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
Рама Конт и Франческо Каппони: «Взаимодействие на фондовых рынках»
Рама Конт и Франческо Каппони: «Взаимодействие на фондовых рынках»
Рама Конт и Франческо Каппони углубляются в концепцию взаимного влияния на фондовых рынках, анализируя поток ордеров и данные о ценах. Они утверждают, что перекрестное влияние означает, что на цену актива влияет не только его собственный поток заказов, но и поток заказов других активов. В то время как предыдущие теоретические исследования пытались вывести последствия эффектов перекрестного воздействия и распространить оптимальные модели исполнения сделок с одним активом на несколько активов, Конт и Каппони предлагают более рациональный подход для объяснения корреляции между доходностью активов и потоком ордеров.
Они утверждают, что всеобъемлющая матрица коэффициентов воздействия на цену не является необходимой для учета этих корреляций. Вместо этого они утверждают, что наблюдаемые корреляции можно объяснить тем фактом, что участники рынка часто торгуют несколькими активами, тем самым создавая коррелированные дисбалансы потока заказов по активам. Чтобы определить значимость коэффициентов перекрестного воздействия и основных драйверов затрат на выполнение, докладчики предлагают использовать анализ основных компонентов (АПК) на корреляционных матрицах возвратов и дисбалансов потока заказов.
Конт и Каппони предлагают экономную модель взаимного влияния на фондовых рынках, сосредоточив внимание на собственном балансе потока заказов акции и корреляции дисбалансов потока заказов. Они обнаружили, что однофакторной модели дисбаланса потока заказов достаточно, чтобы объяснить взаимную корреляцию доходности. Эту модель можно использовать для исполнения портфеля и анализа транзакционных издержек, при этом докладчики рекомендуют использовать надежную модель для воздействия на один актив в сочетании с хорошей моделью для общих факторов в потоке заказов между активами.
Выступающие подчеркивают важность создания причинно-следственной модели и интерпретации уравнения. Они выражают готовность делиться дополнительными материалами и обновлениями, подчеркивая свою приверженность дальнейшему пониманию в этой области исследований.
Адам Грилиш: «Алгоритмический подход к личному инвестированию»
Адам Грилиш: «Алгоритмический подход к личному инвестированию»
Адам Грилиш, директор по инвестициям в Betterment, рассказывает об алгоритмическом подходе компании к личным инвестициям и ее стратегии, основанной на достижении целей. Betterment использует робо-консультационную модель, используя алгоритмы и минимальное вмешательство человека, чтобы предоставлять своим клиентам советы по инвестициям и управлению.
Grealish выделяет три ключевых фактора, определяющих результаты инвестиций: поддержание низких затрат, оптимизация налогов и интеллектуальная торговля. Хотя все факторы важны, Betterment уделяет большое внимание первым трем. Компания применяет технику оптимизации Блэка Литтермана для построения глобально диверсифицированных портфелей и постоянно отслеживает целевые веса своей обширной клиентской базы, насчитывающей полмиллиона человек. Оптимизация налогов, включая такие стратегии, как сбор налоговых убытков, определение местонахождения активов и сортировка лотов, дает возможности превзойти рынок.
Во второй части своего обсуждения Грилиш отличает подход Betterment от традиционных автоматизированных финансовых консультантов. В отличие от универсального подхода традиционных роботов-консультантов, алгоритмический подход Betterment учитывает индивидуальные факторы, такие как цели, временной горизонт и устойчивость к риску. Эта настройка позволяет создавать персонализированные портфели с учетом уникальной ситуации каждого инвестора. Betterment также предлагает дополнительные функции, такие как сбор налоговых убытков и согласованные с налогами портфели, чтобы максимизировать налоговую эффективность и увеличить прибыль.
Далее Grealish углубляется в особенности инвестиционных стратегий Betterment. Компания поощряет долгосрочную стабильность распределения, корректируя портфели только один раз в год, чтобы приблизиться к целевому распределению. Они используют алгоритмы ребалансировки на основе триггеров, чтобы управлять отклонением от целевого распределения и минимизировать риски. Портфели Betterment строятся с использованием ETF на основе широкой рыночной капитализации, оптимизируя подверженность рискам классов активов с соответствующими премиями за риск.
Оптимизация затрат является важным аспектом инвестиционной философии Betterment. Компания пользуется тенденцией снижения комиссий по ETF, ежеквартально пересматривая всю совокупность ETF. В процессе выбора учитываются факторы помимо коэффициента расходов, включая ошибки отслеживания и торговые издержки, что приводит к созданию недорогих портфелей для клиентов Betterment.
Оптимизация налогов — еще один важный элемент стратегии Betterment. Грилиш объясняет важность управления налогами и выделяет три эффективные стратегии: сбор налоговых убытков, определение местонахождения активов и сортировка участков. Сбор налоговых убытков включает продажу ценных бумаг с убытком для реализации капитальных убытков для целей налогообложения, в то время как местоположение активов максимизирует прибыль после уплаты налогов за счет стратегического распределения активов по счетам. Сортировка лотов влечет за собой продажу лотов с наибольшими убытками в первую очередь для оптимизации налоговых льгот.
Grealish признает влияние поведения инвесторов на результаты инвестиций. Betterment борется с негативным поведением, внедряя интеллектуальные настройки по умолчанию, используя автоматизацию и поощряя инвестирование на основе целей. Компания использует преднамеренный дизайн и анализ данных, чтобы побуждать пользователей к действию, когда они отклоняются от своих финансовых целей.
Что касается будущих разработок, Grealish обсуждает потенциальное использование ИИ в сфере финансовых технологий. Betterment исследует применение ИИ для автоматизации финансовых задач, таких как роботизированное консультирование и управление денежными средствами. Компания стремится сделать финансовые услуги, которые ранее были доступны только состоятельным лицам и организациям, для более широкой аудитории. Однако сложность индивидуализации налоговой подготовки создает проблемы в этой области.
