Quantitative trading - страница 7
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Мартин Шолль (Оксфордский университет): «Изучение экологии рынка с использованием агентных моделей»
Мартин Шолль (Оксфордский университет): «Изучение экологии рынка с использованием агентных моделей»
Мартин Шолль, исследователь из Оксфордского университета, углубился в изучение экологии рынка с помощью агентных моделей. В отличие от традиционных подходов, основанных на предположениях, таких как гипотеза эффективного рынка, Шолль не согласен с теорией равновесия рациональных ожиданий, обычно используемой в неоклассических финансах. Он считает, что эта теория требует от всех участников совершенного понимания реального мира, что нереально, учитывая когнитивные ограничения как розничных инвесторов, так и управляющих фондами. Вместо этого он выступает за применение инструментов из биологии для анализа реальных финансовых данных, предлагая свежий взгляд на понимание финансовых рынков.
Чтобы исследовать рыночную экологию, Шолль сравнивает инвестиционные стратегии с видами в биологии, где индивидуальные инвесторы представляют особей данного вида. Совокупное богатство, инвестированное с использованием определенной стратегии, сравнимо с численностью или общей численностью популяции этого вида. В игрушечной модели инвестиционной игры Шолль представляет упрощенный сценарий, в котором агенты могут оставить свое состояние на счете денежного рынка или инвестировать в акции, по которым выплачиваются дивиденды. Эта модель позволяет исследовать различные инвестиционные стратегии и возражения против неоклассического предположения о совершенной рациональности.
Шолль определяет различные инвестиционные стратегии, используемые в агентных моделях для изучения экологии рынка. Первая — это совершенно рациональная стратегия, при которой стоимость чистых активов делится между акциями и наличными. Стоимостной инвестор оценивает темпы роста дивидендов, чтобы делать прогнозы на будущее и понимать будущую цену акций. Вторая стратегия включает в себя последователей тренда, которые анализируют последние цены и экстраполируют тренды. Третья стратегия включает в себя шумовых трейдеров, которые выходят на рынок для удовлетворения потребностей в ликвидности, но не чувствительны к цене в краткосрочной перспективе. Однако их шумовой процесс, обращающий среднее значение, связан с фундаментальной величиной на длительном временном масштабе.
Для моделирования рыночных механизмов и изучения рыночной экологии Шолль и его команда используют агентные модели с помощью программных пакетов. Они обеспечивают сопоставимость между различными прогонами модели, фиксируя одаренность и распределяя первоначальную одаренность между особями разных видов, отслеживая относительную долю. Моделирование выполняется в течение 200 лет, что позволяет наблюдать среднегодовой доход для каждого вида. Интересно, что они обнаружили, что у каждой стратегии есть по крайней мере один регион, где она наиболее прибыльна, независимо от ее распространенности.
В своих экспериментах Шолль исследует поведение последователей тренда и влияние реинвестирования прибыли. Он отмечает, что рынок проводит большую часть своего времени в нестабильной, хаотичной области с большими выбросами, что приводит к крапчатому шуму. Когда инвесторы реинвестируют свою прибыль, траектории колеблются вокруг определенной центральной точки, но не сходятся к ней полностью. Увеличение концентрации последователей тренда приводит к более высокой волатильности доходности. Шолль объясняет быстрое отступление от последователей тренда рациональностью инвесторов и положительной автокорреляцией в процессе выплаты дивидендов.
Шолль объясняет, что модели на основе агентов можно использовать для построения матрицы финансового сообщества, аналогичной уравнениям Вольтерра «хищник-жертва», используемым в биологии. Отдача от конкретной стратегии приравнивается к размеру популяции, а чувствительность отдачи к изменениям численности популяции представляет собой матрицу сообщества. На финансовом рынке конкуренция между различными стратегиями возникает, когда цены отклоняются от точек равновесия. Шолль подчеркивает, что финансовые рынки демонстрируют зависимость от плотности, что делает взаимодействие видов более сложным, чем в биологических системах. Эта зависимость от плотности приводит к таким сценариям, как рост цен, подобный пузырю, но признает, что такие ситуации нереалистичны.
В контексте экологии рынка Шолль обсуждает практическое значение своих выводов. Он представляет линейную модель, которая использует обилие видов для описания отношений между различными типами хищников, тем самым влияя на рыночные результаты. Этот подход подчеркивает многоаспектный характер инвестиций и демонстрирует важность надлежащего выбора стратегий, чтобы избежать убытков или стать добычей на финансовых рынках, сильно зависящих от плотности. Он бросает вызов традиционному представлению о том, что цены на акции отражают всю доступную фундаментальную информацию, и представляет финансовые рынки как сложные системы, подверженные влиянию различных условий.
Далее Шолль подробно описывает использование им простой линейной модели в рамках агентных моделей для изучения экологии рынка. Анализируя активы и относительное изобилие рыночной деятельности, он обнаружил, что этот подход превосходит модели, основанные на отделах, которые предполагают рациональность и автоматически преобразуют основные принципы. Однако он признает ограничения своей модели и подчеркивает необходимость дальнейших исследований для повышения ее реалистичности. Один аспект, который он затрагивает, — это чувствительность модели к различным рецептам и определениям, особенно в отношении следования за трендом. Хотя дивиденды играют важную роль в его модели, включение более реалистичных элементов для реальных финансовых рынков потребует дополнительных шагов.
Что касается приспособляемости убеждений агентов в его модели, Шолль указывает, что рыночные операции часто вовлекают управляющих фондами, которые следуют стратегиям, изложенным в проспектах, в течение длительных периодов времени. Это указывает на тенденцию к механическим процессам распределения активов. В результате Шолль склоняется к моделированию менее адаптивного поведения и меньшего интеллекта. Однако он подчеркивает, что другие исследователи из его группы в Оксфордском университете активно изучают применение эволюционных алгоритмов для изменения параметров и даже для разработки новых стратегий.
