 프로세스를 설명합니다. 주식의 미래 수익을 나타내는 출력 변수 또는 대상 변수를 강조 표시합니다. 그들은 신호 변수에 미래 수익이 양수일 것으로 예측되면 1의 값이 할당되고 음수일 것으로 예측될 때 0의 값이 할당된다고 언급합니다. 입력 변수 또는 기능은 예측력을 보유하고 정상성 요구 사항을 충족해야 합니다. 즉, 평균 및 일정한 분산을 나타냅니다. 그들은 open, low, high, close와 같은 변수가 고정되어 있지 않으며 입력 기능으로 사용할 수 없다고 강조합니다.
다음으로 발표자는 거래에서 기계 학습 모델에 대한 입력 기능 선택에 대해 논의합니다. 고정 입력 기능의 필요성을 설명하고 다양한 기간에 대한 백분율 변경 값을 사용하여 이를 달성합니다. 또한 입력 변수 간의 상관 관계를 피하는 것의 중요성을 강조하고 상관 관계 열 지도를 사용하여 상관 관계가 높은 기능을 식별하고 제거하는 방법을 보여줍니다. 입력 기능의 최종 선택에는 서로 다른 기간, RSI(Relative Strength Index) 및 상관 관계에 대한 백분율 변화 값이 포함됩니다. 라이브 거래에 모델을 사용하기 전에 데이터 세트를 교육 및 테스트 세트로 분할하여 성능을 평가했습니다.
연사는 기계 학습 모델에 사용되는 데이터 세트의 품질과 관련성을 보장하는 것의 중요성을 강조합니다. 그들은 의사 결정 트리의 개념을 소개하고 기술 지표에서 친구의 추천에 이르기까지 다양한 응답을 언급하면서 주식 또는 자산 구매와 관련하여 참석자의 개인 의사 결정 프로세스에 대해 질문합니다. 그들은 이러한 기능을 사용할 때 개인적인 경험을 바탕으로 의사 결정을 위한 정신적 모델을 수립할 필요가 있다고 주장합니다. 과적합 문제를 극복하는 방법으로 랜덤 포레스트를 소개하고 결정 트리의 기초로 베이지안 트리를 사용하는 방법을 설명합니다.
Shah와 Pachanekar는 기계 학습 알고리즘, 특히 의사 결정 트리를 활용하여 거래 규칙을 만드는 방법을 설명합니다. ADX(Average Directional Index) 및 RSI와 같은 기술 지표를 통합한 이러한 규칙을 통해 트레이더는 사전 정의된 조건에 따라 결정을 내릴 수 있습니다. 이러한 규칙이 운에만 의존하지 않도록 하기 위해 발표자는 랜덤 포레스트의 개념을 도입합니다. 랜덤 포레스트는 여러 의사 결정 트리를 결합하여 보다 일반화되고 신뢰할 수 있는 거래 전략을 생성한다고 설명합니다. 랜덤 포레스트는 각 트리에 대한 기능의 하위 집합을 무작위로 선택하여 과적합 가능성을 줄이고 보다 정확한 예측을 제공합니다. 발표자들은 추정기의 수, 최대 특징, 트리의 최대 깊이 등 랜덤 포레스트 알고리즘에 필요한 다양한 매개변수에 대해 논의합니다.
계속해서 발표자는 거래에 기계 학습을 적용하기 위한 임의 포리스트 분류기의 구현에 대해 자세히 설명합니다. 과적합을 피하고 일관된 출력을 보장하기 위해 결정 트리의 깊이를 제어하고 기능을 무작위로 선택하는 것의 중요성을 강조합니다. 랜덤 포레스트 분류기는 입력 기능과 예상 출력에서 규칙을 학습한 다음 보이지 않는 데이터를 예측하는 데 사용됩니다. 그들은 또한 모델의 성능이 다양한 메트릭을 사용하여 측정될 수 있다고 언급합니다.
그런 다음 발표자는 권장 사항을 기반으로 실제 돈을 투자하기 전에 기계 학습 모델의 효과를 평가하는 것의 중요성에 대해 논의합니다. 그들은 모델의 예측이 실제 시장 결과와 일치하는지 여부를 확인하는 것과 관련된 정확도의 개념을 도입합니다. 그들은 모델의 정확도가 일반적으로 50%에서 60% 범위임을 강조하고 높은 정확도가 좋은 결과를 보장하지 않는다는 점을 주의합니다. 그들은 혼동 매트릭스를 사용하여 실제 레이블과 예측 레이블을 비교하고 정밀도, 재현율 및 F1 점수와 같은 성능 메트릭을 계산하여 모델의 성능을 평가할 것을 제안합니다.
세부적으로는 모델의 정확도에 대해 충분히 논의하고, 정확도를 설정하기 위해 설문조사를 실시하여 60%로 계산됩니다. 그러나 레이블별로 확인하면 긴 신호의 정확도가 33%로 떨어집니다. 이것은 전반적인 정확성의 증가가 수익성 있는 거래 모델로 이어질 것인지에 대한 의문을 제기합니다. 발표자들은 정확도가 시장 예측에서 모델의 효율성을 결정하는 중요한 요소임을 강조합니다. 그들은 높은 전체 정확도가 반드시 수익성으로 이어지는 것은 아니며 다른 요소를 고려해야 한다고 지적합니다.
그런 다음 Shah와 Pachanekar는 정밀도, 재현율 및 F1 점수를 포함하여 거래 모델의 성능을 평가하는 데 사용되는 다양한 메트릭을 논의하는 데 초점을 맞춥니다. 그들은 재현율이 불균형 데이터 문제를 극복하는 데 도움이 될 수 있지만 자체적으로 사용할 경우 신뢰할 수 없는 지표가 될 수 있다고 지적합니다. 대신 모델 성능에 대한 보다 포괄적인 평가를 제공하는 F1 점수를 계산하기 위해 정밀도와 재현율의 조합을 사용할 것을 권장합니다. 그들은 실제 거래 시나리오에서 모델의 효과를 보장하기 위해 모델을 백테스팅하는 것의 중요성과 모델의 과적합에 대한 주의를 강조합니다.
발표자는 실제 환경에서 과적합 문제를 다루고 사용된 특정 기계 학습 모델을 기반으로 이를 처리할 전략을 제안합니다. 모델의 매개변수 이해, 기능 수 제한, 기계 학습 모델 유형마다 다른 하이퍼 매개변수 작업의 중요성을 강조합니다. 그들은 조작 없이 실제 데이터를 사용하는 것의 중요성을 강조합니다. 또한 위험 관리의 잠재력과 같은 신호 생성을 넘어 거래에서 기계 학습을 적용하는 방법에 대해 논의합니다. 또한 클러스터링 알고리즘을 사용하여 시장에서 수익성 있는 기회를 식별하는 방법도 다룹니다.
Ishan Shah와 Rekhit Pachanekar는 특히 인간이 식별하기 어려울 수 있는 복잡한 패턴을 해독할 때 거래에서 기계 학습을 사용하는 이점에 대해 논의하며 웨비나를 마무리합니다. 그들은 알파 식별 프로세스에서 기계 학습을 보완 도구로 사용할 것을 제안합니다. 세션은 발표자가 알고 트레이딩 위크의 발표자와 참가자에게 감사를 표하는 것으로 끝납니다. 답이 없는 질문이 있으면 설문 조사를 통해 제출하도록 초대합니다.