В целом, Адам Грилиш дает ценную информацию об алгоритмическом подходе Betterment к личным инвестициям, уделяя особое внимание стратегиям, основанным на целях, оптимизации затрат, управлению налогами и смягчению поведения.
Микель Ногер и Алонсо: «Последние разработки в области глубокого обучения в области финансов»
Микель Ногер и Алонсо: «Последние разработки в области глубокого обучения в области финансов»
В этом всеобъемлющем видео Микель Ногер и Алонсо исследуют потенциал глубокого обучения в области финансов, несмотря на присущие этой отрасли сложности и эмпирический характер. Глубокое обучение предлагает ценные возможности для захвата нелинейных отношений и распознавания повторяющихся закономерностей, особенно в неструктурированных данных и финансовых приложениях. Однако это также создает проблемы, такие как переоснащение и ограниченная эффективность в нестационарных ситуациях. Для решения этих проблем интеграция факторов, анализа настроений и обработки естественного языка может предоставить ценную информацию для управляющих портфелями, работающих с огромными объемами данных. Важно отметить, что универсальной модели не существует, и глубокие нейронные сети не должны заменять традиционные эталонные модели. Кроме того, Алонсо подчеркивает важность BERT, высокоэффективной языковой модели с открытым исходным кодом, которая демонстрирует глубокое понимание чисел в финансовых текстах, что делает ее особенно ценной для наборов финансовых данных.
На протяжении всего видео Алонсо делится важными мыслями и обсуждает различные аспекты использования моделей глубокого обучения в финансах. Он исследует преобразование финансовых данных в изображения для анализа с использованием сверточных нейронных сетей, использование автокодировщиков для нелинейного сжатия данных и применение сетей памяти для анализа временных рядов. Сотрудничество между экспертами в предметной области и практиками машинного обучения подчеркивается как критический фактор для эффективного решения проблем, связанных с финансами, с использованием методов глубокого обучения.
Алонсо углубляется в проблемы, возникающие при работе с глубоким обучением в области финансов, такие как динамический характер процесса генерации данных и необходимость разработки моделей, которые могут адаптироваться к этим изменениям. Он выделяет концепции из теории информации, сложности и сжатия информации, чтобы найти наиболее краткое представление. Обсуждается теорема об универсальной аппроксимации, подчеркивающая способность глубоких нейронных сетей аппроксимировать любую функцию с произвольной точностью, но обобщение не гарантируется. Спикер рекомендует дополнительно изучить исследовательские работы по регуляризации, внутренним размерам нейронных сетей и сверхпараметризованным нейронным сетям.
Докладчик также затрагивает идею режима интерполяции, когда глубокие нейронные сети могут обнаруживать более крупные классы функций, которые идентифицируют интерполирующие функции с меньшими нормами. Они обсуждают качественные аспекты глубоких нейронных сетей, подчеркивая различную важность различных слоев и их роль в прогнозировании временных рядов. Однако подчеркивается, что линейные модели по-прежнему служат ориентирами, и с ними следует сравнивать результаты моделей глубокого обучения.
Алонсо дает представление о производительности моделей глубокого обучения в финансах, демонстрируя результаты использования сетей долговременной кратковременной памяти с несколькими акциями и демонстрируя их превосходство над другими нейронными сетями. Показано, что модели глубокого обучения превосходят линейные модели при выборе лучших акций в S&P 500, что приводит к лучшему соотношению информации вне выборки. Спикер подчеркивает, что глубокое обучение стабильно работает хорошо и может быть надежным выбором при выборе модели.
Факторы играют решающую роль в моделях глубокого обучения для финансов, позволяя исследовать нелинейные отношения с доходами. Использование нелинейности отличает этот подход от простых упражнений с временными рядами. Докладчик также подчеркивает важность выбора параметров в период обучения и предостерегает от предположения, что использование большего количества данных всегда приводит к повышению точности. Важно отметить, что эти модели не учитывают затраты или соображения реальной жизни, поскольку они в основном предназначены для исследовательских целей на основе исторических данных.
Докладчик разъясняет суть своей статьи, подчеркивая, что цель состоит не в том, чтобы заявить о превосходстве глубоких нейронных сетей, а в том, чтобы подчеркнуть необходимость их использования наряду с традиционными эталонными моделями. Обсуждается важность фиксации нелинейных отношений и понимания повторяющихся циклов, а также необходимость учитывать такие параметры, как окно обучения. Глубокие нейронные сети могут предоставить уникальную информацию в конкретных сценариях, фиксируя эффекты второго или третьего порядка, которые линейные модели могут не заметить. Однако подчеркивается, что универсальной модели не существует, и глубокие нейронные сети должны дополнять существующие эталонные модели, а не заменять их.
Также исследуется применение обработки естественного языка, в частности анализа настроений, в финансах. Учитывая огромное количество информации, генерируемой на рынках, инструменты больших данных необходимы для исследования и анализа многомерных пространств. Машинное обучение, особенно глубокое обучение, оказывается полезным в решении этих проблем. Языковые модели можно использовать для таких задач, как анализ настроений, который может дать представление о динамике рынка. Скрапинг в Интернете оказался эффективным подходом к обнаружению изменений информации, которые могут указывать на сдвиги на рынке. В целом, обработка естественного языка предлагает ценную информацию для управляющих портфелями, работающих с большими объемами данных.
В видео спикер углубляется в два подхода к анализу настроений в финансах. Традиционный метод включает подсчет частоты положительных и отрицательных слов, в то время как более продвинутый подход использует глубокое обучение и встраивание слов для понимания контекстуального и семантического значения слов. Докладчик подчеркивает эффективность представления двунаправленного кодировщика от преобразователей (BERT), передовой языковой модели, которая обеспечивает более точное и эффективное представление слов. Способность BERT понимать числа в финансовых текстах особенно важна для точного финансового анализа. Другие аппроксиматоры функций, такие как многослойные персептроны, сети памяти и ковсети, также упоминаются как полезные инструменты в финансах.
