저명한 연사인 Dr. Thomas Starke가 발표 중에 왜 AI가 거래의 차세대 혁신으로 간주되는지 설명합니다. 그는 AI와 기계 학습이 오랫동안 존재했지만 제한된 컴퓨팅 성능으로 인해 효과적인 적용이 어려웠다는 점을 인정합니다. 그러나 최근 기술의 발전으로 계산 능력이 크게 향상되어 실질적인 알고리즘이 클라우드 컴퓨팅을 통해 노트북과 서버 센터에서 효율적으로 실행될 수 있게 되었습니다. 스타크 박사는 얼굴 인식, 이미지 인식, 자연어 처리와 같은 다양한 분야에서 AI의 성공을 강조하며 AI가 금융에도 혁명을 일으킬 수 있다는 믿음에 기여했습니다.
Dr. Starke는 AI와 기계 학습이 마법의 총알이 아니라 재무 영역 내에서의 철저한 이해와 적용이 필요한 과학 및 수학적 도구라고 강조합니다. 금융에는 과학적 측면이 있지만 주로 예술 형식으로 간주됩니다. 따라서 금융 분야에서 AI의 잠재력을 활용하려면 해당 분야의 도구와 예술성을 모두 파악해야 합니다.
연설 중에 Starke 박사는 거래에 AI를 적용하는 데 있어서 기계 학습 및 통계 지식과 함께 소프트웨어 개발 및 프로그래밍 기술의 역할을 다룹니다. 그는 시장에서 기계 학습 도구를 효과적으로 사용하는 데 필수적인 API 작성 및 시스템 안전 장치 보장을 포함한 강력한 소프트웨어 기술의 중요성을 강조합니다. 그는 기계 학습 도구가 사용자 친화적이지만 프로그래밍 기술과 통계 지식은 이 분야의 실무자에게 중요하다고 주장합니다. 나아가 머신러닝 알고리즘을 활용하기 위해 박사학위가 필요한지에 대한 질문에 대해 개인이 특정한 목표를 가지고 철저한 연구를 수행하며 필요한 작업에 투입할 의향이 있는 한 박사학위는 필수가 아니라고 주장합니다.
거래를 위한 AI 학습에서 멘토링의 중요성은 Dr. Starke가 논의한 또 다른 주제입니다. 그는 좋은 멘토를 찾는 것이 초보자가 일반적인 실수를 피하고 학술 기관에서 얻은 이론적 지식에만 의존하기보다 실용적인 지식을 개발하는 데 도움이 될 수 있다고 강조합니다. 스타크 박사는 누구나 AI를 배울 수 있지만 적절한 지침을 제공할 수 있는 멘토가 있다는 것은 매우 중요하다고 강조합니다. 그는 또한 적절한 멘토링을 통해 프로그래밍을 배울 수 있기 때문에 기본 시장과 경제를 이해하는 것이 프로그래밍 기술보다 더 중요하다고 강조합니다.
프레젠테이션 중에 Dr. Starke는 오늘날 거래 산업에서 학습 프로그래밍 및 정량적 방법의 중요성을 강조합니다. 그는 성공적인 트레이더는 종종 수학과 프로그래밍에 대한 깊은 이해를 가지고 있으며 트레이딩에 관심이 있는 사람들은 이러한 기술을 비교적 빨리 배울 수 있다고 강조합니다. 정량적 방법과 머신 러닝을 배우는 데 시간을 투자하는 트레이더는 스크린 트레이딩에서 알고리즘 트레이딩으로 전환될 때 생존 가능성이 더 높다고 지적합니다. 그러나 그는 경제 및 시장 우위를 갖는 것이 중요하며 프로그래밍 및 수학적 기술만으로 얻는 우위를 능가한다고 강조합니다. 그는 또한 딥 러닝은 기업과 개인이 수익을 설명해야 하며 1년 동안 마이너스 수익에 직면하면 상당한 어려움을 겪을 수 있다고 언급합니다.
AI 알고리즘 및 위험 관리 관행을 설명하는 것도 Dr. Starke에 의해 논의됩니다. 그는 AI 알고리즘을 설명할 수 있는 능력이 중요하다고 강조한다. 그렇게 하지 않으면 문제가 발생하거나 자금이 인출될 수 있기 때문이다. 그는 AI와 기계 학습의 사용에도 불구하고 위험 관리 관행은 크게 변하지 않았지만 특히 주식과 채권의 강세장 종료와 함께 위험을 관리하는 새로운 방법을 모색할 필요가 있다고 언급했습니다. Dr. Starke는 기계 학습이 입력 신호 생성 및 기계 학습 모델의 위험 관리와 같은 다양한 응용 프로그램과 함께 거래에서 유비쿼터스라고 강조합니다.
Dr. Starke는 주성분 분석(PCA), 의사 결정 트리, xgboost, 딥 러닝 및 강화 학습과 같이 거래에 사용되는 다양한 모델과 기술에 대해 자세히 설명합니다. 그는 신호 데이터 분석, 포트폴리오 위험 관리 및 거래 실행에 대한 응용 프로그램에 대해 설명합니다. 그는 또한 기하학적 수익률을 높이고 다른 시장에서 성공적인 전략을 복제하는 데 있어 위험 관리 시스템의 중요성을 강조합니다. Dr. Starke는 훌륭한 위험 관리 시스템이 알파를 생성할 수 있고 장기 변동성 전략으로 간주될 수 있다고 제안합니다.
또한 Dr. Starke는 AI를 사용하여 거래에서 짧은 변동성 전략의 위험을 헤지하고 관리하여 잠재적으로 그러한 전략으로 생성되는 알파를 향상시킬 수 있는 방법을 탐구합니다. 그는 새로운 거래 전략을 지속적으로 배우고 개발하는 데 있어 호기심의 중요성과 위험에 대한 건전한 인식을 강조합니다. 그는 즉시 사용 가능한 거래 플랫폼에 의존하지 말라고 조언하고 대신 딥 러닝 이점을 얻기 위해 처음부터 코딩 전략을 권장합니다.
Starke 박사는 시간 기반 가격 변동과 가격 기반 시장 변동에 대한 토론에 참여합니다. 그는 시간 기반 가격 변동은 지표를 계산하여 수학적으로 해결할 수 있는 반면 가격 기반 시장 변동은 시장의 기본 경제학에 의해 결정된다고 설명합니다. Starke 박사는 시장을 능가하기 위해 수학적 기법에만 의존하기보다 거래 전략에 대한 근본적인 경제적 추론을 고려하는 것의 중요성을 강조합니다. 그는 금융 시장에서 AI와 양적 모델을 결합하는 데 관심이 있는 사람들을 위해 Marcus Lopez, Grinnell 및 Kahn의 책을 추천합니다.
프레젠테이션 중에 Dr. Starke는 기계 학습 원리와 유사하다고 생각하는 요소 모델링 원리를 이해하는 것의 중요성을 강조합니다. 그는 이러한 원칙을 이해하면 트레이더가 시스템에서 기계 학습을 효과적으로 적용할 수 있도록 더 잘 준비할 수 있다고 제안합니다. Dr. Starke는 또한 좋은 거래 전략을 구성하는 것이 무엇인지 정의하는 것의 중요성을 강조합니다. 항상 가장 수익성이 높은 것은 아닐 수 있기 때문입니다. 그는 Ralph Vince, Andreas Klenow, Mr. Trendful의 책을 참고하여 거래 전략과 거래 이면의 심리학에 대한 귀중한 통찰력을 제공합니다.
Starke 박사는 AI와 기계 학습이 어떻게 케인즈식 미인 대회와 같은 행동 금융의 비선형성을 포착할 수 있는지에 대해 논의합니다. 그는 이러한 비선형 역학은 선형 회귀 모델과 달리 기계 학습으로 효과적으로 캡처할 수 있다고 설명합니다. 그러나 그는 기본 데이터가 명시적으로 사용되지 않더라도 거래 전략 뒤에 경제적 추론을 갖는 것이 여전히 중요하다고 강조합니다.
또한 Dr. Starke는 반드시 근본적이지 않은 특정 시장 비효율성의 활용을 탐구합니다. 그는 단기간의 짧은 포지션에 대한 제한과 트리플 도달 또는 쿼드러플 위칭과 같은 특정 날짜와 같은 요인을 언급하여 시장에서 자본화될 수 있는 경제적 효과를 창출할 수 있습니다. 그는 또한 일상적인 경제 활동이나 불법적인 시장 조작으로 인해 발생하는 시장 비효율성을 언급합니다. Dr. Starke는 잠재적인 미래 협력에 대한 관심을 표명했지만 현재 구체적인 계획은 없습니다.
꿈이 종종 실현되지 않는 이유에 대한 시청자의 질문에 Starke 박사는 개인적인 통찰력을 제공합니다. 꿈은 처음에는 개념으로 시작되며 그의 꿈의 삶은 단순히 해변에 누워있는 것이 아니라 탐험, 자신의 사업 운영 및 자기 주도가 포함된다고 설명합니다. 그는 자신의 진정한 열망과 목표를 실제적인 결과와 일치시키는 것이 중요하다고 강조합니다. 프레젠테이션은 진행자가 시청자에게 Contra 과정의 기간 한정 할인에 대해 알리고 다음 날 예정된 트레이딩에서 기계 학습 적용에 대한 최종 세션을 언급하는 것으로 마무리됩니다.
00:00:00 연사는 왜 AI가 거래에서 차세대 혁신으로 간주되는지 설명합니다. AI와 기계 학습은 오랫동안 사용되어 왔지만 알고리즘을 효과적으로 실행할 수 있는 컴퓨팅 성능이 충분하지 않았습니다. 하지만 최근에는 상당한 알고리즘도 노트북에서 돌릴 수 있을 정도로 기술이 많이 발전했고, 클라우드 덕분에 서버센터에서도 돌릴 수 있게 됐다. 또한 AI가 차세대 대세라는 생각에 기여한 다른 분야의 성공이 있었고 금융도 뒤처지지 않았습니다. AI는 얼굴 인식, 이미지 인식 및 일반 자연어 처리와 같은 영역에서 유용함이 입증되었습니다.
00:05:00 Thomas Starke 박사는 금융 분야에서 인공 지능(AI)의 잠재력과 이전에는 사용할 수 없었던 새로운 가능성을 허용하기 때문에 게임 체인저가 될 수 있는 방법에 대해 논의합니다. 그는 또한 AI와 기계 학습이 어떻게 마법의 총알이 아니라 본질적으로 과학적이지 않은 금융에서 이해하고 적용해야 하는 과학적, 수학적 도구인지에 대해서도 언급합니다. 금융에는 일부 과학적 측면이 있지만 대부분은 예술 형식으로 간주됩니다. 따라서 AI를 성공적으로 활용하려면 도구와 재무 기술을 모두 이해하는 것이 필수적입니다.
00:10:00 Thomas Starke 박사는 거래에 AI를 적용할 때 기계 학습 및 통계 지식 외에도 소프트웨어 개발 및 프로그래밍 기술의 역할에 대해 논의합니다. 그는 기계 학습 도구를 시장에 적용하는 데 필요한 API 작성 및 시스템 오류 방지를 포함하여 우수한 소프트웨어 기술의 중요성을 강조합니다. 그는 기계 학습 도구가 사용하기 쉽지만 프로그래밍 기술과 통계 지식은 이 분야의 실무자가 되기 위해 매우 중요하다고 주장합니다. Dr. Starke는 또한 기계 학습 알고리즘을 적용하는 데 박사 학위가 필요한지에 대한 질문에 답하며 특정 목표가 있고 필요한 연구 및 작업에 투입할 의향이 있는 한 박사 학위가 필수적인 것은 아니라고 주장합니다.
00:15:00 Thomas Starke 박사가 거래에서 AI 학습에 있어 멘토링의 중요성에 대해 논의합니다. 그는 프로세스를 안내해 줄 좋은 멘토를 찾는 것이 초보자의 실수를 방지하는 데 도움이 될 수 있다고 강조합니다. 그는 누구나 AI를 배울 수 있다고 믿지만, 대학에서 쌓은 이론적인 지식보다 실제 자신에게 맞는 것을 개발하는 것이 더 중요하다고 생각한다. Starke 박사는 또한 근본적인 시장과 경제에 대한 이해가 프로그래밍 기술보다 더 중요하다고 강조합니다. 그는 제대로 멘토링할 누군가가 있는 한 프로그래밍을 배울 수 있다고 주장합니다.
00:20:00 Thomas Starke 박사는 오늘날 거래 산업에서 학습 프로그래밍 및 양적 방법의 중요성에 대해 논의했습니다. 그는 대부분의 성공적인 거래자들은 수학과 프로그래밍에 대한 강한 이해를 가지고 있으며 관심 있는 사람들은 그것을 상당히 빨리 배울 수 있다고 말했습니다. 그는 정량적 방법과 기계 학습을 배우는 데 시간을 투자하는 거래자들이 화면 거래에서 알고리즘으로 전환될 때 시장에서 살아남는 경향이 있다고 설명했습니다. 또한 그는 경제 및 시장 우위가 중요하며 프로그래밍 및 수학 기술의 우위를 능가한다고 강조했습니다. 그러나 그는 또한 딥 러닝은 기업과 개인이 수익을 설명해야 하며 1년 동안의 마이너스 수익은 상당한 어려움을 초래할 수 있다고 언급했습니다.
00:25:00 Thomas Starke 박사는 특히 거래에서 기계 학습 도구를 사용할 때 AI 알고리즘을 설명할 수 있는 능력의 중요성에 대해 논의합니다. 알고리즘을 설명할 수 없으면 문제가 발생하거나 자금이 인출될 수도 있습니다. 그는 또한 AI와 ML을 사용함에도 불구하고 위험 관리 관행은 거의 동일하게 유지되지만 특히 주식과 채권의 강세가 끝날 때 위험을 관리하는 새로운 방법을 재고할 필요가 있다고 말합니다. 기계 학습은 거래의 모든 곳에서 사용되며 입력 신호에 AI를 사용하고 기계 학습 모델의 위험 관리에 사용하는 등 다양한 응용 프로그램이 있습니다.
00:30:00 Thomas Starke 박사가 신호 데이터 분석에서 포트폴리오 위험 관리 및 거래 실행에 이르기까지 거래의 모든 단계에서 인공 지능(AI)이 어떻게 사용되고 있는지 설명합니다. 기계 학습과 딥 러닝을 사용하여 이미지와 감정 신호를 분석하여 명확한 신호를 생성한 다음 주성분 분석을 사용하여 거래 신호에 대한 입력의 차원을 줄입니다. 그런 다음 알고리즘을 사용하여 어떤 입력 신호를 거래해야 하는지 결정합니다. 위험 관리의 경우 기계 학습을 사용하여 포트폴리오 위험을 관리하며 이는 기존 위험 관리 계산보다 우수할 수 있습니다. 마지막으로 실행 시 선형 모델, 지원 벡터 머신 및 강화 학습을 사용하여 거래자가 최상의 실행 가격을 달성하도록 돕습니다.
00:35:00 Thomas Starke 박사가 PCA, 결정 트리, xgboost, 딥 러닝 및 강화 학습과 같은 거래에 사용할 수 있는 다양한 모델과 기술에 대해 설명합니다. 나중에 그는 작업 시스템을 확장하고 새로운 기술을 배우는 데 어려움을 겪는 경험 많은 알고 트레이더의 질문에 답합니다. Dr. Starke는 기하학적 수익을 높이고 다른 시장에서 전략을 복제하는 데 도움이 될 수 있으므로 위험 관리에 집중할 것을 제안합니다. 좋은 위험 관리 시스템은 알파를 생산할 수도 있고 장기 변동성 전략으로 간주될 수도 있습니다.
00:40:00 Thomas Starke 박사가 거래에서 짧은 변동성 전략의 위험을 완충하고 헤지하기 위해 인공 지능을 사용하는 방법에 대해 설명합니다. 그는 AI가 그러한 전략에 의해 생성된 알파를 크게 증가시킬 수 있다고 제안합니다. 새로운 전략을 지속적으로 배우고 개발하도록 동기를 부여할 때 Dr. Starke는 호기심과 위험에 대한 건전한 인식의 중요성을 강조합니다. 그는 또한 즉시 사용 가능한 거래 플랫폼을 피하고 대신 딥 러닝 이점을 개발하기 위해 처음부터 전략을 코딩할 것을 권장합니다. 면접관은 Dr. Starke에게 거래에서 시간 기반 가격 변동 또는 가격 기반 시장 변동을 믿는지 묻고 Starke 박사는 대답하기 전에 구별에 대한 설명을 요청합니다.
00:45:00 Thomas Starke 박사가 시간 기반 가격 변동과 가격 기반 시장 변동의 차이점에 대해 설명합니다. 그는 시간 기반 가격 변동은 종종 지표 계산을 통해 수학적으로 해결할 수 있는 반면 가격 기반 시장 변동은 시장의 근본적인 경제학에 의해 결정된다고 지적합니다. Dr. Starke는 트레이딩 전략에 있어 단순히 수학으로 시장을 이기기 위해 노력하는 것보다 근본적인 경제적 추론을 살펴보는 것의 중요성을 강조합니다. 그는 또한 금융 시장에서 AI와 양적 모델을 결합하는 데 관심이 있는 사람들을 위해 Marcus Lopez의 책과 Grinnell과 Kahn의 Active Portfolio Management와 같은 책을 추천합니다.
00:50:00 Thomas Starke 박사는 기계 학습의 원리와 매우 유사하다고 믿는 요소 모델링의 기본 원리를 이해하는 것이 중요하다고 강조합니다. 그는 이러한 원칙을 이해하면 트레이더가 머신 러닝을 시스템에 적용하는 데 더 잘 준비할 수 있다고 제안합니다. Dr. Starke는 또한 Ralph Vince의 저서 Mathematics of Portfolio Management에서 사례를 인용하면서 좋은 거래 전략이 항상 가장 수익성이 높은 것은 아니기 때문에 무엇이 좋은 거래 전략을 구성하는지 결정하는 것의 중요성을 강조합니다. 그는 Andreas Klenow와 Mr. Trendful의 책을 추천합니다. 이 책은 트레이딩 전략에 대한 귀중한 통찰력을 제공할 뿐만 아니라 트레이딩 이면의 심리학도 다루고 있기 때문입니다.
00:55:00 Thomas Starke 박사가 AI와 기계 학습이 행동 금융에서 발생하는 비선형성을 포착할 수 있는 방법에 대해 설명합니다. 그는 케인스식 미인 대회를 거래에서 행동적 방법을 사용하는 것의 일부인 결과가 극도로 비선형적이고 혼란스러울 수 있는 방법의 예로 설명합니다. 기계 학습은 완전히 불가능한 선형 회귀와 달리 이러한 비선형 역학을 포착할 수 있습니다. 그러나 전략에서 반드시 기본 데이터를 사용하지 않더라도 거래에서 수행하는 작업에 대한 경제적 추론을 갖는 것이 항상 좋습니다.
01:00:00 Thomas Starke 박사는 특정 포트폴리오를 거래하고 반드시 근본적이지 않은 특정 시장 비효율성을 이용할 가능성에 대해 논의합니다. 그는 사람들이 하룻밤 사이에 짧은 포지션을 유지하는 것이 허용되지 않는다는 것을 아는 것과 같은 예를 들어 시장에서 이용될 수 있는 경제 원칙으로 이어질 수 있습니다. 또한 그는 시장에서 발생하는 경제적 효과를 가져올 수 있는 트리플 도달 또는 쿼드러플 위칭과 같은 특정 날짜의 중요성을 언급합니다. 그는 또한 일상적인 경제 활동이나 불법적인 시장 조작으로 인해 발생하는 시장 비효율에 대해서도 이야기합니다. Dr. Starke는 향후 다시 협력할 의향을 밝혔지만 현재로서는 계획이 없습니다.
01:05:00 Satwik은 Dr. Thomas Starke에게 꿈이 종종 실현되지 않는 이유에 대해 묻습니다. Starke는 이것이 흥미로운 질문이라고 말하고 개인적인 통찰력을 제공합니다. 그는 처음에 자신의 꿈이 실제 목표가 아닌 개념일 뿐이며 꿈의 삶은 해변에 누워만 있는 것이 아니라고 설명합니다. 그는 사물을 탐색하고, 자신의 사업을 운영하고, 자기 주도적인 것을 좋아합니다. 그에 따르면 이것은 그의 진정한 꿈에 훨씬 더 가깝습니다. 마지막으로 호스트는 시청자에게 모든 Contra 과정이 제한된 시간 동안 75% 할인되며 거래에 기계 학습을 적용하는 마지막 세션이 내일임을 알립니다.
신사 숙녀 여러분, 오늘 퀀트 금융의 최신 동향에 대한 패널 토론에 오신 것을 환영합니다. 우리는 오늘 우리와 함께 그들의 통찰력과 전문 지식을 공유하기 위해 세 명의 저명한 도메인 전문가를 모셨습니다. 패널리스트를 소개합니다.
먼저 Columbia Thread Needle Investments의 EMEA 투자 리스크 책임자인 David Jessup이 있습니다. 양적 연구, 위험 분석 및 포트폴리오 구성에 대한 광범위한 경험을 갖춘 David는 투자 관리에서 교차 자산 팩터 투자 및 기계 학습을 전문으로 합니다. 양적 전략 및 위험 관리에 대한 그의 깊은 이해는 업계를 형성하는 추세에 대한 귀중한 통찰력을 제공할 것입니다.
다음으로 SP Gen School of Global Management의 기계 학습 책임자이자 기술 비즈니스 연구 센터의 의장인 Dr. Devashes Guava가 있습니다. 구아바 박사의 전문성은 경제 및 금융 분야에서 인공 지능을 적용하는 데 있습니다. 이 분야에 대한 그의 연구와 지식은 AI와 금융의 교차점과 양적 금융에 대한 시사점을 밝힐 것입니다.
마지막으로 Global AI Corporation의 전무이사인 Richard Rothenberg가 있습니다. Richard는 수십억 달러 규모의 헤지 펀드 및 글로벌 투자 은행에서 일하면서 얻은 풍부한 경험을 제공합니다. 퀀트 포트폴리오 관리 및 연구에 대한 광범위한 배경을 통해 그는 금융 산업에서 퀀트 전략의 실질적인 구현에 대한 귀중한 통찰력을 제공할 것입니다.
이제 퀀트 금융을 형성한 최근 동향에 대한 논의를 살펴보겠습니다. 패널리스트는 데이터의 가용성과 품질이 업계를 발전시키는 데 중요한 역할을 해왔다는 데 만장일치로 동의합니다. 게다가 컴퓨팅 능력의 발전으로 10년 전에는 불가능했던 복잡한 모델의 구성과 분석이 가능해졌습니다.
패널리스트는 주식을 넘어 신용, 통화 및 암호 거래를 포함한 다른 자산 클래스로의 퀀트 금융의 확장을 강조합니다. 그들은 또한 금융 산업에서 주목을 받고 있는 책임 투자의 새로운 트렌드에 주목합니다. 그러나 그들은 이 영역의 데이터 품질은 여전히 개선이 필요하다는 점에 주목합니다. 패널리스트들은 책임 투자가 향후 몇 년 동안 계속해서 금융 분야에서 중요한 요소가 될 것이라고 예측합니다.
계속해서 패널은 양적 금융의 두 가지 주요 추세에 대해 논의합니다. 첫째, 알고리즘 거래는 주식뿐만 아니라 모든 자산군으로 확장되었습니다. 이국적인 자산은 이제 알고리즘 접근 방식을 사용하여 거래되고 있습니다. 둘째, 다국어 뉴스 및 신용 카드 거래의 정서 데이터와 같은 대체 데이터 소스가 크게 증가했습니다. 고급 분석 및 계산 능력으로 이 데이터를 처리하고 분석하는 능력으로 인해 환경 및 사회적 거버넌스 추세와 같은 비재무적 위험 요소가 회사 평가에 통합되었습니다.
그러나 패널은 금융 분야에서 기계 학습을 활용하는 문제도 다룹니다. 낮은 신호 대 잡음비와 금융 시장의 제로섬 게임 특성을 감안할 때 기계 학습이 모든 문제를 해결하는 데 항상 이상적인 도구는 아닙니다. 패널리스트는 기계 학습을 다른 방법론과 결합하고 그 한계를 이해하는 것의 중요성을 강조합니다. 또한 이 두 개념은 종종 혼동되기 때문에 머신 러닝과 대체 데이터의 차이점을 명확히 합니다.
또한 패널리스트는 차등 게임으로서 시장 역학의 맥락에서 금융 기계 학습의 고유한 문제에 대해 논의합니다. 그들은 거래 전략을 개발할 때 다른 시장 참여자들이 내린 전략적 선택을 고려하는 것의 중요성을 강조합니다.
그런 다음 토론은 알고리즘 거래를 위한 기계 학습 모델에서 고품질 데이터의 중요성으로 이동합니다. 패널리스트는 구조화되지 않은 데이터 정리의 어려움을 인정하고 파라미터를 이해하고 데이터 품질을 보장하기 위해 선형 모델로 시작하는 것의 중요성을 강조합니다. 대체 데이터의 노이즈 및 희소성 문제를 해결하여 정리 및 필터링이 더 어려워집니다. 또한 패널리스트는 데이터 정확성을 보장하기 위해 두 번째 데이터 소스를 비교하고 활용할 필요성을 강조합니다.
패널리스트는 이해관계가 상충되는 상대 플레이어와의 최종 개인 게임에서 전략을 정의하는 일부로 거래 솔루션에 접근해야 한다고 강조합니다. 전통적인 모델링 방법은 이러한 맥락에서 항상 적용되지 않을 수 있으며 패널리스트는 가장 효과적인 솔루션을 찾기 위해 다양한 전략을 테스트하는 것이 중요하다고 강조합니다. 그들은 또한 다양한 분석 방법이 필요하고 희소성을 해결하기 위해 더 낮은 빈도로 데이터를 집계해야 할 수 있는 지속 가능한 개발 데이터와 같은 대체 데이터 세트가 제기하는 고유한 문제에 대해 논의합니다. 희소한 데이터 세트로 작업하는 것은 어려울 수 있지만 패널리스트는 여전히 귀중한 신호를 발견할 수 있는 기회가 있다고 믿습니다.
토론의 또 다른 핵심 주제는 거래 시스템을 설계할 때 시장의 게임 구조를 이해하는 것의 중요성입니다. 패널리스트는 소규모 플레이어가 위험을 감수할 수 있는 여유가 더 많을 수 있지만 상품 및 암호 거래의 대규모 플레이어는 이러한 시장의 극심한 변동성으로 인해 신중하게 거래에 접근해야 한다고 강조합니다. 그들은 또한 암호화 자산이 상당히 높은 손실을 완화하기 위한 다각화의 중요성을 강조합니다.
패널은 한 걸음 더 나아가 전통적인 금융 이론에 내재된 가정에 도전합니다. 그들은 자산이 반드시 정해진 평균 및 분산 가정으로 고정된 확산 프로세스를 따르는 것은 아니라고 주장합니다. 대신 변동성의 확률적 특성과 시간 경과에 따른 평균값의 변동을 강조합니다. 그들은 숨겨진 Markov 프로세스를 고려하여 평균 및 표준 편차를 전술적으로 변경하여 팩터 투자 및 암호 투자에 대한 더 나은 접근 방식을 제안합니다. 이 관점은 단순한 다각화 가능성과 함께 매력적인 위험 수익 프로필을 제공합니다.
그런 다음 토론에서는 금융 산업에서 기계 학습의 다양한 응용 프로그램을 탐색합니다. 패널리스트는 성별 분류, 탄소 배출 예측, 채권 시장의 거래량 고정을 위한 기계 학습 사용에 대해 언급합니다. 또한 사회 전체에 대한 영향과 체계적 위험을 고려하는 ESG 요소에 대한 진화하는 초점과 지속 가능한 개발 목표의 확장을 강조합니다. 그들은 이 확장된 위험 분류법을 ESG 요소 모델에 통합될 가능성이 있는 재무 의사 결정의 중요한 요소로 간주합니다.
논의된 또 다른 추세는 여러 요소를 기반으로 데이터를 클러스터링하기 위해 위원회와 태스크 포스를 활용하는 것입니다. 패널리스트는 비재무적 위험을 정량화하기 위해 현지 이해관계자 정서를 이해하는 데 있어 자연어 처리의 중요성이 커지고 있음을 강조합니다. 회사 대차대조표의 무형적 측면에 점점 더 중요해지고 있는 이러한 위험은 금융 시장 분석에서 고려해야 할 필수 요소입니다.
또한 패널리스트들은 양적 금융 분야에서 강력한 프로그래밍 기술과 통계적 지식의 중요성을 강조합니다. 그들은 또한 동일한 데이터 세트를 반복적으로 분석하는 함정에 대해 경고하며 양적 거래의 미래에 적응하고 준비해야 할 필요성을 강조합니다.
미래를 내다보며 패널리스트들은 탄소 및 암호 화폐와 같은 신흥 자산 등급을 따라잡는 것의 중요성에 대해 논의합니다. 그들은 실제 응용 프로그램이 아직 실현되지 않았지만 cryptocurrencies 뒤에 암호화 알고리즘을 혁신할 수 있는 양자 컴퓨팅의 잠재적인 판도를 바꾸는 영향을 언급합니다. 그들은 또한 일반적인 인공 지능의 경로로 선전되는 GPT3와 같은 대규모 신경망 및 기술의 개발에 대해서도 다룹니다. 하드웨어 및 소프트웨어 용량의 기하급수적 성장은 둔화될 기미가 보이지 않으며, 패널리스트는 향후 고성능 컴퓨팅, 양자 컴퓨팅 및 AI가 양자 금융 분야에서 융합될 것으로 예상합니다.
결론적으로 패널리스트들은 하드웨어 및 소프트웨어 용량의 확장이 특징인 미래를 예측하여 범용 거래 로봇의 개발로 이어집니다. 이 로봇은 무엇보다도 이미지 이해, 언어 이해 및 의미론적 이해를 활용하여 소셜 미디어를 포함한 다양한 소스에서 데이터를 추출하고 해석하는 능력을 갖게 될 것입니다. 그들은 앞서 나가고 퀀트 금융의 진화하는 환경에 적응하기 위해 새로운 기술과 방법론을 수용하는 것의 중요성을 강조합니다.
패널 토론은 패널리스트가 청중에게 감사를 표하고 답변되지 않은 질문에 대해 공유하도록 격려하는 것으로 마무리됩니다. 그들은 또한 내일 세션이 기계 학습 및 거래에 특히 초점을 맞추고 참석자들이 이 매력적인 분야에 참여하고 계속 탐구하도록 초대할 것이라고 발표했습니다.
퀀트 금융의 현재 동향에 대한 오늘의 통찰력 있는 패널 토론에 참여해 주신 모든 분들께 감사드립니다.
00:00:00 사회자는 퀀트 금융의 현재 동향에 대한 오늘의 패널 토론을 위해 세 명의 도메인 전문가를 소개합니다. 첫 번째 패널인 David Jessup은 Columbia Thread Needle Investments의 EMEA 투자 위험 책임자이며 정량적 연구, 위험 분석 및 포트폴리오 구성, 특히 교차 자산 팩터 투자 및 투자 관리 기계 학습에 대한 광범위한 경험을 가지고 있습니다. 두 번째 패널인 Dr. Devashes Guava는 기계 학습 책임자이자 SP Gen 글로벌 경영 대학의 기술 비즈니스 연구 센터 의장으로 경제 및 금융 분야에서 인공 지능을 적용하는 것을 전문으로 합니다. 마지막으로 Global AI Corporation의 전무 이사인 Richard Rothenberg는 수십억 달러 규모의 헤지 펀드와 글로벌 투자 은행에서 근무했으며 양적 포트폴리오 관리 및 연구에 대한 방대한 경험을 가지고 있습니다.
00:05:00 이 섹션에서는 패널리스트가 최근 퀀트 금융을 형성한 추세에 대해 논의합니다. 데이터의 가용성과 품질은 업계를 주도하는 중요한 요소였습니다. 또한 컴퓨팅 능력이 향상되면서 10년 전만 해도 불가능했던 방식으로 복잡한 모델을 구축하고 분석할 수 있게 되었습니다. 패널리스트들은 퀀트 금융이 주식을 넘어 신용, 통화 및 암호 거래와 같은 다른 자산 클래스로 확장되고 있다고 지적합니다. 그들은 금융 산업에서 관심을 끌고 있는 책임 투자의 새로운 트렌드를 제시하지만 이 분야의 데이터 품질은 여전히 부족합니다. 패널리스트들은 책임 투자가 향후 몇 년 동안 금융 분야에서 중요한 요소가 될 것이라고 예측합니다.
00:10:00 이 섹션에서 패널은 양적 금융의 두 가지 주요 추세에 대해 논의합니다. 첫 번째는 이국적인 자산을 포함하여 주식뿐만 아니라 모든 자산 클래스로 알고리즘 거래를 확장하는 것입니다. 두 번째 추세는 여러 언어로 된 뉴스 및 신용 카드 거래의 정서 데이터와 같은 대체 데이터 소스의 상당한 증가와 고급 분석 및 계산 능력으로 이 데이터를 처리하는 기능입니다. 이로 인해 기업의 가치에 영향을 미치는 환경 및 사회적 거버넌스 트렌드와 같은 비재무적 위험 요소가 증가했습니다. 그러나 패널은 낮은 신호 대 잡음비와 금융 시장의 제로섬 게임을 고려할 때 금융 분야에서 기계 학습을 사용하는 데 따르는 어려움도 강조합니다. 베이지안 통계는 기계 학습이 결합되어 분포 예측을 제공하는 또 다른 영역입니다.