Исследования Мартина Шолля сосредоточены на изучении экологии рынка с использованием агентных моделей. Он бросает вызов традиционным финансовым теориям и предположениям, применяя концепции из биологии, чтобы лучше понять финансовые рынки. Сравнивая инвестиционные стратегии с видами в биологии, анализируя различные стратегии и моделируя рыночные механизмы, Шолль раскрывает сложность финансовых рынков и взаимодействие между различными стратегиями. Его выводы показывают, что финансовые рынки сильно зависят от плотности, и правильный выбор инвестиционных стратегий имеет решающее значение, чтобы избежать потерь и стать добычей в этой динамичной экосистеме. Работа Шолля дает ценную информацию о природе рынков как сложных систем, в отличие от традиционного взгляда на то, что цены на акции отражают исключительно фундаментальную информацию.
Кевин Вебстер: «Как влияние цены искажает отчетность о прибылях и убытках»
Кевин Вебстер: «Как влияние цены искажает отчетность о прибылях и убытках»
В видеоролике на YouTube Кевин Вебстер подробно рассматривает вопрос о том, как влияние цен может исказить бухгалтерские отчеты о прибылях и убытках (P&L). Он подчеркивает важность точного моделирования воздействия на цену для эффективного управления рисками и подчеркивает важность управления риском ликвидности, чтобы не остаться с неликвидной позицией. Вебстер признает, что существуют различные доступные модели воздействия на цену, но в целом они совпадают по большинству данных.
Разговор начинается с рассмотрения пересечения между влиянием цен и риском ликвидности, в частности с учетом того, что ликвидность основных рынков часто воспринималась как должное до финансового кризиса. Вебстер делится яркими цитатами, иллюстрирующими, как влияние цены создает иллюзию прибыли, что приводит к отклонению цены от финансовых показателей. Цель доклада состоит в том, чтобы математически формализовать эту концепцию, предоставив количественную основу, основанную на оценке рыночного воздействия ликвидации для устранения иллюзии прибыли.
Вебстер объясняет влияние цены как причинно-следственную модель торговли, в которой более агрессивная торговля толкает цены дальше и наоборот. Модели воздействия на цену широко используются при анализе транзакционных издержек и оптимальном исполнении, выступая в качестве предторговых инструментов для оценки ожидаемых транзакционных издержек и оптимизации стратегий исполнения. Он демонстрирует отчет об анализе имитационных транзакционных издержек, который позволяет трейдерам ежеквартально оценивать работу своих алгоритмов с акцентом на минимизацию проскальзывания ордеров и рассмотрение как механических движений, так и альфа-проскальзывания.
Спикер обсуждает рекомендации, опубликованные Европейским управлением по ценным бумагам и рынкам (ESMA) в отношении стресс-тестов ликвидности, которые включают моделирование ликвидации активов в периоды рыночного стресса. Моделирование реакций рынка, таких как колебания цен, и использование стратегий хеджирования имеют решающее значение для снижения подверженности риску. Вебстер ссылается на различную литературу по стресс-тестам ликвидности и влиянию цен на учет прибылей и убытков, включая работы Cascioli, Boucheron, Farmer и регулирующих комитетов, таких как ESMA и Baffled Committee. Он подчеркивает необходимость стресс-тестирования ликвидности для смягчения ситуаций, которые могут повлиять на учет прибылей и убытков и привести к высоким затратам на ликвидацию.
Вводится понятие торгового следа, которое измеряет искажающий эффект влияния цены на учет прибылей и убытков и связывает воедино различные определения прибылей и убытков. Вебстер представляет простую модель срочной распродажи, чтобы проиллюстрировать существенные выводы об учете прибылей и убытков, сделанные в статье Casadio-Bouchard-Farmer. Он объясняет, как количество трейдеров и управляющих платформ, которые ежедневно наблюдают, завышает их окончательные прибыли и убытки, что приводит к дефляции после завершения сделки. Однако это свойство инфляции можно измерить и отобразить в режиме реального времени, предоставляя трейдерам полезную информацию. Вебстер отмечает, что убытки от инфляции позиций часто носят временный характер и зависят от допустимого риска.
Обсуждаются вопросы, связанные с оценкой стоимости акций и ее влиянием на прибыль и убытки компании. Вебстер подчеркивает двусмысленность в определении того, какие цены использовать для обозначения позиции акций, и разницу между учетными прибылями и убытками и фундаментальными прибылями и убытками, используемыми торговыми алгоритмами. Торговый след определяется как разница между бухгалтерскими прибылями и убытками и фундаментальными прибылями и убытками, при этом неоднозначность разрешается при закрытии позиции. Спикер исследует инфляцию позиции, делая определенные предположения, при которых это свойство выполняется. Также затрагивается импактная модель и два ее случая, исходный моль OW и моль W, изученные Фрювиртом и Бондом.
Вебстер объясняет, что для того, чтобы модель имела смысл, необходимо выполнить условие отсутствия арбитража между лямбда и бета, а также условие уравнения самофинансирования. Он углубляется в расчет ожидаемых прибылей и убытков на момент закрытия и в то, как торговый след вносит предвзятость в учет прибылей и убытков. Свойство раздувания позиции приводит к тому, что позиция раздувается во время фазы входа в позицию, остается на фазе удержания и, в конечном итоге, испаряется. Все эти аспекты можно наблюдать в режиме реального времени на торговом экране, предоставляя трейдерам ценную информацию.