Кроме того, спикер обсуждает концепцию преобразования финансовых данных в изображения и использования сверточных нейронных сетей для анализа. Этот подход оказывается особенно полезным для проблем обучения без учителя. Представлено использование автокодировщиков для нелинейного сжатия данных и сетей памяти для анализа временных рядов. Сети памяти могут подойти для анализа данных временных рядов, если среда достаточно стабильна. Кроме того, докладчик затрагивает использование моделей преобразователей для языковой обработки в финансах и дает представление об их реализации с использованием TensorFlow.
Что касается внедрения моделей глубокого обучения с открытым исходным кодом в области финансов, выступающий подчеркивает, что, хотя может потребоваться специальное обучение работе с финансовыми приложениями, это достижимая цель благодаря обилию доступного открытого исходного кода. Сотрудничество между экспертами в предметной области и специалистами по машинному обучению имеет решающее значение для решения проблем, связанных с финансами, поскольку существует множество возможностей для использования машинного обучения в этой области. Докладчик отмечает, что, хотя ручные подходы к обработке естественного языка в настоящее время используются в финансах, модели глубокого обучения еще не получили широкого распространения в отрасли.
В видео также рассматриваются традиционные методы ручного управления финансами, когда люди используют словари для описания таких организаций, как JP Morgan, при этом гарантируя отсутствие опечаток. Обсуждается эффективность различных алгоритмов машинного обучения, таких как сети с долговременной кратковременной памятью и BERT. BERT считается современным в опубликованных исследованиях. Также исследуется потенциал машинного обучения для перекрестных инвестиций, предлагая использование факторов или доходности, чтобы помочь машинам интерпретировать фиксированную доходность или факторы.
Обращаясь к трудности поиска оптимальных значений в глубоком обучении, спикер признает, что это может быть проблемой NP. Исследователи данных, обладающие опытом и интуицией, должны делать эвристический выбор, основываясь на своем опыте. Особое внимание уделяется проблеме понимания и интерпретации глубоких нейронных сетей, поскольку даже математики изо всех сил пытаются сформулировать уравнения, объясняющие их исключительную производительность. В таких случаях часто используется качественный анализ. Однако со временем и после работы с различными наборами данных специалисты по данным могут развить интуицию для выбора наиболее подходящих параметров для конкретных ситуаций.
Гордон Риттер: «Обучение с подкреплением и открытие арбитражных возможностей»
Гордон Риттер: «Обучение с подкреплением и открытие арбитражных возможностей»
В этом видео Гордон Риттер исследует применение обучения с подкреплением в контексте финансовых рынков, уделяя особое внимание поиску арбитражных возможностей при торговле деривативами. Он подчеркивает важность комплексного многопериодного планирования и стратегии при столкновении с неопределенностью. Риттер демонстрирует использование функций ценности для поиска оптимальной политики и предлагает функцию вознаграждения, которая сочетает приращение за один период с константой, умноженной на квадрат отклонения от среднего.
Риттер обсуждает процесс создания симуляции, включающей возможность арбитража, без явного указания машине, где ее найти. Он подчеркивает использование стохастического моделирования для моделирования финансовых рынков и предполагает, что при наличии достаточного количества данных агент, обученный с помощью обучения с подкреплением, может идентифицировать рыночный арбитраж. Тем не менее, он признает ограничения обучения с подкреплением, такие как переоснащение и проблемы с обработкой непредвиденных сценариев. Для расширения возможностей обученных агентов предлагается дальнейшее тестирование, такое как изучение торговых стратегий гамма-нейтральности.
Видео включает анализ эффективности агента обучения с подкреплением по сравнению с базовым агентом при хеджировании деривативов. Обученный агент демонстрирует значительную экономию средств при сохранении аналогичного диапазона реализованной волатильности, демонстрируя свою способность находить компромиссы между затратами и риском. Риттер обсуждает актуальность функций ценности в обучении с подкреплением для торговли деривативами, поскольку сами цены деривативов можно рассматривать как форму функции ценности.
Риттер также подчеркивает важность построения соответствующих векторов состояний и пространств действий в обучении с подкреплением. Включение соответствующей информации в вектор состояния и определение соответствующих действий необходимы для эффективного принятия решений. Он представляет использование процессов Орнштейна и лимбических процессов в качестве средства моделирования динамики возврата к среднему, что потенциально может привести к арбитражным возможностям.
Кроме того, в видео обсуждаются проблемы использования краткосрочных доходов для торговых возможностей и ограничения ограниченных пространств состояний. Риттер предлагает использовать непрерывные пространства состояний и методы аппроксимации функций, такие как деревья моделей и нейронные сети, для решения этих проблем и улучшения оценки функций ценности.
Наконец, Риттер признает, что, хотя обучение с подкреплением может быть ценным инструментом для обнаружения арбитражных возможностей, оно не является гарантированным подходом в реальной торговле. В заключение он подчеркивает потенциал обучения с подкреплением для выявления прибыльных сделок с помощью стохастических систем, но предостерегает от того, чтобы ожидать, что оно найдет возможности для арбитража, если они не существуют на рынке. Также признаются ограничения обучения с подкреплением, в том числе переоснащение и его неспособность справиться с непредвиденными сценариями.
Маркос Лопес де Прадо: «7 причин, по которым большинство фондов машинного обучения терпят неудачу»
Маркос Лопес де Прадо: «7 причин, по которым большинство фондов машинного обучения терпят неудачу»
Маркос Лопес де Прадо представил всеобъемлющую презентацию, в которой изложил причины провала большинства фондов машинного обучения в финансовой отрасли. Он подчеркнул значение нескольких ключевых факторов, способствующих успеху в этой области.