00:15:00 이 섹션에서는 패널리스트가 금융 분야에서 기계 학습의 이점과 한계에 대해 논의합니다. 주요 요점 중 하나는 기계 학습이 유용한 도구이지만 모든 문제를 해결하는 데 적합한 도구가 아니기 때문에 거래 상자의 유일한 도구가 되어서는 안 된다는 것입니다. 머신 러닝에서 발생하는 또 다른 문제는 잘못될 때를 아는 것이 종종 어렵고 모를 때 알려주도록 모델을 훈련시키는 것이 어려울 수 있다는 것입니다. 패널리스트는 또한 머신 러닝과 대체 데이터를 구별하여 자주 혼동되는 두 가지 별도의 항목이라고 말했습니다. 마지막으로 패널리스트는 특히 게임에서 다른 플레이어의 전략적 선택을 처리할 때 다른 종류의 머신 러닝이 필요한 차별화된 게임이라는 맥락에서 금융 머신 러닝의 과제에 대해 논의합니다.
00:20:00 패널은 알고리즘 거래에서 기계 학습 모델을 위한 양질의 데이터를 보유하는 것의 중요성과 구조화되지 않은 데이터 정리 문제에 대해 논의합니다. 기계 학습은 단기 거래에서 분포를 예측하는 데 유용할 수 있지만 기본으로 돌아가 선형 모델로 시작하여 매개변수를 이해하고 데이터 품질이 양호하도록 보장하는 것이 중요합니다. 패널은 대체 데이터에 많은 노이즈와 희소성이 있어 정리 및 필터링이 더 어렵다는 점을 인정합니다. 또한 그들은 데이터 이상치를 수정하는 어려움과 데이터의 정확성을 보장하기 위해 두 번째 데이터 소스를 비교하고 사용해야 할 필요성에 대해 이야기했습니다.
00:25:00 트레이딩 솔루션은 게임 구조의 일부이며 이해관계가 상충되는 상대 플레이어와의 최종 개인 게임에서 전략 정의의 일부로 생각하고 테스트해야 합니다. 기존의 모델링 방법은 이 맥락에 적용되지 않을 수 있으며 다양한 전략을 테스트하는 것이 가장 효과적인 솔루션을 찾는 데 중요하다는 점을 명심하는 것이 중요합니다. 또한 지속 가능한 개발 데이터와 같은 대체 데이터 세트에는 다양한 분석 방법이 필요하며 희소성을 처리하기 위해 더 낮은 빈도로 데이터를 집계해야 할 수 있습니다. 이와 같은 희소 데이터 세트는 작업하기 어려울 수 있지만 여전히 중요한 신호를 찾을 수 있는 기회가 있습니다.
00:30:00 패널리스트는 거래 시스템을 설계하기 전에 시장의 게임 구조를 고려하는 것의 중요성에 대해 논의합니다. 소규모 플레이어는 도박을 할 여유가 있을 수 있지만, 상품 및 암호화폐 거래의 대규모 플레이어에게는 그렇지 않습니다. 패널리스트는 기계 학습 알고리즘에 가장 흥미로운 시장에 대해 논의하고 새로운 도전 과제를 찾을 수 있는 매혹적인 영역으로 암호화를 언급합니다. 그들은 단지 하나의 자산 클래스나 알고리즘에 집중하지 말고 수익성 있는 거래를 달성하기 위해 대체 데이터 소스의 중요성을 고려하라고 조언합니다. 일반적으로 시장은 다소 예측 가능한 단계를 거치며, 한때 남용되었던 신호는 소수의 시장 참여자가 이를 사용하는 경우 관련성을 얻기 위해 다시 돌아올 수 있습니다. 시장 변동성 및 안정적인 기본 데이터 생성 프로세스와 같은 요인으로 인해 시장이 기계 학습 알고리즘에 더 친숙해질 수 있습니다.
00:35:00 논의는 암호화폐 투자를 위한 퀀트 전략을 전개할 때 직면하는 장애물에 초점을 맞춥니다. Gughah 박사는 주요 문제 중 하나는 일반적으로 컴퓨터 괴짜 또는 비디오 게임 종류의 분야로 생각되기 때문에 전통적인 금융 사람들이 암호화에 관심을 가져본 적이 없다는 것이라고 설명합니다. 또한 암호화폐의 극심한 변동성도 주요 관심사입니다. 85~90%의 최고점에서 최저점까지 하락하는 것은 어떤 종류의 펀드 매니저나 소매 투자자에게는 상상도 할 수 없는 일입니다. 어떤 종류의 금융 거래 생태계가 암호화폐로 발전하기 위해서는 이를 대체 자산군으로 인식하고 암호화폐 자산 간의 높은 상관관계로 인한 손실을 완화할 수 있을 만큼 다각화된 포트폴리오를 만들어야 합니다.
00:40:00 연사는 자산이 금융 분야에서 일반적으로 내장된 가정인 설정된 평균 및 분산 가정과 함께 고정된 확산 프로세스를 따른다는 생각을 포기할 필요성에 대해 논의합니다. 화자는 변동성이 확률적이며 시간이 지남에 따라 평균이 많이 변한다고 설명합니다. 따라서, 국가가 전술적으로 변화하기 위해 숨겨진 마르코프 과정에 의해 평균과 표준 편차가 구동된다고 가정할 필요가 있으며, 이는 전통적인 금융 이론에서 큰 도약입니다. 연사는 수익률을 높이는 확률적 프로세스를 이해하면 팩터 투자 및 암호화폐 투자에 대한 더 나은 접근 방식으로 이어질 수 있으며, 그 결과 간단한 다각화로 매우 매력적인 위험 수익 프로필을 얻을 수 있다고 제안합니다.
00:45:00 패널은 성별 분류, 탄소 배출 예측, 고정 수입 시장의 거래량 고정 등 금융 산업에서 기계 학습의 다양한 응용 분야에 대해 논의합니다. 그들은 또한 그것을 단지 거래 기술이 아닌 투자 프로세스의 입력으로 사용한다고 언급합니다. 그들이 다루는 또 다른 주제는 ESG가 지속 가능한 개발 목표로 진화하는 것인데, 이는 주주에 대한 영향뿐만 아니라 사회 전체 및 시스템적 위험에 초점을 맞춥니다. 이 확장된 위험 분류법에는 탄소 배출 이외의 요소가 포함되며 거버넌스도 고려됩니다. 그들은 이것을 ESG 요소 모델로 생각할 수 있다고 말하는 재무 의사 결정의 중요한 요소로 논의합니다.
00:50:00 패널리스트는 양적 금융 분야에서 두 가지 흥미로운 경향에 대해 논의합니다. 첫째, 17가지 요소를 기반으로 데이터를 클러스터링하기 위해 위원회와 태스크 포스를 사용하고 대차대조표의 무형적 측면에 점점 더 중요한 비재무적 위험을 정량화하기 위해 현지 이해관계자 정서를 이해하기 위한 자연어 처리의 중요성 증가 회사. 둘째, 양적 거래의 미래를 준비하기 위해 우수한 프로그래밍 기술, 통계 지식, 동일한 데이터 세트를 여러 번 보는 함정을 인식하는 것의 중요성에 대해 논의합니다.
00:55:00 패널리스트는 탄소 및 암호 화폐를 포함하여 거래가 가능해질 수 있는 새로운 자산 클래스를 유지하는 것의 중요성에 대해 논의합니다. 게임 체인저가 될 수 있는 한 가지 영역은 양자 컴퓨팅으로, 암호화폐 뒤의 암호화 알고리즘에 혁명을 일으킬 수 있습니다. 아직 실용적인 응용 프로그램은 없지만 일부 대형 헤지 펀드는 양자 영역에 투자하고 있습니다. 나아가 초대형 신경망의 발전과 일반 인공지능의 한 방법으로 각광받고 있는 GPT3에 대해서도 이야기한다. 하드웨어 및 소프트웨어 용량의 증가는 둔화될 조짐을 보이지 않으며 일부는 딥 러닝이 전 세계를 장악할 것으로 예상합니다.
01:00:00 패널은 퀀트 금융의 미래가 범용 거래 로봇의 개발을 가능하게 할 하드웨어 및 소프트웨어 용량의 지속적인 확장에 있다고 예측합니다. 이 로봇은 소셜 미디어와 같은 다양한 소스에서 데이터를 추출하고 이를 이해하여 거래 결정을 내릴 수 있습니다. 그들은 수치 기계 학습에 국한되지 않고 이미지 이해, 언어 이해, 의미 이해 등을 갖게 될 것입니다. 또 다른 초점 영역은 향후 5~10년 안에 실용화될 양자 컴퓨팅입니다. 패널리스트들은 미래가 고성능 컴퓨팅, 양자 컴퓨팅 및 AI의 융합이 될 것이라고 믿습니다. 그들은 우리가 더 많은 데이터와 모델을 통합하기 시작함에 따라 미래는 이러한 기술의 융합에 있다고 생각합니다.
01:05:00 패널리스트는 퀀트 금융 분야에서 새로운 도구와 기술의 기하급수적인 성장에 대해 논의합니다. 이로 인해 향후 5년에서 10년 이내에 많은 기능과 작업이 쓸모없게 될 것입니다. 그들은 앞서 나가기 위해 새로운 기술의 통합을 준비하고 가속화하는 것의 중요성을 강조합니다. 패널리스트는 내일 세션이 기계 학습 및 거래에 초점을 맞출 것이기 때문에 청중에게 감사하고 답변되지 않은 질문을 공유하도록 격려하며 결론을 내립니다.
신사 숙녀 여러분, 거래에서 정서 및 대체 데이터 사용에 대한 흥미로운 패널 토론에 오늘 참여해 주셔서 감사합니다. 시작하기 전에 중요한 발표가 있습니다.
새로운 인증 프로그램인 CSAF(Sentiment Analysis and Alternative Data in Finance)의 출시를 발표하게 되어 기쁩니다. 이 프로그램은 뉴스 정서 분석 및 대체 데이터와 같은 현대적인 방법을 사용하여 거래 및 투자 의사 결정 분야에서 경력을 발전시키려는 금융 전문가를 위해 특별히 설계되었습니다.
CSAF 프로그램은 금융에 필요한 뉴스 분석, 정서 분석 및 대체 데이터의 다양한 측면을 다룰 것입니다. 알고리즘 트레이딩, 정서 분석, 퀀트 모델링, 초단타매매 분야의 최고 전문가들이 강의합니다. 이 전문가들은 프로그램에 풍부한 지식과 경험을 제공하여 참가자들이 최고의 교육과 훈련을 받을 수 있도록 합니다.
이 프로그램은 감정 분석 이해, 대체 데이터 소스 활용, 감정 데이터를 예측 모델에 통합, 시장 분석을 위한 AI 및 기계 학습 기술 활용과 같은 주제를 탐구합니다. 참가자는 거래에서 정서 및 대체 데이터의 역할에 대한 귀중한 통찰력을 얻고 재무 결과를 개선하기 위해 이러한 리소스의 잠재력을 활용하는 방법을 배웁니다.
인증 프로그램과 더불어 2022년 봄에 대체 데이터에 대한 포괄적인 핸드북이 출시될 예정임을 알려드리게 되어 기쁩니다. 대체 데이터의 유형과 재무에서의 응용 프로그램.
이제 오늘의 패널 토론으로 시선을 돌리겠습니다. Cristiano Arbex Valle 박사, Gautam Mitra 교수, Matteo Campolmi 박사, Ravi Kashyap 박사를 포함한 존경하는 패널리스트가 거래에서 정서 및 대체 데이터 사용에 대한 통찰력을 공유할 것입니다. 그들은 대체 데이터가 무엇인지, 그것이 왜 중요한지, 정보에 입각한 거래 결정을 내리는 데 어떻게 효과적으로 활용할 수 있는지에 대해 논의할 것입니다.
우리 모두가 알고 있듯이 뉴스 이벤트는 종종 자산 가격에 상당한 영향을 미치며 정서 데이터는 미래 결과를 예측하는 데 중요한 역할을 할 수 있습니다. 패널리스트는 감정 데이터를 신속하게 처리하고 수학적 모델에 사용하기 위해 수치 데이터로 변환하는 방법에 대해 조명하여 일반적으로 기존 시장 데이터에서 포착되지 않는 귀중한 정보를 제공합니다.
또한 패널리스트는 대체 데이터와 관련된 문제와 기회를 탐색합니다. 그들은 대체 데이터 소스의 출현, 엄격한 데이터 처리 기술의 필요성, 방대한 양의 정보 내에서 신호를 식별하면서 과적합을 피하는 것의 중요성에 대해 논의할 것입니다.
패널 토론 중에는 질문을 하고 패널리스트와 교류하여 적극적으로 참여하도록 권장합니다. 귀하의 의견과 통찰력은 매우 소중하며 풍부하고 상호 작용하는 세션을 만들 수 있기를 기대합니다.
시작하기 전에 오늘 참석해 주신 모든 분들께 감사의 말씀을 드립니다. 귀하의 참석과 열정은 이와 같은 행사의 성공에 기여합니다. 소셜 미디어에서 우리를 팔로우하고 주최측의 행복한 11주년을 기원합니다.
이제 더 이상 고민하지 않고 거래의 정서 및 대체 데이터에 대한 패널 토론을 시작하겠습니다. 감사합니다.
패널 토론이 시작되면 패널 멤버들이 트레이딩의 정서 및 대체 데이터 주제에 대해 자세히 알아보고 귀중한 통찰력과 경험을 공유합니다. 뉴스 분석 및 감정을 예측 모델의 추가 입력 기능으로 통합하는 효과를 강조하고, 특히 자산 변동성 예측에서 얻은 향상된 결과를 강조합니다.
토론의 한 가지 핵심 사항은 대체 데이터의 출현과 거래 결정을 알리는 데 있어 그 중요성에 관한 것입니다. 패널리스트들은 대체 데이터가 소비자 습관과 같은 새로운 정보를 도입하여 투자 전략에 대한 귀중한 통찰력을 제공할 수 있다고 강조합니다. 그들은 시장 방향을 예측하고 재정적 결과를 향상시키기 위해 AI 및 기계 학습 기술을 활용하여 데이터를 모델과 결합하는 것의 중요성을 강조합니다.
패널은 잠시 시간을 내어 OptiRisk Systems의 창립자이자 MD인 Gautam Mitra 교수의 중재를 인정합니다. 그의 전문 지식을 통해 그는 주제에 대한 포괄적인 탐구를 보장합니다. 그들은 거래에서 정서 및 대체 데이터의 실제 적용을 탐구하고 그 정의, 중요성 및 활용에 관한 질문을 해결합니다.
대체 데이터가 끊임없이 진화하는 분야임을 인식한 패널리스트는 이 영역의 동적 특성을 강조합니다. 그들은 오늘날 대체 데이터로 간주되는 것이 어떻게 미래에 주류가 될 수 있는지에 대해 논의하고 업계 내에서 지속적인 발전과 혁신을 보여줍니다. 그들의 초점은 수익 극대화라는 궁극적인 목표와 함께 대체 데이터를 활용하여 재무 우위를 확보하는 데 있습니다.
토론 중에 패널은 뉴스 소스에서 파생된 정서 데이터에 존재하는 잠재적인 편견을 인정합니다. 그들은 여러 소스를 활용하고 다양한 기술을 사용하여 데이터를 분석하는 것과 같이 이러한 편향을 완화할 수 있는 잠재적인 솔루션을 제공합니다. 그렇게 함으로써 그들은 정확하고 신뢰할 수 있는 통찰력을 보장하기 위해 포괄적이고 강력한 데이터 분석의 중요성을 강조합니다.
앞으로 패널리스트는 데이터가 수집되는 상황과 시나리오를 이해하는 것의 중요성을 강조합니다. 그들은 미묘한 관점을 제공하고 효과적인 알고리즘을 구축하기 위한 상황 정보의 필요성에 대해 논의합니다. 패널리스트는 또한 편향이 항상 부정적인 것은 아니며 때로는 거래 전략에 도움이 될 수 있다는 생각에 대해서도 언급합니다. 이들의 중요한 메시지는 데이터 소스 자체를 제어할 수 없더라도 사용 가능한 데이터를 이해하고 작업하는 것의 중요성을 강조합니다.
패널은 거래 목적으로 감정 데이터를 분석할 때 고려해야 할 매개변수를 추가로 탐색합니다. 뉴스 또는 정서 제공자가 정서를 긍정적, 중립적 또는 부정적 범주로 분류하는 방법을 조명합니다. 또한 뉴스나 트윗의 양을 감정 분석의 요인으로 고려하는 것의 관련성에 대해 논의합니다. 특정 기간 동안의 평균 뉴스 양을 기반으로 한 정서의 정상화도 강조됩니다.
패널리스트가 감정 분석의 언어별 특성에 대해 토론하면서 대화가 깊어집니다. AI 및 기타 기술을 사용하여 텍스트를 구문 분석하고 분석하여 감정을 더 깊이 이해할 수 있도록 강조합니다. 뉴스 이벤트의 관련성과 참신성은 중요한 요소로 식별되며 기업은 콘텐츠 제공자와의 구독을 통해 뉴스 데이터를 수신하여 신속한 처리가 가능합니다.
패널 토론을 마무리하면서 패널리스트는 정서 지표에 사용되는 시간 프레임에 대해 언급합니다. 그들은 정서 지표가 뉴스가 시장에 도달하는 속도를 능가하는 것을 목표로 하지 않는다는 점을 분명히 합니다. 대신, 뉴스 흐름이 시간이 지남에 따라 주식에 미치는 영향을 설명하는 지표 역할을 합니다. 텍스트를 숫자 데이터로 변환하는 것의 중요성도 강조되어 텍스트 기반 정보에 필요한 추가 처리 계층을 인정합니다.
패널리스트는 또한 거래에서 정서 데이터 및 대체 데이터 소스의 관련성에 대해 논의합니다. 이들은 정서 데이터가 며칠 동안 관련이 있는지에 대한 질문을 다루며 대답은 모델의 목적과 수행되는 거래 유형에 따라 다르다는 점을 강조합니다. 토론은 수익성이 주요 지표로 식별되는 대체 데이터 소스에 대한 성능 지표로 확장됩니다. 패널리스트는 과거 데이터에 대한 수요와 그것이 가격에 미치는 잠재적 영향을 설명하면서 대체 데이터 소스가 대중화됨에 따라 시간이 지남에 따라 그 가치가 변할 수 있다고 경고했습니다.
패널 토론을 마무리하기 위해 패널리스트는 백테스팅의 과제와 중요성에 대한 통찰력을 공유합니다. 그들은 특정 대체 데이터 소스에 대한 과거 정보의 희소성을 인정하여 분석 및 백테스팅을 어렵게 만듭니다. 그러나 백테스팅 목적으로 데이터를 추정하는 데 도움이 될 수 있는 통계 모델 및 기술의 가용성을 강조합니다. 그들은 주어진 데이터 소스의 성능을 가지고 있지 않은 것과 비교하는 것의 중요성을 강조하여 트레이더가 그에 따라 전략을 조정할 수 있도록 합니다. 패널은 대체 데이터의 가치가 궁극적으로 특정 모델 내에서의 활용에 달려 있다는 점을 강조하며 결론을 내립니다.
이제 패널리스트가 두 가지 흥미로운 질문을 다루는 청중 Q&A 세션으로 전환합니다. 첫 번째 질문은 서로 다른 역사적 기간을 더 잘 이해하기 위해 역사적 데이터를 사용하는 것과 관련이 있습니다. 패널은 다양한 결과에 대한 포괄적인 이해를 얻기 위해 최소 7배의 시간 간격을 활용할 것을 제안합니다. 두 번째 질문은 신뢰할 수 있는 대체 데이터 소스를 찾는 것과 관련이 있습니다. 패널은 데이터 스카우트를 두어 다양한 소스를 탐색하고 정량적 팀에 사용할 수 있는 최상의 데이터를 식별할 것을 권장합니다. 그들은 신뢰할 수 있는 데이터를 찾는 문제를 강조하고 혁신적인 아이디어가 종종 소규모 신생 기업에서 나온다는 점을 강조합니다.
논의를 확장하면서 패널리스트는 초기에 고유한 데이터 세트를 식별하는 소규모 기업이 대기업에 인수될 가능성에 대해 탐구합니다. 데이터 집계에서 중개자의 중요성과 독점 모델링을 사용하는 파생 데이터 세트의 가치를 강조합니다. 대화는 국가별 데이터 세트의 영향, 지역적 위험 식별 및 세계 시장의 상호 연결성에 대해서도 다룹니다. 정보에 입각한 거래 결정을 내리려면 이러한 요소를 이해하는 것이 필수적입니다.
패널이 마무리되면서 연사들은 재무 분야 경력에 필요한 기술과 전제 조건에 초점을 맞춥니다. 그들은 프로그래밍 언어의 가치와 수학적 개념에 대한 확고한 이해를 강조합니다. 이러한 기술은 현장에서 점점 더 중요해지기 때문입니다. 다양한 기회에 대한 개방성을 유지하고 지속적으로 지식을 확장하는 것의 중요성과 마찬가지로 전문가와의 네트워킹 및 연결 구축도 강조됩니다.
마지막으로 연사는 시장 동향에 대한 정보를 유지하고 재무 의사 결정에서 객관성을 유지하는 것의 중요성을 반복합니다. 그녀는 재정 관리의 근본적인 역할을 강조하고 참석자들이 금융 산업에 적극적으로 참여할 것을 권장합니다.
00:00:00 호스트는 다음과 같은 현대적인 방법을 사용하여 거래 및 투자 의사 결정에서 경력을 발전시키려는 금융 전문가를 위해 설계된 새로운 인증 프로그램인 CSAF(Certification in Sentiment Analysis and Alternative Data in Finance)의 출시를 발표합니다. 뉴스 정서 분석 및 대체 데이터. 이 과정은 금융에서 요구되는 뉴스 분석, 정서 분석 및 대체 데이터의 다양한 측면을 다루며 알고리즘 거래, 정서 분석, 정량적 모델링 및 고주파 거래의 최고 전문가가 강의합니다. 또한 이 섹션에는 OptiRisk Systems의 설립자이자 MD인 Gautam Mitra 교수가 사회를 맡은 전문가 Cristiano Arbex Valle 박사, Gautam Mitra 교수, Matteo Campolmi 박사, Ravi Kashyap 박사가 감정 및 대체 데이터 사용에 대해 토론하는 패널이 있습니다. 거래.
00:05:00 연사는 패널 토론에서 논의될 금융 분야의 정서 및 대체 데이터라는 주제를 소개하고 있습니다. 패널리스트는 대체 데이터가 무엇인지, 왜 필요한지, 그 가치를 여는 방법에 대한 통찰력을 제공할 것입니다. 목표는 감정 데이터를 사용하여 금융의 미래 결과를 예측하는 것입니다. 뉴스 이벤트는 종종 자산 가격에 영향을 미치고 감정 데이터는 신속하게 처리되고 수학적 모델에 사용하기 위해 수치 데이터로 변환될 수 있기 때문입니다. 이 데이터는 일반적으로 전통적인 시장 데이터에 의해 캡처되지 않으므로 의사 결정을 위한 귀중한 정보 소스가 됩니다. 대체 데이터에 대한 핸드북은 2022년 봄에 발표될 예정이며, 패널은 참석자들의 질문을 받을 것입니다.
00:10:00 전문가 패널이 거래에서 정서 및 대체 데이터 사용에 대해 논의합니다. 그들은 뉴스 분석과 감정을 예측 모델의 추가 입력 기능으로 통합하면 특히 자산 변동성 예측에서 결과가 개선된다는 것을 발견했습니다. 또한 거래 결정을 알리는 데 사용할 수 있는 소비자 습관과 같은 새로운 정보를 소개하는 대체 데이터의 출현에 대해 논의합니다. AI 및 기계 학습 기술을 사용하여 데이터를 모델과 결합하여 시장 방향을 예측하고 궁극적으로 재무 결과를 개선하는 것의 중요성을 강조합니다.
00:15:00 연구 중심 회사인 Brain의 창립자들이 대체 데이터 세트를 사용하여 금융 시장과 관련된 신호를 추출하는 독점 알고리즘 및 방법을 만드는 접근 방식을 설명합니다. 그들은 투자 및 자산 관리에서 대체 데이터 세트의 증가 추세가 데이터 소스의 가용성 증가와 호황을 누리고 있는 데이터 과학 산업에 기인한다고 생각합니다. 대체 데이터 세트는 투자자가 모델에서 작업할 수 있는 추가 정보를 제공하지만, 창립자들은 과적합 없이 대량의 정보를 처리하고 신호를 식별하기 위한 엄격한 접근 방식의 필요성을 강조합니다.
00:20:00 패널은 거래에서 정서 및 대체 데이터 사용에 대해 논의합니다. 대체 데이터가 무엇인지, 왜 중요한지, 어떻게 사용하는지에 대한 질문을 다룹니다. 그들은 대체 데이터가 끊임없이 진화하고 있으며 오늘날 대체 데이터로 간주되는 것이 미래에는 주류가 될 수 있다는 점에 주목합니다. 금융의 목표는 간단합니다. 더 많은 돈을 버는 것입니다. 그러나 사고 팔 때를 아는 것은 어려운 일입니다. 대체 데이터가 이점을 제공할 수 있는 곳입니다. 패널은 뉴스를 감정 데이터의 소스로 사용할 때 편견이 문제가 될 수 있음을 인정하고 데이터를 분석하기 위해 여러 소스와 기술을 사용하는 것과 같은 솔루션을 제안합니다.
00:25:00 패널은 데이터가 수집된 시나리오와 데이터 내에 존재하는 잠재적 편향을 이해하는 것의 중요성에 대해 논의합니다. 그들은 백 테스트를 사용하여 데이터가 과거에 어떻게 수행되었는지 확인할 수 있지만 더 미묘한 보기를 제공하고 더 나은 알고리즘을 구축하려면 상황에 맞는 정보가 필요하다고 지적합니다. 패널은 또한 편향이 때때로 거래 전략에 도움이 될 수 있기 때문에 항상 부정적인 것은 아니라는 생각을 다룹니다. 전반적으로 중요한 점은 데이터 소스를 제어할 수는 없지만 사용 가능한 데이터를 이해하고 작업하는 데 초점을 맞춰야 한다는 것입니다.
00:30:00 패널은 거래 목적으로 감정 데이터를 분석할 때 찾아야 할 매개변수에 대해 논의합니다. 뉴스 또는 정서 제공자는 일반적으로 정서를 긍정적, 중립 또는 부정적으로 분류하지만 팀은 뉴스 또는 트윗의 양도 고려해야 할 요소가 될 수 있다고 지적합니다. 제공자에 따라 감정은 연속적인 숫자로 정량화되거나 특정 기간 동안의 평균 뉴스 양으로 정규화될 수 있습니다. 패널은 또한 Twitter와 같은 소셜 미디어 플랫폼이 누가 무언가를 말하고 있는지 고려하고 시장에 큰 영향을 미치는 주요 동인을 식별함으로써 감정 분석에 추가 요소를 제공할 수 있다고 강조합니다.
00:35:00 패널은 거래에서 정서 및 대체 데이터 사용에 대해 논의합니다. 감정은 AI 및 기타 기술을 사용하여 텍스트를 구문 분석하여 분석할 수 있는 언어별 요소라고 지적합니다. 패널리스트는 또한 뉴스 이벤트의 관련성과 참신함을 고려하는 것의 중요성과 회사가 일반적으로 처리하는 데 몇 초밖에 걸리지 않는 뉴스 콘텐츠 제공업체의 구독을 통해 뉴스 데이터를 받는 방법에 대해 이야기합니다. 전반적으로 논의는 거래를 위한 예측 모델을 구축할 때 정서 및 대체 데이터를 이해하는 것의 중요성을 강조합니다.
00:40:00 패널리스트는 거래에서 정서 및 대체 데이터 사용에 대해 논의합니다. 그들은 정서 지표에 사용할 수 있는 다양한 시간 프레임과 그들이 시장에 도달하는 뉴스의 속도를 능가하는 것을 목표로 하지 않는 방법에 대해 이야기합니다. 정서 지표는 뉴스 흐름이 시간이 지남에 따라 주식에 어떤 영향을 미치는지 설명하는 지표를 제공하기 위한 것입니다. 패널리스트는 또한 텍스트를 숫자로 변환하는 것의 중요성과 텍스트 데이터에 필요한 추가 처리 계층에 대해 이야기했습니다. 그들은 사용 사례와 거래 빈도가 거래에 사용되는 데이터의 품질과 타이밍에 어떤 영향을 미칠 수 있는지 언급했습니다.
00:45:00 패널이 거래에서 정서 데이터 및 대체 데이터 소스의 관련성에 대해 논의합니다. 감정 데이터가 며칠 동안 관련이 있는지에 대한 질문이 제기되며, 이에 대한 대답은 모델의 목적과 어떤 종류의 거래가 수행되고 있는지에 달려 있다는 것입니다. 그들은 대체 데이터 소스에 대한 성능 지표에 대해 논의하며 간단한 대답은 얼마나 많은 이익이 창출되고 있는지에 대한 것입니다. 그러나 그들은 일반적으로 사람들은 저렴한 가격에 가능한 한 많은 기록을 원하지만 더 많은 사람들이 데이터 세트를 사용하고 상품화되면 데이터 세트가 더 저렴해진다고 설명합니다. 그들은 또한 대체 데이터 소스를 사용하면 데이터의 가치가 시간이 지남에 따라 변할 수 있다는 이해와 함께 제공된다는 점에 주목합니다.
00:50:00 패널이 거래에 대체 데이터를 사용하는 문제와 백테스팅의 중요성에 대해 논의합니다. 그들은 과거 정보가 희박하여 특정 대체 데이터 소스를 분석하고 백테스트하기 어렵다는 점을 인정합니다. 그러나 그들은 백테스팅을 위해 데이터를 추정하는 데 도움이 될 수 있는 통계 모델과 기술이 있다고 제안합니다. 패널은 또한 주어진 데이터 소스가 없는 것과 비교하여 얼마나 잘 수행되는지 비교하고 그에 따라 거래 전략을 조정하는 것의 중요성을 강조합니다. 감정 분석에 대해 논의할 때 그들은 특정 모델과 배포에 따라 가장 좋은 접근 방식이 다를 것이라고 경고합니다. 궁극적으로 패널은 대체 데이터의 가치가 주어진 모델 내에서 어떻게 사용되는지에 따라 크게 좌우된다는 데 동의합니다.
00:55:00 패널은 청중의 두 가지 질문에 대해 논의합니다. 첫 번째 질문은 역사적 데이터의 사용과 다른 역사적 기간에 일어날 수 있는 일을 더 잘 이해하기 위해 얼마나 많이 사용해야 하는지에 관한 것입니다. 패널은 다른 결과에 대한 좋은 아이디어를 얻기 위해 시간 간격을 최소 7배 사용해야 한다고 제안합니다. 두 번째 질문은 대체 데이터의 좋은 출처를 찾는 것과 관련이 있습니다. 패널은 데이터 스카우트를 두어 다양한 소스를 살펴보고 퀀트 팀이 사용할 수 있는 최상의 데이터를 찾을 것을 제안합니다. 그들은 신뢰할 수 있는 데이터를 찾는 것이 쉬운 일이 아니며 대체 데이터의 실제 소스는 혁신적인 아이디어를 찾는 소규모 신생 기업에서 나온다고 경고합니다.
01:00:00 패널은 대체 데이터와 조기에 고유한 데이터 세트를 식별하는 소기업이 대기업에 인수될 가능성이 있는 방법에 대해 논의합니다. 패널은 또한 데이터 집계에서 중개자의 중요성과 독점 모델링을 사용하는 파생 데이터 세트의 가치에 대해 언급합니다. 그런 다음 국가별 데이터 세트의 영향, 위험의 원인 분석, 글로벌 시장이 현재 밀접하게 연결된 방식에 대해 논의하여 지역 위험과 거래 결정에 미치는 잠재적 영향을 이해하는 것이 필수적입니다. 섹션은 다음 질문으로 이동하기 전에 농담으로 끝납니다.
01:05:00 패널 토론, 연사는 거래에서 정서 및 대체 데이터를 사용하는 과정에 필요한 기술과 전제 조건에 대해 논의합니다. Python을 프로그래밍 언어로 사용하는 것이 도움이 되지만 재무 및 재무 모델에 대한 기본 지식의 중요성을 강조합니다. 또한 데이터 소스에 대한 액세스 권한과 과정에 기꺼이 참여하는 것의 가치를 강조합니다. 그들은 또한 양적 연구 분석가가 되는 데 관심이 있는 사람을 위한 진로 조언에 대한 질문을 다루고, 개인이 설명을 위해 교수진에게 연락하도록 격려하고 광범위한 기술과 지식에 열려 있는 것의 중요성을 강조합니다.
01:10:00 패널리스트가 재무 경력에 필요한 기술에 대해 토론합니다. 그들은 점점 더 많은 데이터 세트가 생성됨에 따라 프로그래밍 언어 학습을 제안하고 수학적 개념에 대한 좋은 이해를 개발할 것을 제안합니다. 또한 수학과 프로그래밍이 현장에서 필수적이기 때문에 두려워하지 말라고 조언합니다. 패널리스트는 또한 가능한 한 많은 사람들과 만나고 네트워킹하여 잠재적인 고용주에게 소중한 자산이 되고 기회를 잡을 준비를 하며 수학에 대한 탄탄한 기초를 갖추는 것을 강조합니다.
01:15:00 연사는 시장에서 일어나는 일을 인식하고 금융 산업의 다양한 영역에 개방하는 것이 중요하다고 강조합니다. 그녀는 상거래가 궁극적으로 돈과 재정 관리를 중심으로 돌아가기 때문에 객관성을 유지하고 감상적인 태도를 피하라고 조언합니다. 그런 다음 대화는 패널리스트와 청중에게 감사를 표하고 주최자에게 소셜 미디어에서 행복한 11주년을 기원한다는 알림으로 마무리됩니다.