Вебстер также объясняет искажения в бухгалтерском учете прибылей и убытков, вызванные ценовым влиянием. Он обсуждает, как трейдеры могут совершать прибыльные сделки даже без альфы, но предупреждает, что эта прибыль недолговечна из-за транзакционных издержек. Мониторинг ценовых дислокаций на ранней стадии имеет решающее значение, чтобы избежать потерь. Кроме того, Вебстер отмечает, что портфельные менеджеры предпочитают рассматривать свои портфели как единое целое, и вводит концепцию стационарного портфеля, которая контролирует размер и оборот портфеля в мире математических финансов.
Затем исследуется концепция стационарного портфеля в связи с оценкой текущих транзакционных издержек. Понимая временную шкалу распространителя, трейдеры могут оценить степень раздувания их позиций и иллюзию прибыли, которую они могут потерять при ликвидации своих позиций. Вебстер демонстрирует структуру, используя эмпирические данные, демонстрируя ее применимость к реальным сценариям. Он применяет эту структуру к модели срочной распродажи и объясняет различия между учетными прибылями и убытками и фундаментальными прибылями и убытками, подчеркивая, как они влияют на различные целевые функции, основанные на неприятии трейдером риска.
Докладчик подробно рассматривает влияние распродаж или торговой активности других участников рынка на прибыль и убытки трейдера. Агрессивное хеджирование может привести к эффектам скопления людей и инфляции позиций, что приведет к постоянным убыткам. Точное моделирование влияния цены имеет решающее значение для эффективного управления рисками, и особое внимание уделяется управлению риском ликвидности, чтобы избежать неликвидных позиций.
Вебстер признает, что, хотя существует множество различных моделей воздействия на цену, они в целом согласуются с большинством данных. Однако могут возникать различия в степени и продолжительности воздействия. Временные вывихи могут длиться от пары дней до месяца. С точки зрения управления рисками существует четкий план действий, тогда как с точки зрения трейдера и эффективности ключевым моментом становится эффективная коммуникация. Понимание того, являются ли P&L механическими или нет, и удаление механической части, позволяет трейдерам сосредоточиться на фактической альфе или преимуществе в своих сделках.
Спикер объясняет принцип «без манипулирования ценами», подчеркивая, что даже если трейдеры получают прибыль, они не могут ее сохранить, поскольку в конечном итоге она испарится. Инфляция позиции приводит к дефляции стоимости сделки с течением времени или немедленной ликвидации, что приводит к нулевым или даже отрицательным прибылям и убыткам. Поэтому трейдерам необходимо полагаться на другие переменные для получения устойчивой прибыли. Вебстер дополнительно исследует корреляцию между начальным состоянием воздействия, воздействием, вызванным остальной частью рынка, и влиянием хеджирования трейдера и остального рынка.
В заключение Кевин Вебстер дает исчерпывающее представление о том, как влияние цены может исказить учет прибылей и убытков. Он проливает свет на дополнительные расходы при режимах ликвидности с высокой волатильностью и их корреляцию с более широким рынком, подчеркивая их влияние на предвзятость. С точки зрения регулирования, корпоративные облигации и страховые компании, скорее всего, больше пострадают от этой предвзятости. Хотя Вебстер признает, что ему не хватает подробных ответов для рынков, не связанных с акциями, он обеспечивает прочную математическую основу для понимания влияния цены и его потенциального искажения прибылей и убытков.
Лаура Лил (Принстонский университет) - «Изучение функционального контроля для высокочастотных финансов»
Лаура Лил (Принстонский университет) - «Изучение функционального контроля для высокочастотных финансов»
Лаура Лил, исследователь из Принстонского университета, выступила с информативной презентацией о применении глубоких нейронных сетей в высокочастотных финансах. Она подчеркнула ограничения традиционных решений и исследовала преимущества использования нейронных сетей в этой области. Леал подчеркнул их способность адаптироваться к сложным факторам, таким как автокорреляция и внутридневная сезонность, с которыми борются традиционные модели. Используя нейронные сети, трейдеры могут добиться оптимального исполнения, сводя к минимуму влияние на рынок и обеспечивая бесперебойную торговлю.
Чтобы устранить опасения по поводу природы нейронных сетей как черного ящика, Лил ввел понятие объяснимости. Она обсудила проекцию управления нейронной сетью на многообразие более низкого измерения, что позволяет лучше понять связанные риски и отклонения от знакомых секторов риска. Команда оценила эффективность управления нейронной сетью, сравнив его с классическим решением PDE (уравнение в частных производных) в закрытой форме. Они изучили функцию стоимости, рыночную оценку богатства и относительные ошибки в прогнозах, чтобы оценить точность и эффективность подхода нейронной сети.
Леал углубился в тонкости обучения нейронной сети, подчеркнув важность включения реальных данных и точной динамики. Она также предложила контроллер с несколькими предпочтениями, который позволяет трейдерам вводить свои предпочтения в отношении риска, что позволяет быстрее адаптироваться к новым рыночным условиям. Рассматривая параметры неприятия риска и учитывая предпочтения трейдера, нейронная сеть может генерировать решение задачи стохастической оптимизации в высокочастотных финансах.
Докладчик обсудил структуру нейронной сети, используемой для управления рисками, подчеркнув ее рекуррентный характер. Хотя сеть не слишком глубокая, она использует повторяющуюся структуру на каждом временном шаге, одновременно обновляя веса. Входные данные для сети включают время и запасы, а выходные данные — это сам контроль, определяющий оптимальное количество акций для торговли на каждом временном шаге. Чтобы решить проблему ограниченной доступности финансовых данных, используется трансферное обучение, моделирующее данные с использованием методов Монте-Карло.