Одним из основных факторов, отмеченных де Прадо, было отсутствие четко сформулированной теории дискреционных фондов. Он отметил, что во многих инвестиционных беседах отсутствует конструктивный и абстрактный подход из-за отсутствия прочной теоретической основы. Без теории для принятия решений дискреционные фонды изо всех сил пытаются взаимодействовать с другими и проверять свои идеи, что приводит к неправильному выбору и потенциальным потерям.
Де Прадо также обсудил пагубные последствия изолированной работы в фондах машинного обучения. Он подчеркнул, что сотрудничество и общение необходимы для успеха, и предостерег от найма многочисленных докторов наук и разделения их на отдельные задачи. Вместо этого он выступал за командный подход, при котором специалисты работают независимо, но обладают знаниями об опыте друг друга, что приводит к лучшим стратегиям и результатам.
Специализация внутри команды была еще одним важным аспектом, на который обратил внимание де Прадо. Он подчеркнул важность формирования группы специалистов, способных решать сложные системы и задачи. Эти эксперты должны обладать независимыми навыками, понимать общую стратегию и знать области знаний своих коллег. Эта парадигма метастратегии ценна не только для разработки эффективных стратегий, но и для принятия обоснованных решений в неопределенных ситуациях, включая найм, надзор за инвестициями и определение критериев остановки.
Надлежащее обращение с финансовыми данными было еще одним ключевым фактором, обсуждаемым де Прадо. Он подчеркнул необходимость достижения стационарности данных при сохранении ценной информации. Он предложил дифференцировать данные по дробям, чтобы сохранить в памяти информацию из предыдущих наблюдений, что позволяет делать критические прогнозы в определенных точках. Кроме того, он посоветовал использовать определенный порог для достижения почти идеальной корреляции между стационарными и исходными рядами без использования чрезмерной памяти. Де Прадо предостерег от использования доходности в случаях отсутствия ликвидных фьючерсных контрактов, рекомендуя использовать одно наблюдение в большинстве сценариев.
Де Прадо также обращался к частоте выборки и соответствующей маркировке данных. Он предложил основывать частоту выборки на поступлении рыночной информации, а не полагаться на традиционные методы, такие как ежедневные или минутные наблюдения. Используя такие методы, как долларовые слитки, которые отбираются на основе объема транзакций, можно гарантировать, что в выборку включено одинаковое количество информации. Надлежащая маркировка наблюдений, такая как использование метода Touch Barrier Labeling, позволяет разрабатывать стратегии с учетом риска, принимая во внимание динамику цен и возможность срабатывания стопа.
Концепция метаобучения, когда одна модель машинного обучения предсказывает точность предсказаний другой модели, обсуждалась как средство достижения точности и отзыва. Составив две отдельные модели, можно сбалансировать компромисс между точностью и полнотой, используя среднее гармоническое. Де Прадо рекомендовал использовать разные алгоритмы машинного обучения для разных задач, чтобы оптимизировать производительность.
Де Прадо осветил проблемы применения машинного обучения в финансах, подчеркнув необходимость того, чтобы специалисты-люди фильтровали данные перед использованием алгоритмов машинного обучения. Финансовые данные по своей природе беспорядочны и не являются IID, что затрудняет привязку конкретных наблюдений к активам. Более того, постоянные изменения на финансовых рынках из-за правил и законов требуют тщательного и тонкого подхода к реализации алгоритмов машинного обучения. Простого включения финансовых данных в модель машинного обучения недостаточно для успеха в финансах.
Обращение к проблемам неуникальности и переобучения было еще одним важным аспектом презентации де Прадо. Он предложил методологию для определения уникальности наблюдений, рекомендуя удалять наблюдения, которые содержат более старую информацию, чем та, которая используется в тестовом наборе, процесс, известный как «очистка». Это помогает создавать более точные модели машинного обучения за счет согласования с предположениями методов перекрестной проверки. Де Прадо также предупредил об опасности переобучения, подчеркнув, что многократное тестирование стратегий на исторических данных может привести к ложным срабатываниям и снижению полезности с течением времени. Учет количества испытаний, связанных с обнаружением стратегий, имеет решающее значение, чтобы избежать переобучения и ложных срабатываний. Де Прадо посоветовал установить высокий порог эффективности стратегий, чтобы снизить риски, связанные с переоснащением.
Концепция «спущенной клубники» была введена де Прадо, иллюстрируя, что многие хедж-фонды демонстрируют отрицательную асимметрию и положительный избыточный эксцесс, даже если управляющие фондами не нацеливались на эти характеристики намеренно. В первую очередь это связано с тем, что управляющие фондами оцениваются на основе коэффициента Шарпа, и эти статистические свойства могут завышать этот коэффициент. Де Прадо подчеркнул важность учета размера выборки и количества испытаний, необходимых для получения открытия, при анализе результатов. Он предостерег от инвестирования в стратегии с низкой вероятностью достижения истинного коэффициента Шарпа выше нуля.
Достижение баланса между подгонкой модели и переобучением было подчеркнуто де Прадо. Он посоветовал не стремиться к идеальной посадке, так как это может привести к самоуверенности и повышенному риску. Вместо этого он рекомендовал найти способ сохранить важные воспоминания, эффективно применяя статистические модели. Де Прадо также предостерег от использования чрезмерно сложных моделей, поскольку они могут препятствовать передаче данных и перекрестному опылению, снижая общую эффективность алгоритмов машинного обучения.
Де Прадо обратился к феномену в отрасли, когда предпочтение отдается определенным характеристикам или показателям, что приводит к сближению стратегий. Сравнивая это с разведением собак, где человеческие предпочтения и эстетика формируют определенные черты, он объяснил, как использование конкретных показателей, таких как комбинация коэффициента Шарпа и отрицательной асимметрии, стало предпочтительным в хедж-фондах, даже если изначально это не было так. целевой. Борьба с этим явлением оказывается сложной задачей, поскольку оно происходит без каких-либо конкретных инициирующих событий.