Laurent Bernut는 Alpha Secure Capital의 창립자이자 CEO이자 Fidelity Investments의 전담 공매도자로 소개되었습니다. 비디오는 그가 2시간 동안 진행되는 공매도를 주제로 한 마스터 클래스를 이끌 것이라고 강조합니다. 마스터클래스가 끝나면 Q&A 세션은 없을 예정이지만 시청자는 세션 자체에서 관련 질문을 할 것을 권장합니다. 또한 발표자는 청중에게 Python을 사용한 공매도 과정과 공매도 방법과 이유를 설명하는 보완 책에 대해 설명합니다. 이 책은 2021년 10월 11일에 출판될 예정이며 Amazon.com에서 구할 수 있습니다.
마스터 클래스는 참가자가 세션에서 얻을 수 있는 주요 내용을 설명하는 Laurent Bernut로 시작됩니다. 그는 탑픽은 파산이라고 주장하며 공매도는 성공적인 펀드를 모으기 위한 가장 가치 있는 기술이라고 강조합니다. Bernut는 또한 공매도에 대한 10가지 고전적인 신화를 폭로하여 이 분야의 연구가 덜 된 특성을 밝힙니다. 그는 공매도의 역학에 대해 자세히 설명하고 성공적인 시장 참여자도 공매도로 어려움을 겪는 이유를 설명합니다. 개인적인 통찰력을 공유하면서 Bernut는 과정에서 자금 관리의 중요한 역할을 강조합니다.
앞으로 Bernut는 공매도가 어떻게 작동하는지에 대한 개요를 제공하고 차입금을 찾는 것의 중요성을 강조합니다. 그는 주식 선택의 파산 특성에 대해 논의하고 거래자들이 공매도와 같은 다른 관행으로 초점을 전환하도록 옹호합니다. Bernut는 업계가 종종 주식 선택자에게 고정되어 있지만 경험적 증거에 따르면 대부분의 액티브 매니저는 지속적으로 벤치마크보다 실적이 저조한 것으로 나타났습니다. 이로 인해 많은 사람들이 패시브 투자 및 클로짓 인덱싱에 찬성하여 주식 선택을 포기했습니다. 그러나 Bernut는 약세장에서 공매도의 관련성과 하락 보호 측면에서 가져오는 가치를 강조합니다.
Bernut는 공매도에 대한 오해를 다루며 공매도가 연금과 회사를 파괴한다는 생각을 일축합니다. 그는 투자자들이 낮은 변동성, 낮은 상관관계 수익 및 하방 보호를 위해 장단기 투자 수단을 찾는다고 설명합니다. 따라서 뮤추얼 펀드 매니저의 롱 픽은 교환 거래 펀드를 통해 비슷한 결과를 수동적으로 달성할 수 있는 투자자와 관련이 없습니다. Bernut는 주식 공매도가 하락 위험에 대한 보호를 제공하여 특히 약세장에서 공매도 기술을 많이 찾는다고 강조합니다.
연사는 자본주의에서 공매도자의 역할과 회사 경영의 책임에 대해 깊이 파고듭니다. 그는 회사 경영에 참여하지 않는 공매도자들이 실패에 대한 비난을 받는 경우가 많다고 주장한다. Bernut는 시장 가치와 내재 가치의 차이를 강조하며 시장 가치는 미인 대회와 마찬가지로 주관적인 판단에 의해 결정된다고 설명합니다. 그는 공매도자가 본질적으로 악한 투기꾼이 아니라 종종 시장의 역설을 드러낸다고 설명합니다. 그는 규제 당국이 시장 조작에 관여하는 공매도자를 눈살을 찌푸리게 하지만 주요 임무는 시장의 비효율성을 폭로하는 것임을 인정합니다.
비디오는 Laurent Bernut가 기업의 시공간 연속체에 대해 논의하면서 계속되며, 이는 공매도자에게 역설을 제기합니다. 그는 기업이 사기에 가담한 직원에게 보상을 하는 반면 고위 경영진은 그러한 관행에 대한 지식을 부인하는 상황에 주의를 기울입니다. Bernut는 주식을 공매도하는 다른 방법이 있기 때문에 그들이 옳다고 하더라도 공매도자들에게 회사 경영에 적대적이지 않은 접근 방식을 채택할 것을 조언합니다. 그는 공매도의 위험 관리 측면을 강조하고 신중하게 이루어져야 한다고 경고합니다.
알고 트레이딩 위크(Algo Trading Week) 마스터 클래스에서 Bernut는 공매도 방법을 배우는 것의 중요성과 특히 약세장을 예상할 때 이 기술을 보유하지 않는 것과 관련된 위험을 강조합니다. 그는 또한 공매도가 시장 변동성 증가와 주가 붕괴 가능성에 어떻게 기여할 수 있는지에 대해서도 설명합니다.
비디오는 Laurent Bernut가 공매도에 대한 마스터 클래스 전체에 걸쳐 시청자의 참여와 참여에 감사하는 내용으로 계속됩니다. 그는 세션 중에 받은 질문과 의견에 감사를 표하며 학습 과정에 대한 적극적인 참여와 호기심의 중요성을 강조합니다.
그런 다음 Laurent Bernut는 프로그래밍을 사용하여 공매도 전략을 구현하기 위한 실용적인 기술을 제공하는 것을 목표로 Python을 사용한 공매도에 대한 향후 과정을 소개합니다. 이 과정은 데이터 분석, 알고리즘 거래, 위험 관리 및 백테스팅을 포함한 다양한 주제를 다룹니다. 그는 정량적 분석과 공매도 기술을 결합하는 것의 가치와 Python이 이 목적을 위한 강력한 도구가 될 수 있는 방법을 강조합니다.
과정 외에도 Laurent Bernut는 "공매도 공개: 약세장에서 수익을 내기 위한 포괄적인 가이드"라는 보완 책의 출시를 발표했습니다. 이 책은 공매도의 방법과 이유를 모두 탐구하여 통찰력, 전략 및 실제 사례를 제공합니다. 그것은 공매도의 복잡성을 성공적으로 탐색하는 데 필요한 지식과 기술을 독자들에게 제공하고 규율을 이해하기 쉽게 만드는 것을 목표로 합니다. 이 책은 2021년 10월 11일에 출판될 예정이며 Amazon.com에서 구할 수 있습니다.
비디오가 끝날 때 Laurent Bernut는 공매도 분야에서 지속적인 학습과 개선의 중요성을 반복합니다. 그는 시청자가 코스와 책을 탐색하여 이해를 심화하고 기술을 향상시키도록 권장합니다. 그는 개인이 공매도에 능숙해지도록 돕겠다는 약속을 표현하고 끊임없이 변화하는 금융 시장에서 정보를 얻고 적응하는 것의 가치를 강조합니다.
감사와 격려의 마지막 메모와 함께 Laurent Bernut는 시청자에게 작별을 고하고 공매도 세계에서 연결하고 질문하고 여정을 계속하도록 초대합니다. 비디오가 끝나고 시청자는 공매도가 제시하는 기회와 과제를 더 탐구하도록 영감과 의욕을 갖게 됩니다.
00:00:00 동영상은 Alpha Secure Capital의 창립자이자 CEO이자 Fidelity Investments의 전담 공매도자인 Laurent Bernut를 소개합니다. 마스터 클래스는 공매도에 중점을 두고 마지막에 Q&A 세션 없이 2시간 동안 진행됩니다. 연사는 시청자가 세션 중에 관련 질문을 하도록 권장합니다. 그는 또한 Python을 사용한 공매도 과정과 이를 수행하는 방법과 이유를 모두 설명하는 보완 책을 언급합니다. 이 책은 2021년 10월 11일에 출판될 예정이며 Amazon.com에서 구할 수 있습니다.
00:05:00 Laurent Bernut는 공매도에 대한 마스터 클래스의 핵심 내용을 설명하면서 탑픽은 파산하고 공매도는 성공적인 자금 조달을 위한 가장 중요한 기술이라고 설명합니다. Bernut는 또한 공매도에 대한 10가지 고전적인 통념을 폭로하는 동시에 연구되지 않은 분야의 특성을 강조합니다. 그는 공매도의 역학 관계와 성공적인 시장 참여자도 공매도로 어려움을 겪는 이유를 설명합니다. Bernut는 또한 자금 관리에 대한 개인적인 통찰력과 과정의 핵심 부분을 공유합니다. 이 섹션은 공매도가 작동하는 방식과 차입금을 찾는 것의 중요성에 대한 개요로 결론을 내립니다.
00:10:00 Laurent Bernut가 주식 선택의 파산 특성과 거래자가 공매도와 같은 다른 관행으로 초점을 옮겨야 하는 이유에 대해 설명합니다. 그는 업계가 주식 선택자에 대한 숭배를 바탕으로 만들어졌다고 설명하지만, 수치를 보면 액티브 매니저의 3분의 2가 해가 갈수록 벤치마크 실적이 저조하다는 사실을 알고 있습니다. 옷장 인덱싱 및 수동 투자. 액티브 매니저는 큰 차이로 실적이 저조하지 않습니다. 일반적으로 지수의 플러스 또는 마이너스 1~2%입니다. 그러나 약세장에서는 공매도와 같은 업종이 적합해집니다.
00:15:00 Laurent Bernut는 공매도가 연금과 회사를 망친다는 신화를 깨뜨립니다. 그는 투자자들이 낮은 변동성, 낮은 상관관계 수익 및 하향 보호를 원하기 때문에 장단기 투자 수단에 돈을 투자한다고 강조합니다. 따라서 투자자들은 상장지수펀드를 이용해 소극적으로 동일한 기능을 수행할 수 있기 때문에 뮤추얼펀드매니저의 롱픽에 크게 신경쓰지 않는다. Bernut는 주식 공매도가 하방 위험으로부터 보호하여 특히 약세장에서 공매도 기술에 대한 수요가 높다고 설명합니다.
00:20:00 Laurent Bernut는 자본주의와 경영 책임의 맥락에서 공매도에 대해 논의합니다. 기업 경영에 참여하지 않는 공매도자들은 종종 기업의 실패에 대한 비난을 받지만 실제로는 기업을 실패하게 만드는 것은 경영 부실입니다. 자본주의의 역사는 부실한 경영으로 인해 쓸모없게 된 회사들로 가득 차 있으며, 공매도자들은 종종 단순히 그 구식으로 안내하기만 합니다. 시장 가치는 또한 내재 가치와 별개로 논의되며, 시장 가치는 심사 위원이 가장 아름답다고 생각하는 사람을 기준으로 가장 아름다운 사람을 뽑는 캐나다 미인 대회입니다. 마지막으로 공매도자는 사악한 투기꾼이라는 오해에 대해 논의합니다. Bernut는 규제 당국이 시장 조작에 관여하는 공매도자를 좋아하지 않지만 공매도자의 임무는 종종 시장의 역설을 드러내는 것이라고 경고했습니다.
00:25:00 동영상 "강세장의 공매도 - 마스터클래스"의 연사인 Laurent Bernut는 공매도자가 직면한 역설인 기업의 시공간 연속체에 대해 이야기합니다. 기업이 사기에 가담한 직원에게 보너스를 지급하고 고위 경영진이 그러한 관행에 대한 인식을 부인할 때 역설이 발생합니다. Bernut는 또한 주식을 공매도하는 비적대적 방법이 있기 때문에 공매도자는 그들이 옳더라도 회사 관리에 대해 적대적 시각을 가져서는 안 된다고 제안합니다. 공매도가 위험 관리 운동이라는 것을 알고 있는 Bernut는 공매도가 신중하게 이루어져야 한다고 말하면서 잠재적인 위험에 대해 조언합니다.
00:30:00 알고 트레이딩 위크(Algo Trading Week) 마스터 클래스에서 로랑 베르누(Laurent Bernut)는 공매도 방법을 배우는 것의 중요성과 그렇게 하는 방법을 모를 때의 위험에 대해 논의하고 피할 수 없는 약세 시장을 위한 훈련과 연습의 가치를 강조합니다. 그는 또한 공매도가 어떻게 시장 변동성을 증가시키고 궁극적으로 주가 폭락으로 이어질 수 있는지에 대해서도 언급합니다. Bernut는 차용인 활용의 개념과 공매도에 사용된 주식의 수요와 공급에 대해 간략하게 살펴보고 손실 최소화에 대한 질문에 답하고 선물 시장에서 현물 공매도 전략을 조정해야 할 필요성을 설명합니다.
00:35:00 Laurent Bernut는 강세장에서 공매도가 필요하지 않다는 신화를 폭로합니다. 많은 헤지펀드는 2008년 금융 위기 이전에 공매도 학습을 미루어 시장이 무너지면 막대한 고통을 겪었습니다. Bernut는 공매도는 알파 유출이 많은 경쟁 분야이기 때문에 강세장에서 배워야 하며 강세장에서 학습하면 큰 결과 없이 실수할 수 있는 여지가 하나 생긴다고 믿습니다. 구조적 충격에 대한 신화도 틀렸습니다. 기업이 파산할 수 있지만 롱 포지션에는 논리가 적용되지 않으며 롱 포지션에 있는 사람들은 종종 투자를 보호하기 위해 방문하고 훈련합니다.
00:40:00 Laurent Bernut는 "관광객"이 되어 구조적인 공매도를 추구하는 오류를 설명합니다. 그는 이것이 겸손의 부족을 나타낸다고 믿으며 회계 사기를 찾는 것이 극히 어렵다고 말합니다. 또 다른 문제는 결함이 있는 비즈니스 모델인데, 이는 회사가 숨기려고 하기 때문에 감지하기 어렵습니다. 베르누트는 또한 평가에 대해 이야기하면서 말이 되지 않을 때 말이 되지 않는다고 말합니다. 그는 고전적인 추세추종과 평균회귀라는 두 가지 거래 방식을 설명하고, 롱 사이드에 있는 사람들은 적대적인 프로필과 보상을 가지고 있기 때문에 그 차이를 이해해야 한다고 말합니다.
00:45:00 Laurent Bernut는 공매도 전략에 대해 설명하며 많은 사람들이 쌍 거래를 공매도 전략과 연관짓고 있음에도 불구하고 공매도 전략이 아님을 강조합니다. 그는 또한 시장을 가격에 따라 강세, 약세, 결정적이지 않은 3가지 버킷으로 분류하는 레짐 정의와 해야 할 일: 레짐 정의, 상대적 계열 및 가치 함정에 대해 이야기합니다. Bernut는 실제 이야기나 성장이 없고 높은 배당 수익률이 없는 실적이 저조하고 "지루한" 주식에 집중할 것을 권장합니다.
00:50:00 Laurent Bernut는 공매도와 관련하여 아이디어 생성의 걸림돌에 대해 논의하고 회사의 성장을 몇 년 전에 성장했고 남은 것이 없기 때문에 수익률이 더 높은 노화의 개념과 비교합니다. 그는 또한 S&P 500의 그래프를 제시하고 빨간색과 녹색 실선이 각각 1년 고점과 저점을 기록한 주식의 수를 나타내는 반면 점선은 지수로 나눈 상대 계열에 대한 동일한 데이터를 나타내는 방법을 설명합니다. 모든 지수의 구성 요소 중 절반은 대체로 아웃퍼폼하고 절반은 언더퍼펌합니다. 즉, 문제가 되는 측면은 상단과 하단의 타이밍입니다. Bernut는 대신 섹터 회전을 제안하고 모든 영역 정의 방법의 히트 맵을 제시하여 레짐 정의에 대한 논의로 이어집니다.
00:55:00 Laurent Bernut가 양적 분석이든 근본적인 분석이든 거래에서 제도 정의의 중요성에 대해 논의합니다. 정권 정의는 시장의 개요 역할을 하며 거래자에게 강세인지 약세인지 알려줍니다. 체제를 분석함으로써 트레이더는 특정 주식의 실적이 우수하거나 저조한 이유를 조사할 수 있습니다. 이러한 질문에 대한 답변은 부문 순환, 일시적인 가격 책정 오류 및 특정 주식 실적의 세 가지 버킷으로 제공됩니다. Bernut는 또한 세 가지 고전적인 거래 전략인 추세 추종, 평균 회귀 및 i-breed를 소개합니다.
01:00:00 Laurent Bernut는 고전적인 추세 추종 및 평균 회귀 전략의 단점에 대해 논의하고 확장 및 단기 이익 실현의 중요성을 강조합니다. 이를 통해 거래자는 이익을 빠르게 포착하고 승률을 높일 수 있으며 복권과 같은 거래는 장기적으로 실행할 수 있습니다. 또한 그는 공매도의 역학 관계와 공매도의 기본인 순 익스포저의 드리프트를 이해해야 할 필요성에 대해 설명합니다. 마지막으로 그는 돈 관리가 이 게임에서 수익을 내는 데 필수적이라고 말합니다.
01:05:00 발표자는 공매도를 위해 선호하는 시간 프레임에 대한 질문에 응답합니다. 팟캐스트로 유명한 친구인 마이크 코벨(Mike Covell)의 접근 방식에 따라 공매도 스타일이 추세 추종이라고 설명합니다. 또한 공매도 시 차입 활용이 기관투자가의 개입을 나타내므로 중요성을 강조한다. 차입이용률이 50을 넘으면 기관투자자들이 건물을 떠났다는 신호이며, 주식을 끌어내릴 사람은 매도할 것 같지 않은 안정적인 주주들뿐이라고 주장한다. 따라서 섹터 로테이션이 끝나기 전까지 장기간 지속될 수 있기 때문에 섹터 로테이션 주기를 따르고 상대적으로 조기에 진입하는 것이 중요합니다.
01:10:00 Laurent Bernut가 주식 시장 노출의 개념, 특히 총 노출, 순 노출 및 순 베타에 대해 논의합니다. 그는 강세장에서 투자자들은 일반적으로 순매수이고 순베타가 양수인 반면 변동성이 낮고 베타가 높은 주식은 공매도할 것이라고 설명합니다. 그러나 Bernut는 네거티브 넷 베타를 갖는 것은 달성하기 매우 어렵고 전 세계 소수의 투자자에 의해서만 가능하다고 지적합니다.
01:15:00 Laurent Bernut가 부정적인 순노출 없이 하락장에서 적절하게 위치하는 방법에 대해 설명합니다. 약세장에서는 유틸리티, 필수 소비재 및 식품과 같은 낮은 베타 영역에서 방어적인 롱 포지션을 취해야 합니다. 이러한 보유 자산은 낮은 변동성으로 인해 초대형이 될 수 있습니다. 반면에 기하급수적으로 상승한 하이 베타 주식은 가장 심하게 하락하기 때문에 공매도해야 합니다. 이렇게 하면 롱 포지션이 무겁고 숏 포지션이 더 가볍고 휘발성이 강해 순 익스포저가 긍정적인 결과를 얻을 수 있습니다. 과거에는 주식 선택이 실패했지만 공매도는 리스크 관리와 포지션 사이징에 관한 것이므로 약세장에서 살아남는 전략입니다.
01:20:00 Laurent Bernut는 시간이 지남에 따라 수익성 있는 거래가 복합화되도록 하기 위해 승자를 확장하는 것의 중요성에 대해 논의합니다. 그는 초기에 높은 확률의 이익을 취한 다음 나머지 거래를 실행하여 추세 추종으로 큰 이익을 얻을 수 있다고 조언합니다. 그러나 공매도 시에는 숏 스퀴즈의 위험이 있으므로 테이블에서 돈을 빨리 빼는 것이 중요합니다. Bernut는 또한 손절매 주문은 정상적인 거래 결정의 일부가 되어서는 안 되며 투자 결정이 무효화되거나 취소되는 지점에만 배치되어야 한다고 강조합니다. 변동성 대역 내에서 손절매 주문을 하면 소음이 발생하고 기대 이득에 부정적인 영향을 미칠 수 있습니다.
01:25:00 Laurent Bernut는 손절매가 평균 손실, 승률, 손실률 등 4가지 변수 중 3가지에 영향을 미치기 때문에 손절매가 기대 이득에서 가장 큰 변수인 방법에 대해 설명합니다. 그는 손절매를 논리적이고 예산적인 문제로 만들고 최상의 솔루션을 찾기 위해 실험을 하라고 조언합니다. 상품 매도 전문화에 대한 질문에 대해 Bernut는 자신의 지식 부족을 인정하지만 상대 단계를 취하고 제도를 살펴보는 그의 방법을 사용하면 보기보다 주식 거래가 쉬워질 것이라고 제안합니다. 그는 돈이 돈 관리 모듈에서 만들어지며 주식 선택이 수익의 주요 결정 요인이 아니라는 점을 강조하면서 결론을 내립니다.
01:30:00 Laurent Bernut는 자금 관리 수익의 중요성과 수익을 창출하는 것이 단지 주식 선택이 아닌 방법에 대해 이야기합니다. 그는 서로 다른 포트폴리오가 동일한 주식을 보유하고 있지만 투자 규모로 인해 수익이 다른 Fidelity 회사의 예를 제공합니다. Bernut는 계속해서 그래프를 예로 들어 등가중, 등위험, 볼록, 오목 등 다양한 자금 관리 알고리즘을 설명합니다. 그는 서로 다른 알고리즘을 서로 다른 기어로 자동차를 운전하는 것과 비교하고 시장 조건에 따라 위험을 조절하는 것의 중요성을 강조합니다.
01:35:00 Laurent Bernut는 금융 산업에서 수익을 창출하는 데 자금 관리의 중요성을 강조합니다. 그는 포지션 사이징, 위험 관리 및 포트폴리오 관리에서 가장 큰 발전이 이루어질 것이라고 제안합니다. 그는 오목 및 볼록 하단 라인의 조정이 위험을 조정하고 다른 위험 프로필을 생성하는 데 사용될 수 있다고 믿습니다. 이는 거래에 투입되는 포트폴리오의 크기를 관리하는 효율적인 방법입니다. Bernut에 따르면 이것이 기계 학습과 AI가 차세대 금융 분야에서 큰 발전을 이루는 데 기여할 곳입니다.
01:40:00 Laurent Bernut가 위험 관리, 롱숏 포트폴리오의 Black Litterman 최적화, 롱숏 포트폴리오와 레버리지 간의 관계에 대한 시청자의 질문에 답합니다. Bernut는 위험 관리에는 천천히 다시 가속하거나 감속할 시기를 아는 것이 포함되며, 롱숏 포트폴리오를 활용하면 수익을 높일 수 있지만 주의해서 사용하지 않으면 양날의 검이 될 수도 있다고 설명합니다. 그는 또한 Black Litterman 최적화를 개인적으로 사용하지는 않았지만 상한 설정을 반복하는 것이라고 언급했습니다. 마지막으로 Bernut는 공개 위험과 상대 위험 조정 수익을 사용하여 자신의 거래에서 위험을 관리하는 개인적인 접근 방식을 공유합니다.
01:45:00 Laurent Bernut는 복합적 접근 방식을 사용하기보다는 독립적으로 주식을 관리하는 것을 선호한다고 설명합니다. 시간 프레임에 관해서는 시장이 이 수준에서 수많은 기회를 제공하기 때문에 그는 매일 거래합니다. 그는 또한 더 긴 시간 프레임에서 긍정적 기대치를 갖는 것이 더 쉽다고 생각하지만 이로 인해 수익률이 낮아지고 이직률이 느려질 수 있습니다. 마지막으로 Bernut는 컴퓨터와의 거래 문제를 다루며 우리가 그들에게 벌을 받는 것이 아니라 그들과 경쟁하고 있음을 상기시킵니다.
01:50:00 Laurent Bernut가 소매 거래에서 AI 및 기계 학습의 사용에 대해 논의합니다. 그는 시장 예측을 위해 AI와 기계 학습을 사용하는 것은 무작위성이 여기에 있기 때문에 실패할 수밖에 없다고 믿습니다. 기관을 설립하는 소매 상인은 생각보다 쉽습니다. 물량이 움직이고 주식이 추세를 보이는 곳을 관찰함으로써 대형 기관의 꼬리에 올라탈 수 있습니다. 소매 거래자는 고주파 거래에서 대형 기관을 이길 수는 없지만 광범위한 연구가 필요하지 않은 추세와 틈새 시장을 항상 거래할 수 있습니다. 전반적으로 Bernut는 픽 바이 픽 거래에서 대형 기관과 경쟁하려는 시도에 대해 조언하고 더 쉽게 진입하고 성공할 수 있는 영역을 찾도록 권장합니다.
01:55:00 Laurent Bernut는 공매도인이 애널리스트보다 정보를 더 빠르게 처리하는 데 있어 어떤 이점이 있는지, 틈새 시장을 찾고 부정적인 기대에 집중하는 것이 얼마나 중요한지에 대해 설명합니다. 매도 사고방식을 유지하는 것에 대한 질문에 Bernut는 겸손을 유지하고 자신이 틀렸을 때 받아들이고 계속 진행하며 손절매를 설정하라고 조언합니다. 그는 심지어 가축 사냥을 낚시에 비유하며 무자비하게 가축을 자르고 그물을 넓게 던지는 방법을 설명합니다. 마지막으로, 그는 HFT가 더 많은 수익을 내는 것이 문제가 아니라 각 거래자가 자신의 틈새 시장을 찾고 자신의 권리로 성공하는 것이 더 중요하다고 말하면서 저주파 및 중빈도 거래자가 고주파 거래자를 상대로 기회가 있는지 여부에 대해 대답합니다.
02:00:00 연사는 거래에서 HFT의 역할과 본질적으로 어떤 일이 있어도 감면을 받는 세금으로 작용하는 방식에 대해 논의합니다. 그는 또한 HFT에서 승리하는 것은 군비 경쟁이며, 당신이 무리보다 앞서거나 다른 사람의 점심값을 지불하는 것이라고 언급합니다. 시대의 흐름을 보는 것보다 시간이 그릇된 그릇이고 정권을 보는 것이 낫다고 믿는다. 장기 노출과 단기 노출의 관점에서 그는 뮤추얼 펀드에서 퀀트나 건슬링거가 사용하는 표준 장기 확장 130/30 또는 140/40 모델에 대해 이야기합니다. 이들은 여전히 자산배분 게임에서만 롱으로 분류되기 때문에 인기가 있지만 그는 총 익스포저 수준이 아닌 순 베타 벤치마크를 고려할 것을 제안합니다.
02:05:00 연사는 자산 배분 측면에서 130/30 전략이 어떻게 작동하는지, 그리고 잔차가 여전히 롱으로 분류되는 방식을 설명합니다. 130/30 전략은 130%의 롱 포지션과 30%의 숏 포지션을 갖는 것을 의미하며, 100%의 순 익스포저와 0에 가까운 현금 잔고를 제공합니다. 이 전략을 사용하는 펀드는 여전히 롱 온리로 분류될 수 있으며 각각의 인덱스에 벤치마킹됩니다. 발표자는 순 베타 명령이 가능한지 여부에 대해 흥미로운 학문적 요점을 제시하지만 이전에는 생각하지 못했던 기술적인 질문이라고 말합니다. 세션은 피드백을 제공하고 질문을 하기 위한 제안과 거래에서 정서 및 대체 데이터 사용에 대한 다음 세션에 참석하라는 알림과 함께 여기서 끝납니다.
알고 트레이딩 위크 2일 차를 소개하는 동안 연사는 퀀트 및 알고 트레이딩 전문가가 출연한 이전 세션을 인정합니다. 그들은 이 전문가들이 공유한 귀중한 통찰력을 간략하게 언급하여 오늘의 발표를 위한 무대를 마련합니다. 2일 차는 류후이 박사가 사회자로 나서 최고의 종목을 선별하고 실시간 거래에 임하는 데 집중했다.
연사는 또한 양적 및 알고리즘 거래의 기초를 다루는 세 가지 개별 테스트를 포함하는 진행 중인 알고 거래 대회를 강조합니다. 대회 우승자는 9월에 발표될 예정이며 이벤트에 기대감과 흥분을 더할 것입니다. 또한 연사는 다음 날 세션이 Aloha Bendu가 이끄는 공매도에 대한 2시간짜리 마스터 클래스가 될 것이라고 밝혔습니다. 이 클래스의 시간은 다른 시간대의 참가자를 수용하기 위해 조정됩니다.
Hui Liu 박사는 거래 아이디어를 생성하고, 이를 검증하고, 역사적 성과를 테스트하기 위한 기계 학습 모델을 구성하는 과정에 대해 논의하면서 프레젠테이션을 시작합니다. 그는 거래자들이 재무 보고서를 읽거나 소셜 미디어 플랫폼을 모니터링하여 회사의 성과를 측정함으로써 아이디어를 얻을 수 있다고 제안합니다. Liu 박사는 또한 S&P 500 지수를 추적하고 귀중한 과거 데이터 소스 역할을 하는 SPY ETF를 소개합니다. 그는 iBridgePi를 사용하여 거래 로봇을 만들기 전에 통계 모델을 사용하고 거래 아이디어를 검증하기 위한 백테스팅을 수행하는 것이 중요하다고 강조합니다.
그런 다음 추세 거래의 기본과 저가 매수 및 고가 매도의 중요성에 대해 Dr. Liu가 설명합니다. 그는 기계 학습 모델을 개발하기 위해 Jupyter Notebook에서 과거 데이터 수집 및 Python 활용에 대해 자세히 설명합니다. Liu 박사는 거래 목적으로 가장 유망한 주식을 식별하는 데 도움이 되는 주식 스크리너를 만드는 데 모델을 어떻게 사용할 수 있는지 보여줍니다. 그는 백테스팅과 실시간 거래를 통해 거래 아이디어를 검증하는 것의 중요성을 강조합니다.
그의 다음 부분에서 Dr. Liu는 Python을 활용하여 Yahoo Finance API에서 기록 데이터를 검색하고 기계 학습 모델을 구축하기 위해 조작하는 실습 데모를 제공합니다. 구체적으로 그는 SPY에 대한 일일 바 데이터를 검색하고 "이력 데이터 요청" 기능을 사용합니다. Liu 박사는 전날부터 오늘까지, 그리고 오늘부터 다음 날까지의 종가 변동률을 계산하는 데이터에 열을 추가합니다. 그는 어제부터 오늘까지 음의 종가 변화와 오늘부터 내일까지의 긍정적인 변화가 결합되어 가격이 하락할 때 주식을 살 수 있는 기회를 의미한다고 설명합니다.
그런 다음 주가를 예측하기 위해 기계 학습 모델을 구성하는 과정을 Dr. Liu가 자세히 설명합니다. 그는 종가, 어제의 가격 변동, 오늘부터 내일까지의 가격 변동에 대한 데이터를 수집합니다. 선형 회귀 모델을 활용하여 데이터를 피팅하고 결과를 분석합니다. Liu 박사는 검은색 선이 기계 학습 모델의 예측을 나타내고 흩어져 있는 데이터 포인트가 S&P 500에 대한 Yahoo Finance의 일일 주가를 나타내는 플롯을 표시합니다. 그는 음의 계수는 음의 상관관계를 의미하며, 가격이 하락하면 상승할 가능성이 높으며 그 반대도 마찬가지입니다. Liu 박사는 잠재적으로 이익을 창출하기 위해 자동 거래에 이 모델을 사용할 가능성을 고려합니다.
Liu 박사는 최고의 주식을 선택하고 실시간 거래에 참여하는 과정에 대해 논의합니다. 그는 거래자들이 거래일이 끝날 때 가격을 조사하여 시장 마감 근처에서 주문을 하기 전에 상승 또는 하락 움직임을 결정할 것을 권장합니다. 그는 모델이 다양한 주식과 어떻게 작동하는지에 대한 통찰력을 얻기 위해 주식 스크리너의 구성을 보여주고 추적할 유리한 주식을 식별합니다. Liu 박사는 자신의 모델이 내일 가격을 예측하기 위해 어제의 가격에 의존하는 상대적으로 단순하다는 점을 인정합니다. 따라서 예측 정확도를 높이고 거래를 걸러내기 위해 MACD(이동 평균 수렴 발산)와 같은 고급 지표의 통합을 고려합니다.
주식을 예측하고 걸러내기 위한 MACD의 활용은 저가 매도 고가 모델과의 비교와 함께 Dr. Liu에 의해 탐구됩니다. 그는 SPY에 MACD 10과 30을 적용했을 때 얻은 결과를 제시하면서 상대적으로 약한 경향을 드러낸다. 결과적으로 Liu 박사는 MACD를 미래 예측에 사용하는 것이 이전만큼 좋은 결과를 얻지 못할 수 있다고 결론지었습니다. 그는 통계적 기계 학습 모델의 구성에 대해 논의하고 수익 창출의 잠재적인 수단으로 저가 매도 고가 모델을 고려합니다. Liu 박사는 백테스트 및 라이브 거래를 용이하게 하는 Python 플랫폼인 Average Pi를 강조하며 100% 개인 정보 보호 기능, 여러 계정과의 호환성 및 데이터 공급자 측면의 유연성을 강조합니다. 그는 단 몇 줄의 코드를 사용하여 Average Pi에서 저가 매도 고가 모델을 구축하는 단순성과 효율성을 설명합니다.
Liu 박사는 Algo Trading Week Day 2를 사용하여 거래를 위한 구성을 설정하는 과정을 설명합니다. 그는 변수를 정의하고 구성을 설정하기 위해 시작 시 초기화 기능의 실행을 강조합니다. 예를 들어, 그는 "저가 매수, 고가 매도" 기능을 모든 거래일, 즉 시장이 마감되기 1분 전에 실행하도록 예약하여 어제 가격이 오늘보다 낮을 경우 포트폴리오의 100%를 SPY에 투자하도록 지시합니다. Liu 박사는 브로커 또는 제3자 공급자의 과거 데이터가 분 단위, 시간 단위 또는 매일을 포함하여 다양한 시간 프레임에서 어떻게 활용될 수 있는지 설명하면서 백테스팅 주제를 탐구합니다.