Лил описал процесс проецирования управления нейронной сетью на линейное функциональное пространство с использованием линейной регрессии. Этот метод проецирования способствует лучшему пониманию нелинейных функций нейронной сети и их согласованию с решениями управления в закрытой форме. Результаты продемонстрировали влияние включения параметров сезонности и неприятия риска на реакцию модели на рынок. Кроме того, докладчик подчеркнул значение гаммы, которая обычно устанавливается равной двум в литературе, но показывает нелинейное решение, когда берется три вместо двух.
Были тщательно оценены производительность и точность управления нейронной сетью при выполнении сделок высокочастотного финансирования. Лил сравнил функцию стоимости, рыночную оценку богатства и относительные ошибки в прогнозах для разных сценариев и значений гаммы. Хотя нейронная сеть продемонстрировала превосходную производительность, она выполняла сделки нелинейным образом, отклоняясь от известного управляющего решения. Это вызвало вопросы о решении торговать с использованием нейронной сети и определении соответствующих уровней маржи на основе ее отклонения от установленного решения.
Леал изучил преимущества подхода контроллера с несколькими предпочтениями, который позволяет трейдерам вводить свои параметры преобразования риска и сразу же начинать торговать с предварительно обученной моделью. Хотя решение для нейронной сети требовало больше времени для выполнения, чем решение PDE, оно предлагало большую гибкость и адаптируемость к различным предпочтениям риска. Чтобы повысить объяснимость, Лил предложил идею проецирования с использованием линейной регрессии, снижающей вычислительную нагрузку при сохранении возможности множественных предпочтений. Она также подчеркнула более широкое применение концепции аппроксимации нейронной сети, предполагая ее актуальность в других финансовых проблемах, таких как хеджирование.
Обсуждался процесс обучения нейронной сети в высокочастотных финансах, при этом особое внимание уделялось автономному обучению, чтобы избежать проблем с задержкой, связанных с онлайн-обучением с подкреплением. Сеть использует время, инвентарь и потенциальное неприятие риска в качестве входных данных и производит скорость в качестве выходных данных. Лил также описал процедуру тонкой настройки в трансферном обучении, переход от смоделированных данных к реальным приращениям данных, полученным с фондовой биржи Торонто после конвергенции сети. Докладчик подчеркнул важность использования реальных данных и точной динамики в процессе обучения, поскольку это повышает способность сети учитывать сложности высокочастотных финансов.
В следующем разделе Лаура Лил рассказала о входных данных и целевой функции, используемых в нейронной сети для высокочастотных финансов. Нейронная сеть включает запасы как долю среднего объема для определенного запаса в течение дня, что позволяет нормализовать представление. Целевая функция сформулирована как задача максимизации, а результат служит контролем оптимального выполнения. Структура нейронной сети основана на аппроксимации функций с использованием двух входных узлов и четырех скрытых слоев для захвата базовых взаимосвязей.
Отвечая на вопрос о несоответствии между двумя контрольными решениями, Леаль пояснил, что это можно интерпретировать как отражение изменяющейся полезности инвестора. Регулируя параметр гаммы, можно использовать различные полезные функции, что приводит к изменениям в решениях по управлению. В своем исследовании команда выбрала значение гаммы из трех половин на основе эмпирического тестирования с реальными трейдерами, что привело к удовлетворительным результатам.
Леал также подчеркнул, что выходные данные нейронной сети можно наблюдать и анализировать. Они могут отслеживать позиции, занятые сетью, и то, как они меняются в течение торгового дня, обеспечивая прозрачность и понимание процесса принятия решений. Этот уровень интерпретируемости и понимания позволяет трейдерам обрести уверенность в стратегиях исполнения нейронной сети.
Леал также обсудил проблемы, связанные с разработкой функциональных средств управления высокочастотными финансами. В то время как усредненный процесс контроля может дать общее представление об исполнении сделки, он может не точно отражать поведение отдельных траекторий. Динамика рынка, такая как появление акций мемов, требует адаптации методов контроля для эффективного учета меняющихся условий.
В заключение, презентация Лауры Лил пролила свет на сложности создания эффективного контроля в сфере высокочастотных финансов. Используя глубокие нейронные сети, исследователи и трейдеры могут преодолеть ограничения традиционных моделей и адаптироваться к сложной динамике этой области. Включение предпочтений риска, показателей объяснимости и реальных данных способствует разработке надежных и адаптируемых решений управления. Благодаря своей работе Леал и ее команда предлагают ценные идеи и решения, которые прокладывают путь к более эффективному и обоснованному принятию решений в высокочастотных финансах.
Zihao Zhang (Oxford-Man Institute) — «Глубокое обучение для рынка на основе данных о заказах»
Zihao Zhang (Oxford-Man Institute) — «Глубокое обучение для рынка на основе данных о заказах»
Zihao Zhang, научный сотрудник Oxford-Man Institute и член исследовательской группы по машинному обучению, представляет недавнюю работу своей команды по применению глубокого обучения к рыночным данным по заказам. Их внимание сосредоточено на данных о микроструктуре рынка, в частности на книге лимитных ордеров, которая дает ценную информацию об общей динамике спроса и предложения для конкретного финансового инструмента. Комбинируя данные рынка по ордерам и книги лимитных ордеров, Чжан и его команда обнаружили, что они могут уменьшить дисперсию сигналов и получить более точные прогнозные сигналы. Это приложение их модели обладает потенциалом для улучшения исполнения сделок и стратегий создания рынка.