Кроме того, де Прадо подчеркнул важность использования последних данных о ценах при прогнозировании, поскольку они имеют большее значение для ближайшего будущего. Он рекомендовал использовать экспоненциальное затухание веса для определения длины выборки при использовании всех доступных данных. Кроме того, он подчеркнул важность контроля количества испытаний и предотвращения изолированных рабочих сред как распространенных ошибок, ведущих к краху средств машинного обучения. Он отметил, что финансы отличаются от других областей, где машинное обучение добилось значительных успехов, и наем статистиков не всегда может быть самым эффективным подходом для разработки успешных торговых алгоритмов.
Таким образом, презентация Маркоса Лопеса де Прадо пролила свет на причины, по которым большинство фондов машинного обучения терпят неудачу в финансовой отрасли. Он подчеркнул необходимость хорошо сформулированной теории, командного сотрудничества, специализации, надлежащей обработки и дифференциации финансовых данных, соответствующей выборки и маркировки, решения таких проблем, как неуникальность и переобучение, а также включения человеческого опыта в реализацию алгоритмов машинного обучения. Понимая эти факторы и применяя тщательный и нюансированный подход, специалисты-практики могут повысить вероятность успеха в динамичном и сложном мире финансов.
Ирэн Олдридж: «Риск в реальном времени при оптимизации долгосрочного портфеля»
Ирэн Олдридж: «Риск в реальном времени при оптимизации долгосрочного портфеля»
Ирен Олдридж, президент и управляющий директор Able Alpha Trading, проводит всестороннее обсуждение влияния высокочастотной торговли (HFT) на долгосрочных управляющих портфелями и системных изменений на рынке, которые затрагивают всю отрасль. Она исследует растущую автоматизацию в финансах, обусловленную достижениями в области больших данных и машинного обучения, и ее влияние на оптимизацию портфеля. Кроме того, Олдридж изучает проблемы и возможности, связанные с внутридневными объемными данными, и предлагает пошаговый подход, который объединяет идентификацию рисков в реальном времени с использованием больших данных. Она выступает за более тонкую стратегию оптимизации портфеля, которая включает микроструктурные факторы и предлагает использовать факторы в качестве защитной меры. Олдридж также затрагивает трехлетний жизненный цикл количественных стратегий, потенциал виртуальной реальности и автоматизации анализа данных, а также применение компьютерной матрицы для оптимизации портфеля.
На протяжении всей своей презентации Олдридж опровергает ошибочное представление о том, что высокочастотная торговля не влияет на долгосрочных управляющих портфелями. Она утверждает, что системные изменения на рынке влияют на все инвестиционные стратегии, независимо от их временного горизонта. Опираясь на свой опыт в области электротехники, разработки программного обеспечения, управления рисками и финансов, Олдридж подчеркивает важность изучения новых областей, таких как оценка рисков в реальном времени и оптимизация портфеля.
Олдридж подчеркивает значительный сдвиг в сторону автоматизации в финансовой отрасли, отмечая, что ручная торговля уступила место автоматизированным системам в торговле акциями, иностранной валютой, фиксированным доходом и товарами. Чтобы оставаться актуальными, участники отрасли используют большие данные и методы машинного обучения. Тем не менее, она признает первоначальное сопротивление со стороны некоторых трейдеров, которые опасались, что автоматизация сделает их опыт устаревшим.
Докладчик исследует эволюцию больших данных и их роль в оптимизации портфеля. Она отмечает, что доступность огромных объемов структурированных и неструктурированных данных произвела революцию в финансовом ландшафте. Олдридж объясняет, как такие методы, как разложение по сингулярным числам (SVD), позволяют обрабатывать большие наборы данных и извлекать ценную информацию. SVD все чаще используется для автоматизации распределения портфеля с целью включения как можно большего количества данных для принятия обоснованных инвестиционных решений.
Олдридж углубляется в процесс уменьшения размерности данных с помощью разложения по сингулярным числам. Нанося на график сингулярные значения, полученные в результате этого процесса, исследователи могут идентифицировать векторы, которые содержат важную информацию, а остальные векторы рассматривать как шум. Этот метод можно применять к различным наборам финансовых данных, включая рыночную капитализацию, бета-версию, цену и внутридневную волатильность. Полученный сокращенный набор данных обеспечивает надежное руководство для исследовательских целей и помогает в определении важнейших факторов для долгосрочной оптимизации портфеля.
Докладчик обсуждает общие факторы, используемые портфельными аналитиками, такие как цена, рыночный риск (бета), рыночная капитализация и дивидендная доходность. Институциональная деятельность также является важным фактором, и Олдридж подчеркивает использование больших данных для анализа тиковых данных и выявления закономерностей. Распознавание институциональной активности дает видимые сигналы участникам рынка, что приводит к увеличению объема и благоприятному исполнению.
Олдридж различает агрессивные и пассивные HFT-стратегии и их влияние на ликвидность. Агрессивные стратегии HFT, характеризующиеся отменой ордеров, могут снизить ликвидность и увеличить риск, в то время как пассивные стратегии HFT, такие как создание рынка, могут снизить волатильность за счет обеспечения ликвидности. Она отмечает, что институциональные инвесторы отдают предпочтение средневзвешенной цене по объему и использованию средневзвешенной по времени цены на определенных рынках, таких как валютный рынок, где информация об объеме не всегда может быть доступна.