다음으로 Dr. Liu는 다양한 데이터 공급자와 패키지를 사용하여 선택한 전략을 백테스팅하는 과정을 시연합니다. 그는 실행을 위해 선택한 데이터 공급자를 확인하는 것과 함께 백테스팅 기간의 시작 시간과 종료 시간을 선택하라고 조언합니다. 데모 모드로 전환하면서 Dr. Liu는 IB(Interactive Brokers)와 같은 데이터 공급자 또는 로컬 기록 데이터를 백테스팅 전략에 사용할 수 있음을 나타내는 프로세스를 보여줍니다. 그는 로컬 파일에 저장된 사용 가능한 기록 데이터를 활용하여 백테스팅 설정 구성에 대한 지침을 제공합니다.
Liu 박사는 과거 데이터를 사용하여 거래 전략의 효과를 테스트하기 위한 백테스팅 사용을 시연합니다. 그는 광범위한 백테스팅 기간 동안 의미 있는 일일 바 데이터를 얻는 것이 어렵다는 점을 인정합니다. 이 장애물을 극복하기 위해 그는 데이터를 시뮬레이션하기 위해 일일 막대의 종가를 활용할 수 있는 시뮬레이션된 분 막대 데이터의 개념을 도입합니다. 이는 백테스팅 목적에 필요한 정확한 데이터에 액세스하는 데 어려움을 겪는 트레이더를 위한 프로세스를 단순화합니다.
Liu 박사는 2000년부터 2020년까지 S&P 500의 매수 후 보유 전략과 비교하여 "저가 매수 고가 매도" 모델을 백테스팅한 결과를 제시합니다. $800,000에 비해 $200,000의 가치. 그는 간단한 선형 회귀를 통해 관찰된 작은 상관 관계에도 불구하고 모델이 여전히 긍정적인 결과를 제공한다는 점을 인정합니다. 그런 다음 Liu 박사는 라이브 거래 주제로 전환하여 프로그램을 실행하기 전에 원하는 전략을 선택하고 Interactive Brokers의 계정 코드를 입력하기 위해 두 줄의 코드를 수정하는 것만큼 간단할 수 있음을 나타냅니다. 그는 참석자들에게 코딩 지원을 위해 이메일을 통해 연락하거나 캘리포니아주 산호세에서 대면 회의를 주선하도록 초대하는 것으로 프레젠테이션을 마무리합니다.
Q&A 세션 동안 실시간 거래에서 동일한 결과를 제공하는 백테스트 전략의 확실성에 관한 질문이 제기됩니다. Liu 박사는 과거 데이터가 과거를 나타내고 모델이 통계적 안정성을 나타낼 수 있지만 가격 자체는 변동성이 있으며 특히 시장 종가에 가깝다고 설명합니다. 따라서 미래 예측의 변수는 불가피하다. 그러나 오랜 기간 동안 전체 모델은 사실이어야 합니다. 그는 단순성과 이해의 용이성 때문에 선형 회귀 모델을 활용한다고 언급하지만 더 정교한 기계 학습 모델이 잠재적으로 더 나은 결과를 얻을 수 있음을 인정합니다. Liu 박사는 거래 비용과 슬리피지(slippage) 문제도 다루며 실제 거래 전략을 구현할 때 고려해야 하며 전략의 전반적인 성과에 영향을 미칠 수 있다고 말했습니다.
저가 매도 고가 모델과 함께 다른 기술 지표를 사용하는 것과 관련하여 또 다른 질문이 제기됩니다. Liu 박사는 트레이더가 추가 지표를 전략에 통합할 수 있는 Average Pi 플랫폼의 유연성을 강조하여 응답합니다. 그는 MACD(이동 평균 수렴 발산) 지표가 거래를 필터링하고 예측 정확도를 높이는 데 유용한 추가 기능이 될 수 있다고 언급합니다.
참가자는 거래 신호와 시장 마감 사이의 시간 간격의 중요성에 대해 묻습니다. Liu 박사는 선택한 시간 간격은 개인의 선호도와 거래 전략에 따라 다르다고 설명합니다. 원하는 거래 실행 시간에 따라 시장 마감까지 몇 분 또는 몇 시간이 걸릴 수 있습니다. 그는 트레이더들에게 특정 전략에 가장 적합한 것을 찾기 위해 다양한 시간 간격을 실험해 보라고 조언합니다.
시장 변동성이 저가 매도 고가 매도 모델에 미치는 영향에 대한 질문에 대해 Dr. Liu는 변동성 증가가 잠재적으로 더 많은 거래 기회를 창출할 수 있음을 인정합니다. 그러나 그는 변동성이 높으면 위험도 높아지므로 트레이더는 위험 허용 범위를 신중하게 고려하고 그에 따라 전략을 조정해야 한다고 경고합니다.
참가자는 저점 매수 고가 매도 모델의 잠재적 한계에 대해 질문합니다. Liu 박사는 모델의 단순성이 장점이자 한계임을 인정합니다. 긍정적인 결과를 생성할 수 있지만 더 복잡한 시장 역학을 포착하지 못할 수 있으며 잠재적으로 특정 거래 기회를 놓칠 수 있습니다. 그는 더 발전된 전략과 모델을 탐색하려는 거래자들이 양적 금융에 대해 더 깊이 파고들고 다른 기계 학습 알고리즘을 탐색하는 것을 고려해야 한다고 제안합니다.
Q&A 세션은 Dr. Liu가 참석자들에게 추가 질문이 있거나 코딩 지원을 하겠다는 의사를 밝히고 이메일을 통해 그에게 연락할 것을 권장하는 것으로 마무리됩니다.
00:00:00 연사는 Algo Trading Week Day 2를 소개하고 퀀트 및 알고 거래에 대한 전문가와의 이전 세션을 간략하게 언급합니다. 이날 프레젠테이션의 초점은 Hui Liu 박사가 발표한 최고의 주식 선택 및 라이브 거래 방법입니다. 연사는 또한 알고 트레이딩 대회와 퀀트 및 알고리즘 트레이딩의 기둥에 대한 세 가지 테스트에 대해 간략하게 설명합니다. 우승자는 9월 말에 발표됩니다. 내일 세션은 참가자의 위치에 따라 평소보다 일찍 진행되는 Aloha Bendu의 공매도에 대한 2시간짜리 마스터 클래스가 될 것입니다.
00:05:00 Dr. Hui Liu가 거래 아이디어를 떠올리고 이를 검증한 다음 기계 학습 모델을 구축하여 과거의 성과를 테스트하는 방법에 대해 설명합니다. 그는 회사 실적에 대한 느낌을 얻기 위해 재무 보고서를 읽거나 소셜 미디어를 사용하는 것이 거래 아이디어를 떠올리는 한 가지 방법이 될 수 있다고 제안합니다. 그런 다음 S&P 500 지수를 추적하는 SPY ETF와 이를 과거 데이터 소스로 사용할 수 있는 방법에 대해 이야기합니다. Liu 박사는 또한 iBridgePi를 사용하여 거래 로봇을 만들기 전에 거래 아이디어를 검증하기 위해 통계 모델과 백테스팅을 사용한다고 언급합니다.
00:10:00 Dr. Hui Liu가 추세 거래의 기본 사항과 저가 매수 및 고가 매도의 중요성에 대해 설명합니다. 이 개념을 바탕으로 그는 Jupyter Notebook에서 Python을 사용하여 과거 데이터를 수집하고 기계 학습 모델을 구축하는 방법을 설명합니다. 그는 또한 모델을 사용하여 거래에 가장 적합한 주식을 식별하는 데 도움이 되는 주식 스크리너를 만드는 방법을 보여줍니다. 마지막으로 그는 백테스팅과 실시간 거래를 통해 거래 아이디어를 검증하는 것의 중요성을 강조합니다.
00:15:00 Dr. Hui Liu는 Python을 사용하여 Yahoo Finance API에서 기록 데이터를 검색하고 데이터를 조작하여 기계 학습 모델을 구축하는 방법을 시연합니다. 데이터는 일일 막대가 있는 SPY에 대해 검색되며 기록 데이터를 검색하는 데 사용되는 기능은 "기록 데이터 요청"입니다. 기계 학습 모델을 구축하기 위해 Dr. Liu는 어제부터 오늘까지, 그리고 오늘부터 내일까지 종가 변동을 백분율로 계산하는 몇 가지 열을 추가합니다. 그는 어제부터 오늘까지의 종가 변화가 음수이고 오늘부터 내일까지의 종가 변화가 양수라면 가격이 하락할 것이라는 그의 예측이 있기 때문에 주가가 하락할 때 주식을 살 기회가 있다는 것을 의미한다고 설명합니다. 위로.
00:20:00 Hui Liu 박사가 주식 가격을 예측하기 위해 기계 학습 모델을 구축하는 과정을 설명합니다. 그는 종가, 어제의 가격 변동, 오늘부터 내일까지의 가격 변동에 대한 데이터를 수집하는 것으로 시작합니다. 그런 다음 그는 선형 회귀 모델을 사용하여 데이터를 맞추고 결과를 분석합니다. 플롯의 검은색 선은 기계 학습 모델의 예측을 나타내고 흩어져 있는 데이터 포인트는 S&P 500에 대한 Yahoo Finance의 일일 주가를 나타냅니다. Liu는 음의 계수는 음의 상관관계를 의미하며 이는 가격이 하락할 때 오를 가능성이 있고 가격이 오르면 내릴 가능성이 높습니다. 궁극적으로 Liu는 이 모델을 자동 거래에 사용하여 잠재적으로 수익을 낼 수 있는지 여부를 고려합니다.
00:25:00 Dr. Hui Liu가 최고의 주식을 선택하고 실시간 거래하는 방법에 대해 설명합니다. 그는 거래자들이 거래일이 끝날 때 가격을 보고 가격이 오르는지 내리는지 확인한 다음 거래 시장이 끝날 때 주문을 할 것을 제안합니다. 그는 모델이 다른 주식에 대해 어떻게 작동하고 어떤 주식이 따라가기에 좋은지 이해하기 위해 주식 스크리너를 구축하는 방법을 보여줍니다. Liu 박사는 내일을 예측하기 위해 어제의 가격을 사용하기 때문에 자신의 모델이 너무 단순하다고 설명합니다. 그래서 그는 이동 평균 수렴 발산(MACD)과 같은 고급 지표를 사용하여 거래를 예측하고 필터링하는 것을 고려합니다.
00:30:00 Dr. Hui Liu가 MACD를 사용하여 주식을 예측하고 필터링하는 방법에 대해 설명하고 이를 저가 매도 고가 모델과 비교하는 방법에 대해 설명합니다. 그는 Spy에서 MACD 10과 30을 사용했을 때의 결과를 보여 상대적으로 약한 추세를 드러내고 향후 예측에 MACD를 사용하는 것이 이전만큼 성공적이지 않을 것이라고 결론을 내립니다. Liu 박사는 통계적 기계 학습 모델을 구축하고 잠재적으로 이익을 내기 위해 저가 매도 고가 모델을 고려하는 것에 대해 논의합니다. 그런 다음 그는 백테스팅 및 실시간 거래를 위한 Python 플랫폼인 Average Pi 사용에 대해 논의하면서 여러 계정을 관리하고 백테스팅을 위해 모든 데이터 공급자를 사용할 수 있는 100% 개인 정보 보호 기능을 강조합니다. 마지막으로 Dr. Liu는 Average Pi에서 단 몇 줄의 코드로 저가 매도 고가 모델을 구축하는 방법을 안내하며 단순성과 효율성을 강조합니다.
00:35:00 Hui Liu 박사가 Algo Trading Week Day 2를 사용하여 거래를 위한 구성을 설정하는 과정을 설명합니다. Dr. Liu는 실행 시작 시 초기화 기능을 실행하여 변수를 정의하고 구성을 설정합니다. 일례로 Dr. Liu는 "저가 매수, 고가 매도" 기능을 모든 거래일, 시장 마감 1분 전에 실행하고 어제 가격이 오늘 가격보다 낮은 경우 포트폴리오의 100%를 SPY로 매수하도록 예약합니다. 그런 다음 Liu 박사는 분 단위, 시간 단위 또는 일 단위로 브로커 또는 타사 데이터 공급자의 기록 데이터를 사용하여 백 테스트하는 방법을 설명합니다.
00:40:00 Dr. Hui Liu가 다양한 데이터 공급자와 패키지를 사용하여 선택한 전략을 백테스트하는 방법을 시연합니다. 그는 백테스트를 수행하는 가장 쉬운 방법은 시작 시간을 선택하고 백테스트를 위한 종료 시간을 선택한 다음 데이터 공급자가 실행하도록 확인하는 것이라고 설명합니다. Liu 박사는 프로세스를 보여주기 위해 데모 모드로 전환하고 IB와 같은 데이터 공급자 또는 로컬 기록 데이터를 사용하여 전략을 백테스트할 수 있다고 언급합니다. 그는 로컬 파일에서 사용 가능한 기록 데이터를 사용하면서 백테스팅 프로세스를 설정하는 방법에 대해 추가로 안내합니다.
00:45:00 Dr. Hui Liu가 과거 데이터를 사용하여 거래 전략의 효과를 테스트하기 위해 백테스팅을 사용하는 방법을 시연합니다. 그는 데이터가 의미가 있어야 하지만 트레이더는 긴 백테스팅 기간 동안 일일 바 데이터를 찾는 데 어려움을 겪을 수 있다고 설명합니다. 그러나이 문제를 해결하기 위해 그는 데이터를 사용할 수없는 경우 데이터를 시뮬레이션하는 데 사용할 수있는 시뮬레이션 분 막대 데이터의 개념을 도입합니다. 이는 백테스팅을 위한 올바른 데이터를 찾는 데 어려움을 겪는 트레이더를 위해 프로세스를 단순화하는 데 도움이 될 수 있습니다.
00:50:00 Hui Liu 박사는 2000년부터 2020년까지 S&P 500의 매수 후 보유 전략과 비교하여 "저가 매수 고가 매도" 모델을 백테스팅한 결과를 시연합니다. 이 모델은 매수 후 보유 전략을 능가했습니다. , $200,000에 비해 $800,000의 포트폴리오 가치를 산출합니다. 그는 단순 선형 회귀를 사용한 상관관계가 적은 수였지만 여전히 좋은 결과를 낳았다고 지적합니다. 그런 다음 Liu 박사는 프로그램을 실행하기 전에 전략을 선택하고 IB(Interactive Brokers)에 대한 계정 코드를 입력하기 위해 코드 두 줄만 변경하는 것만큼 간단하다고 말하는 라이브 거래로 전환합니다. 그는 참석자들에게 코딩 지원을 위해 이메일로 연락하거나 캘리포니아 산호세에 있을 경우 직접 만나도록 초대하면서 프레젠테이션을 마무리합니다.
00:55:00 Dr. Hui Liu는 실시간 거래에서 동일한 결과를 제공하는 백테스트 전략의 확실성에 대한 질문에 답합니다. 그는 과거 데이터는 과거일 뿐이며 모델이 통계적으로 안정적일 수 있지만 가격은 변동성이 있으며 특히 시장 종가에 가깝다고 설명합니다. 따라서 미래를 예측하는 변수는 항상 존재하지만 장기적으로는 전체 모델이 여전히 참일 것입니다. 그는 선형 회귀 모델을 사용하는 이유는 이해하기 가장 쉬운 모델이지만 랜덤 포레스트 모델과 같은 다른 모델을 사용할 수 있기 때문이라고 말합니다. 그러나 모델을 간략하게 설명하는 것은 어려울 수 있으며, 과적합을 피하기 위해 더 간단한 모델을 사용해야 합니다.
01:00:00 Dr. Liu는 모델을 재교육하는 빈도와 손절매 또는 이익실현을 통해 위험을 관리하는 방법에 대해 논의합니다. 그는 재교육이 모델의 종류와 가지고 있는 데이터의 양에 달려 있다고 제안합니다. 더 많은 데이터를 보유하면 더 나은 결과와 예측 가능성을 얻을 수 있습니다. 손절매를 통해 위험을 관리하는 경우 모델에 직접 적용하기는 어렵지만 백테스팅 프레임워크에 통합하여 손절매 지점을 설정하고 결과를 손절매 없는 전략과 비교할 수 있다고 조언합니다. 마지막으로 그는 해당 분야의 기관을 이길 방법이 없기 때문에 일반 거래자들에게 고주파 거래에 관여하지 말라고 경고합니다.
01:05:00 Dr. Hui Liu가 백테스트에 필요한 최저 수준과 신뢰할 수 있는 결과에 필요한 데이터 양에 대해 논의합니다. 그는 신뢰할 수 있는 테스트를 위한 최저 수준은 얻을 수 있는 데이터 포인트의 최대 수이며 일별 또는 시간별 막대를 기준으로 판단해야 한다고 말합니다. 그는 요인의 수를 모델과 비교할 때 각 요인에 대해 모델에 맞는 100개의 데이터 포인트가 있어야 하며 그렇지 않으면 모델이 그다지 훌륭하지 않을 것이라고 제안합니다. 마지막으로 호스트는 Dr. Liu에게 감사를 표하고 다음 수업을 발표합니다.
Dr. Ernest Chan과의 Q&A 세션은 전문가가 지식을 갱신할 수 있도록 하면서 초보자에게는 알고리즘 거래의 기초를 배울 수 있는 기회를 제공하기 위해 고안된 알고리즘 거래 경쟁을 소개하는 연사로 시작됩니다. 대회는 상위 3명의 우승자에게 장학금 및 공로 증명서와 같은 상품을 제공합니다. PredictNow.ai 및 QTS Capital Management의 창립자이자 CEO이자 양적 거래에 관한 세 권의 책을 저술한 Dr. Chan이 자신의 전문 지식을 청중과 공유합니다.
Chan 박사는 지난 10년 동안 양적 거래의 우세를 강조하는 것으로 시작하여 미국 거래소 거래량의 최대 90%가 알고리즘 거래에 기인한다고 추정합니다. 그는 퀀트 트레이딩이 임의 트레이딩보다 우월하다고 주장하지는 않지만 트레이딩 전략을 자동화하거나 체계화할 수 있는 기회를 간과하지 않는 것이 중요하다고 강조합니다. 기관과 경쟁하는 개인 거래자의 관점에서 Chan 박사는 용량이 제한된 틈새 전략이 최고의 기회를 제공한다고 제안합니다. 이러한 전략은 종종 대규모 기관에 매력적이지 않고 드문 거래를 포함하므로 독립 거래자에게 실행 가능한 옵션이 됩니다.
대규모 기관이 경쟁하지 않는 알고리즘 거래에서 틈새 시장을 찾는 것의 중요성을 언급하는 Chan 박사와 함께 토론이 계속됩니다. 그는 대형 플레이어와의 직접적인 경쟁을 피하고 경쟁이 거의 또는 전혀 없는 영역을 찾을 것을 권장합니다. Dr. Chan은 박사 학위 취득의 중요성에 대한 질문에 답변합니다. 양적 및 알고리즘 거래에서. 그는 성공적인 퀀트가 되기 위해서는 자신의 돈을 걸고 하는 것을 의미하는 "스킨 인 더 게임(skin in the game)"을 갖는 것이 중요하다고 강조합니다. 그는 거래자들이 이론적 지식에만 의존하기보다는 거래 전략 자체를 백테스팅하고 거래에 관한 블로그와 책을 읽어 시장에 대한 직관적인 이해를 발전시키는 데 집중할 것을 제안합니다.
Chan 박사는 성공적인 퀀트 트레이더는 박사 학위보다 실무 경험과 시장 이해를 우선시해야 한다고 조언합니다. 그는 성공적인 퀀트가 되기까지는 시간이 걸린다고 지적하고, 거래 전략이나 특정 시장 현상에 초점을 맞춘 독창적인 연구를 백서 형식으로 작성하여 최고의 퀀트 펀드에 가입하려고 할 때 자신을 차별화할 것을 제안합니다. 그는 성공적인 단일 거래와 같은 짧은 추적 기록이 일관성과 지식을 증명하기에 충분하지 않다고 경고합니다. 주문 흐름 데이터를 거래 전략에 통합하는 것에 대한 질문에 대해 Dr. Chan은 지표로서의 가치를 인정하지만 그 자체로 포괄적인 단일 지표가 없기 때문에 다른 지표와 함께 사용해야 한다고 강조합니다.
거래 전략을 구축하기 위해 개별 지표를 사용하는 것의 한계는 Dr. Chan이 논의합니다. 그는 많은 사람들이 이러한 지표를 사용하여 효율성이 떨어진다고 지적합니다. 그는 기계 학습 프로그램의 많은 기능 중 하나로 통합할 것을 제안합니다. 퀀트 업계의 연령 차별에 대해 질문을 받았을 때 Dr. Chan은 개인 사업자로 운영하는 경우 연령 차별은 문제가 되지 않는다고 강조합니다. 또한 알파를 생성하는 데 기계 학습을 사용하는 것에 대한 자신의 견해를 공유하고 과대적합의 위험에 대해 경고하고 대신 위험 관리를 위한 도구로 권장합니다. 지연 시간이 짧은 거래와 관련하여 Chan 박사는 이 영역에서 양적 거래가 필요하다고 주장합니다. 마지막으로 그는 성공적인 실적을 넘어 퀀트 기반 헤지 펀드를 시작하려는 모든 사람에게 관리 기술이 필수적이라고 조언합니다.
Dr. Chan은 성공적인 자금 관리에는 거래 기술뿐만 아니라 관리 및 비즈니스 개발 기술이 필요하다고 강조합니다. 리더십 자질과 비즈니스 관리 배경을 갖는 것이 중요합니다. 인도 시장을 정량적으로 이해하는 것에 대해 묻는 질문에 그는 주로 규제로 인해 지식이 부족하다고 인정합니다. 전략을 실행하기 전에 페이퍼 트레이딩에 얼마나 많은 시간을 투자해야 하는지에 대한 질문에 Chan 박사는 그것이 트레이딩의 효율성에 달려 있다고 설명합니다. 매 초마다 거래를 실행하는 고주파 거래 전략의 경우 2주간의 종이 거래로 충분할 수 있습니다. 반대로 보유 전략의 경우 수행된 거래 수에 따라 통계적 유의성을 얻기 위해 3개월 동안 종이 거래가 필요할 수 있습니다.
Chan 박사는 수익성 있는 알파가 대부분 비가격 기반이라는 최근 연구 결과에도 불구하고 시계열 접근 방식이 여전히 알파 포트폴리오의 핵심이어야 하는지에 대해 논의합니다. 그는 산업 컨퍼런스에 참석하고, LinkedIn과 같은 플랫폼을 통해 전문가들과 네트워킹하고, 경험 많은 퀀트의 관심을 끌기 위해 거래에서 강력한 실적을 쌓을 것을 제안합니다. 그는 개인이 멘토를 찾고 잠재적 공동 작업자에게 다가가기 위한 적극적인 조치를 취하도록 권장합니다.
계속해서 Dr. Chan은 성공적인 퀀트 트레이딩 팀을 고용하고 교육하는 방법에 대한 통찰력을 공유합니다. 그는 고용된 개인이 위험 관리, 파생 상품 가격 책정 또는 데이터 과학 등 팀이 집중하고 있는 특정 기능에 대해 입증된 전문성을 보유해야 한다고 조언합니다. 팀의 목표가 수익성 있는 거래 전략을 개발하는 것이라면 해당 분야에서 이미 실적이 있는 사람을 고용하는 것이 가장 좋습니다. 또한 Dr. Chan은 거래를 위한 보편적으로 이상적인 시장은 없으며 팀은 자신이 가장 잘 아는 것에 집중해야 한다고 강조합니다. 그는 또한 고주파 거래자가 중간 및 저주파 거래자와 비교하여 단기 시장 방향을 예측하는 데 어떤 이점이 있는지 설명합니다.
토론은 Chan 박사가 짧은 기간을 넘어 시장 움직임을 정확하게 예측하는 문제와 고주파 거래 예측 활용과 관련된 복잡성에 대해 탐구하면서 계속됩니다. 그는 자신을 거래하는 대신 숙련된 거래자를 고용하는 거래에 대한 개인적인 접근 방식을 공유합니다. Dr. Chan은 재량적 전략을 사용하든 정량적 전략을 사용하든 관계없이 강력한 실적을 가진 트레이더를 고용하는 것이 중요하다고 강조합니다. 그의 연간 누적 성장률에 대해 묻자 그는 SEC 규정으로 인해 이 정보를 공개할 수 없다고 밝혔습니다. 마지막으로 그는 퀀트 트레이더가 일반적으로 모든 자산 클래스에서 동일한 전략을 사용하지 않기 때문에 알고리즘 거래 목적으로 Python 및 MATLAB과 같은 프로그래밍 언어를 비교하는 것이 어렵다고 지적합니다.
Chan 박사는 거래에 MATLAB과 Python을 사용하는 방법에 대해 이야기하며 개인적으로 MATLAB을 선호하지만 거래자들마다 선호하는 것이 다르며 언어 선택이 가장 중요한 요소는 아니라는 점을 인정합니다. 그는 거래 비용을 최적화하는 것은 해당 분야의 전문가에게도 어려운 일이므로 거래자에게 최우선 순위가 되어서는 안 된다고 생각합니다. 기계 학습 전략을 수정하거나 재교육하는 것과 관련하여 그는 시장 체제가 상당한 변화를 겪을 때만 그렇게 할 것을 제안합니다. 그는 또한 거래 기술을 향상시키기 위해 Python 또는 MATLAB과 같은 새로운 언어를 배워 기회를 확대할 것을 권장합니다.
Dr. Chan은 퀀트 트레이더가 되는 데 관심이 있는 개인에게 커리어 조언을 제공하며 세션을 마무리합니다. 그는 개인의 강점과 약점을 더 잘 이해하기 위해 옵션 거래와 같은 다양한 영역을 탐색할 것을 제안합니다. 그는 자신의 현재 초점이 기계 학습 기반 위험 관리 시스템을 보다 널리 사용 가능하게 만드는 데 있다고 언급하고 가까운 장래에 기계 거래 서적의 두 번째 버전을 발표할 계획이 없음을 분명히 합니다. 트레이더를 고용할 때 그는 길고 일관된 실적을 찾고 짧은 기간에 거래하기 위해 시계열 기법과 계량 경제학 모델을 사용할 것을 권장합니다. 종료 전략은 특정 거래 전략과 일치해야 하며 이에 따라 중지 또는 이익 목표 종료가 실행됩니다.
비디오가 끝나자 호스트는 귀중한 통찰력과 성공적인 퀀트가 되기 위한 다양한 질문에 답변한 시간에 대해 Dr. Ernest Chan에게 감사를 표합니다. 시청자는 답이 없는 질문이 있으면 이메일로 보내서 해결되었는지 확인하는 것이 좋습니다. 호스트는 다음 주에 알고리즘 거래 분야의 다른 존경받는 게스트와 함께 추가 세션을 발표하고 청중의 지원에 감사를 표하며 계속 시청하도록 격려합니다.
00:00:00 Dr. Ernest Chan과의 Q&A 세션에서 청중의 질문은 미리 선택된 질문과 함께 처리됩니다. 질의응답에 앞서 연사는 알고리즘 트레이딩 대회에 대해 소개했다. 초보자는 알고리즘 트레이딩의 기초를 익히고 전문가는 지식을 연마할 수 있는 기회를 제공한다. 대회의 상위 3명의 우승자는 장학금 및 공적 증서와 같은 상을 받게 됩니다. Chan 박사는 PredictNow.ai 및 QTS Capital Management의 설립자이자 CEO이며 양적 거래에 관한 세 권의 책을 저술했습니다.
00:05:00 Ernest Chan 박사는 양적 거래가 이미 지난 10년 동안 거래의 지배적인 형태였으며 일부 추정에 따르면 미국 거래소 거래량의 최대 90%가 알고리즘 거래 때문이라고 설명합니다. 그는 퀀트 매매가 일임 매매보다 낫다고 주장하지는 않지만 자신의 전략을 자동화하거나 체계화할 수 있는 기회를 무시하는 것은 현명하지 않다고 강조한다. Chan 박사는 기관과 경쟁하는 개인 트레이더의 경우 용량이 제한된 틈새 전략이 최고의 기회를 제공한다고 제안합니다. 이러한 전략은 종종 대규모 기관에 매력적이지 않고 드문 거래를 포함하므로 독립 거래자에게 실행 가능한 옵션이 됩니다.
00:10:00 Dr. Ernest Chan이 대규모 기관이 경쟁하지 않고 어떤 대가를 치르더라도 경쟁을 피하는 알고 거래에서 틈새 시장을 찾는 것의 중요성에 대해 논의합니다. 그는 대형 플레이어와 경쟁하지 말라고 조언하고 경쟁이 없는 틈새 시장을 찾을 것을 권장합니다. 그는 또한 박사 학위를 갖는 것의 중요성에 대한 질문에 답변합니다. 퀀트 및 알고 거래에서 그는 성공적인 퀀트가 되기 위해서는 게임에 스킨을 갖는 것이 중요하다고 조언합니다. 자신의 돈을 걸지 않고는 거래하는 법을 배우지 않고 수학이나 데이터 과학과 같은 부차적인 문제에 집중하지 못할 것입니다. 거래 전략을 직접 백테스팅하고 거래에 관한 블로그와 책을 읽어 시장에 대한 직관적인 이해를 발전시키는 것이 필수적입니다.
00:15:00 Dr. Ernest Chan은 성공적인 퀀트 트레이더의 초점은 박사 학위에서 얻은 이론적 지식보다는 시장 자체에 있어야 한다고 조언합니다. 그는 실제 경험에 대한 단일 초점이 필요하며 성공적인 퀀트가 되려면 시간이 걸린다고 제안합니다. 최고의 퀀트 펀드에 합류할 때 자신을 구별하기 위해 그는 거래 전략이나 특정 시장 현상에 초점을 맞춘 백서 형식의 독창적인 연구를 작성할 것을 권장합니다. 그는 또한 성공적인 거래와 같은 단기 실적만으로는 일관성과 지식을 증명하기에 충분하지 않다고 경고합니다. 주문 흐름 데이터 통합에 대한 후속 질문에 대해 그는 좋은 지표이지만 독립형 지표로는 충분하지 않으며 함께 활용해야 할 다른 많은 지표가 있다고 조언합니다.
00:20:00 Dr. Ernest Chan은 개별 지표를 사용하는 사람들이 많기 때문에 거래 전략을 구축하기 위해 개별 지표를 사용하는 것의 한계에 대해 논의합니다. 그는 기계 학습 프로그램의 많은 기능 중 하나로 통합할 것을 제안합니다. 퀀트 업계의 연령 차별에 대해 질문을 받았을 때 Dr. Chan은 누군가가 개인 소유주라면 연령 차별은 문제가 되지 않는다고 지적합니다. 그는 또한 알파를 생성하는 데 기계 학습을 사용하는 것에 대한 자신의 견해를 공유하고 과적합의 위험을 강조하고 대신 위험 관리 도구로 권장합니다. 지연 시간이 짧은 거래와 관련하여 Dr. Chan은 양적 거래가 이 영역에 필수적이라고 주장합니다. 마지막으로 그는 퀀트 기반 헤지펀드를 시작하려는 사람에게는 성공적인 실적을 넘어 관리 기술이 필수적이라고 조언합니다.
00:25:00 Ernest Chan 박사는 성공적인 자금 관리에는 거래 기술뿐만 아니라 관리 및 비즈니스 개발 기술도 포함된다고 강조합니다. 따라서 리더십 자질과 비즈니스 관리 배경을 갖는 것이 중요합니다. 인도 시장을 정량적으로 이해하는 것에 대한 질문에 그는 주로 규제 때문에 인도 시장에 대한 지식이 없다고 인정합니다. 전략을 실행하기 전에 페이퍼 트레이딩에 얼마나 많은 시간을 투자해야 하는지에 대한 질문에 Chan 박사는 그것이 트레이딩의 효율성에 달려 있다고 설명합니다. 매 초마다 거래되는 고빈도 거래 전략의 경우 2주간의 페이퍼 트레이딩이면 충분합니다. 한편, 홀딩 전략의 경우 특성 수에 따라 통계적 유의성을 얻기 위해 3개월 동안 페이퍼 트레이딩이 필요할 수 있습니다. 마지막으로 그는 수익성 있는 알파가 대부분 비가격 기반이라는 최근 연구 결과에도 불구하고 시계열 접근 방식이 여전히 알파 포트폴리오의 핵심이어야 하는지에 대해 논의합니다.
00:30:00 Ernest Chan 박사는 업계 회의에 참석하고, LinkedIn 또는 기타 플랫폼을 통해 전문가와 네트워킹하고, 거래에서 강력한 실적을 쌓을 것을 제안합니다. 그는 또한 멘토를 찾고 잠재적 공동 작업자에게 적극적으로 다가가라고 조언합니다. 확고한 평판을 쌓고 배우고 개선하려는 의지를 보이는 것은 숙련된 퀀트의 관심을 끌 수 있습니다.
00:35:00 Dr. Ernest Chan이 성공적인 Quantitative Trading 팀을 고용하고 교육하는 방법에 대해 설명합니다. 그는 고용된 사람이 위험 관리, 파생 상품 가격 책정 또는 데이터 과학 등 팀이 집중하고 있는 특정 기능에 대한 전문성을 입증해야 한다고 조언합니다. 팀의 목표가 수익성 있는 거래 전략을 개발하는 것이라면 이미 실적이 있는 사람을 고용하는 것이 가장 좋습니다. 또한 Chan은 보편적으로 좋은 거래 시장은 없으며 팀은 자신이 가장 잘 아는 것에 집중해야 한다고 말합니다. 마지막으로 그는 초단타매매 거래자들이 단기매매 거래자들과 단기매매 거래자들에 비해 단기적으로 시장 방향을 예측하는 데 어떤 이점이 있는지에 대해 설명합니다.