Чжан начинает свою презентацию с краткого введения в данные о микроструктуре рынка, особо подчеркивая значение рынка по данным о заказах. Этот источник данных предлагает очень детализированную информацию, обеспечивая частые обновления и события по сравнению с данными книги лимитных ордеров, которым уделялось больше внимания в существующей литературе. Он представляет их модель глубокого обучения, объясняя сетевые архитектуры, которые они разработали для анализа рынка по данным заказов. Чжан подчеркивает, что их работа представляет собой первую прогностическую модель, использующую рыночные данные по заказам для прогнозирования высокочастотных движений, предлагая альтернативный источник информации, расширяющий возможности альфа-обнаружения.
Затем Чжан углубляется в концепцию книги лимитных ордеров, которая служит всеобъемлющей записью всех невыполненных лимитных ордеров по финансовому инструменту в определенный момент времени. Он подчеркивает, что в то время как графические данные предлагают информацию с низкой периодичностью, цена акции на самом деле представлена книгой лимитных ордеров, которая представляет собой многомерный временной ряд. Чжан объясняет, как книга лимитных ордеров организована по разным ценовым уровням в зависимости от поданных ордеров, причем каждый ценовой уровень состоит из множества небольших ордеров, сегментированных разными трейдерами. Он также обсуждает, как обновляется книга заказов при поступлении новых сообщений, которые могут вводить новые позиции, отменять существующие заказы или изменять текущие заказы. Чжан отмечает, что полученные данные из книги лимитных ордеров раскрывают общую взаимосвязь между спросом и предложением для конкретного финансового инструмента, и его цель состоит в том, чтобы определить, может ли использование данных о рынке по ордерам, содержащих информацию о размещении и отмене ордеров, дать дополнительную информацию. для составления прогнозов.
Двигаясь вперед, Чжан исследует, как данные о рынке по заказам можно использовать в глубоком обучении для прогнозирования движений рынка. Хотя строки сообщений в данных рыночных ордеров имеют меньшие размеры по сравнению с книгой лимитных ордеров, они предлагают дополнительную информацию, которую можно использовать для прогнозов. Чжан объясняет, как прошлые события могут быть преобразованы в 2D-матрицы, формируя изображения, которые можно передавать в нейронную сеть для прогнозирования. Полученные функции из сверточного слоя затем можно интегрировать в рекуррентные нейронные слои, чтобы изучить структуру и зафиксировать дополнительные зависимости. Последний слой создает прогнозы на основе настройки классификации с использованием пороговых результатов.
Чжан переходит к обсуждению сетевой архитектуры, используемой для прогнозирования с использованием данных книги лимитных ордеров. В этом случае первые два компонента заменяются сообщениями от отдельных трейдеров, а сверточные слои заменяются слоем LSTM или уровнем внимания. Чжан кратко объясняет механизм внимания, который облегчает одноточечное предсказание и включает в себя структуру кодер-декодер. Кодер извлекает значимые функции из входного времени и суммирует их в скрытое состояние, а декодер генерирует прогноз. Нормализация используется для определения того, является ли ордер покупкой или продажей на основе средней цены.
В следующем разделе Чжан представляет результаты своей модели, обученной с группой активов, нормализованной до аналогичного масштаба и протестированной с использованием различных моделей, таких как простая линейная модель, многослойный персептрон, LSTM и модель внимания, включающая как предельный порядок книжные данные и чистые окружающие данные. Результаты показывают, что прогностические сигналы из внешних данных демонстрируют меньшую корреляцию с сигналами из книги лимитных ордеров, предполагая, что комбинация этих двух источников может уменьшить дисперсию сигнала, извлечь выгоду из диверсификации и дать превосходные прогностические сигналы. Таким образом, модель ансамбля, которая усредняет прогностические сигналы от обоих типов данных, демонстрирует наилучшую производительность.
Чжан переходит к обсуждению потенциальных преимуществ включения данных о рынке по заказам (MBO) в прогнозы и подчеркивает возможность выполнения проектирования функций с этими данными. Он представляет результаты для горизонтов прогнозирования в диапазоне от двух до 20 тиков вперед, отмечая аналогичное поведение, наблюдаемое для 50 и 100 тиков вперед. Чжан также отвечает на вопросы аудитории, включая возможность обучения одной модели с использованием всех инструментов для улучшения обобщения и источник данных MBO с Лондонской фондовой биржи. Отвечая на вопрос зрителя о том, чтобы сосредоточиться на NF1 вместо PNL, Чжан соглашается и признает, что PNL является более подходящим показателем успеха.
Далее Чжан обсуждает использование прогнозирующих сигналов и различные способы их определения, такие как использование необработанного сигнала или установка порогового значения на основе вероятностей softmax. Он резюмирует ключевые моменты статьи, в которых предлагается моделировать данные рынка по заказам (MBO) вместо данных книги лимитных заказов и тестировать модели глубокого обучения, включая механизм хранения LSTM. Результаты показывают, что комбинация данных MBO и книги лимитных ордеров дает наилучшие результаты. Чжан отвечает на вопросы аудитории, касающиеся автокорреляции между движениями рынка, фильтрации шумных сделок и мотивации использования слоев CNN при моделировании изображений лимитных ордеров.
В следующем разделе Чжан объясняет, как можно рассматривать книгу заказов как пространственную структуру, которую можно эффективно исследовать с помощью сверточных нейронных сетей (CNN). Использование CNN для извлечения информации из каждого уровня цен оказалось полезным для прогнозов. Слой долговременной кратковременной памяти (LSTM) предпочтительнее многослойных персептронов, поскольку он поддерживает временной поток данных и суммирует прошлые события для прогнозирования. Чжан отмечает, что преимущества использования механизма внимания ограничены из-за характера финансовых временных рядов. Документ включает подробное описание гиперпараметров, используемых в их модели.