Докладчик рассматривает проблемы, связанные с внутридневными данными об объемах, учитывая множество бирж, сокращающиеся временные интервалы и необходимость определить лучший бизнес и лучшее предложение среди нескольких бирж. Несмотря на эти проблемы, Олдридж видит значительные возможности для инноваций и дальнейших исследований в области нарезки и анализа внутридневных объемных данных. Она упоминает обработчик информации о безопасности (SIP), управляемый SEC, который объединяет лимитные ордера с нескольких бирж, но признает постоянную проблему согласования и решения проблем на разных биржах.
Олдридж выделяет неисследованные микроструктурные факторы и риски при оптимизации портфеля. В то время как долгосрочные портфельные менеджеры традиционно сосредотачиваются на характеристиках риска и доходности и упускают из виду микроструктурные факторы, Олдридж предлагает включать их в качестве исходных данных и использовать множество доступных данных. Она предлагает пошаговый подход, который включает использование разложения по сингулярным числам для прогнозирования производительности на основе предыдущих доходов и использование больших данных для выявления и устранения рисков в реальном времени. Алгоритмы могут помочь выявить и использовать сложные тонкости на биржах, такие как пинговые ордера, которые могут остаться незамеченными трейдерами-людьми.
Преодолевая ограничения традиционной оптимизации портфеля, Aldridge предлагает более комплексный подход, который объединяет микроструктурные факторы и другую динамику рынка. Она подчеркивает разрушительный потенциал таких факторов, как ETF и внезапные обвалы, и подчеркивает, что одних матриц корреляции может быть недостаточно для анализа рисков. Принимая во внимание независимые микроструктурные факторы, выходящие за рамки более широких рыночных движений, Олдридж выступает за продуманную стратегию оптимизации портфеля, которая может повысить доходность и улучшить коэффициенты Шарпа. Более подробную информацию о ее подходе можно найти в ее книге, и она приветствует вопросы аудитории, касающиеся высокочастотной торговли.
Олдридж далее углубляется в постоянство высокочастотной торговли в течение дня и ее последствия для долгосрочного распределения портфеля. Она иллюстрирует это на примере внутридневного высокочастотного торгового объема Google, который демонстрирует стабильность в пределах определенного диапазона с течением времени. Олдридж подчеркивает более низкие затраты, связанные с высокочастотной торговлей более дорогими акциями, и более низкий процент объема высокочастотной торговли дешевыми акциями. Кроме того, она отмечает, что сложность кодирования часто удерживает высокочастотных трейдеров от работы с акциями с высокими дивидендами. Агрессивные высокочастотные торговые стратегии включают рыночные ордера или агрессивные лимитные ордера, размещаемые близко к рыночной цене.
Докладчик объясняет трехлетний жизненный цикл количественной стратегии, проливая свет на проблемы, с которыми сталкиваются специалисты по количественному анализу при разработке успешных стратегий. Первый год обычно включает в себя успешную стратегию с предыдущей работы и получение хорошей премии. Второй год отмечен попытками внедрения инноваций, но в этот период многие пытаются разработать успешную стратегию. На третий год те, кто нашел успешную стратегию, могут получить хорошую премию, в то время как другие могут решить уйти и перенести свою предыдущую стратегию в новую фирму. Это способствует концентрации схожих высокочастотных торговых стратегий, которые могут быть изменены или слегка модифицированы и часто заключают сделки примерно в одно и то же время. Олдридж подчеркивает, что высокочастотный трейдинг, как и другие формы автоматизации, полезен и не должен отбрасываться.
Олдридж завершает свою презентацию обсуждением потенциала виртуальной реальности и автоматизации анализа данных. Она затрагивает полезность портфелей и факторов, основанных на бета-версии, на примере покупки пары носков по сравнению с покупкой компьютера Dell и того, как изменения в бета-версии по-разному влияют на их цены. Также подчеркивается важность нормализации возвратов и устранения случайности в рабочих днях. Олдридж предлагает использовать факторы как форму защиты и подчеркивает, что использование факторов может быть приятным подходом.
В одном из разделов Олдридж объясняет применение компьютерной матрицы для определения важности или коэффициента для каждой акции в портфеле. Матрица включает методы ковариации дисперсии и сжатия для корректировки доходности и достижения более точного результата. Выявляя закономерности в доходах за предыдущие дни, матрица может предсказывать будущие результаты и оптимизировать портфель. Хотя обсуждаемая игрушечная модель представляет собой базовый пример, она иллюстрирует потенциал использования компьютерной матрицы для долгосрочной оптимизации портфеля.
Таким образом, презентация Айрин Олдридж дает ценную информацию о влиянии высокочастотной торговли на долгосрочных управляющих портфелями и на меняющийся ландшафт финансовой индустрии. Она подчеркивает роль автоматизации, больших данных и машинного обучения в оптимизации портфеля. Олдридж обсуждает проблемы и возможности, связанные с внутридневными объемными данными, выступает за учет микроструктурных факторов и предлагает пошаговый подход к выявлению рисков в реальном времени. Ее идеи способствуют более тонкому пониманию оптимизации портфеля и подчеркивают потенциал виртуальной реальности и автоматизации анализа данных. Комплексный подход Aldridge побуждает портфельных менеджеров осваивать технологические достижения и использовать огромные объемы доступных данных для принятия обоснованных инвестиционных решений.
Кроме того, Олдридж подчеркивает важность учета микроструктурных факторов, которые часто остаются незамеченными при традиционной оптимизации портфеля. Включив в анализ такие факторы, как ETF и внезапные обвалы, портфельные менеджеры могут получить более точное представление о динамике рынка и связанных с ним рисках. Она оспаривает представление о том, что одних корреляционных матриц достаточно для анализа рисков, и предлагает более сложный подход, учитывающий независимые микроструктурные факторы. Такой подход может повысить доходность портфеля и улучшить показатели с поправкой на риск.