00:40:00 Dr. Ernest Chan이 짧은 기간을 지나 시장 움직임을 정확하게 예측하는 것의 어려움과 초단타매매 예측 활용의 어려움에 대해 논의합니다. 그는 또한 숙련된 거래자를 고용하고 자신을 거래하지 않는 거래에 대한 개인적인 접근 방식에 대해서도 언급합니다. Chan은 재량적 전략을 사용하든 정량적 전략을 사용하든 관계없이 강력한 실적을 가진 트레이더를 고용하는 것이 중요하다고 강조합니다. 연간 누적 성장률에 대한 질문에 Chan은 SEC 규정으로 인해 이 정보를 공개할 수 없다고 말했습니다. 마지막으로 그는 퀀트 트레이더가 일반적으로 모든 자산 클래스에서 동일한 전략을 사용하지 않으며 알고 트레이딩을 위해 Python과 MATLAB을 비교하는 것이 어렵다는 점에 주목합니다.
00:45:00 Dr. Ernest Chan이 거래에서 Matlab과 Python을 사용하는 방법에 대해 설명합니다. 그는 개인적으로 Matlab을 선호하지만 트레이더마다 선호도가 다르며 언어가 가장 중요한 측면이 아니라는 점을 인정합니다. 그는 또한 거래 비용을 최적화하는 것은 해당 분야의 전문가에게도 어려운 일이므로 거래자에게 우선순위가 되어서는 안 된다고 생각합니다. 기계 학습 전략을 수정하거나 재교육할 때 그는 시장 체제가 크게 변경되었을 때만 그렇게 하도록 제안하고 Python 또는 Matlab과 같은 새로운 언어를 학습하여 기술을 향상하면 거래자가 기회를 확장하는 데 도움이 될 수 있습니다.
00:50:00 Dr. Ernest Chan이 퀀트 트레이더가 되는 데 관심이 있는 개인을 위한 직업 조언을 논의합니다. 그는 개인의 강점과 약점을 더 잘 이해하기 위해 옵션 거래와 같은 다양한 영역을 시도해 볼 것을 제안합니다. 그는 또한 자신의 현재 초점이 머신 러닝 기반 위험 관리 시스템을 보다 널리 사용할 수 있도록 하는 데 있으며 가까운 장래에 머신 트레이딩 책의 두 번째 에디션을 발표할 계획이 없다고 언급했습니다. 트레이더를 고용할 때 그는 길고 일관된 실적을 찾고 짧은 기간에 거래하기 위해 시계열 기법과 계량 경제학 모델을 사용할 것을 권장합니다. 그는 출구 전략이 특정 거래 전략에 따라 달라지며 이에 따라 중지 또는 이익 목표 출구를 구현할 것을 제안합니다.
00:55:00 비디오는 성공적인 퀀트가 되는 것과 관련된 다양한 질문에 대한 통찰력 있는 답변과 시간을 내준 Dr. Ernest Chan에게 감사를 표하는 호스트로 끝납니다. 시청자는 세션 중에 답변되지 않은 질문을 이메일로 보내 답변을 받을 것을 권장합니다. 호스트는 다음 주에 알고 거래 분야의 다른 귀빈들과 추가 세션이 있을 것이라고 발표했습니다. 시청자 여러분의 성원에 감사드리며 계속 시청해 주시기 바랍니다.
알고 트레이딩 위크는 주최자가 주도하고 업계 전문가가 참여하는 매력적인 패널 토론으로 시작됩니다. 호스트는 이벤트 및 목적에 대한 배경 정보를 제공하기 위해 마케팅 및 아웃리치 이니셔티브 책임자를 초대하는 것으로 시작합니다. 마케팅 책임자는 Algo Trading Week의 주요 목표가 알고리즘 거래에 대한 접근성을 높이고 이를 주류로 가져오는 것이라고 설명합니다. 이 행사는 웨비나, 워크숍 및 무료 리소스와 같은 다양한 교육 이니셔티브를 통해 이를 달성하는 것을 목표로 합니다. 또한 Algo Trading Week는 회사의 11주년을 기념하는 행사로 7~8일에 걸쳐 다양한 세션과 경쟁을 제공합니다.
그런 다음 발표자는 Quantra 과정을 소개하면서 과정의 약 20-25% 이상을 무료로 사용할 수 있음을 강조합니다. 이것은 지역 사회의 지원과 기여를 통해 가능합니다. 연사는 더 많은 일을 하고 싶다는 소망을 표현하고 이것이 어떻게 일주일 간의 학습 축제를 조직하게 되었는지 설명합니다. 이 축제는 지식과 통찰력을 공유할 업계 최고의 전문가들을 한자리에 모았습니다. 연사는 받은 긍정적인 반응에 대해 감사를 표합니다.
계속해서 발표자는 토론에 참여할 패널 멤버를 소개합니다. 패널에는 Contra 콘텐츠 팀을 이끄는 Ishaan, QuantInsti의 공동 설립자 겸 CEO인 Nitish, Blue Shift의 부사장인 Pradipta, iRage의 공동 설립자이자 CEO인 Rajiv가 포함됩니다. 이 존경받는 패널리스트들은 다양한 관점과 전문성을 테이블에 제시합니다.
그런 다음 토론은 퀀트 및 알고리즘 트레이딩 경력에 필요한 기술 및 교육 배경 주제로 전환됩니다. 패널은 이 분야를 탐구하기 전에 관심과 열정을 맞추는 것이 중요하다고 강조합니다. 그들은 개인에게 상당한 시간과 노력을 기울일 준비를 하고 금융 시장, 프로그래밍 방법, 통계 및 계량 경제학에 대한 명확한 이해의 필요성을 강조하도록 조언합니다. 패널은 이러한 영역 중 하나 또는 두 가지에 대한 전문 지식이 필요하지만 세 가지 모두에서 최소 수준의 자격 기준을 충족해야 한다고 강조합니다. 패널은 또한 단기 코스가 개인이 현장에서 경쟁력 있는 플레이어가 되기 위해 필요한 기술을 개발하는 데 어떻게 도움이 될 수 있는지에 대해 논의합니다.
그런 다음 패널리스트는 양적 및 알고리즘 거래 과정을 수강할 때의 이점에 대해 자세히 설명합니다. 적절한 거래 프로세스를 따르고 수학과 통계를 활용하여 시장의 이상 현상을 탐색하는 것의 중요성을 강조합니다. 이 과정은 가설을 백테스팅하고 검증하는 데 필수적인 Python 기술을 가르칩니다. 또한 참가자는 BlueShift와 같은 플랫폼에서 전략을 종이로 작성하거나 실시간으로 거래할 수 있습니다. 패널리스트는 또한 시장에서 다양한 알파 소스와 소매 사용자가 기성 전략에만 의존하지 않고 리서치 및 라이브 거래 플랫폼을 사용하여 이점을 얻을 수 있는 방법에 대해 논의합니다. 그들은 거래 전략의 위험을 평가할 때 전략을 개별적으로 고려해야 할 뿐만 아니라 자신의 포지션과 전체 포트폴리오에 미치는 영향도 고려해야 한다고 강조합니다.
테스트 전략의 중요성과 알파에 대한 액세스 권한이 패널에서 추가로 논의됩니다. 그들은 다른 기술과 프로세스가 필요한 자체 플랫폼을 구축하는 것보다 체계적인 연구를 위해 BlueShift와 같은 플랫폼을 활용하는 것이 중요하다고 강조합니다. 패널리스트들은 거래가 다양한 스타일로 분류될 수 있으며 시장 발전의 영향이 그에 따라 달라진다는 점에 주목합니다. 그들은 퀀트 거래 산업이 기술 및 데이터 분석의 발전으로부터 어떻게 이익을 얻을 수 있는지 설명하기 위해 기계 학습 체스 프로그램의 비유를 사용합니다. 또한 증가된 시장 규모와 데이터 가용성으로 인해 중간 및 고주파 거래 전략에 사용할 수 있는 상당한 양의 정보를 강조합니다.
패널리스트는 양적 및 알고리즘 거래에 대한 기술의 영향으로 초점을 이동합니다. 그들은 빅데이터와 자동화의 중요성이 커지고 있음을 강조하고 고주파 거래자들이 경쟁이 심화되고 있음을 인정합니다. 패널리스트는 너무 빨리 전략을 구현하는 것에 대해 경고하면서 현장 진입을 고려하는 소매 투자자의 우려를 해결합니다.
패널리스트는 전략에 투자하기 전에 전략을 철저히 테스트하고 이해하는 것의 중요성을 강조합니다. 그들은 적절한 평가 없이 구현을 서두르는 위험을 피해야 할 필요성을 강조합니다. 그들은 특정 전략을 사용하기 전에 성공할 것으로 예상되는 이유를 이해하는 것이 중요하다고 강조합니다.
패널리스트는 거래 성공 확률을 높이기 위해 알파 아이디어, 테스트 및 위험 관리와 같은 입력에 집중하는 것의 중요성을 강조합니다. 그들은 이 과정이 느리고 지루해 보일 수 있음을 인정하지만, 이를 고수하고 성급한 의사 결정을 피하는 것이 필요합니다. 임의 거래에서 체계적 거래로 전환하려는 사람들을 위해 패널리스트는 시장 거래, 기본 수학 및 전략 기술, 프로그래밍, 특히 Python에 대한 기본적인 이해를 습득할 것을 권장합니다. 그들은 또한 개인에게 성공적인 거래자에 대해 읽고 시행착오를 통한 손실을 피하기 위해 경험을 통해 배우도록 조언합니다.
알고리즘 거래의 잠재적 함정과 이를 피하는 방법이 패널리스트들에 의해 논의됩니다. 그들은 전략의 편향을 식별하고 철저한 백테스팅과 분석을 통해 다양한 시장 조건에서 작동하는지 확인하는 것의 중요성을 강조합니다. 패널리스트는 교환 활동의 모델링을 과소평가하지 않도록 주의합니다. 이해가 부족하면 기회를 놓치거나 고주파 거래 전략에 대한 거래 실행이 크게 지연될 수 있기 때문입니다. 그들은 전략 개발에 대한 체계적인 접근 방식을 채택하고 단순 요소와 복합 요소를 모두 사용하여 광범위하게 테스트할 것을 권장합니다. 패널리스트는 능숙하고 성공적인 퀀트 트레이더가 되기 위해 코스, 웨비나 및 연습을 통해 필요한 기술을 습득할 것을 제안합니다.
패널리스트는 알고리즘 거래에 관심이 있는 개인에게 귀중한 조언을 제공합니다. 그들은 예측 편향, 백테스트에 대한 지나친 의존, 관련 위험을 고려하지 않은 고수익에 대한 과도한 확신에 대해 경고합니다. 패널리스트는 또한 과도한 레버리지를 피하는 것의 중요성을 강조하고 트레이더에게 수익을 평가할 때 관련된 위험을 고려하도록 상기시킵니다. 백 테스트 결과를 왜곡할 수 있는 편향의 존재를 강조하고 이러한 편향을 적절하게 이해하고 해결해야 할 필요성을 강조합니다.
연사는 거래 성공 가능성을 높이기 위해 백테스팅할 때 올바른 도구와 방법을 사용하는 것의 중요성을 강조합니다. 그들은 데이터를 올바르게 해석할 수 있는 능력을 가진 거래자들이 자유롭게 접근할 수 있는 오픈 소스 시스템과 데이터 과학 라이브러리의 부상으로 이용 가능한 기회를 강조합니다. 또한 클라우드 인프라를 사용하여 유연하게 서버를 임대하여 비용을 절감할 수 있는 가능성을 언급합니다. 연사들은 거래에서 성공을 달성하는 데 따른 어려움을 인정하고 거래 결정에서 두려움과 탐욕과 같은 감정적 영향을 피하기 위해 객관적이고 체계적인 접근 방식의 중요성을 강조합니다. 그들은 양적 및 알고리즘 거래 기술을 향상시키기 위해 Quantra에서 제공하는 것과 같은 과정을 수강할 것을 권장합니다.
그런 다음 연사는 거래의 모든 구성 요소를 객관적으로 배우고 존재하는 다양한 전략을 인식하는 것의 중요성에 대해 논의합니다. 그들은 양적 및 알고리즘 거래 또는 다른 분야에 관계없이 자신의 교육에 투자하는 가치를 강조합니다. 연사는 거래의 기초를 배우는 데 관심이 있는 개인을 위한 경쟁을 발표하고 거래자, 프로그래머 및 지식을 향상시키려는 모든 사람에게 열려 있습니다. 경쟁은 금융 시장, 수학 및 통계, 프로그래밍 및 기계 학습을 다루는 세 가지 퀴즈로 구성됩니다. 발표자는 시험 준비를 위한 리소스를 제공합니다.
발표자는 알고 트레이딩 위크에 대한 예정된 퀴즈에 대한 자세한 정보를 제공하며 다룰 날짜와 주제를 지정합니다. 점수에 따라 최종 순위표가 결정되므로 참가자는 표시된 리소스 또는 선호하는 다른 수단을 사용하여 준비하는 것이 좋습니다. 연사는 상위 3위 또는 상위 10위 참가자 사이에 순위를 매길 기회를 높이기 위해 세 가지 퀴즈를 모두 풀 것을 제안합니다. 또한 연사는 퀀트 설정에 필요한 하드웨어 요구 사항에 대해 논의하며 실행 하드웨어는 노트북처럼 간단하거나 클라우드의 최소 구성일 수 있다고 설명합니다. 그러나 고급 연구 기능을 사용하려면 최소 4GB의 RAM이 있는 더 나은 컴퓨터가 필요할 수 있습니다.
그런 다음 패널은 초단타매매(HFT) 및 계산량이 많은 펀드에 대한 하드웨어 요구 사항에 대해 자세히 설명합니다. 그들은 HFT가 더 빠른 교환 연결을 달성하기 위해 빈번한 하드웨어 업그레이드 및 개선이 필요하며 이는 알파 세대의 중요한 요소라고 강조합니다. 속도와 광범위한 연구 및 데이터 분석이 필요한 거래 전략에는 서버급 인프라가 필요합니다. 패널은 또한 알고리즘 거래를 "실행하고 잊어버리는" 메커니즘으로 취급하는 것에 대해 경고하며, 전략 성과를 정기적으로 모니터링하고 필요한 경우 클라우드 기반 거래 시스템을 활용하는 경우에도 시정 조치를 취할 필요성을 강조합니다.
패널토론이 끝나갈 무렵, 패널들은 세션에 적극적으로 참여해 주신 관객 여러분께 감사의 인사를 전합니다. 그들은 1시간 동안의 토론 동안 보여준 인내심에 감사하며 다음 날 열릴 다음 세션까지 작별을 고합니다. 패널은 이벤트에 참석한 모든 사람에게 감사와 행운을 기원하며 마지막 라운드를 마무리합니다.
00:00:00 Algo Trading Week의 주최자는 업계 전문가가 참여하는 패널 토론으로 이벤트를 시작합니다. 주최자는 마케팅 및 아웃리치 이니셔티브 책임자를 초대하여 이벤트에 대한 배경 정보와 이벤트를 만든 이유를 설명합니다. 마케팅 책임자는 웨비나, 워크샵 및 무료 리소스와 같은 교육 이니셔티브를 통해 알고리즘 거래에 대한 접근성을 높이고 주류로 만드는 것이 목표라고 설명합니다. 알고 트레이딩 위크는 회사의 11주년을 기념하는 행사로 향후 7~8일 동안 다양한 세션과 경연을 선보일 예정입니다.
00:05:00 연사는 Quantra 과정에 대해 이야기하며 과정의 20-25% 이상이 커뮤니티의 지원과 기여로 인해 무료라고 말합니다. 그들은 뭔가 더 하고 싶다고 설명하고 업계 최고의 사람들과 함께 일주일 간의 학습 축제를 조직하여 지식을 공유하고 긍정적인 반응을 얻었습니다. 그런 다음 발표자는 Contra 콘텐츠 팀을 이끄는 Ishaan, QuantInsti의 공동 창립자이자 CEO인 Nitish, Blue Shift의 부사장인 Pradipta, Contra의 공동 창립자이자 CEO인 Rajiv를 포함한 패널 구성원을 소개합니다. 분노. 그런 다음 토론은 퀀트 및 알고리즘 거래에 필요한 기술 및 교육 배경 주제로 전환됩니다.
00:10:00 패널은 퀀트 및 알고리즘 거래의 세계로 뛰어들기 전에 관심과 열정을 맞추는 것의 중요성에 대해 논의합니다. 그들은 개인이 상당한 시간과 노력을 기울일 필요가 있고 금융 시장, 프로그래밍 방법, 통계 및 계량 경제학에 대한 명확한 이해를 가지고 있어야 한다고 조언합니다. 그들은 세 가지 기둥이 모두 똑같이 중요하고 한두 가지에 대한 전문성이 필요하지만 세 가지 모두에서 최소한의 자격 기준을 충족해야 한다고 강조합니다. 패널은 또한 단기 코스가 사용자가 현장에서 경쟁력 있는 플레이어가 되기 위해 필요한 기술을 구축하는 데 어떻게 도움이 되는지에 대해 논의합니다.
00:15:00 패널리스트가 퀀트 및 알고리즘 거래 과정을 수강할 때의 이점에 대해 논의합니다. 이 과정은 거래에서 적절한 프로세스를 따르고 수학과 통계를 사용하여 이상 현상을 탐색하는 것의 중요성을 강조합니다. Python 기술은 과정에서 가설을 백테스트하고 검증하는 동시에 BlueShift와 같은 플랫폼에서 전략을 종이로 작성하거나 실시간 거래할 수 있는 기능을 제공합니다. 패널리스트는 또한 시장에서 다양한 알파 소스와 소매 사용자가 기성 전략에 의존하는 대신 리서치 및 라이브 거래 플랫폼을 사용하여 이익을 얻을 수 있는 방법에 대해 논의합니다. 거래 전략의 위험은 독립적일 뿐만 아니라 귀하의 포지션 및 전체 포트폴리오와 관련되어 있습니다.
00:20:00 패널은 소매 거래자에게도 테스트 전략의 중요성과 알파 액세스 권한에 대해 논의합니다. 또한 다양한 기술과 프로세스가 필요한 자체 플랫폼을 구축하는 대신 체계적인 연구를 위해 Blueshift와 같은 플랫폼을 사용하는 이점에 대해 논의합니다. 패널리스트는 거래가 다양한 스타일로 분기될 수 있으며 시장 발전의 영향이 그에 따라 달라진다고 지적합니다. 그들은 퀀트 거래 산업이 기술 및 데이터 분석의 발전으로부터 어떻게 이익을 얻을 수 있는지 설명하기 위해 기계 학습 체스 프로그램의 비유를 사용합니다. 그들은 또한 거래량 증가와 중간 및 고주파 거래 전략에 사용할 수 있는 엄청난 양의 정보를 언급합니다.
00:25:00 연사는 퀀트 및 알고리즘 거래 분야에 대한 기술의 영향에 대해 논의합니다. 빅데이터와 자동화는 점점 더 중요해지고 있으며 고주파 거래자들은 더 많은 경쟁에 직면하고 있습니다. 연사들은 현장 진입을 고려하고 있는 소매 투자자들의 우려를 다루며 전략을 너무 빨리 실행하는 것의 위험성에 대해 경고하고 투자하기 전에 전략을 철저히 테스트하고 이해하는 것의 중요성을 강조합니다. 특정 전략을 사용하기 전에 왜 성공할지 이해하는 것이 중요합니다.
00:30:00 알파 아이디어, 테스트 및 위험 관리와 같은 입력에 집중하는 것은 더 높은 성공 가능성을 보장하는 데 중요합니다. 느리고 지루한 프로세스처럼 보일 수 있지만 이를 고수하고 너무 빨리 구현에 들어가는 것을 피하는 것이 필요합니다. 임의 거래에서 체계적 거래로 전환하려는 사람들에게는 시장 거래에 대한 기본적인 이해, 기초 수학 및 전략 기술, 프로그래밍(특히 Python)을 습득하는 것이 중요합니다. 또한 성공적인 트레이더에 대해 읽고 시행착오를 통해 돈을 잃지 않도록 하는 것이 좋습니다.
00:35:00 패널리스트는 알고리즘 거래의 잠재적 함정과 이를 피할 수 있는 방법에 대해 논의합니다. 그들은 전략의 편향을 식별하고 백테스팅 및 분석을 통해 다양한 시장 체제에서 작동하는지 확인하는 것의 중요성을 강조합니다. 또한 이해 부족으로 인해 기회를 놓치거나 고주파 거래 전략에 대한 거래 실행이 크게 지연될 수 있는 교환 활동 모델링을 과소평가하지 않도록 주의합니다. 연사는 전략 개발에 대한 체계적인 접근 방식을 취하고 보다 복잡한 요소뿐만 아니라 단순한 요소로 광범위하게 테스트할 것을 권장합니다. 마지막으로 그들은 능숙하고 성공적인 퀀트 트레이더가 되기 위해 코스, 웨비나 및 실습을 통해 필요한 기술을 습득할 것을 제안합니다.
00:40:00 패널리스트는 알고리즘 거래에 관심이 있는 사람들에게 조언을 제공합니다. 그들은 예측 편향, 백 테스트에 대한 지나친 의존, 관련 위험을 고려하지 않은 채 높은 수익에 대해 너무 확신하는 것에 대해 경고합니다. 패널리스트들은 또한 과도한 레버리지에 대해 경고하고 거래자들에게 관련된 위험을 고려하지 않고는 수익 자체가 별 의미가 없다는 것을 명심하라고 조언합니다. 또한 그들은 백테스트 결과를 왜곡할 수 있는 많은 편향이 있으며 이러한 편향을 이해하고 해결하는 것이 필수적이라고 제안합니다.
00:45:00 연사는 거래 성공 가능성을 높이기 위해 백테스팅 시 올바른 도구와 방법을 사용하는 것이 중요하다고 강조합니다. 또한 데이터 언어를 이해하고 올바르게 해석할 수 있는 트레이더가 자유롭게 사용할 수 있는 오픈 소스 시스템 및 데이터 과학 라이브러리의 등장으로 이용 가능한 기회를 강조합니다. 또한 그들은 비용을 절감하기 위해 클라우드 인프라를 사용하여 분당, 시간당, 초당 또는 일 단위로 서버를 임대할 수 있는 가능성에 주목합니다. 연사들은 또한 성공적인 거래의 어려움을 강조하고 거래 결정에 영향을 미치는 두려움과 탐욕과 같은 감정을 피하기 위해 접근 방식에서 객관적이고 체계적이어야 할 필요성을 강조합니다. 그들은 양적 및 알고리즘 거래 기술을 향상시키기 위해 Quantra에서 제공하는 것과 같은 과정을 수강할 것을 권장합니다.
00:50:00 연사는 거래의 모든 빌딩 블록을 객관적으로 배우고 존재하는 다양한 전략을 인식하는 것의 중요성에 대해 논의합니다. 그들은 퀀트 거래, 알고리즘 거래 또는 다른 분야에 관계없이 자신의 교육에 대한 투자를 강조합니다. 그런 다음 연사는 거래의 기초를 배우는 데 관심이 있는 개인을 위한 대회를 소개합니다. 대회는 거래자, 프로그래머 및 지식을 연마하려는 모든 사람에게 열려 있으며 금융 시장, 수학 및 통계, 프로그래밍 및 기계 학습을 다루는 세 가지 퀴즈로 구성됩니다. 퀴즈는 특정 날짜에 진행되며 당첨자는 9월 말에 발표됩니다. 발표자는 시험 준비를 위한 리소스도 제공합니다.
00:55:00 발표자가 알고 트레이딩 위크의 예정된 퀴즈에 대한 정보를 제공하고 다룰 날짜와 주제를 지정합니다. 참가자는 표시된 리소스 또는 선호하는 다른 수단을 사용하여 퀴즈를 준비할 수 있지만 점수에 따라 최종 순위표가 결정됩니다. 연사는 상위 3위 또는 10위 안에 들 가능성을 높이기 위해 세 가지 퀴즈를 모두 풀 것을 제안합니다. 그런 다음 스피커는 퀀트 설정에 필요한 하드웨어 요구 사항에 대해 논의하고 실행 하드웨어는 랩톱 또는 클라우드의 최소 구성만큼 간단할 수 있지만 고급 연구 기능에는 최소 4GB RAM이 있는 더 나은 컴퓨터가 필요하다고 설명합니다.
01:00:00 패널은 고주파 거래(HFT) 및 계산 헤비 펀드에 대한 하드웨어 요구 사항에 대해 논의합니다. 그들은 HFT가 거래소에 더 빨리 도달하기 위해 빈번한 하드웨어 업그레이드 및 개선이 필요하다는 점에 주목합니다. 이것이 그들의 핵심 알파입니다. 속도와 방대한 양의 연구 및 데이터가 필요한 거래 전략에는 서버급 인프라가 필요합니다. 그들은 또한 거래 시스템이 클라우드 기반인 경우에도 전략 성과를 정기적으로 모니터링하고 필요한 경우 시정 조치를 취하는 것이 중요하다는 점을 지적하면서 알고리즘 거래를 "실행하고 잊어버리는" 메커니즘으로 취급하는 것에 대해 경고합니다.
01:05:00 패널리스트는 토론에 참여하고 경청해 준 청중에게 감사를 표합니다. 그들은 1시간 동안의 세션 동안 모두의 인내심에 감사를 표하고 다음 세션을 위해 다음 날 다시 만날 때까지 작별을 고합니다. 패널은 감사와 축복의 마지막 라운드를 마무리합니다.
Rishabh Mittal은 Quantra의 콘텐츠 팀에서 일하는 양적 분석가입니다. 그의 전문성은 비지도 학습 기술, 특히 K-Means를 적용하여 거래 가능한 신호를 생성하는 데 있습니다. 그는 특히 CPPI(Constant Proportion Portfolio Insurance)와 같은 방법론을 활용하여 금융 시장에서 포지션 사이징을 위한 혁신적인 알고리즘을 개발하는 데 적극적으로 참여하고 있습니다. Quantra에 합류하기 전에 Rishabh는 다양한 고객을 위해 TradingView를 사용하여 체계적인 거래 전략을 만드는 경험을 쌓았습니다.
"거래 전략을 자동화하는 방법"이라는 제목의 이 웨비나에서 Rishabh는 거래 전략을 자동화하는 프로세스를 자세히 살펴보고 참가자들에게 체계적인 거래 전략을 실행하는 방법을 안내합니다. 웨비나는 전략 자동화에 필요한 전제 조건을 다루는 것으로 시작됩니다.
그런 다음 Rishabh는 자동 거래에 필수적인 이벤트 중심 접근 방식에 중점을 둘 것입니다. 그는 브로커와의 연결, 실시간 데이터 가져오기, 수집된 데이터를 기반으로 신호 생성 및 궁극적으로 브로커에 주문하는 것과 같은 주제를 탐색할 것입니다.
세션을 마무리하기 위해 Rishabh는 Blueshift를 사용하여 시장에서 페이퍼 트레이딩을 위한 데모 전략을 설정하는 단계별 데모를 제공할 것입니다. 참가자는 시뮬레이션 거래 환경에서 전략을 구현하고 테스트하는 데 대한 실질적인 통찰력을 얻습니다.
이 유익한 웨비나에서 Rishabh Mittal과 함께 거래 전략 자동화에 대한 전문 지식을 공유하고 이론에서 실제까지 체계적인 거래 접근 방식을 취하는 데 유용한 지침을 제공합니다.
웨비나에서 Ashutosh는 10년이 넘는 금융 파생 상품 거래 분야에서의 광범위한 경험을 공유했습니다. 그는 고급 데이터 과학 및 기계 학습 기술을 적용하여 재무 데이터를 분석하는 데 자신의 전문성을 강조했습니다. Ashutosh는 저명한 석사 학위를 보유하고 있으며 공인 재무 분석가(FF)입니다. 현재 그는 Quantum City 팀의 귀중한 구성원으로 세계 최초의 검증된 알고리즘 거래 인증인 EPAT 과정의 개발 및 교육을 담당하고 있습니다.
웨비나는 처음부터 거래 알고리즘을 생성하는 과정을 통해 참가자를 안내하는 데 주로 중점을 두었습니다. Ashutosh는 거래 알고리즘 이해, 시장에서의 다양한 응용, 아이디어를 전략으로, 궁극적으로 거래 알고리즘으로 전환하는 것의 중요성을 강조했습니다. 기본적으로 알고리즘은 데이터를 분석하고 사전 결정된 규칙에 따라 매수 및 매도 주문을 생성하여 트레이더가 수익성 있는 결정을 내리는 데 도움을 주는 컴퓨터 프로그램 역할을 합니다. 또한 외부 환경과의 상호 작용을 용이하게 하여 주문을 효과적으로 보내고 받을 수 있습니다.
거래의 실질적인 측면으로 뛰어들기 전에 Ashutosh는 자신의 거래 영역을 정의하고 원하는 알파를 결정하는 것의 중요성을 강조했습니다. Alpha는 고유한 시장 관점, 경쟁 우위 확보 또는 개별 목표에 맞는 특정 전략 구현과 같은 다양한 소스에서 발생할 수 있는 이익의 원동력을 나타냅니다.
비디오 콘텐츠는 연구, 거래 및 거래 후 거래의 세 가지 기본 단계를 다루었습니다. Ashutosh는 이러한 단계를 설명하고 아이디어를 구체적인 거래 알고리즘으로 변환하는 프로세스에 중점을 둔 다양한 거래 전략의 예를 제공했습니다. 그는 지난 63일 동안 변동률(roc)이 2를 초과할 때 주식을 매수하는 것과 같은 간단한 규칙도 거래 알고리즘의 기반을 형성할 수 있음을 보여주었습니다.
웨비나 내내 다양한 거래자들이 처음부터 거래 알고리즘을 구축하는 방법을 선보였습니다. 한 거래자는 인도 시장의 데이터를 활용하여 시각적 코딩을 활용하고 주문 한도와 주당 수수료를 통합했습니다. 또 다른 트레이더는 트레이딩 유니버스를 정의하는 것으로 시작하여 roc을 계산하는 알파 함수를 생성하고, 트레이딩 규칙을 설정하고, 마지막으로 논리 블록을 사용하여 전략을 구현하는 단계별 프로세스를 시연했습니다.
비디오는 거래 알고리즘의 필수 구성 요소, 즉 조건, 주문 전송 및 주문 수신에 대한 포괄적인 통찰력을 제공했습니다. 또한 자동 실행을 위해 알고리즘을 예약하는 방법을 보여주었습니다. 베타와 모멘텀에 기반한 전략은 평균 전환 전략과 함께 시장 동향을 활용하는 수단으로 제시되었습니다.
Ashutosh는 주식 유니버스 정의, 관련 헤지 계산 및 거래 규칙 실행과 같은 주요 측면을 다루면서 처음부터 거래 알고리즘을 만드는 과정을 설명했습니다. 그는 또한 알고리즘에서 백 테스트를 실행하고 성능 향상을 위해 최적화하는 것의 중요성을 강조했습니다.
정보에 입각한 결정을 내리기 위해 베타 및 시장과의 상관관계를 활용하는 데 중점을 두고 정량적 방법과 거래 기술 향상에서의 역할에 대해 논의했습니다. Ashutosh는 또한 참가자들에게 거래 여정을 추가로 지원하기 위해 무료 상담 전화 기회를 제공했습니다.
또한 웨비나는 알고리즘 내에서 활용할 수 있는 다양한 유형의 데이터를 탐색하고 EPAT 과정의 비용 평가 프로세스를 다루었습니다. 참석자들에게는 지도와 지원을 위해 과정 카운셀러 목록도 제공되었습니다.
Ashutosh의 웨비나는 처음부터 거래 알고리즘을 생성하기 위한 포괄적인 가이드를 제공했습니다. 참석자들은 주제에 대한 철저한 이해를 보장하기 위해 프레젠테이션 중에 받았을 수 있는 답변되지 않은 질문을 제출하도록 권장받았습니다.
00:00:00 Ashutosh는 10년 이상 금융 파생 상품 거래 분야에 참여했으며 고급 데이터 과학 및 기계 학습 기술을 금융 데이터에 적용한 경험이 있는 방법에 대해 설명합니다. 명문대 석사학위도 가지고 있고 공인재무분석가(FF)이기도 하다. 그는 현재 thequantumcity 팀의 일원이며 세계 최초의 검증된 알고리즘 트레이딩 인증인 epact 과정을 개발하고 가르치는 일을 담당하고 있습니다.
00:05:00 이 웨비나는 처음부터 거래 알고리즘을 생성하는 방법에 초점을 맞추고 있으며 거래 알고리즘에 대해 배워야 하는 이유, 시장에서 알고리즘이 사용되는 다양한 방법 및 변환 방법과 같은 주제를 다룹니다. 아이디어를 전략으로, 전략을 거래 알고리즘으로.
00:10:00 알고리즘은 트레이더가 수익성 있는 거래 결정을 내리는 데 도움이 되는 컴퓨터 프로그램입니다. 데이터를 분석하고 미리 설정된 규칙에 따라 구매 및 판매 주문을 생성합니다. 또한 외부 세계와 상호 작용하여 명령을 보내고 받습니다.
00:15:00 거래를 시작하기 전에 거래 세계를 정의하고 달성하고자 하는 알파를 결정하는 것이 중요합니다. 알파는 수익의 원인이며, 시장 변수를 특수하게 바라보거나, 시장에서 우위를 점하거나, 특정 전략을 따르는 등 다양한 출처에서 나올 수 있습니다.