Чжан обращается к озабоченности по поводу большого количества параметров, используемых в методах нейронных сетей, и их эффективности при прогнозировании фондового рынка. Он признает, что обилие параметров может стать предметом критики, но подчеркивает, что его команда точно настроила лишь несколько параметров, характерных для их модели. Они еще не рассматривали использование спреда спроса и предложения в качестве критерия успеха, но признают его потенциал для дальнейшего изучения. Чжан считает, что их модель имеет практическое значение для стратегий исполнения сделок и создания рынка. Однако он упоминает, что если кто-то намеревается пересечь спред, может потребоваться уменьшение выборки данных, поскольку частые обновления данных в книге заказов могут усложнить выполнение сделки. Наконец, при моделировании книги лимитных ордеров Эло они объединяют общий размер на каждом ценовом уровне, а не включают информацию об отдельных размерах ордеров.
В заключительном разделе Чжан объясняет разницу между рынком по ордерам и рынком по ценовым данным. Данные рынка по заказам позволяют отслеживать отдельные заказы, что невозможно с данными рынка по ценам. При правильном проектировании функций данные о рынке по заказам могут предоставить дополнительную информацию и генерировать альфу. Чжан также обсуждает, как его модель учитывает изменения цены конкретного лимитного ордера при неизменном размере. Каждое новое сообщение с обновленными ценами рассматривается как новое обновление, обогащающее набор данных.
В целом, презентация Zihao Zhang демонстрирует применение глубокого обучения к рынку по данным заказов, подчеркивая его потенциал для извлечения ценных идей из данных о микроструктуре рынка. Объединив данные рынка по ордерам и книги лимитных ордеров, команда Чжана продемонстрировала снижение дисперсии сигналов и создание улучшенных прогнозирующих сигналов. Их работа обещает улучшить исполнение сделок и стратегии создания рынка, предлагая ценный вклад в область анализа финансового рынка.
Питер Карр (Нью-Йоркский университет) "Stoptions" с участием. Лоренцо Торричелли (Пармский университет)
Питер Карр (Нью-Йоркский университет) "Stoptions" с участием. Лоренцо Торричелли (Пармский университет)
Питер Карр представляет финансовый продукт под названием «стопы», который сочетает в себе функции фьючерсных контрактов и опционов пут. Стопы позволяют владельцу избежать неблагоприятных изменений цены за счет включения элемента бермудского пут-опциона. Карр объясняет концепцию опционов и приводит пример трехдневного опциона с разными этажами, связанными с ним. Затем он переходит к обсуждению стоимостной оценки однодневных и двухдневных остановок, причем последние имеют два этажа и гибкость для исполнения в первый или второй день.
Далее Карр исследует оценку стоп-опциона на более длительные периоды, углубляясь в обратную рекурсию, оценку бракованного пут-опциона и использование псевдосумм. Он предлагает использовать логистическое распределение для представления изменений цен в женатых опционах пут. Стоимость остановок может быть получена с использованием простых формул для опционов «при деньгах», а оценка и хеджирование могут быть выполнены аналитически.
Карр завершает статью обсуждением проблем, связанных с принятием таких опций рынком. Он подчеркивает важность поиска покупателя и продавца для этих продуктов и делится своими беседами с потенциальными покупателями и продавцами. Кроме того, Карр признает, что модель остановок является альтернативой существующим моделям, таким как Блэк-Шоулз и Башелье, но она может не подходить оптимально для каждой ситуации. Тем не менее, он подчеркивает, что их модель нацелена на то, чтобы охватить множество бинарных операций, имеющих особое значение в финансах.
В более позднем разделе Карр и Лоренцо Торричелли предлагают модель «остановок», используя сопряженную парадигму и логистическое распределение. Эта модель обеспечивает гибкость временной структуры с одним параметром, что позволяет использовать различные временные структуры за один страйк. Однако он может не идеально соответствовать рынку из-за нисходящего графика подразумеваемой волатильности. Авторы признают ограничения своей модели и признают бесчисленное множество бинарных операций в финансах, которые их модель призвана охватить. Они обсуждают необязательность между страйком и одиночным опционом, а также повторную необязательность посредством псевдосуммирования. Раздел завершается взаимной признательностью и ожиданием посещения семинаров друг друга.
Лоренцо Торричелли (Университет Пармы) – «Аддитивные логистические процессы в ценообразовании опционов»
Лоренцо Торричелли (Университет Пармы) – «Аддитивные логистические процессы в ценообразовании опционов»
Лоренцо Торричелли, выдающийся профессор Университета Пармы, углубляется в тонкости ценообразования опционов, исследуя аддитивную логистическую модель и самоподобную спецификацию. В своей поучительной презентации он разъясняет формулу ценообразования ванильных опционов с использованием этих инновационных моделей и иллюстрирует их применение, демонстрируя сравнение плотности между логистической моделью ценообразования и традиционными нормальными моделями.
Кроме того, Торричелли проводит сравнительный анализ кумулятивной временной структуры для логистической модели в сравнении с линейной революцией временной структуры для однородных моделей. Его проницательные наблюдения показывают, что логистическая модель предлагает значительно большую гибкость в формировании структуры терминов, что обеспечивает заметное преимущество по сравнению с традиционными подходами.
Чтобы обеспечить всестороннее понимание, Торричелли также исследует поверхности волатильности, связанные с этими моделями. Он отмечает наличие положительной асимметрии в модели, возникающей из-за асимметричного распределения логарифмических возвратов и эксцесса логистического распределения. Однако он подчеркивает отсутствие перекоса в самом логистическом распределении, поскольку оно демонстрирует симметрию. Далее Торричелли обсуждает влияние модальных параметров на временную структуру волатильности, признавая потенциал для улучшения выбранной параметризации.