Олдридж также проливает свет на сложный мир высокочастотного трейдинга. Она обсуждает разницу между агрессивными и пассивными стратегиями HFT, подчеркивая их влияние на ликвидность и волатильность рынка. В то время как агрессивные стратегии, включающие отмену ордеров, могут подорвать ликвидность и увеличить риск, пассивные стратегии, ориентированные на лимитные ордера и создание рынка, могут обеспечить ликвидность и снизить волатильность. Понимание динамики высокочастотной торговли и ее влияния на распределение портфеля имеет важное значение для долгосрочных портфельных менеджеров.
Кроме того, Олдридж обсуждает проблемы и возможности, связанные с внутридневными объемными данными. С многочисленными обменами и сокращающимися временными интервалами эффективный анализ и интерпретация этих данных могут быть сложными. Однако Олдридж видит в этом возможность для инноваций и дальнейших исследований. Она упоминает обработчик информации о безопасности (SIP), управляемый SEC, который объединяет лимитные ордера с различных бирж, чтобы определить лучший бизнес и лучшее предложение. Однако она признает, что согласование и решение проблем между различными биржами остается проблемой.
В презентации Олдриджа также подчеркивается важность использования факторов как формы защиты при оптимизации портфеля. Принимая во внимание различные факторы, выходящие за рамки традиционных характеристик риска и доходности, портфельные менеджеры могут получить более глубокое понимание и улучшить свой процесс принятия решений. Такие факторы, как рыночная капитализация, бета-версия, цена и внутридневная волатильность, могут предоставить ценную информацию для оптимизации долгосрочных портфелей.
Наконец, Олдридж затрагивает потенциал виртуальной реальности и автоматизации анализа данных. Эти технологические достижения открывают новые возможности для анализа сложных финансовых данных и более глубокого понимания динамики рынка. Используя возможности автоматизации и инструменты виртуальной реальности, портфельные менеджеры могут расширить свои возможности анализа данных и принимать более обоснованные инвестиционные решения.
В заключение, обсуждение Айрин Олдридж о влиянии высокочастотной торговли и меняющегося финансового ландшафта дает ценную информацию для долгосрочных портфельных менеджеров. Ее исследование автоматизации, больших данных и машинного обучения подчеркивает преобразующий потенциал этих технологий в оптимизации портфеля. Включая микроструктурные факторы, используя факторы в качестве формы защиты и осваивая технологические достижения, управляющие портфелями могут адаптироваться к меняющейся динамике рынка и открывать новые возможности для достижения оптимальной долгосрочной эффективности портфеля.
Основы количественной торговли
Основы количественной торговли
В этом видео об основах количественной торговли алгоритмический трейдер Шон Овертон обсуждает проблемы и возможности, связанные с алгоритмической торговлей. Овертон объясняет, что сбор данных, анализ и торговля — это три простые проблемы, связанные с алгоритмической торговлей, хотя процесс может усложниться из-за поиска высококачественных данных и надлежащего анализа. Может быть сложно выбрать правильную платформу с хорошими данными и функциями для достижения целей трейдера, при этом наиболее популярными платформами являются MetaTrader, NinjaTrader и TradeStation, в зависимости от предпочтительного типа торговли. Овертон также обсуждает суровую реальность того, как легко взорвать счета при торговле на реальном рынке и насколько важно управлять рисками. Кроме того, он объясняет, как количественные трейдеры могут предсказывать чрезмерные движения на рынке, и обсуждает влияние валютных войн.
Видео «Основы количественной торговли» на YouTube охватывает различные стратегии алгоритмической торговли, включая анализ настроений и долгосрочные стратегии, основанные на линиях графика; тем не менее, самые большие доходы получаются во время событий и трендов с большим хвостом. Участники видео обсуждают различные платформы для тестирования на исторических данных, проблемы интеграции нескольких платформ для анализа торговли и растущий интерес к формализации и автоматизации торговых стратегий. Некоторые долгосрочные трейдеры ищут автоматизацию, поскольку они уже давно в игре, и NinjaTrader для языков программирования рекомендуется, но имеет ограничения.
Кто такой количественный трейдер?
Кто такой количественный трейдер?
«Кто такой количественный трейдер?» — это видео, в котором Майкл Холлс-Мур погружается в мир количественной торговли, объясняя, как математика и статистика используются для разработки торговых стратегий и анализа неэффективности рынка. В то время как количественные фонды в основном сосредоточены на краткосрочных стратегиях, спикер подчеркивает, что также используются низкочастотные и автоматизированные подходы. Институциональные трейдеры отдают приоритет управлению рисками, в то время как розничные трейдеры руководствуются прибылью. Эффективное обнаружение рыночного режима имеет решающее значение, но является сложной задачей из-за случайных событий на рынке. Количественным трейдерам рекомендуется не полагаться исключительно на одну модель, а постоянно исследовать и тестировать новые, чтобы учитывать известную и неизвестную рыночную динамику. Несмотря на связанные с этим риски, успешные трейдеры, занимающиеся количественным анализом, могут добиться впечатляющей годовой прибыли в размере 35% от комиссионных.
В видео Майкл Холлс-Мур дает проницательный взгляд на концепцию «количественного трейдера». Он объясняет, что количественные трейдеры используют математические и статистические методы в области финансов, используя вычислительные и статистические методы. Их работа охватывает широкий спектр деятельности: от программирования торговых структур до проведения углубленных исследований и разработки надежных торговых стратегий. Хотя правила покупки и продажи играют определенную роль, они не являются единственным фокусом, поскольку количественные трейдеры работают в рамках более крупной системы, где генераторы сигналов являются лишь одним компонентом.
Квантовые фонды обычно занимаются высокочастотной торговлей и стремятся оптимизировать технологии и микроструктуры рыночных активов. Временные рамки, используемые в количественной торговле, могут сильно различаться, от микросекунд до недель. У розничных трейдеров есть значительные возможности для применения стратегий более частотного стиля.