00:20:00 이 비디오는 처음부터 거래 알고리즘을 만드는 방법을 설명하며, 연구, 거래 및 사후 거래의 세 가지 거래 단계에 중점을 둡니다. 비디오는 다양한 거래 전략의 예를 제공하고 아이디어를 거래 알고리즘으로 변환하는 방법을 설명합니다.
00:25:00 이 비디오에서 발표자는 처음부터 거래 알고리즘을 만드는 방법을 설명합니다. 규칙은 지난 63일 동안 변동률(roc)이 2보다 클 때 주식을 사는 것처럼 간단할 수 있습니다.
00:30:00 이 비디오에서 트레이더는 시각적 코딩을 사용하여 처음부터 거래 알고리즘을 만드는 방법을 설명합니다. 거래자는 인도 시장의 데이터를 사용하고 주당 주문 및 수수료에 대한 제한을 설정합니다.
00:35:00 이 비디오에서 거래자는 처음부터 거래 알고리즘을 만드는 방법을 보여줍니다. 첫째, 거래 전략에 사용할 모든 주식을 포함하는 유니버스를 정의합니다. 다음으로 그들은 roc를 계산하는 알파 함수를 만든 다음 거래 규칙을 정의합니다. 마지막으로 논리 블록을 사용하여 거래 전략을 실행하는 방법을 보여줍니다.
00:40:00 이 비디오는 처음부터 거래 알고리즘을 만드는 방법을 설명합니다. 비디오는 알고리즘의 세 부분인 조건, 주문 전송 및 주문 수신을 다룹니다. 비디오는 알고리즘이 자동으로 실행되도록 예약하는 방법도 보여줍니다.
00:45:00 비디오는 처음부터 거래 알고리즘을 만드는 방법을 설명합니다. 이 전략은 베타 및 모멘텀을 기반으로 하며 시장 추세를 활용하도록 설계되었습니다. 비디오는 또한 비열한 전환 전략을 다룹니다.
00:50:00 발표자는 주식 유니버스 정의, 관련 헤지 계산 및 거래 규칙 실행을 포함하여 처음부터 거래 알고리즘을 만드는 방법을 설명합니다. 발표자는 알고리즘에 대한 테스트를 다시 실행하는 방법과 이를 최적화하는 방법도 설명합니다.
00:55:00 이 비디오는 베타의 중요성과 시장과의 상관관계를 포함하여 처음부터 거래 알고리즘을 만드는 방법에 대해 설명합니다. 발표자는 또한 양적 방법의 도움으로 거래 기술을 향상시키는 방법에 대해서도 논의합니다. 마지막으로 발표자는 무료 상담 전화에 대한 정보를 공유합니다.
01:00:00 이 웨비나에서는 처음부터 알고리즘을 생성하는 방법과 알고리즘에서 사용할 수 있는 다양한 유형의 데이터에 대해 논의합니다. 웨비나는 코스 비용 책정 방법에 대해서도 논의하고 코스 카운슬러 목록을 제공합니다.
01:05:00 이 비디오에서 Blueshift의 Ashitosh Sharma는 Blueshift의 시각적 편집기와 전략을 사용하여 처음부터 거래 알고리즘을 만드는 방법을 공유합니다. Blueshift를 통해 사용자는 전략을 백테스트하고 종이로 거래할 수도 있습니다.
01:10:00 발표자는 처음부터 거래 알고리즘을 만드는 방법에 대해 논의합니다. 그 후 참석자는 프레젠테이션에서 답변되지 않은 질문을 제출할 수 있습니다.
Quantum City의 YouTube 채널에 오신 것을 환영합니다. 웨비나에 정기적으로 참석하는 분들은 감정 분석 및 포트폴리오 할당에서 기계 학습에 중점을 둔 최근 Algo Trading Project 웨비나 중 하나를 기억하실 것입니다. 우리는 두 명의 존경받는 EPAT 동창인 Carlos Peral과 Vivian Thomas를 초대하여 그들의 프로젝트 작업을 발표하게 되어 기뻤습니다. 아쉽게도 하드웨어 장애로 사후 프레젠테이션이 중단되어 당시에는 자세히 다루지 못했습니다. 그러나 Carlos가 자신의 프레젠테이션을 별도로 녹음하고 우리와 공유하는 데 추가 시간을 할애한 것은 운이 좋았습니다.
자, 더 이상 지체하지 말고 계속해서 Carlos의 프레젠테이션을 보도록 하겠습니다. 감사합니다.
"안녕하세요 여러분. 오늘 발표는 지난 3월에 완료된 EPAT(Executive Program in Algorithmic Trading) 프로그램의 마지막 프로젝트를 보여드리려고 합니다. 먼저 제 소개를 하겠습니다. 제 이름은 Carlos Martin이고, 저는 컴퓨터 공학 학사 학위를 가지고 있습니다.주로 스페인과 벨기에에 위치한 여러 클라이언트를 위해 10년 넘게 일했습니다.주요 기술은 소프트웨어 개발이며, 지난 5년 동안 유럽 기관에서 일했습니다.
이 프로젝트의 동기는 기계 학습, 특히 감정 분석에 대한 나의 관심에서 비롯됩니다. 이러한 기술은 최근 몇 년 동안 눈부신 발전을 이루었으며, 이 프로젝트의 초점인 텍스트 분석, 음성 인식, 언어 번역 및 감정 분석과 같은 다양한 영역에 기계 학습 모델이 적용되고 있습니다. 주요 목표는 뉴스 정서와 가격 민감도 간의 상관 관계를 찾고 정서 점수를 활용하여 거래 신호를 생성하는 것입니다.
기술 또는 양적 분석에 의존하는 기존의 접근 방식과 달리 이 프로젝트는 질적 데이터를 새로운 정보 소스로 활용합니다. 목표는 이 정성적 데이터를 거래 신호로 변환하는 것입니다. 이 프로젝트는 텍스트 분석과 거래 전략 구현의 두 가지 주요 부분으로 나뉩니다.
텍스트 분석 부분은 뉴스 다운로드, 전처리 수행, 기계 학습 모델 구현을 통해 감성 점수를 생성합니다. 이 프로젝트에서는 감정 점수를 생성하기 위해 LSTM(Long Short-Term Memory) 모델을 선택했습니다. 거래 부분은 거래 전략 실행, 주가 분석, 전략 성과 평가를 포함합니다.
프로젝트의 구조를 자세히 살펴보겠습니다. 텍스트 분석 부분은 뉴스 데이터의 초기 검색 및 전처리를 처리하는 뉴스 관리자로 구성됩니다. 클래스를 사용하여 외부 웹 서비스에 연결하고 JSON 형식으로 뉴스를 검색했습니다. 이러한 뉴스 데이터는 CSV 파일에 저장됩니다. 감성 분석 부분은 텍스트의 전처리와 Analytic Evaluator라는 라이브러리를 이용해 극성 점수를 생성하는 NLP(Natural Language Processing) 핸들러를 포함한다. 이 라이브러리는 뉴스에 이진 점수를 할당하여 음수(-1) 또는 양수(1)로 레이블을 지정합니다. 이 단계는 모델 학습에 매우 중요합니다.
이 모델은 사전 처리된 뉴스를 가져와 이진 분류를 위한 시그모이드 함수를 사용하여 학습됩니다. 출력 감정 점수는 긍정적 또는 부정적으로 분류됩니다. 그런 다음 거래 전략이 구현되고 생성된 감정 점수가 거래 신호로 변환됩니다. 값 -1은 매도 신호를 나타내고 값 1은 매수 신호를 나타냅니다.
이 프로젝트는 Apple, Amazon, Twitter 및 Facebook의 네 가지 주식을 사용하여 테스트되었습니다. 정서 점수 전략은 매수 후 보유 전략과 비교되었습니다. 성과는 수익률, 샤프 비율 및 전략 수익률을 사용하여 평가되었습니다. 결과는 주식마다 달랐으며 일부 주식은 구매 후 보유 전략에 비해 감정 점수 전략을 사용하여 향상된 성과를 보였습니다. 그러나 정서 점수 전략이 특히 특정 기간 동안 잘 수행되지 않는 경우가 있었습니다.
결론적으로 이 프로젝트는 부정적인 추세, 나쁜 소식 및 잠재적인 거래 기회 간의 상관관계를 강조합니다. 정서 분석을 거래 전략에 통합함으로써 질적 데이터를 활용하고 체계적인 방식으로 시장 정서를 포착할 수 있습니다. 이 접근 방식은 기존의 기술 및 양적 분석을 보완하는 추가 정보 계층을 제공할 수 있습니다.
그러나 감정 분석은 절대 안전한 방법이 아니며 그 효과는 다양한 요인에 따라 달라질 수 있다는 점에 유의해야 합니다. 시장 상황, 뉴스 소스의 품질과 신뢰성, 정서 분석 모델의 정확성은 모두 전략의 성공을 결정하는 데 중요한 역할을 합니다.
또한 변화하는 시장 역학과 진화하는 뉴스 패턴에 적응하기 위해 정서 분석 모델을 지속적으로 평가하고 개선하는 것이 중요합니다. 전략의 성과를 정기적으로 모니터링하고 필요한 조정을 하는 것은 시간이 지남에 따라 전략의 효과를 보장하는 데 필요합니다.
전반적으로 이 프로젝트는 알고리즘 거래에서 감정 분석의 잠재력을 보여줍니다. 그것은 질적 데이터를 거래 전략에 통합하기 위한 새로운 길을 열어주고 이 분야에서 추가 연구 및 개발을 위한 프레임워크를 제공합니다.
이 프로젝트를 수행할 수 있도록 플랫폼과 리소스를 제공한 EPAT 프로그램과 Quantum City 팀에 감사를 표하고 싶습니다. 풍부한 경험이었으며 정서 분석이 알고리즘 거래 분야에서 귀중한 통찰력을 제공할 수 있다고 믿습니다.
시청해 주셔서 감사합니다. 이 프레젠테이션이 유익한 정보가 되었기를 바랍니다. 궁금한 점이 있거나 더 논의하고 싶다면 언제든지 저에게 연락해 주세요. 좋은 하루 되세요!
00:00:00 Carlos Peral이 정서 분석 및 포트폴리오 할당에서 기계 학습에 중점을 둔 QuantInsti 프로그램의 최종 프로젝트를 발표합니다. Carlos는 컴퓨터 공학에 대한 배경 지식이 있으며 소프트웨어 개발 분야에서 10년 이상 일해 왔으며 주요 관심사는 기계 학습 주제입니다. 그는 기계 학습 모델과 감정 분석을 포함하여 사용되는 광범위한 영역에서 최근 몇 년 동안 발생한 놀라운 성장에 대해 설명합니다. Carlos 프로젝트의 목표는 민감한 가격과 뉴스 감정 점수 사이의 상관관계를 찾고 이 정보를 활용하여 거래 신호를 생성하는 것입니다. 그는 양적 데이터가 아닌 질적 데이터를 새로운 정보원으로 사용하여 문제에 접근하고 이 데이터를 거래 신호로 변환합니다.
00:05:00 연사는 감정 분석 및 기계 학습 프로젝트를 위한 알고리즘의 두 가지 주요 부분에 대해 논의합니다. 첫 번째 부분은 웹 서비스에서 검색된 뉴스의 전처리 및 장단기 메모리 모델을 통해 감정 점수가 생성되는 텍스트 분석에 중점을 둡니다. 두 번째 부분은 거래 전략을 구현하고 주가를 분석하는 것입니다. 프로젝트의 5단계에는 뉴스 다운로드, 사전 처리, LCT 모델 생성, 감정 점수에 대한 뉴스 예측 및 주가 분석이 포함됩니다. 감정 분석 구성 요소에는 더 나은 성능을 얻기 위한 전처리 텍스트가 포함되어 있습니다. 뉴스 검색 및 감정 점수 생성과 관련된 클래스는 프로젝트에서 사용할 수 있습니다.
00:10:00 연사는 감정 분석 알고 거래 프로젝트에 대한 접근 방식과 관련된 다양한 단계를 설명합니다. 먼저 뉴스를 다운로드하고 전처리한 후 Analytic Evader라는 라이브러리를 사용하여 긍정 또는 부정으로 분류합니다. 다음 단계는 이전 뉴스와 분류된 데이터를 분류하도록 모델을 교육하는 것입니다. 거래 지표의 유효성을 검사하기 위한 백테스팅 단계가 이어집니다. 이 프로젝트는 2018년 3월부터 2020년 12월 사이에 테스트되었습니다.
00:15:00 발표자는 특히 백테스팅에 상당한 영향을 미치기 때문에 감정 점수에 대한 값 설정의 중요성에 대해 논의합니다. 그들은 중립적인 뉴스를 사용하지 않고 0.08 미만의 뉴스에 대해서는 마이너스 점수를, 높은 점수에 대해서는 긍정적인 점수를 매긴다고 설명합니다. 그런 다음 스피커는 계속해서 NLTK 라이브러리를 사용하여 점수를 생성하고 이진 분류를 위한 시그마 함수를 사용하여 LCT 모델을 훈련 및 컴파일한 방법을 설명합니다. Apple, Amazon, Twitter 및 Facebook의 4개 주식에 대한 매수 후 보유 전략과 정서 점수 전략의 수익률을 비교합니다. 발표자는 각 주식에 대한 그래프를 보여주고 감정 기반 거래가 대유행 기간 동안의 개선을 포함하여 일정 기간 동안 매수 후 보유를 능가하는 것으로 보인다고 설명합니다.
00:20:00 발표자는 매수 및 콜 전략과 비교할 때 부정적인 추세와 나쁜 소식, 좋은 성과 사이에 일정한 상관관계가 있다고 결론을 내립니다. 그러나 그는 뉴스를 정확하게 분류하고 긍정 또는 부정 레이블을 할당하기 위해 고품질 데이터 소스로 작업하고 정서 극성의 개선을 개선하는 것이 필수적이라고 제안합니다. 그는 정서에 기반한 전략을 완전히 신뢰하려면 더 많은 작업이 필요하다고 믿으며 좋은 모델이 특정 전략에 통합될 수 있다고 제안합니다. 결론적으로 이 프레젠테이션은 투자 전략에 정서 분석을 통합할 수 있는 가능성을 조명하지만 정서 극성을 정제하기 위한 추가 연구와 개선이 필요함을 경고합니다.
거래의 인공 지능 Thomas Starke 박사 | 알고 거래 주간 6일차
거래의 인공 지능 Thomas Starke 박사 | 알고 거래 주간 6일차
저명한 연사인 Dr. Thomas Starke가 발표 중에 왜 AI가 거래의 차세대 혁신으로 간주되는지 설명합니다. 그는 AI와 기계 학습이 오랫동안 존재했지만 제한된 컴퓨팅 성능으로 인해 효과적인 적용이 어려웠다는 점을 인정합니다. 그러나 최근 기술의 발전으로 계산 능력이 크게 향상되어 실질적인 알고리즘이 클라우드 컴퓨팅을 통해 노트북과 서버 센터에서 효율적으로 실행될 수 있게 되었습니다. 스타크 박사는 얼굴 인식, 이미지 인식, 자연어 처리와 같은 다양한 분야에서 AI의 성공을 강조하며 AI가 금융에도 혁명을 일으킬 수 있다는 믿음에 기여했습니다.
Dr. Starke는 AI와 기계 학습이 마법의 총알이 아니라 재무 영역 내에서의 철저한 이해와 적용이 필요한 과학 및 수학적 도구라고 강조합니다. 금융에는 과학적 측면이 있지만 주로 예술 형식으로 간주됩니다. 따라서 금융 분야에서 AI의 잠재력을 활용하려면 해당 분야의 도구와 예술성을 모두 파악해야 합니다.
연설 중에 Starke 박사는 거래에 AI를 적용하는 데 있어서 기계 학습 및 통계 지식과 함께 소프트웨어 개발 및 프로그래밍 기술의 역할을 다룹니다. 그는 시장에서 기계 학습 도구를 효과적으로 사용하는 데 필수적인 API 작성 및 시스템 안전 장치 보장을 포함한 강력한 소프트웨어 기술의 중요성을 강조합니다. 그는 기계 학습 도구가 사용자 친화적이지만 프로그래밍 기술과 통계 지식은 이 분야의 실무자에게 중요하다고 주장합니다. 나아가 머신러닝 알고리즘을 활용하기 위해 박사학위가 필요한지에 대한 질문에 대해 개인이 특정한 목표를 가지고 철저한 연구를 수행하며 필요한 작업에 투입할 의향이 있는 한 박사학위는 필수가 아니라고 주장합니다.
거래를 위한 AI 학습에서 멘토링의 중요성은 Dr. Starke가 논의한 또 다른 주제입니다. 그는 좋은 멘토를 찾는 것이 초보자가 일반적인 실수를 피하고 학술 기관에서 얻은 이론적 지식에만 의존하기보다 실용적인 지식을 개발하는 데 도움이 될 수 있다고 강조합니다. 스타크 박사는 누구나 AI를 배울 수 있지만 적절한 지침을 제공할 수 있는 멘토가 있다는 것은 매우 중요하다고 강조합니다. 그는 또한 적절한 멘토링을 통해 프로그래밍을 배울 수 있기 때문에 기본 시장과 경제를 이해하는 것이 프로그래밍 기술보다 더 중요하다고 강조합니다.
프레젠테이션 중에 Dr. Starke는 오늘날 거래 산업에서 학습 프로그래밍 및 정량적 방법의 중요성을 강조합니다. 그는 성공적인 트레이더는 종종 수학과 프로그래밍에 대한 깊은 이해를 가지고 있으며 트레이딩에 관심이 있는 사람들은 이러한 기술을 비교적 빨리 배울 수 있다고 강조합니다. 정량적 방법과 머신 러닝을 배우는 데 시간을 투자하는 트레이더는 스크린 트레이딩에서 알고리즘 트레이딩으로 전환될 때 생존 가능성이 더 높다고 지적합니다. 그러나 그는 경제 및 시장 우위를 갖는 것이 중요하며 프로그래밍 및 수학적 기술만으로 얻는 우위를 능가한다고 강조합니다. 그는 또한 딥 러닝은 기업과 개인이 수익을 설명해야 하며 1년 동안 마이너스 수익에 직면하면 상당한 어려움을 겪을 수 있다고 언급합니다.
AI 알고리즘 및 위험 관리 관행을 설명하는 것도 Dr. Starke에 의해 논의됩니다. 그는 AI 알고리즘을 설명할 수 있는 능력이 중요하다고 강조한다. 그렇게 하지 않으면 문제가 발생하거나 자금이 인출될 수 있기 때문이다. 그는 AI와 기계 학습의 사용에도 불구하고 위험 관리 관행은 크게 변하지 않았지만 특히 주식과 채권의 강세장 종료와 함께 위험을 관리하는 새로운 방법을 모색할 필요가 있다고 언급했습니다. Dr. Starke는 기계 학습이 입력 신호 생성 및 기계 학습 모델의 위험 관리와 같은 다양한 응용 프로그램과 함께 거래에서 유비쿼터스라고 강조합니다.
Dr. Starke는 주성분 분석(PCA), 의사 결정 트리, xgboost, 딥 러닝 및 강화 학습과 같이 거래에 사용되는 다양한 모델과 기술에 대해 자세히 설명합니다. 그는 신호 데이터 분석, 포트폴리오 위험 관리 및 거래 실행에 대한 응용 프로그램에 대해 설명합니다. 그는 또한 기하학적 수익률을 높이고 다른 시장에서 성공적인 전략을 복제하는 데 있어 위험 관리 시스템의 중요성을 강조합니다. Dr. Starke는 훌륭한 위험 관리 시스템이 알파를 생성할 수 있고 장기 변동성 전략으로 간주될 수 있다고 제안합니다.
또한 Dr. Starke는 AI를 사용하여 거래에서 짧은 변동성 전략의 위험을 헤지하고 관리하여 잠재적으로 그러한 전략으로 생성되는 알파를 향상시킬 수 있는 방법을 탐구합니다. 그는 새로운 거래 전략을 지속적으로 배우고 개발하는 데 있어 호기심의 중요성과 위험에 대한 건전한 인식을 강조합니다. 그는 즉시 사용 가능한 거래 플랫폼에 의존하지 말라고 조언하고 대신 딥 러닝 이점을 얻기 위해 처음부터 코딩 전략을 권장합니다.
Starke 박사는 시간 기반 가격 변동과 가격 기반 시장 변동에 대한 토론에 참여합니다. 그는 시간 기반 가격 변동은 지표를 계산하여 수학적으로 해결할 수 있는 반면 가격 기반 시장 변동은 시장의 기본 경제학에 의해 결정된다고 설명합니다. Starke 박사는 시장을 능가하기 위해 수학적 기법에만 의존하기보다 거래 전략에 대한 근본적인 경제적 추론을 고려하는 것의 중요성을 강조합니다. 그는 금융 시장에서 AI와 양적 모델을 결합하는 데 관심이 있는 사람들을 위해 Marcus Lopez, Grinnell 및 Kahn의 책을 추천합니다.
프레젠테이션 중에 Dr. Starke는 기계 학습 원리와 유사하다고 생각하는 요소 모델링 원리를 이해하는 것의 중요성을 강조합니다. 그는 이러한 원칙을 이해하면 트레이더가 시스템에서 기계 학습을 효과적으로 적용할 수 있도록 더 잘 준비할 수 있다고 제안합니다. Dr. Starke는 또한 좋은 거래 전략을 구성하는 것이 무엇인지 정의하는 것의 중요성을 강조합니다. 항상 가장 수익성이 높은 것은 아닐 수 있기 때문입니다. 그는 Ralph Vince, Andreas Klenow, Mr. Trendful의 책을 참고하여 거래 전략과 거래 이면의 심리학에 대한 귀중한 통찰력을 제공합니다.
Starke 박사는 AI와 기계 학습이 어떻게 케인즈식 미인 대회와 같은 행동 금융의 비선형성을 포착할 수 있는지에 대해 논의합니다. 그는 이러한 비선형 역학은 선형 회귀 모델과 달리 기계 학습으로 효과적으로 캡처할 수 있다고 설명합니다. 그러나 그는 기본 데이터가 명시적으로 사용되지 않더라도 거래 전략 뒤에 경제적 추론을 갖는 것이 여전히 중요하다고 강조합니다.
또한 Dr. Starke는 반드시 근본적이지 않은 특정 시장 비효율성의 활용을 탐구합니다. 그는 단기간의 짧은 포지션에 대한 제한과 트리플 도달 또는 쿼드러플 위칭과 같은 특정 날짜와 같은 요인을 언급하여 시장에서 자본화될 수 있는 경제적 효과를 창출할 수 있습니다. 그는 또한 일상적인 경제 활동이나 불법적인 시장 조작으로 인해 발생하는 시장 비효율성을 언급합니다. Dr. Starke는 잠재적인 미래 협력에 대한 관심을 표명했지만 현재 구체적인 계획은 없습니다.
꿈이 종종 실현되지 않는 이유에 대한 시청자의 질문에 Starke 박사는 개인적인 통찰력을 제공합니다. 꿈은 처음에는 개념으로 시작되며 그의 꿈의 삶은 단순히 해변에 누워있는 것이 아니라 탐험, 자신의 사업 운영 및 자기 주도가 포함된다고 설명합니다. 그는 자신의 진정한 열망과 목표를 실제적인 결과와 일치시키는 것이 중요하다고 강조합니다. 프레젠테이션은 진행자가 시청자에게 Contra 과정의 기간 한정 할인에 대해 알리고 다음 날 예정된 트레이딩에서 기계 학습 적용에 대한 최종 세션을 언급하는 것으로 마무리됩니다.
퀀트금융의 현 트렌드 [패널토론] | 알고 거래 주간 5일차
퀀트금융의 현 트렌드 [패널토론] | 알고 거래 주간 5일차
신사 숙녀 여러분, 오늘 퀀트 금융의 최신 동향에 대한 패널 토론에 오신 것을 환영합니다. 우리는 오늘 우리와 함께 그들의 통찰력과 전문 지식을 공유하기 위해 세 명의 저명한 도메인 전문가를 모셨습니다. 패널리스트를 소개합니다.
먼저 Columbia Thread Needle Investments의 EMEA 투자 리스크 책임자인 David Jessup이 있습니다. 양적 연구, 위험 분석 및 포트폴리오 구성에 대한 광범위한 경험을 갖춘 David는 투자 관리에서 교차 자산 팩터 투자 및 기계 학습을 전문으로 합니다. 양적 전략 및 위험 관리에 대한 그의 깊은 이해는 업계를 형성하는 추세에 대한 귀중한 통찰력을 제공할 것입니다.
다음으로 SP Gen School of Global Management의 기계 학습 책임자이자 기술 비즈니스 연구 센터의 의장인 Dr. Devashes Guava가 있습니다. 구아바 박사의 전문성은 경제 및 금융 분야에서 인공 지능을 적용하는 데 있습니다. 이 분야에 대한 그의 연구와 지식은 AI와 금융의 교차점과 양적 금융에 대한 시사점을 밝힐 것입니다.
마지막으로 Global AI Corporation의 전무이사인 Richard Rothenberg가 있습니다. Richard는 수십억 달러 규모의 헤지 펀드 및 글로벌 투자 은행에서 일하면서 얻은 풍부한 경험을 제공합니다. 퀀트 포트폴리오 관리 및 연구에 대한 광범위한 배경을 통해 그는 금융 산업에서 퀀트 전략의 실질적인 구현에 대한 귀중한 통찰력을 제공할 것입니다.
이제 퀀트 금융을 형성한 최근 동향에 대한 논의를 살펴보겠습니다. 패널리스트는 데이터의 가용성과 품질이 업계를 발전시키는 데 중요한 역할을 해왔다는 데 만장일치로 동의합니다. 게다가 컴퓨팅 능력의 발전으로 10년 전에는 불가능했던 복잡한 모델의 구성과 분석이 가능해졌습니다.
패널리스트는 주식을 넘어 신용, 통화 및 암호 거래를 포함한 다른 자산 클래스로의 퀀트 금융의 확장을 강조합니다. 그들은 또한 금융 산업에서 주목을 받고 있는 책임 투자의 새로운 트렌드에 주목합니다. 그러나 그들은 이 영역의 데이터 품질은 여전히 개선이 필요하다는 점에 주목합니다. 패널리스트들은 책임 투자가 향후 몇 년 동안 계속해서 금융 분야에서 중요한 요소가 될 것이라고 예측합니다.
계속해서 패널은 양적 금융의 두 가지 주요 추세에 대해 논의합니다. 첫째, 알고리즘 거래는 주식뿐만 아니라 모든 자산군으로 확장되었습니다. 이국적인 자산은 이제 알고리즘 접근 방식을 사용하여 거래되고 있습니다. 둘째, 다국어 뉴스 및 신용 카드 거래의 정서 데이터와 같은 대체 데이터 소스가 크게 증가했습니다. 고급 분석 및 계산 능력으로 이 데이터를 처리하고 분석하는 능력으로 인해 환경 및 사회적 거버넌스 추세와 같은 비재무적 위험 요소가 회사 평가에 통합되었습니다.
그러나 패널은 금융 분야에서 기계 학습을 활용하는 문제도 다룹니다. 낮은 신호 대 잡음비와 금융 시장의 제로섬 게임 특성을 감안할 때 기계 학습이 모든 문제를 해결하는 데 항상 이상적인 도구는 아닙니다. 패널리스트는 기계 학습을 다른 방법론과 결합하고 그 한계를 이해하는 것의 중요성을 강조합니다. 또한 이 두 개념은 종종 혼동되기 때문에 머신 러닝과 대체 데이터의 차이점을 명확히 합니다.
또한 패널리스트는 차등 게임으로서 시장 역학의 맥락에서 금융 기계 학습의 고유한 문제에 대해 논의합니다. 그들은 거래 전략을 개발할 때 다른 시장 참여자들이 내린 전략적 선택을 고려하는 것의 중요성을 강조합니다.
그런 다음 토론은 알고리즘 거래를 위한 기계 학습 모델에서 고품질 데이터의 중요성으로 이동합니다. 패널리스트는 구조화되지 않은 데이터 정리의 어려움을 인정하고 파라미터를 이해하고 데이터 품질을 보장하기 위해 선형 모델로 시작하는 것의 중요성을 강조합니다. 대체 데이터의 노이즈 및 희소성 문제를 해결하여 정리 및 필터링이 더 어려워집니다. 또한 패널리스트는 데이터 정확성을 보장하기 위해 두 번째 데이터 소스를 비교하고 활용할 필요성을 강조합니다.
패널리스트는 이해관계가 상충되는 상대 플레이어와의 최종 개인 게임에서 전략을 정의하는 일부로 거래 솔루션에 접근해야 한다고 강조합니다. 전통적인 모델링 방법은 이러한 맥락에서 항상 적용되지 않을 수 있으며 패널리스트는 가장 효과적인 솔루션을 찾기 위해 다양한 전략을 테스트하는 것이 중요하다고 강조합니다. 그들은 또한 다양한 분석 방법이 필요하고 희소성을 해결하기 위해 더 낮은 빈도로 데이터를 집계해야 할 수 있는 지속 가능한 개발 데이터와 같은 대체 데이터 세트가 제기하는 고유한 문제에 대해 논의합니다. 희소한 데이터 세트로 작업하는 것은 어려울 수 있지만 패널리스트는 여전히 귀중한 신호를 발견할 수 있는 기회가 있다고 믿습니다.
토론의 또 다른 핵심 주제는 거래 시스템을 설계할 때 시장의 게임 구조를 이해하는 것의 중요성입니다. 패널리스트는 소규모 플레이어가 위험을 감수할 수 있는 여유가 더 많을 수 있지만 상품 및 암호 거래의 대규모 플레이어는 이러한 시장의 극심한 변동성으로 인해 신중하게 거래에 접근해야 한다고 강조합니다. 그들은 또한 암호화 자산이 상당히 높은 손실을 완화하기 위한 다각화의 중요성을 강조합니다.
패널은 한 걸음 더 나아가 전통적인 금융 이론에 내재된 가정에 도전합니다. 그들은 자산이 반드시 정해진 평균 및 분산 가정으로 고정된 확산 프로세스를 따르는 것은 아니라고 주장합니다. 대신 변동성의 확률적 특성과 시간 경과에 따른 평균값의 변동을 강조합니다. 그들은 숨겨진 Markov 프로세스를 고려하여 평균 및 표준 편차를 전술적으로 변경하여 팩터 투자 및 암호 투자에 대한 더 나은 접근 방식을 제안합니다. 이 관점은 단순한 다각화 가능성과 함께 매력적인 위험 수익 프로필을 제공합니다.
그런 다음 토론에서는 금융 산업에서 기계 학습의 다양한 응용 프로그램을 탐색합니다. 패널리스트는 성별 분류, 탄소 배출 예측, 채권 시장의 거래량 고정을 위한 기계 학습 사용에 대해 언급합니다. 또한 사회 전체에 대한 영향과 체계적 위험을 고려하는 ESG 요소에 대한 진화하는 초점과 지속 가능한 개발 목표의 확장을 강조합니다. 그들은 이 확장된 위험 분류법을 ESG 요소 모델에 통합될 가능성이 있는 재무 의사 결정의 중요한 요소로 간주합니다.
논의된 또 다른 추세는 여러 요소를 기반으로 데이터를 클러스터링하기 위해 위원회와 태스크 포스를 활용하는 것입니다. 패널리스트는 비재무적 위험을 정량화하기 위해 현지 이해관계자 정서를 이해하는 데 있어 자연어 처리의 중요성이 커지고 있음을 강조합니다. 회사 대차대조표의 무형적 측면에 점점 더 중요해지고 있는 이러한 위험은 금융 시장 분석에서 고려해야 할 필수 요소입니다.
또한 패널리스트들은 양적 금융 분야에서 강력한 프로그래밍 기술과 통계적 지식의 중요성을 강조합니다. 그들은 또한 동일한 데이터 세트를 반복적으로 분석하는 함정에 대해 경고하며 양적 거래의 미래에 적응하고 준비해야 할 필요성을 강조합니다.
미래를 내다보며 패널리스트들은 탄소 및 암호 화폐와 같은 신흥 자산 등급을 따라잡는 것의 중요성에 대해 논의합니다. 그들은 실제 응용 프로그램이 아직 실현되지 않았지만 cryptocurrencies 뒤에 암호화 알고리즘을 혁신할 수 있는 양자 컴퓨팅의 잠재적인 판도를 바꾸는 영향을 언급합니다. 그들은 또한 일반적인 인공 지능의 경로로 선전되는 GPT3와 같은 대규모 신경망 및 기술의 개발에 대해서도 다룹니다. 하드웨어 및 소프트웨어 용량의 기하급수적 성장은 둔화될 기미가 보이지 않으며, 패널리스트는 향후 고성능 컴퓨팅, 양자 컴퓨팅 및 AI가 양자 금융 분야에서 융합될 것으로 예상합니다.
결론적으로 패널리스트들은 하드웨어 및 소프트웨어 용량의 확장이 특징인 미래를 예측하여 범용 거래 로봇의 개발로 이어집니다. 이 로봇은 무엇보다도 이미지 이해, 언어 이해 및 의미론적 이해를 활용하여 소셜 미디어를 포함한 다양한 소스에서 데이터를 추출하고 해석하는 능력을 갖게 될 것입니다. 그들은 앞서 나가고 퀀트 금융의 진화하는 환경에 적응하기 위해 새로운 기술과 방법론을 수용하는 것의 중요성을 강조합니다.
패널 토론은 패널리스트가 청중에게 감사를 표하고 답변되지 않은 질문에 대해 공유하도록 격려하는 것으로 마무리됩니다. 그들은 또한 내일 세션이 기계 학습 및 거래에 특히 초점을 맞추고 참석자들이 이 매력적인 분야에 참여하고 계속 탐구하도록 초대할 것이라고 발표했습니다.