В заключение Торричелли подчеркивает, что формулы опционов, полученные из этих моделей, являются явными и хорошо известными, что облегчает их практическую реализацию. В частности, он высоко оценивает впечатляющую скорость, продемонстрированную во время теста производительности. В качестве свидетельства прозрачности и академического сотрудничества Торричелли планирует сделать код, связанный с этими моделями, общедоступным, что принесет пользу как исследователям, так и практикам.
Сильвия Руис (Cornell MFE '20): «Как предсказывать движение акций с помощью методов NLP»
Сильвия Руис (Cornell MFE '20): «Как предсказывать движение акций с помощью методов NLP»
Сильвия Руис, недавняя выпускница программы Cornell MFE, делится своими мыслями о своем проекте, посвященном прогнозированию цен на акции с использованием методов NLP(обработки естественного языка). Цель исследования ее группы состояла в том, чтобы изучить взаимосвязь между корпоративными документами, такими как отчеты 10-K и 10-Q, и их последующее влияние на цены акций. Для этого они собрали значительный набор данных, состоящий из 1095 отчетов с веб-сайта EDGAR, охватывающих 50 компаний из пяти секторов S&P 500.
Первоначально Руиз и ее команда экспериментировали с моделями на основе словарей, но столкнулись с ограничениями их эффективности. Чтобы решить эту проблему, они внедрили передовые методы, такие как модель word to back и Finberg, которые оказались решающими для понимания контекстуальных нюансов, заложенных в корпоративных документах. Кроме того, они использовали различные меры настроений, включая полярность и сложность слов, а также модель повышения xg для прогнозирования движения цен на акции.
Точность их прогнозов оценивалась в двух разных временных рамках. В краткосрочной перспективе их модель достигла замечательной точности в 61%, а в долгосрочной перспективе она продемонстрировала респектабельную точность в 53%. Используя эти прогнозы как сигналы для инвестиционных решений, они превзошли портфель с таким же весом. Тем не менее, Руис подчеркивает необходимость дальнейших исследований в различных секторах, чтобы повысить точность и обобщаемость их результатов.
Сильвия Руис завершает обсуждение, щедро предлагая свою контактную информацию и предоставляя ссылку на репозиторий своего проекта на Github. Этот жест поощряет последующие запросы и способствует сотрудничеству в продвижении понимания и применения методов НЛП в области прогнозирования цен на акции.
Юмэн Дин (Cornell MFE '20) - "Интерпретация моделей машинного обучения"
Юмэн Дин (Cornell MFE '20) - "Интерпретация моделей машинного обучения"
Юмэн Дин, опытный исследователь, углубляется в область интерпретации моделей машинного обучения для прогнозирования цен на акции. В своем всестороннем анализе она исследует ряд методов интерпретации, включая графики частичной зависимости, важность признаков перестановки, граничную статистику и LIME, чтобы пролить свет на внутреннюю работу этих моделей. Используя эти методы, Дин стремится выявить вклад отдельных факторов и их взаимодействий в прогнозирование цен на акции.
Исследование Дина вращается вокруг трех типов факторов: технических, качественных и стоимостных, которые используются в качестве входных данных для различных моделей машинного обучения, таких как классификаторы и регрессии. Используя методы интерпретации, упомянутые ранее, она распутывает сложные взаимосвязи между этими факторами и прогнозами цен на акции. Благодаря тщательному тестированию на исторических данных Дин обнаруживает, что нелинейные модели превосходят линейные модели с точки зрения производительности. Кроме того, она отмечает, что влияние различных факторов подвержено временным вариациям, что подчеркивает динамическую природу прогнозирования цен на акции. В конечном счете, Дин определяет AdaBoost как наиболее подходящую модель для своего конкретного сценария.
Важно отметить, что Дин подчеркивает важность методов интерпретируемости для понимания моделей машинного обучения. Она подчеркивает, что, хотя векторный подход обеспечивает быстрое понимание наиболее предсказуемых взаимодействий, он не позволяет выявить качество этих взаимодействий. Дин подчеркивает важность использования двумерных графиков частичной зависимости для эффективной визуализации более простых взаимодействий. Кроме того, она рекомендует метод линейного графика для углубления в тонкости индивидуальных взаимодействий и визуализации локальных эффектов, если данные достаточно свободны от шума.
Подводя итоги своих выводов, Дин подчеркивает два ключевых вывода из своего проекта. Во-первых, она подтверждает, что модели машинного обучения превосходят линейные наивные регрессии в большинстве сценариев благодаря их способности фиксировать сложные эффекты взаимодействия. Во-вторых, она подчеркивает возможность интерпретации моделей машинного обучения, используя различные методы интерпретации. Эти методы позволяют исследователям выяснить вклад отдельных факторов и понять их интерактивное влияние на прогнозы.
Шарль-Альберт Лехалль: «Попытка понять обработку естественного языка»
Шарль-Альберт Лехалль: «Попытка понять обработку естественного языка»
В этой видео-презентации Чарльз-Альберт Лехалле и его команда углубляются в применение обработки естественного языка (NLP) в финансовой сфере. Их обсуждение вращается вокруг трех ключевых областей: анализ настроений, прогнозирование цен на акции и моделирование транзакционных издержек. Они признают проблемы, связанные с НЛП, такие как риск переобучения и предвзятости при встраивании, и предлагают возможные решения, включая многозадачное обучение и расширение словарного запаса. Команда исследует как потенциал, так и ограничения НЛП в финансовой индустрии, подчеркивая важность понимания контекста и языковых моделей в разных секторах.
Лехалле и его команда представляют свои собственные эксперименты с использованием методов НЛП, предоставляя ценную информацию о том, как НЛП может сжимать информацию и предлагать информативные индикаторы для финансовых аналитиков. Они подчеркивают проблемы использования NLP в финансах, в том числе требования к предметно-ориентированным знаниям и сложность извлечения значимой информации из неструктурированных текстовых данных. Также обсуждаются этические проблемы, связанные с использованием NLP в финансах, такие как использование данных социальных сетей для торговых целей.