퀀트 금융의 현재 동향에 대한 오늘의 통찰력 있는 패널 토론에 참여해 주신 모든 분들께 감사드립니다.
트레이딩에 감성과 대체 데이터 활용 [패널토론] | 알고 거래 주간 4일차
트레이딩에 감성과 대체 데이터 활용 [패널토론] | 알고 거래 주간 4일차
신사 숙녀 여러분, 거래에서 정서 및 대체 데이터 사용에 대한 흥미로운 패널 토론에 오늘 참여해 주셔서 감사합니다. 시작하기 전에 중요한 발표가 있습니다.
새로운 인증 프로그램인 CSAF(Sentiment Analysis and Alternative Data in Finance)의 출시를 발표하게 되어 기쁩니다. 이 프로그램은 뉴스 정서 분석 및 대체 데이터와 같은 현대적인 방법을 사용하여 거래 및 투자 의사 결정 분야에서 경력을 발전시키려는 금융 전문가를 위해 특별히 설계되었습니다.
CSAF 프로그램은 금융에 필요한 뉴스 분석, 정서 분석 및 대체 데이터의 다양한 측면을 다룰 것입니다. 알고리즘 트레이딩, 정서 분석, 퀀트 모델링, 초단타매매 분야의 최고 전문가들이 강의합니다. 이 전문가들은 프로그램에 풍부한 지식과 경험을 제공하여 참가자들이 최고의 교육과 훈련을 받을 수 있도록 합니다.
이 프로그램은 감정 분석 이해, 대체 데이터 소스 활용, 감정 데이터를 예측 모델에 통합, 시장 분석을 위한 AI 및 기계 학습 기술 활용과 같은 주제를 탐구합니다. 참가자는 거래에서 정서 및 대체 데이터의 역할에 대한 귀중한 통찰력을 얻고 재무 결과를 개선하기 위해 이러한 리소스의 잠재력을 활용하는 방법을 배웁니다.
인증 프로그램과 더불어 2022년 봄에 대체 데이터에 대한 포괄적인 핸드북이 출시될 예정임을 알려드리게 되어 기쁩니다. 대체 데이터의 유형과 재무에서의 응용 프로그램.
이제 오늘의 패널 토론으로 시선을 돌리겠습니다. Cristiano Arbex Valle 박사, Gautam Mitra 교수, Matteo Campolmi 박사, Ravi Kashyap 박사를 포함한 존경하는 패널리스트가 거래에서 정서 및 대체 데이터 사용에 대한 통찰력을 공유할 것입니다. 그들은 대체 데이터가 무엇인지, 그것이 왜 중요한지, 정보에 입각한 거래 결정을 내리는 데 어떻게 효과적으로 활용할 수 있는지에 대해 논의할 것입니다.
우리 모두가 알고 있듯이 뉴스 이벤트는 종종 자산 가격에 상당한 영향을 미치며 정서 데이터는 미래 결과를 예측하는 데 중요한 역할을 할 수 있습니다. 패널리스트는 감정 데이터를 신속하게 처리하고 수학적 모델에 사용하기 위해 수치 데이터로 변환하는 방법에 대해 조명하여 일반적으로 기존 시장 데이터에서 포착되지 않는 귀중한 정보를 제공합니다.
또한 패널리스트는 대체 데이터와 관련된 문제와 기회를 탐색합니다. 그들은 대체 데이터 소스의 출현, 엄격한 데이터 처리 기술의 필요성, 방대한 양의 정보 내에서 신호를 식별하면서 과적합을 피하는 것의 중요성에 대해 논의할 것입니다.
패널 토론 중에는 질문을 하고 패널리스트와 교류하여 적극적으로 참여하도록 권장합니다. 귀하의 의견과 통찰력은 매우 소중하며 풍부하고 상호 작용하는 세션을 만들 수 있기를 기대합니다.
시작하기 전에 오늘 참석해 주신 모든 분들께 감사의 말씀을 드립니다. 귀하의 참석과 열정은 이와 같은 행사의 성공에 기여합니다. 소셜 미디어에서 우리를 팔로우하고 주최측의 행복한 11주년을 기원합니다.
이제 더 이상 고민하지 않고 거래의 정서 및 대체 데이터에 대한 패널 토론을 시작하겠습니다. 감사합니다.
패널 토론이 시작되면 패널 멤버들이 트레이딩의 정서 및 대체 데이터 주제에 대해 자세히 알아보고 귀중한 통찰력과 경험을 공유합니다. 뉴스 분석 및 감정을 예측 모델의 추가 입력 기능으로 통합하는 효과를 강조하고, 특히 자산 변동성 예측에서 얻은 향상된 결과를 강조합니다.
토론의 한 가지 핵심 사항은 대체 데이터의 출현과 거래 결정을 알리는 데 있어 그 중요성에 관한 것입니다. 패널리스트들은 대체 데이터가 소비자 습관과 같은 새로운 정보를 도입하여 투자 전략에 대한 귀중한 통찰력을 제공할 수 있다고 강조합니다. 그들은 시장 방향을 예측하고 재정적 결과를 향상시키기 위해 AI 및 기계 학습 기술을 활용하여 데이터를 모델과 결합하는 것의 중요성을 강조합니다.
패널은 잠시 시간을 내어 OptiRisk Systems의 창립자이자 MD인 Gautam Mitra 교수의 중재를 인정합니다. 그의 전문 지식을 통해 그는 주제에 대한 포괄적인 탐구를 보장합니다. 그들은 거래에서 정서 및 대체 데이터의 실제 적용을 탐구하고 그 정의, 중요성 및 활용에 관한 질문을 해결합니다.
대체 데이터가 끊임없이 진화하는 분야임을 인식한 패널리스트는 이 영역의 동적 특성을 강조합니다. 그들은 오늘날 대체 데이터로 간주되는 것이 어떻게 미래에 주류가 될 수 있는지에 대해 논의하고 업계 내에서 지속적인 발전과 혁신을 보여줍니다. 그들의 초점은 수익 극대화라는 궁극적인 목표와 함께 대체 데이터를 활용하여 재무 우위를 확보하는 데 있습니다.
토론 중에 패널은 뉴스 소스에서 파생된 정서 데이터에 존재하는 잠재적인 편견을 인정합니다. 그들은 여러 소스를 활용하고 다양한 기술을 사용하여 데이터를 분석하는 것과 같이 이러한 편향을 완화할 수 있는 잠재적인 솔루션을 제공합니다. 그렇게 함으로써 그들은 정확하고 신뢰할 수 있는 통찰력을 보장하기 위해 포괄적이고 강력한 데이터 분석의 중요성을 강조합니다.
앞으로 패널리스트는 데이터가 수집되는 상황과 시나리오를 이해하는 것의 중요성을 강조합니다. 그들은 미묘한 관점을 제공하고 효과적인 알고리즘을 구축하기 위한 상황 정보의 필요성에 대해 논의합니다. 패널리스트는 또한 편향이 항상 부정적인 것은 아니며 때로는 거래 전략에 도움이 될 수 있다는 생각에 대해서도 언급합니다. 이들의 중요한 메시지는 데이터 소스 자체를 제어할 수 없더라도 사용 가능한 데이터를 이해하고 작업하는 것의 중요성을 강조합니다.
패널은 거래 목적으로 감정 데이터를 분석할 때 고려해야 할 매개변수를 추가로 탐색합니다. 뉴스 또는 정서 제공자가 정서를 긍정적, 중립적 또는 부정적 범주로 분류하는 방법을 조명합니다. 또한 뉴스나 트윗의 양을 감정 분석의 요인으로 고려하는 것의 관련성에 대해 논의합니다. 특정 기간 동안의 평균 뉴스 양을 기반으로 한 정서의 정상화도 강조됩니다.
패널리스트가 감정 분석의 언어별 특성에 대해 토론하면서 대화가 깊어집니다. AI 및 기타 기술을 사용하여 텍스트를 구문 분석하고 분석하여 감정을 더 깊이 이해할 수 있도록 강조합니다. 뉴스 이벤트의 관련성과 참신성은 중요한 요소로 식별되며 기업은 콘텐츠 제공자와의 구독을 통해 뉴스 데이터를 수신하여 신속한 처리가 가능합니다.
패널 토론을 마무리하면서 패널리스트는 정서 지표에 사용되는 시간 프레임에 대해 언급합니다. 그들은 정서 지표가 뉴스가 시장에 도달하는 속도를 능가하는 것을 목표로 하지 않는다는 점을 분명히 합니다. 대신, 뉴스 흐름이 시간이 지남에 따라 주식에 미치는 영향을 설명하는 지표 역할을 합니다. 텍스트를 숫자 데이터로 변환하는 것의 중요성도 강조되어 텍스트 기반 정보에 필요한 추가 처리 계층을 인정합니다.
패널리스트는 또한 거래에서 정서 데이터 및 대체 데이터 소스의 관련성에 대해 논의합니다. 이들은 정서 데이터가 며칠 동안 관련이 있는지에 대한 질문을 다루며 대답은 모델의 목적과 수행되는 거래 유형에 따라 다르다는 점을 강조합니다. 토론은 수익성이 주요 지표로 식별되는 대체 데이터 소스에 대한 성능 지표로 확장됩니다. 패널리스트는 과거 데이터에 대한 수요와 그것이 가격에 미치는 잠재적 영향을 설명하면서 대체 데이터 소스가 대중화됨에 따라 시간이 지남에 따라 그 가치가 변할 수 있다고 경고했습니다.
패널 토론을 마무리하기 위해 패널리스트는 백테스팅의 과제와 중요성에 대한 통찰력을 공유합니다. 그들은 특정 대체 데이터 소스에 대한 과거 정보의 희소성을 인정하여 분석 및 백테스팅을 어렵게 만듭니다. 그러나 백테스팅 목적으로 데이터를 추정하는 데 도움이 될 수 있는 통계 모델 및 기술의 가용성을 강조합니다. 그들은 주어진 데이터 소스의 성능을 가지고 있지 않은 것과 비교하는 것의 중요성을 강조하여 트레이더가 그에 따라 전략을 조정할 수 있도록 합니다. 패널은 대체 데이터의 가치가 궁극적으로 특정 모델 내에서의 활용에 달려 있다는 점을 강조하며 결론을 내립니다.
이제 패널리스트가 두 가지 흥미로운 질문을 다루는 청중 Q&A 세션으로 전환합니다. 첫 번째 질문은 서로 다른 역사적 기간을 더 잘 이해하기 위해 역사적 데이터를 사용하는 것과 관련이 있습니다. 패널은 다양한 결과에 대한 포괄적인 이해를 얻기 위해 최소 7배의 시간 간격을 활용할 것을 제안합니다. 두 번째 질문은 신뢰할 수 있는 대체 데이터 소스를 찾는 것과 관련이 있습니다. 패널은 데이터 스카우트를 두어 다양한 소스를 탐색하고 정량적 팀에 사용할 수 있는 최상의 데이터를 식별할 것을 권장합니다. 그들은 신뢰할 수 있는 데이터를 찾는 문제를 강조하고 혁신적인 아이디어가 종종 소규모 신생 기업에서 나온다는 점을 강조합니다.
논의를 확장하면서 패널리스트는 초기에 고유한 데이터 세트를 식별하는 소규모 기업이 대기업에 인수될 가능성에 대해 탐구합니다. 데이터 집계에서 중개자의 중요성과 독점 모델링을 사용하는 파생 데이터 세트의 가치를 강조합니다. 대화는 국가별 데이터 세트의 영향, 지역적 위험 식별 및 세계 시장의 상호 연결성에 대해서도 다룹니다. 정보에 입각한 거래 결정을 내리려면 이러한 요소를 이해하는 것이 필수적입니다.
패널이 마무리되면서 연사들은 재무 분야 경력에 필요한 기술과 전제 조건에 초점을 맞춥니다. 그들은 프로그래밍 언어의 가치와 수학적 개념에 대한 확고한 이해를 강조합니다. 이러한 기술은 현장에서 점점 더 중요해지기 때문입니다. 다양한 기회에 대한 개방성을 유지하고 지속적으로 지식을 확장하는 것의 중요성과 마찬가지로 전문가와의 네트워킹 및 연결 구축도 강조됩니다.
마지막으로 연사는 시장 동향에 대한 정보를 유지하고 재무 의사 결정에서 객관성을 유지하는 것의 중요성을 반복합니다. 그녀는 재정 관리의 근본적인 역할을 강조하고 참석자들이 금융 산업에 적극적으로 참여할 것을 권장합니다.
연사는 진심 어린 감사의 마음으로 패널리스트와 청중의 소중한 기여에 감사드리며 세션을 마치겠습니다.
강세장에서의 공매도 - 마스터클래스 로랑 베르누트 | 알고 거래 주간 3일차
강세장에서의 공매도 - 마스터클래스 로랑 베르누트 | 알고 거래 주간 3일차
Laurent Bernut는 Alpha Secure Capital의 창립자이자 CEO이자 Fidelity Investments의 전담 공매도자로 소개되었습니다. 비디오는 그가 2시간 동안 진행되는 공매도를 주제로 한 마스터 클래스를 이끌 것이라고 강조합니다. 마스터클래스가 끝나면 Q&A 세션은 없을 예정이지만 시청자는 세션 자체에서 관련 질문을 할 것을 권장합니다. 또한 발표자는 청중에게 Python을 사용한 공매도 과정과 공매도 방법과 이유를 설명하는 보완 책에 대해 설명합니다. 이 책은 2021년 10월 11일에 출판될 예정이며 Amazon.com에서 구할 수 있습니다.
마스터 클래스는 참가자가 세션에서 얻을 수 있는 주요 내용을 설명하는 Laurent Bernut로 시작됩니다. 그는 탑픽은 파산이라고 주장하며 공매도는 성공적인 펀드를 모으기 위한 가장 가치 있는 기술이라고 강조합니다. Bernut는 또한 공매도에 대한 10가지 고전적인 신화를 폭로하여 이 분야의 연구가 덜 된 특성을 밝힙니다. 그는 공매도의 역학에 대해 자세히 설명하고 성공적인 시장 참여자도 공매도로 어려움을 겪는 이유를 설명합니다. 개인적인 통찰력을 공유하면서 Bernut는 과정에서 자금 관리의 중요한 역할을 강조합니다.
앞으로 Bernut는 공매도가 어떻게 작동하는지에 대한 개요를 제공하고 차입금을 찾는 것의 중요성을 강조합니다. 그는 주식 선택의 파산 특성에 대해 논의하고 거래자들이 공매도와 같은 다른 관행으로 초점을 전환하도록 옹호합니다. Bernut는 업계가 종종 주식 선택자에게 고정되어 있지만 경험적 증거에 따르면 대부분의 액티브 매니저는 지속적으로 벤치마크보다 실적이 저조한 것으로 나타났습니다. 이로 인해 많은 사람들이 패시브 투자 및 클로짓 인덱싱에 찬성하여 주식 선택을 포기했습니다. 그러나 Bernut는 약세장에서 공매도의 관련성과 하락 보호 측면에서 가져오는 가치를 강조합니다.
Bernut는 공매도에 대한 오해를 다루며 공매도가 연금과 회사를 파괴한다는 생각을 일축합니다. 그는 투자자들이 낮은 변동성, 낮은 상관관계 수익 및 하방 보호를 위해 장단기 투자 수단을 찾는다고 설명합니다. 따라서 뮤추얼 펀드 매니저의 롱 픽은 교환 거래 펀드를 통해 비슷한 결과를 수동적으로 달성할 수 있는 투자자와 관련이 없습니다. Bernut는 주식 공매도가 하락 위험에 대한 보호를 제공하여 특히 약세장에서 공매도 기술을 많이 찾는다고 강조합니다.
연사는 자본주의에서 공매도자의 역할과 회사 경영의 책임에 대해 깊이 파고듭니다. 그는 회사 경영에 참여하지 않는 공매도자들이 실패에 대한 비난을 받는 경우가 많다고 주장한다. Bernut는 시장 가치와 내재 가치의 차이를 강조하며 시장 가치는 미인 대회와 마찬가지로 주관적인 판단에 의해 결정된다고 설명합니다. 그는 공매도자가 본질적으로 악한 투기꾼이 아니라 종종 시장의 역설을 드러낸다고 설명합니다. 그는 규제 당국이 시장 조작에 관여하는 공매도자를 눈살을 찌푸리게 하지만 주요 임무는 시장의 비효율성을 폭로하는 것임을 인정합니다.
비디오는 Laurent Bernut가 기업의 시공간 연속체에 대해 논의하면서 계속되며, 이는 공매도자에게 역설을 제기합니다. 그는 기업이 사기에 가담한 직원에게 보상을 하는 반면 고위 경영진은 그러한 관행에 대한 지식을 부인하는 상황에 주의를 기울입니다. Bernut는 주식을 공매도하는 다른 방법이 있기 때문에 그들이 옳다고 하더라도 공매도자들에게 회사 경영에 적대적이지 않은 접근 방식을 채택할 것을 조언합니다. 그는 공매도의 위험 관리 측면을 강조하고 신중하게 이루어져야 한다고 경고합니다.
알고 트레이딩 위크(Algo Trading Week) 마스터 클래스에서 Bernut는 공매도 방법을 배우는 것의 중요성과 특히 약세장을 예상할 때 이 기술을 보유하지 않는 것과 관련된 위험을 강조합니다. 그는 또한 공매도가 시장 변동성 증가와 주가 붕괴 가능성에 어떻게 기여할 수 있는지에 대해서도 설명합니다.
비디오는 Laurent Bernut가 공매도에 대한 마스터 클래스 전체에 걸쳐 시청자의 참여와 참여에 감사하는 내용으로 계속됩니다. 그는 세션 중에 받은 질문과 의견에 감사를 표하며 학습 과정에 대한 적극적인 참여와 호기심의 중요성을 강조합니다.
그런 다음 Laurent Bernut는 프로그래밍을 사용하여 공매도 전략을 구현하기 위한 실용적인 기술을 제공하는 것을 목표로 Python을 사용한 공매도에 대한 향후 과정을 소개합니다. 이 과정은 데이터 분석, 알고리즘 거래, 위험 관리 및 백테스팅을 포함한 다양한 주제를 다룹니다. 그는 정량적 분석과 공매도 기술을 결합하는 것의 가치와 Python이 이 목적을 위한 강력한 도구가 될 수 있는 방법을 강조합니다.
과정 외에도 Laurent Bernut는 "공매도 공개: 약세장에서 수익을 내기 위한 포괄적인 가이드"라는 보완 책의 출시를 발표했습니다. 이 책은 공매도의 방법과 이유를 모두 탐구하여 통찰력, 전략 및 실제 사례를 제공합니다. 그것은 공매도의 복잡성을 성공적으로 탐색하는 데 필요한 지식과 기술을 독자들에게 제공하고 규율을 이해하기 쉽게 만드는 것을 목표로 합니다. 이 책은 2021년 10월 11일에 출판될 예정이며 Amazon.com에서 구할 수 있습니다.
비디오가 끝날 때 Laurent Bernut는 공매도 분야에서 지속적인 학습과 개선의 중요성을 반복합니다. 그는 시청자가 코스와 책을 탐색하여 이해를 심화하고 기술을 향상시키도록 권장합니다. 그는 개인이 공매도에 능숙해지도록 돕겠다는 약속을 표현하고 끊임없이 변화하는 금융 시장에서 정보를 얻고 적응하는 것의 가치를 강조합니다.
감사와 격려의 마지막 메모와 함께 Laurent Bernut는 시청자에게 작별을 고하고 공매도 세계에서 연결하고 질문하고 여정을 계속하도록 초대합니다. 비디오가 끝나고 시청자는 공매도가 제시하는 기회와 과제를 더 탐구하도록 영감과 의욕을 갖게 됩니다.
Hui Liu 박사의 최고의 주식 선택 및 실시간 거래 방법 | 알고 거래 주간 2일차
Hui Liu 박사의 최고의 주식 선택 및 실시간 거래 방법 | 알고 거래 주간 2일차
알고 트레이딩 위크 2일 차를 소개하는 동안 연사는 퀀트 및 알고 트레이딩 전문가가 출연한 이전 세션을 인정합니다. 그들은 이 전문가들이 공유한 귀중한 통찰력을 간략하게 언급하여 오늘의 발표를 위한 무대를 마련합니다. 2일 차는 류후이 박사가 사회자로 나서 최고의 종목을 선별하고 실시간 거래에 임하는 데 집중했다.
연사는 또한 양적 및 알고리즘 거래의 기초를 다루는 세 가지 개별 테스트를 포함하는 진행 중인 알고 거래 대회를 강조합니다. 대회 우승자는 9월에 발표될 예정이며 이벤트에 기대감과 흥분을 더할 것입니다. 또한 연사는 다음 날 세션이 Aloha Bendu가 이끄는 공매도에 대한 2시간짜리 마스터 클래스가 될 것이라고 밝혔습니다. 이 클래스의 시간은 다른 시간대의 참가자를 수용하기 위해 조정됩니다.
Hui Liu 박사는 거래 아이디어를 생성하고, 이를 검증하고, 역사적 성과를 테스트하기 위한 기계 학습 모델을 구성하는 과정에 대해 논의하면서 프레젠테이션을 시작합니다. 그는 거래자들이 재무 보고서를 읽거나 소셜 미디어 플랫폼을 모니터링하여 회사의 성과를 측정함으로써 아이디어를 얻을 수 있다고 제안합니다. Liu 박사는 또한 S&P 500 지수를 추적하고 귀중한 과거 데이터 소스 역할을 하는 SPY ETF를 소개합니다. 그는 iBridgePi를 사용하여 거래 로봇을 만들기 전에 통계 모델을 사용하고 거래 아이디어를 검증하기 위한 백테스팅을 수행하는 것이 중요하다고 강조합니다.
그런 다음 추세 거래의 기본과 저가 매수 및 고가 매도의 중요성에 대해 Dr. Liu가 설명합니다. 그는 기계 학습 모델을 개발하기 위해 Jupyter Notebook에서 과거 데이터 수집 및 Python 활용에 대해 자세히 설명합니다. Liu 박사는 거래 목적으로 가장 유망한 주식을 식별하는 데 도움이 되는 주식 스크리너를 만드는 데 모델을 어떻게 사용할 수 있는지 보여줍니다. 그는 백테스팅과 실시간 거래를 통해 거래 아이디어를 검증하는 것의 중요성을 강조합니다.
그의 다음 부분에서 Dr. Liu는 Python을 활용하여 Yahoo Finance API에서 기록 데이터를 검색하고 기계 학습 모델을 구축하기 위해 조작하는 실습 데모를 제공합니다. 구체적으로 그는 SPY에 대한 일일 바 데이터를 검색하고 "이력 데이터 요청" 기능을 사용합니다. Liu 박사는 전날부터 오늘까지, 그리고 오늘부터 다음 날까지의 종가 변동률을 계산하는 데이터에 열을 추가합니다. 그는 어제부터 오늘까지 음의 종가 변화와 오늘부터 내일까지의 긍정적인 변화가 결합되어 가격이 하락할 때 주식을 살 수 있는 기회를 의미한다고 설명합니다.
그런 다음 주가를 예측하기 위해 기계 학습 모델을 구성하는 과정을 Dr. Liu가 자세히 설명합니다. 그는 종가, 어제의 가격 변동, 오늘부터 내일까지의 가격 변동에 대한 데이터를 수집합니다. 선형 회귀 모델을 활용하여 데이터를 피팅하고 결과를 분석합니다. Liu 박사는 검은색 선이 기계 학습 모델의 예측을 나타내고 흩어져 있는 데이터 포인트가 S&P 500에 대한 Yahoo Finance의 일일 주가를 나타내는 플롯을 표시합니다. 그는 음의 계수는 음의 상관관계를 의미하며, 가격이 하락하면 상승할 가능성이 높으며 그 반대도 마찬가지입니다. Liu 박사는 잠재적으로 이익을 창출하기 위해 자동 거래에 이 모델을 사용할 가능성을 고려합니다.
Liu 박사는 최고의 주식을 선택하고 실시간 거래에 참여하는 과정에 대해 논의합니다. 그는 거래자들이 거래일이 끝날 때 가격을 조사하여 시장 마감 근처에서 주문을 하기 전에 상승 또는 하락 움직임을 결정할 것을 권장합니다. 그는 모델이 다양한 주식과 어떻게 작동하는지에 대한 통찰력을 얻기 위해 주식 스크리너의 구성을 보여주고 추적할 유리한 주식을 식별합니다. Liu 박사는 자신의 모델이 내일 가격을 예측하기 위해 어제의 가격에 의존하는 상대적으로 단순하다는 점을 인정합니다. 따라서 예측 정확도를 높이고 거래를 걸러내기 위해 MACD(이동 평균 수렴 발산)와 같은 고급 지표의 통합을 고려합니다.
주식을 예측하고 걸러내기 위한 MACD의 활용은 저가 매도 고가 모델과의 비교와 함께 Dr. Liu에 의해 탐구됩니다. 그는 SPY에 MACD 10과 30을 적용했을 때 얻은 결과를 제시하면서 상대적으로 약한 경향을 드러낸다. 결과적으로 Liu 박사는 MACD를 미래 예측에 사용하는 것이 이전만큼 좋은 결과를 얻지 못할 수 있다고 결론지었습니다. 그는 통계적 기계 학습 모델의 구성에 대해 논의하고 수익 창출의 잠재적인 수단으로 저가 매도 고가 모델을 고려합니다. Liu 박사는 백테스트 및 라이브 거래를 용이하게 하는 Python 플랫폼인 Average Pi를 강조하며 100% 개인 정보 보호 기능, 여러 계정과의 호환성 및 데이터 공급자 측면의 유연성을 강조합니다. 그는 단 몇 줄의 코드를 사용하여 Average Pi에서 저가 매도 고가 모델을 구축하는 단순성과 효율성을 설명합니다.
Liu 박사는 Algo Trading Week Day 2를 사용하여 거래를 위한 구성을 설정하는 과정을 설명합니다. 그는 변수를 정의하고 구성을 설정하기 위해 시작 시 초기화 기능의 실행을 강조합니다. 예를 들어, 그는 "저가 매수, 고가 매도" 기능을 모든 거래일, 즉 시장이 마감되기 1분 전에 실행하도록 예약하여 어제 가격이 오늘보다 낮을 경우 포트폴리오의 100%를 SPY에 투자하도록 지시합니다. Liu 박사는 브로커 또는 제3자 공급자의 과거 데이터가 분 단위, 시간 단위 또는 매일을 포함하여 다양한 시간 프레임에서 어떻게 활용될 수 있는지 설명하면서 백테스팅 주제를 탐구합니다.
다음으로 Dr. Liu는 다양한 데이터 공급자와 패키지를 사용하여 선택한 전략을 백테스팅하는 과정을 시연합니다. 그는 실행을 위해 선택한 데이터 공급자를 확인하는 것과 함께 백테스팅 기간의 시작 시간과 종료 시간을 선택하라고 조언합니다. 데모 모드로 전환하면서 Dr. Liu는 IB(Interactive Brokers)와 같은 데이터 공급자 또는 로컬 기록 데이터를 백테스팅 전략에 사용할 수 있음을 나타내는 프로세스를 보여줍니다. 그는 로컬 파일에 저장된 사용 가능한 기록 데이터를 활용하여 백테스팅 설정 구성에 대한 지침을 제공합니다.
Liu 박사는 과거 데이터를 사용하여 거래 전략의 효과를 테스트하기 위한 백테스팅 사용을 시연합니다. 그는 광범위한 백테스팅 기간 동안 의미 있는 일일 바 데이터를 얻는 것이 어렵다는 점을 인정합니다. 이 장애물을 극복하기 위해 그는 데이터를 시뮬레이션하기 위해 일일 막대의 종가를 활용할 수 있는 시뮬레이션된 분 막대 데이터의 개념을 도입합니다. 이는 백테스팅 목적에 필요한 정확한 데이터에 액세스하는 데 어려움을 겪는 트레이더를 위한 프로세스를 단순화합니다.
Liu 박사는 2000년부터 2020년까지 S&P 500의 매수 후 보유 전략과 비교하여 "저가 매수 고가 매도" 모델을 백테스팅한 결과를 제시합니다. $800,000에 비해 $200,000의 가치. 그는 간단한 선형 회귀를 통해 관찰된 작은 상관 관계에도 불구하고 모델이 여전히 긍정적인 결과를 제공한다는 점을 인정합니다. 그런 다음 Liu 박사는 라이브 거래 주제로 전환하여 프로그램을 실행하기 전에 원하는 전략을 선택하고 Interactive Brokers의 계정 코드를 입력하기 위해 두 줄의 코드를 수정하는 것만큼 간단할 수 있음을 나타냅니다. 그는 참석자들에게 코딩 지원을 위해 이메일을 통해 연락하거나 캘리포니아주 산호세에서 대면 회의를 주선하도록 초대하는 것으로 프레젠테이션을 마무리합니다.
Q&A 세션 동안 실시간 거래에서 동일한 결과를 제공하는 백테스트 전략의 확실성에 관한 질문이 제기됩니다. Liu 박사는 과거 데이터가 과거를 나타내고 모델이 통계적 안정성을 나타낼 수 있지만 가격 자체는 변동성이 있으며 특히 시장 종가에 가깝다고 설명합니다. 따라서 미래 예측의 변수는 불가피하다. 그러나 오랜 기간 동안 전체 모델은 사실이어야 합니다. 그는 단순성과 이해의 용이성 때문에 선형 회귀 모델을 활용한다고 언급하지만 더 정교한 기계 학습 모델이 잠재적으로 더 나은 결과를 얻을 수 있음을 인정합니다. Liu 박사는 거래 비용과 슬리피지(slippage) 문제도 다루며 실제 거래 전략을 구현할 때 고려해야 하며 전략의 전반적인 성과에 영향을 미칠 수 있다고 말했습니다.
저가 매도 고가 모델과 함께 다른 기술 지표를 사용하는 것과 관련하여 또 다른 질문이 제기됩니다. Liu 박사는 트레이더가 추가 지표를 전략에 통합할 수 있는 Average Pi 플랫폼의 유연성을 강조하여 응답합니다. 그는 MACD(이동 평균 수렴 발산) 지표가 거래를 필터링하고 예측 정확도를 높이는 데 유용한 추가 기능이 될 수 있다고 언급합니다.
참가자는 거래 신호와 시장 마감 사이의 시간 간격의 중요성에 대해 묻습니다. Liu 박사는 선택한 시간 간격은 개인의 선호도와 거래 전략에 따라 다르다고 설명합니다. 원하는 거래 실행 시간에 따라 시장 마감까지 몇 분 또는 몇 시간이 걸릴 수 있습니다. 그는 트레이더들에게 특정 전략에 가장 적합한 것을 찾기 위해 다양한 시간 간격을 실험해 보라고 조언합니다.
시장 변동성이 저가 매도 고가 매도 모델에 미치는 영향에 대한 질문에 대해 Dr. Liu는 변동성 증가가 잠재적으로 더 많은 거래 기회를 창출할 수 있음을 인정합니다. 그러나 그는 변동성이 높으면 위험도 높아지므로 트레이더는 위험 허용 범위를 신중하게 고려하고 그에 따라 전략을 조정해야 한다고 경고합니다.
참가자는 저점 매수 고가 매도 모델의 잠재적 한계에 대해 질문합니다. Liu 박사는 모델의 단순성이 장점이자 한계임을 인정합니다. 긍정적인 결과를 생성할 수 있지만 더 복잡한 시장 역학을 포착하지 못할 수 있으며 잠재적으로 특정 거래 기회를 놓칠 수 있습니다. 그는 더 발전된 전략과 모델을 탐색하려는 거래자들이 양적 금융에 대해 더 깊이 파고들고 다른 기계 학습 알고리즘을 탐색하는 것을 고려해야 한다고 제안합니다.
Q&A 세션은 Dr. Liu가 참석자들에게 추가 질문이 있거나 코딩 지원을 하겠다는 의사를 밝히고 이메일을 통해 그에게 연락할 것을 권장하는 것으로 마무리됩니다.
성공적인 퀀트가 되는 방법 | 어니스트 찬 박사 | 알고 거래 주간 1일차
성공적인 퀀트가 되는 방법 | 어니스트 찬 박사 | 알고 거래 주간 1일차
Dr. Ernest Chan과의 Q&A 세션은 전문가가 지식을 갱신할 수 있도록 하면서 초보자에게는 알고리즘 거래의 기초를 배울 수 있는 기회를 제공하기 위해 고안된 알고리즘 거래 경쟁을 소개하는 연사로 시작됩니다. 대회는 상위 3명의 우승자에게 장학금 및 공로 증명서와 같은 상품을 제공합니다. PredictNow.ai 및 QTS Capital Management의 창립자이자 CEO이자 양적 거래에 관한 세 권의 책을 저술한 Dr. Chan이 자신의 전문 지식을 청중과 공유합니다.
Chan 박사는 지난 10년 동안 양적 거래의 우세를 강조하는 것으로 시작하여 미국 거래소 거래량의 최대 90%가 알고리즘 거래에 기인한다고 추정합니다. 그는 퀀트 트레이딩이 임의 트레이딩보다 우월하다고 주장하지는 않지만 트레이딩 전략을 자동화하거나 체계화할 수 있는 기회를 간과하지 않는 것이 중요하다고 강조합니다. 기관과 경쟁하는 개인 거래자의 관점에서 Chan 박사는 용량이 제한된 틈새 전략이 최고의 기회를 제공한다고 제안합니다. 이러한 전략은 종종 대규모 기관에 매력적이지 않고 드문 거래를 포함하므로 독립 거래자에게 실행 가능한 옵션이 됩니다.
대규모 기관이 경쟁하지 않는 알고리즘 거래에서 틈새 시장을 찾는 것의 중요성을 언급하는 Chan 박사와 함께 토론이 계속됩니다. 그는 대형 플레이어와의 직접적인 경쟁을 피하고 경쟁이 거의 또는 전혀 없는 영역을 찾을 것을 권장합니다. Dr. Chan은 박사 학위 취득의 중요성에 대한 질문에 답변합니다. 양적 및 알고리즘 거래에서. 그는 성공적인 퀀트가 되기 위해서는 자신의 돈을 걸고 하는 것을 의미하는 "스킨 인 더 게임(skin in the game)"을 갖는 것이 중요하다고 강조합니다. 그는 거래자들이 이론적 지식에만 의존하기보다는 거래 전략 자체를 백테스팅하고 거래에 관한 블로그와 책을 읽어 시장에 대한 직관적인 이해를 발전시키는 데 집중할 것을 제안합니다.
Chan 박사는 성공적인 퀀트 트레이더는 박사 학위보다 실무 경험과 시장 이해를 우선시해야 한다고 조언합니다. 그는 성공적인 퀀트가 되기까지는 시간이 걸린다고 지적하고, 거래 전략이나 특정 시장 현상에 초점을 맞춘 독창적인 연구를 백서 형식으로 작성하여 최고의 퀀트 펀드에 가입하려고 할 때 자신을 차별화할 것을 제안합니다. 그는 성공적인 단일 거래와 같은 짧은 추적 기록이 일관성과 지식을 증명하기에 충분하지 않다고 경고합니다. 주문 흐름 데이터를 거래 전략에 통합하는 것에 대한 질문에 대해 Dr. Chan은 지표로서의 가치를 인정하지만 그 자체로 포괄적인 단일 지표가 없기 때문에 다른 지표와 함께 사용해야 한다고 강조합니다.
거래 전략을 구축하기 위해 개별 지표를 사용하는 것의 한계는 Dr. Chan이 논의합니다. 그는 많은 사람들이 이러한 지표를 사용하여 효율성이 떨어진다고 지적합니다. 그는 기계 학습 프로그램의 많은 기능 중 하나로 통합할 것을 제안합니다. 퀀트 업계의 연령 차별에 대해 질문을 받았을 때 Dr. Chan은 개인 사업자로 운영하는 경우 연령 차별은 문제가 되지 않는다고 강조합니다. 또한 알파를 생성하는 데 기계 학습을 사용하는 것에 대한 자신의 견해를 공유하고 과대적합의 위험에 대해 경고하고 대신 위험 관리를 위한 도구로 권장합니다. 지연 시간이 짧은 거래와 관련하여 Chan 박사는 이 영역에서 양적 거래가 필요하다고 주장합니다. 마지막으로 그는 성공적인 실적을 넘어 퀀트 기반 헤지 펀드를 시작하려는 모든 사람에게 관리 기술이 필수적이라고 조언합니다.
Dr. Chan은 성공적인 자금 관리에는 거래 기술뿐만 아니라 관리 및 비즈니스 개발 기술이 필요하다고 강조합니다. 리더십 자질과 비즈니스 관리 배경을 갖는 것이 중요합니다. 인도 시장을 정량적으로 이해하는 것에 대해 묻는 질문에 그는 주로 규제로 인해 지식이 부족하다고 인정합니다. 전략을 실행하기 전에 페이퍼 트레이딩에 얼마나 많은 시간을 투자해야 하는지에 대한 질문에 Chan 박사는 그것이 트레이딩의 효율성에 달려 있다고 설명합니다. 매 초마다 거래를 실행하는 고주파 거래 전략의 경우 2주간의 종이 거래로 충분할 수 있습니다. 반대로 보유 전략의 경우 수행된 거래 수에 따라 통계적 유의성을 얻기 위해 3개월 동안 종이 거래가 필요할 수 있습니다.
Chan 박사는 수익성 있는 알파가 대부분 비가격 기반이라는 최근 연구 결과에도 불구하고 시계열 접근 방식이 여전히 알파 포트폴리오의 핵심이어야 하는지에 대해 논의합니다. 그는 산업 컨퍼런스에 참석하고, LinkedIn과 같은 플랫폼을 통해 전문가들과 네트워킹하고, 경험 많은 퀀트의 관심을 끌기 위해 거래에서 강력한 실적을 쌓을 것을 제안합니다. 그는 개인이 멘토를 찾고 잠재적 공동 작업자에게 다가가기 위한 적극적인 조치를 취하도록 권장합니다.
계속해서 Dr. Chan은 성공적인 퀀트 트레이딩 팀을 고용하고 교육하는 방법에 대한 통찰력을 공유합니다. 그는 고용된 개인이 위험 관리, 파생 상품 가격 책정 또는 데이터 과학 등 팀이 집중하고 있는 특정 기능에 대해 입증된 전문성을 보유해야 한다고 조언합니다. 팀의 목표가 수익성 있는 거래 전략을 개발하는 것이라면 해당 분야에서 이미 실적이 있는 사람을 고용하는 것이 가장 좋습니다. 또한 Dr. Chan은 거래를 위한 보편적으로 이상적인 시장은 없으며 팀은 자신이 가장 잘 아는 것에 집중해야 한다고 강조합니다. 그는 또한 고주파 거래자가 중간 및 저주파 거래자와 비교하여 단기 시장 방향을 예측하는 데 어떤 이점이 있는지 설명합니다.
토론은 Chan 박사가 짧은 기간을 넘어 시장 움직임을 정확하게 예측하는 문제와 고주파 거래 예측 활용과 관련된 복잡성에 대해 탐구하면서 계속됩니다. 그는 자신을 거래하는 대신 숙련된 거래자를 고용하는 거래에 대한 개인적인 접근 방식을 공유합니다. Dr. Chan은 재량적 전략을 사용하든 정량적 전략을 사용하든 관계없이 강력한 실적을 가진 트레이더를 고용하는 것이 중요하다고 강조합니다. 그의 연간 누적 성장률에 대해 묻자 그는 SEC 규정으로 인해 이 정보를 공개할 수 없다고 밝혔습니다. 마지막으로 그는 퀀트 트레이더가 일반적으로 모든 자산 클래스에서 동일한 전략을 사용하지 않기 때문에 알고리즘 거래 목적으로 Python 및 MATLAB과 같은 프로그래밍 언어를 비교하는 것이 어렵다고 지적합니다.
Chan 박사는 거래에 MATLAB과 Python을 사용하는 방법에 대해 이야기하며 개인적으로 MATLAB을 선호하지만 거래자들마다 선호하는 것이 다르며 언어 선택이 가장 중요한 요소는 아니라는 점을 인정합니다. 그는 거래 비용을 최적화하는 것은 해당 분야의 전문가에게도 어려운 일이므로 거래자에게 최우선 순위가 되어서는 안 된다고 생각합니다. 기계 학습 전략을 수정하거나 재교육하는 것과 관련하여 그는 시장 체제가 상당한 변화를 겪을 때만 그렇게 할 것을 제안합니다. 그는 또한 거래 기술을 향상시키기 위해 Python 또는 MATLAB과 같은 새로운 언어를 배워 기회를 확대할 것을 권장합니다.
Dr. Chan은 퀀트 트레이더가 되는 데 관심이 있는 개인에게 커리어 조언을 제공하며 세션을 마무리합니다. 그는 개인의 강점과 약점을 더 잘 이해하기 위해 옵션 거래와 같은 다양한 영역을 탐색할 것을 제안합니다. 그는 자신의 현재 초점이 기계 학습 기반 위험 관리 시스템을 보다 널리 사용 가능하게 만드는 데 있다고 언급하고 가까운 장래에 기계 거래 서적의 두 번째 버전을 발표할 계획이 없음을 분명히 합니다. 트레이더를 고용할 때 그는 길고 일관된 실적을 찾고 짧은 기간에 거래하기 위해 시계열 기법과 계량 경제학 모델을 사용할 것을 권장합니다. 종료 전략은 특정 거래 전략과 일치해야 하며 이에 따라 중지 또는 이익 목표 종료가 실행됩니다.
비디오가 끝나자 호스트는 귀중한 통찰력과 성공적인 퀀트가 되기 위한 다양한 질문에 답변한 시간에 대해 Dr. Ernest Chan에게 감사를 표합니다. 시청자는 답이 없는 질문이 있으면 이메일로 보내서 해결되었는지 확인하는 것이 좋습니다. 호스트는 다음 주에 알고리즘 거래 분야의 다른 존경받는 게스트와 함께 추가 세션을 발표하고 청중의 지원에 감사를 표하며 계속 시청하도록 격려합니다.
퀀트와 알고리즘 트레이딩을 시작하기 전에... [패널토론] | 알고 거래 주간 0일
퀀트와 알고리즘 트레이딩을 시작하기 전에... [패널토론] | 알고 거래 주간 0일
알고 트레이딩 위크는 주최자가 주도하고 업계 전문가가 참여하는 매력적인 패널 토론으로 시작됩니다. 호스트는 이벤트 및 목적에 대한 배경 정보를 제공하기 위해 마케팅 및 아웃리치 이니셔티브 책임자를 초대하는 것으로 시작합니다. 마케팅 책임자는 Algo Trading Week의 주요 목표가 알고리즘 거래에 대한 접근성을 높이고 이를 주류로 가져오는 것이라고 설명합니다. 이 행사는 웨비나, 워크숍 및 무료 리소스와 같은 다양한 교육 이니셔티브를 통해 이를 달성하는 것을 목표로 합니다. 또한 Algo Trading Week는 회사의 11주년을 기념하는 행사로 7~8일에 걸쳐 다양한 세션과 경쟁을 제공합니다.
그런 다음 발표자는 Quantra 과정을 소개하면서 과정의 약 20-25% 이상을 무료로 사용할 수 있음을 강조합니다. 이것은 지역 사회의 지원과 기여를 통해 가능합니다. 연사는 더 많은 일을 하고 싶다는 소망을 표현하고 이것이 어떻게 일주일 간의 학습 축제를 조직하게 되었는지 설명합니다. 이 축제는 지식과 통찰력을 공유할 업계 최고의 전문가들을 한자리에 모았습니다. 연사는 받은 긍정적인 반응에 대해 감사를 표합니다.
계속해서 발표자는 토론에 참여할 패널 멤버를 소개합니다. 패널에는 Contra 콘텐츠 팀을 이끄는 Ishaan, QuantInsti의 공동 설립자 겸 CEO인 Nitish, Blue Shift의 부사장인 Pradipta, iRage의 공동 설립자이자 CEO인 Rajiv가 포함됩니다. 이 존경받는 패널리스트들은 다양한 관점과 전문성을 테이블에 제시합니다.
그런 다음 토론은 퀀트 및 알고리즘 트레이딩 경력에 필요한 기술 및 교육 배경 주제로 전환됩니다. 패널은 이 분야를 탐구하기 전에 관심과 열정을 맞추는 것이 중요하다고 강조합니다. 그들은 개인에게 상당한 시간과 노력을 기울일 준비를 하고 금융 시장, 프로그래밍 방법, 통계 및 계량 경제학에 대한 명확한 이해의 필요성을 강조하도록 조언합니다. 패널은 이러한 영역 중 하나 또는 두 가지에 대한 전문 지식이 필요하지만 세 가지 모두에서 최소 수준의 자격 기준을 충족해야 한다고 강조합니다. 패널은 또한 단기 코스가 개인이 현장에서 경쟁력 있는 플레이어가 되기 위해 필요한 기술을 개발하는 데 어떻게 도움이 될 수 있는지에 대해 논의합니다.
그런 다음 패널리스트는 양적 및 알고리즘 거래 과정을 수강할 때의 이점에 대해 자세히 설명합니다. 적절한 거래 프로세스를 따르고 수학과 통계를 활용하여 시장의 이상 현상을 탐색하는 것의 중요성을 강조합니다. 이 과정은 가설을 백테스팅하고 검증하는 데 필수적인 Python 기술을 가르칩니다. 또한 참가자는 BlueShift와 같은 플랫폼에서 전략을 종이로 작성하거나 실시간으로 거래할 수 있습니다. 패널리스트는 또한 시장에서 다양한 알파 소스와 소매 사용자가 기성 전략에만 의존하지 않고 리서치 및 라이브 거래 플랫폼을 사용하여 이점을 얻을 수 있는 방법에 대해 논의합니다. 그들은 거래 전략의 위험을 평가할 때 전략을 개별적으로 고려해야 할 뿐만 아니라 자신의 포지션과 전체 포트폴리오에 미치는 영향도 고려해야 한다고 강조합니다.
테스트 전략의 중요성과 알파에 대한 액세스 권한이 패널에서 추가로 논의됩니다. 그들은 다른 기술과 프로세스가 필요한 자체 플랫폼을 구축하는 것보다 체계적인 연구를 위해 BlueShift와 같은 플랫폼을 활용하는 것이 중요하다고 강조합니다. 패널리스트들은 거래가 다양한 스타일로 분류될 수 있으며 시장 발전의 영향이 그에 따라 달라진다는 점에 주목합니다. 그들은 퀀트 거래 산업이 기술 및 데이터 분석의 발전으로부터 어떻게 이익을 얻을 수 있는지 설명하기 위해 기계 학습 체스 프로그램의 비유를 사용합니다. 또한 증가된 시장 규모와 데이터 가용성으로 인해 중간 및 고주파 거래 전략에 사용할 수 있는 상당한 양의 정보를 강조합니다.
패널리스트는 양적 및 알고리즘 거래에 대한 기술의 영향으로 초점을 이동합니다. 그들은 빅데이터와 자동화의 중요성이 커지고 있음을 강조하고 고주파 거래자들이 경쟁이 심화되고 있음을 인정합니다. 패널리스트는 너무 빨리 전략을 구현하는 것에 대해 경고하면서 현장 진입을 고려하는 소매 투자자의 우려를 해결합니다.
패널리스트는 전략에 투자하기 전에 전략을 철저히 테스트하고 이해하는 것의 중요성을 강조합니다. 그들은 적절한 평가 없이 구현을 서두르는 위험을 피해야 할 필요성을 강조합니다. 그들은 특정 전략을 사용하기 전에 성공할 것으로 예상되는 이유를 이해하는 것이 중요하다고 강조합니다.
패널리스트는 거래 성공 확률을 높이기 위해 알파 아이디어, 테스트 및 위험 관리와 같은 입력에 집중하는 것의 중요성을 강조합니다. 그들은 이 과정이 느리고 지루해 보일 수 있음을 인정하지만, 이를 고수하고 성급한 의사 결정을 피하는 것이 필요합니다. 임의 거래에서 체계적 거래로 전환하려는 사람들을 위해 패널리스트는 시장 거래, 기본 수학 및 전략 기술, 프로그래밍, 특히 Python에 대한 기본적인 이해를 습득할 것을 권장합니다. 그들은 또한 개인에게 성공적인 거래자에 대해 읽고 시행착오를 통한 손실을 피하기 위해 경험을 통해 배우도록 조언합니다.
알고리즘 거래의 잠재적 함정과 이를 피하는 방법이 패널리스트들에 의해 논의됩니다. 그들은 전략의 편향을 식별하고 철저한 백테스팅과 분석을 통해 다양한 시장 조건에서 작동하는지 확인하는 것의 중요성을 강조합니다. 패널리스트는 교환 활동의 모델링을 과소평가하지 않도록 주의합니다. 이해가 부족하면 기회를 놓치거나 고주파 거래 전략에 대한 거래 실행이 크게 지연될 수 있기 때문입니다. 그들은 전략 개발에 대한 체계적인 접근 방식을 채택하고 단순 요소와 복합 요소를 모두 사용하여 광범위하게 테스트할 것을 권장합니다. 패널리스트는 능숙하고 성공적인 퀀트 트레이더가 되기 위해 코스, 웨비나 및 연습을 통해 필요한 기술을 습득할 것을 제안합니다.
패널리스트는 알고리즘 거래에 관심이 있는 개인에게 귀중한 조언을 제공합니다. 그들은 예측 편향, 백테스트에 대한 지나친 의존, 관련 위험을 고려하지 않은 고수익에 대한 과도한 확신에 대해 경고합니다. 패널리스트는 또한 과도한 레버리지를 피하는 것의 중요성을 강조하고 트레이더에게 수익을 평가할 때 관련된 위험을 고려하도록 상기시킵니다. 백 테스트 결과를 왜곡할 수 있는 편향의 존재를 강조하고 이러한 편향을 적절하게 이해하고 해결해야 할 필요성을 강조합니다.
연사는 거래 성공 가능성을 높이기 위해 백테스팅할 때 올바른 도구와 방법을 사용하는 것의 중요성을 강조합니다. 그들은 데이터를 올바르게 해석할 수 있는 능력을 가진 거래자들이 자유롭게 접근할 수 있는 오픈 소스 시스템과 데이터 과학 라이브러리의 부상으로 이용 가능한 기회를 강조합니다. 또한 클라우드 인프라를 사용하여 유연하게 서버를 임대하여 비용을 절감할 수 있는 가능성을 언급합니다. 연사들은 거래에서 성공을 달성하는 데 따른 어려움을 인정하고 거래 결정에서 두려움과 탐욕과 같은 감정적 영향을 피하기 위해 객관적이고 체계적인 접근 방식의 중요성을 강조합니다. 그들은 양적 및 알고리즘 거래 기술을 향상시키기 위해 Quantra에서 제공하는 것과 같은 과정을 수강할 것을 권장합니다.
그런 다음 연사는 거래의 모든 구성 요소를 객관적으로 배우고 존재하는 다양한 전략을 인식하는 것의 중요성에 대해 논의합니다. 그들은 양적 및 알고리즘 거래 또는 다른 분야에 관계없이 자신의 교육에 투자하는 가치를 강조합니다. 연사는 거래의 기초를 배우는 데 관심이 있는 개인을 위한 경쟁을 발표하고 거래자, 프로그래머 및 지식을 향상시키려는 모든 사람에게 열려 있습니다. 경쟁은 금융 시장, 수학 및 통계, 프로그래밍 및 기계 학습을 다루는 세 가지 퀴즈로 구성됩니다. 발표자는 시험 준비를 위한 리소스를 제공합니다.
발표자는 알고 트레이딩 위크에 대한 예정된 퀴즈에 대한 자세한 정보를 제공하며 다룰 날짜와 주제를 지정합니다. 점수에 따라 최종 순위표가 결정되므로 참가자는 표시된 리소스 또는 선호하는 다른 수단을 사용하여 준비하는 것이 좋습니다. 연사는 상위 3위 또는 상위 10위 참가자 사이에 순위를 매길 기회를 높이기 위해 세 가지 퀴즈를 모두 풀 것을 제안합니다. 또한 연사는 퀀트 설정에 필요한 하드웨어 요구 사항에 대해 논의하며 실행 하드웨어는 노트북처럼 간단하거나 클라우드의 최소 구성일 수 있다고 설명합니다. 그러나 고급 연구 기능을 사용하려면 최소 4GB의 RAM이 있는 더 나은 컴퓨터가 필요할 수 있습니다.
그런 다음 패널은 초단타매매(HFT) 및 계산량이 많은 펀드에 대한 하드웨어 요구 사항에 대해 자세히 설명합니다. 그들은 HFT가 더 빠른 교환 연결을 달성하기 위해 빈번한 하드웨어 업그레이드 및 개선이 필요하며 이는 알파 세대의 중요한 요소라고 강조합니다. 속도와 광범위한 연구 및 데이터 분석이 필요한 거래 전략에는 서버급 인프라가 필요합니다. 패널은 또한 알고리즘 거래를 "실행하고 잊어버리는" 메커니즘으로 취급하는 것에 대해 경고하며, 전략 성과를 정기적으로 모니터링하고 필요한 경우 클라우드 기반 거래 시스템을 활용하는 경우에도 시정 조치를 취할 필요성을 강조합니다.
패널토론이 끝나갈 무렵, 패널들은 세션에 적극적으로 참여해 주신 관객 여러분께 감사의 인사를 전합니다. 그들은 1시간 동안의 토론 동안 보여준 인내심에 감사하며 다음 날 열릴 다음 세션까지 작별을 고합니다. 패널은 이벤트에 참석한 모든 사람에게 감사와 행운을 기원하며 마지막 라운드를 마무리합니다.
거래 전략을 자동화하는 방법 | 알고 트레이딩 코스
거래 전략을 자동화하는 방법 | 알고 트레이딩 코스
Rishabh Mittal은 Quantra의 콘텐츠 팀에서 일하는 양적 분석가입니다. 그의 전문성은 비지도 학습 기술, 특히 K-Means를 적용하여 거래 가능한 신호를 생성하는 데 있습니다. 그는 특히 CPPI(Constant Proportion Portfolio Insurance)와 같은 방법론을 활용하여 금융 시장에서 포지션 사이징을 위한 혁신적인 알고리즘을 개발하는 데 적극적으로 참여하고 있습니다. Quantra에 합류하기 전에 Rishabh는 다양한 고객을 위해 TradingView를 사용하여 체계적인 거래 전략을 만드는 경험을 쌓았습니다.
"거래 전략을 자동화하는 방법"이라는 제목의 이 웨비나에서 Rishabh는 거래 전략을 자동화하는 프로세스를 자세히 살펴보고 참가자들에게 체계적인 거래 전략을 실행하는 방법을 안내합니다. 웨비나는 전략 자동화에 필요한 전제 조건을 다루는 것으로 시작됩니다.
그런 다음 Rishabh는 자동 거래에 필수적인 이벤트 중심 접근 방식에 중점을 둘 것입니다. 그는 브로커와의 연결, 실시간 데이터 가져오기, 수집된 데이터를 기반으로 신호 생성 및 궁극적으로 브로커에 주문하는 것과 같은 주제를 탐색할 것입니다.
세션을 마무리하기 위해 Rishabh는 Blueshift를 사용하여 시장에서 페이퍼 트레이딩을 위한 데모 전략을 설정하는 단계별 데모를 제공할 것입니다. 참가자는 시뮬레이션 거래 환경에서 전략을 구현하고 테스트하는 데 대한 실질적인 통찰력을 얻습니다.
이 유익한 웨비나에서 Rishabh Mittal과 함께 거래 전략 자동화에 대한 전문 지식을 공유하고 이론에서 실제까지 체계적인 거래 접근 방식을 취하는 데 유용한 지침을 제공합니다.
처음부터 거래 알고리즘을 만드는 방법 [알고 거래 웨비나] - 2021년 7월 22일
처음부터 거래 알고리즘을 만드는 방법 [알고 거래 웨비나] - 2021년 7월 22일
웨비나에서 Ashutosh는 10년이 넘는 금융 파생 상품 거래 분야에서의 광범위한 경험을 공유했습니다. 그는 고급 데이터 과학 및 기계 학습 기술을 적용하여 재무 데이터를 분석하는 데 자신의 전문성을 강조했습니다. Ashutosh는 저명한 석사 학위를 보유하고 있으며 공인 재무 분석가(FF)입니다. 현재 그는 Quantum City 팀의 귀중한 구성원으로 세계 최초의 검증된 알고리즘 거래 인증인 EPAT 과정의 개발 및 교육을 담당하고 있습니다.
웨비나는 처음부터 거래 알고리즘을 생성하는 과정을 통해 참가자를 안내하는 데 주로 중점을 두었습니다. Ashutosh는 거래 알고리즘 이해, 시장에서의 다양한 응용, 아이디어를 전략으로, 궁극적으로 거래 알고리즘으로 전환하는 것의 중요성을 강조했습니다. 기본적으로 알고리즘은 데이터를 분석하고 사전 결정된 규칙에 따라 매수 및 매도 주문을 생성하여 트레이더가 수익성 있는 결정을 내리는 데 도움을 주는 컴퓨터 프로그램 역할을 합니다. 또한 외부 환경과의 상호 작용을 용이하게 하여 주문을 효과적으로 보내고 받을 수 있습니다.
거래의 실질적인 측면으로 뛰어들기 전에 Ashutosh는 자신의 거래 영역을 정의하고 원하는 알파를 결정하는 것의 중요성을 강조했습니다. Alpha는 고유한 시장 관점, 경쟁 우위 확보 또는 개별 목표에 맞는 특정 전략 구현과 같은 다양한 소스에서 발생할 수 있는 이익의 원동력을 나타냅니다.
비디오 콘텐츠는 연구, 거래 및 거래 후 거래의 세 가지 기본 단계를 다루었습니다. Ashutosh는 이러한 단계를 설명하고 아이디어를 구체적인 거래 알고리즘으로 변환하는 프로세스에 중점을 둔 다양한 거래 전략의 예를 제공했습니다. 그는 지난 63일 동안 변동률(roc)이 2를 초과할 때 주식을 매수하는 것과 같은 간단한 규칙도 거래 알고리즘의 기반을 형성할 수 있음을 보여주었습니다.
웨비나 내내 다양한 거래자들이 처음부터 거래 알고리즘을 구축하는 방법을 선보였습니다. 한 거래자는 인도 시장의 데이터를 활용하여 시각적 코딩을 활용하고 주문 한도와 주당 수수료를 통합했습니다. 또 다른 트레이더는 트레이딩 유니버스를 정의하는 것으로 시작하여 roc을 계산하는 알파 함수를 생성하고, 트레이딩 규칙을 설정하고, 마지막으로 논리 블록을 사용하여 전략을 구현하는 단계별 프로세스를 시연했습니다.
비디오는 거래 알고리즘의 필수 구성 요소, 즉 조건, 주문 전송 및 주문 수신에 대한 포괄적인 통찰력을 제공했습니다. 또한 자동 실행을 위해 알고리즘을 예약하는 방법을 보여주었습니다. 베타와 모멘텀에 기반한 전략은 평균 전환 전략과 함께 시장 동향을 활용하는 수단으로 제시되었습니다.
Ashutosh는 주식 유니버스 정의, 관련 헤지 계산 및 거래 규칙 실행과 같은 주요 측면을 다루면서 처음부터 거래 알고리즘을 만드는 과정을 설명했습니다. 그는 또한 알고리즘에서 백 테스트를 실행하고 성능 향상을 위해 최적화하는 것의 중요성을 강조했습니다.
정보에 입각한 결정을 내리기 위해 베타 및 시장과의 상관관계를 활용하는 데 중점을 두고 정량적 방법과 거래 기술 향상에서의 역할에 대해 논의했습니다. Ashutosh는 또한 참가자들에게 거래 여정을 추가로 지원하기 위해 무료 상담 전화 기회를 제공했습니다.
또한 웨비나는 알고리즘 내에서 활용할 수 있는 다양한 유형의 데이터를 탐색하고 EPAT 과정의 비용 평가 프로세스를 다루었습니다. 참석자들에게는 지도와 지원을 위해 과정 카운셀러 목록도 제공되었습니다.
Ashutosh의 웨비나는 처음부터 거래 알고리즘을 생성하기 위한 포괄적인 가이드를 제공했습니다. 참석자들은 주제에 대한 철저한 이해를 보장하기 위해 프레젠테이션 중에 받았을 수 있는 답변되지 않은 질문을 제출하도록 권장받았습니다.
기계 학습 및 감성 분석 [알고 트레이딩 프로젝트 웨비나]
기계 학습 및 감성 분석 [알고 트레이딩 프로젝트 웨비나]
신사숙녀 여러분,
나는 여러분 모두가 내 말을 분명히 들을 수 있기를 바랍니다.
Quantum City의 YouTube 채널에 오신 것을 환영합니다. 웨비나에 정기적으로 참석하는 분들은 감정 분석 및 포트폴리오 할당에서 기계 학습에 중점을 둔 최근 Algo Trading Project 웨비나 중 하나를 기억하실 것입니다. 우리는 두 명의 존경받는 EPAT 동창인 Carlos Peral과 Vivian Thomas를 초대하여 그들의 프로젝트 작업을 발표하게 되어 기뻤습니다. 아쉽게도 하드웨어 장애로 사후 프레젠테이션이 중단되어 당시에는 자세히 다루지 못했습니다. 그러나 Carlos가 자신의 프레젠테이션을 별도로 녹음하고 우리와 공유하는 데 추가 시간을 할애한 것은 운이 좋았습니다.
자, 더 이상 지체하지 말고 계속해서 Carlos의 프레젠테이션을 보도록 하겠습니다. 감사합니다.
"안녕하세요 여러분. 오늘 발표는 지난 3월에 완료된 EPAT(Executive Program in Algorithmic Trading) 프로그램의 마지막 프로젝트를 보여드리려고 합니다. 먼저 제 소개를 하겠습니다. 제 이름은 Carlos Martin이고, 저는 컴퓨터 공학 학사 학위를 가지고 있습니다.주로 스페인과 벨기에에 위치한 여러 클라이언트를 위해 10년 넘게 일했습니다.주요 기술은 소프트웨어 개발이며, 지난 5년 동안 유럽 기관에서 일했습니다.
이 프로젝트의 동기는 기계 학습, 특히 감정 분석에 대한 나의 관심에서 비롯됩니다. 이러한 기술은 최근 몇 년 동안 눈부신 발전을 이루었으며, 이 프로젝트의 초점인 텍스트 분석, 음성 인식, 언어 번역 및 감정 분석과 같은 다양한 영역에 기계 학습 모델이 적용되고 있습니다. 주요 목표는 뉴스 정서와 가격 민감도 간의 상관 관계를 찾고 정서 점수를 활용하여 거래 신호를 생성하는 것입니다.
기술 또는 양적 분석에 의존하는 기존의 접근 방식과 달리 이 프로젝트는 질적 데이터를 새로운 정보 소스로 활용합니다. 목표는 이 정성적 데이터를 거래 신호로 변환하는 것입니다. 이 프로젝트는 텍스트 분석과 거래 전략 구현의 두 가지 주요 부분으로 나뉩니다.
텍스트 분석 부분은 뉴스 다운로드, 전처리 수행, 기계 학습 모델 구현을 통해 감성 점수를 생성합니다. 이 프로젝트에서는 감정 점수를 생성하기 위해 LSTM(Long Short-Term Memory) 모델을 선택했습니다. 거래 부분은 거래 전략 실행, 주가 분석, 전략 성과 평가를 포함합니다.
프로젝트의 구조를 자세히 살펴보겠습니다. 텍스트 분석 부분은 뉴스 데이터의 초기 검색 및 전처리를 처리하는 뉴스 관리자로 구성됩니다. 클래스를 사용하여 외부 웹 서비스에 연결하고 JSON 형식으로 뉴스를 검색했습니다. 이러한 뉴스 데이터는 CSV 파일에 저장됩니다. 감성 분석 부분은 텍스트의 전처리와 Analytic Evaluator라는 라이브러리를 이용해 극성 점수를 생성하는 NLP(Natural Language Processing) 핸들러를 포함한다. 이 라이브러리는 뉴스에 이진 점수를 할당하여 음수(-1) 또는 양수(1)로 레이블을 지정합니다. 이 단계는 모델 학습에 매우 중요합니다.
이 모델은 사전 처리된 뉴스를 가져와 이진 분류를 위한 시그모이드 함수를 사용하여 학습됩니다. 출력 감정 점수는 긍정적 또는 부정적으로 분류됩니다. 그런 다음 거래 전략이 구현되고 생성된 감정 점수가 거래 신호로 변환됩니다. 값 -1은 매도 신호를 나타내고 값 1은 매수 신호를 나타냅니다.
이 프로젝트는 Apple, Amazon, Twitter 및 Facebook의 네 가지 주식을 사용하여 테스트되었습니다. 정서 점수 전략은 매수 후 보유 전략과 비교되었습니다. 성과는 수익률, 샤프 비율 및 전략 수익률을 사용하여 평가되었습니다. 결과는 주식마다 달랐으며 일부 주식은 구매 후 보유 전략에 비해 감정 점수 전략을 사용하여 향상된 성과를 보였습니다. 그러나 정서 점수 전략이 특히 특정 기간 동안 잘 수행되지 않는 경우가 있었습니다.
결론적으로 이 프로젝트는 부정적인 추세, 나쁜 소식 및 잠재적인 거래 기회 간의 상관관계를 강조합니다. 정서 분석을 거래 전략에 통합함으로써 질적 데이터를 활용하고 체계적인 방식으로 시장 정서를 포착할 수 있습니다. 이 접근 방식은 기존의 기술 및 양적 분석을 보완하는 추가 정보 계층을 제공할 수 있습니다.
그러나 감정 분석은 절대 안전한 방법이 아니며 그 효과는 다양한 요인에 따라 달라질 수 있다는 점에 유의해야 합니다. 시장 상황, 뉴스 소스의 품질과 신뢰성, 정서 분석 모델의 정확성은 모두 전략의 성공을 결정하는 데 중요한 역할을 합니다.
또한 변화하는 시장 역학과 진화하는 뉴스 패턴에 적응하기 위해 정서 분석 모델을 지속적으로 평가하고 개선하는 것이 중요합니다. 전략의 성과를 정기적으로 모니터링하고 필요한 조정을 하는 것은 시간이 지남에 따라 전략의 효과를 보장하는 데 필요합니다.
전반적으로 이 프로젝트는 알고리즘 거래에서 감정 분석의 잠재력을 보여줍니다. 그것은 질적 데이터를 거래 전략에 통합하기 위한 새로운 길을 열어주고 이 분야에서 추가 연구 및 개발을 위한 프레임워크를 제공합니다.
이 프로젝트를 수행할 수 있도록 플랫폼과 리소스를 제공한 EPAT 프로그램과 Quantum City 팀에 감사를 표하고 싶습니다. 풍부한 경험이었으며 정서 분석이 알고리즘 거래 분야에서 귀중한 통찰력을 제공할 수 있다고 믿습니다.
시청해 주셔서 감사합니다. 이 프레젠테이션이 유익한 정보가 되었기를 바랍니다. 궁금한 점이 있거나 더 논의하고 싶다면 언제든지 저에게 연락해 주세요. 좋은 하루 되세요!