На протяжении всей презентации Чарльз-Альберт Лехалле делится своим опытом и знаниями по различным темам НЛП. Он объясняет использование методов НЛП на основе лексики и встраивания в финансах, предлагая комбинацию обоих подходов для захвата лексических и вероятностных признаков в текстовых данных. Проблемы различения синонимов и антонимов во вложениях решаются, и команда Лехалле исследует генеративные модели для управления структурой и настроением текста. Подчеркивается важность понимания вложений и эталонных моделей, таких как матрицы, представляющие общие распределения слов.
Лехалле далее исследует значение контекста в НЛП, обсуждая, как вложения могут быть смещены для положительных и отрицательных слов в зависимости от контекста. Он объясняет использование цепей Маркова для структурирования эталонных матричных моделей и представляет эксперименты по выявлению синонимов во вложениях. Признаются ограничения НЛП в захвате названий компаний и связанных с ними полярностей, а также предложение многозадачного обучения для контролируемых вложений. Спикеры также коснулись дисбаланса положительных и отрицательных слов в лексиконе Лограна-Макдональда и проблем обработки иронии в финансовых текстах.
Презентация завершается обзором проекта Сильвии Руис, недавней выпускницы Корнеллского финансового инжиниринга. Проект фокусируется на прогнозировании цен на акции с использованием методов НЛП, в частности путем извлечения разделов обсуждения руководства из документов 10-K и 10-Q 50 компаний S&P 500 и анализа настроений для оценки их влияния на цены акций. Лехалле обсуждает ограничения моделей на основе словаря и объясняет, как их команда расширила словарь, использовала FinBERT для понимания контекста и использовала различные функции для измерения настроений. Они достигли лучших результатов, чем портфель с одинаковым весом, как в краткосрочной, так и в долгосрочной перспективе.
Таким образом, Чарльз-Альберт Лехалле и его команда пролили свет на потенциал и проблемы НЛП в финансах. Они предлагают идеи, эксперименты и стратегии для эффективного применения методов НЛП, подчеркивая при этом важность ответственного использования и глубокого понимания как технологии, так и финансовой области.
Vineel Yellapantula (Cornell MFE '20): "Количественная оценка текста в документах SEC"
Винил Йеллапантула (Cornell MFE '20): «Количественная оценка текста в документах SEC»
Винил Йеллапантула представляет свой летний проект, который включает в себя применение методов обработки естественного языка (NLP) для торговли акциями на основе текстовой информации, содержащейся в документах SEC, особенно в разделе MD&A. Цель проекта состоит в том, чтобы присвоить оценку каждому отчету по 430 акциям, присутствующим на рынке США, и проанализировать их эффективность, сгруппировав их в пять квантилей на основе оценки. Yellapantula использует традиционные методы, такие как косинус и сходство Жаккара, для определения оценки сходства между текстами, при этом сходство Жаккара со временем становится более постоянным. Он также исследует создание модели анализа настроений с использованием рекуррентных нейронных сетей (RNN) с Keras в наборе текстовых данных, достигнув впечатляющей точности 87,5% с помощью своей модели.
Во время презентации Yellapantula подчеркивает важность выбора подходящего метода для каждой конкретной проблемы и включения дополнительных данных для улучшения результатов. Он подчеркивает обилие информации, доступной в текстовых данных, особенно в заявках 10-K, и упоминает, что факторы, разработанные с использованием предыдущих документов, могут быть более эффективными, чем факторы, основанные исключительно на настоящем документе. Йеллапантула указывает на различные альтернативы использованию методов глубокого обучения с текстовыми данными, включая перчатки, word2vec, BERT и RNN. Он также предлагает включить больше источников данных, таких как документы 8-K и новостные циклы, чтобы повысить прогностическую силу моделей. Тем не менее, он признает наличие предвзятости в своем исследовании, поскольку оно сосредоточено на хорошо работающих акциях, представленных в индексе с 2007 по 2020 год.
В разделе, посвященном анализу настроений, Йеллапантула объясняет процесс создания модели с использованием RNN с помощью Keras. Эти шаги включают в себя токенизацию текста, чтобы понять его значение, уменьшение размерности за счет встраивания и использование слоя LSTM и плотного слоя с сигмоидной функцией для классификации настроений. Он демонстрирует применение этого подхода, используя обзоры IMDB, ограничивая длину обзора до 500 слов и дополняя более короткие обзоры нулями для обеспечения согласованности. Благодаря тщательной оценке Йеллапантула достигает уровня точности 87,5% с помощью своей модели анализа настроений.
Кроме того, Yellapantula подчеркивает важность корреляции информации в определении эффективности факторов и их постоянства во времени. Он ссылается на исследование, которое предполагает, что компании со стабильной отчетностью, как правило, работают хорошо, указывая на это как на многообещающий фактор для изучения. В заключение Yellapantula выражает благодарность аудитории за проявленный интерес и надеется на дальнейшее сотрудничество в будущем.
Проект Винила Йеллапантулы демонстрирует применение методов НЛП для извлечения ценных сведений из текстовой информации в файлах SEC. Присваивая баллы отчетам и анализируя их эффективность, его работа способствует пониманию того, как язык может влиять на торговлю акциями. Более того, его исследование анализа настроений с использованием RNN демонстрирует потенциал глубокого обучения в улавливании настроений из текстовых данных. Благодаря тщательному выбору методологии и включению дополнительных источников данных Yellapantula подчеркивает возможность повышения точности и эффективности таких моделей.