Вопреки распространенному мнению, количественная торговля ориентирована не только на высокочастотную торговлю и арбитраж. Он также включает в себя низкочастотные и автоматизированные стратегии. Однако из-за своего научного подхода к извлечению выгоды из физической неэффективности системы количественные фонды преимущественно концентрируются на краткосрочных стратегиях. Спикер подчеркивает важность сочетания научного и торгового опыта для достижения успеха в области количественной торговли.
Заметное различие между розничными и институциональными трейдерами заключается в их подходе к управлению рисками. Розничные трейдеры в первую очередь руководствуются мотивами получения прибыли, тогда как институциональные трейдеры отдают приоритет управлению рисками, даже если это означает снижение потенциальной прибыли. Институциональные трейдеры придерживаются менталитета, ориентированного на риск, и уделяют особое внимание должной осмотрительности, стресс-тестированию и внедрению политик страхования от убытков для эффективного снижения рисков.
Управление рисками включает в себя различные методы, такие как корректировка кредитного плеча на основе капитала счета с использованием математических основ, таких как критерий Келли. Более консервативные трейдеры предпочитают сокращать просадки для достижения контролируемых темпов роста. Опережающие индикаторы риска, такие как VIX, используются для оценки будущей волатильности. В этих сделках система управления рисками имеет большее значение, чем система входа. В то время как стоп-лоссы используются при следовании за трендом, стратегии возврата к среднему требуют переоценки и изучения различных сценариев и исторических данных для планирования просадок. Перед внедрением торговых алгоритмов проводятся этапы тестирования на исторических данных для эффективного управления факторами риска.
Видео раскрывает важность фильтрации торговых стратегий и использования ретроспективного тестирования в качестве инструмента для их фильтрации, а не непосредственного внедрения их в производство. Это подчеркивает важность ожидания худших просадок во время движения вперед и использования механизмов фильтрации для определения пригодности стратегии для реализации. Затем разговор углубляется в веру Нассима Николаса Талеба в толстые хвосты и исследует, как можно использовать технологию машинного обучения для применения стратегий торговли в диапазоне и торговли по тренду, что позволяет определять рыночный режим.
Обнаружение эффективного рыночного режима является важным аспектом количественного финансирования. Однако он создает проблемы из-за зависимости от случайных событий, таких как падение процентных ставок и рыночные тенденции. Более искушенные фирмы отслеживают фундаментальные данные и включают их в свои модели, чтобы улучшить обнаружение рыночного режима. При торговле выбор акций или ETF зависит от конкретного рынка, и выбор правильных активов может оказаться сложной задачей. Спикер подчеркивает, что сочетание математических моделей и рыночных основ имеет решающее значение для эффективной защиты от событий «черного лебедя», поскольку предыдущие периоды высокой волатильности могут дать представление о прогнозировании будущей волатильности и рыночных изменений.
В видео дополнительно рассматриваются потенциальные доходы и риски, связанные с количественной торговлей. Трейдеры Quant могут зарабатывать впечатляющие 35% годового дохода от комиссионных, особенно в сочетании с солидным образованием, таким как докторская степень, и эффективным процессом управления. Однако высокочастотные кванты могут столкнуться с проблемами, когда происходят изменения в базовом оборудовании или обмене, что может привести к сбоям системы.
Несмотря на связанные с этим риски, достижение стабильной прибыли в размере 15-20% за счет использования прибыльных возможностей в долгосрочной перспективе считается благоприятным. Количественные трейдеры не полагаются на какой-то один волшебный алгоритм и не впадают в панику при столкновении с проблемами. Вместо этого они углубляются в статистические свойства, которые могут быть сложными для анализа, но заранее готовятся к преодолению потенциальных проблем.
В видео подчеркивается важность недопущения чрезмерной зависимости от одной модели в количественной торговле. Модели не могут точно предсказать все будущие события, о чем свидетельствуют исторические крахи Уолл-стрит и неудачи инвестиций в результате недостатков модели. Для количественных трейдеров важно постоянно исследовать и тестировать новые модели, оценивая их эффективность. Периоды просадок являются неотъемлемой частью торгового пути, и трейдеры должны быть готовы к ним.
В заключение, хотя некоторые трейдеры могут чрезмерно сосредоточиться на микроуправлении своими моделями, жизненно важно понять, учитывает ли модель всю динамику рынка, включая неизвестные неизвестные. Трейдеры, занимающиеся количественными расчетами, должны применять многомерный подход, сочетая математические модели с основами рынка, чтобы получить всестороннее представление о поведении рынка. Постоянно совершенствуя и диверсифицируя свои стратегии, количественные трейдеры могут увеличить свои шансы на успех в постоянно меняющемся финансовом ландшафте.
PyCon Canada 2015 — Карен Рубин: построение количественной торговой стратегии (основной доклад)
PyCon Canada 2015 — Карен Рубин: построение количественной торговой стратегии (основной доклад)
Продолжая обсуждение, Карен Рубин углубляется в выводы и выводы из своего исследования женщин-руководителей в компаниях из списка Fortune 1000. Анализ показывает, что генеральные директора-женщины приносят прибыль в размере 68%, а генеральные директора-мужчины — в 47%. Однако Карен подчеркивает, что ее данные еще не показывают, что женщины-руководители превосходят своих коллег-мужчин. Она считает это исследование интригующей концепцией для компаний с высокими доходами и высокой рыночной капитализацией.
Вдохновленная своими открытиями, Карен подчеркивает важность разнообразия в сфере финансов и технологий. Она призывает больше женщин присоединиться к этой сфере и участвовать в формировании инвестиционных стратегий. Она считает, что внедрение таких идей, как инвестирование в женщин-руководителей, может способствовать созданию разнообразного и инклюзивного фонда.
Продолжая дискуссию, Карен затрагивает другие факторы, которые могут повлиять на успех руководителей, в том числе их пол, метод найма (внутренний или внешний) и даже месяц их рождения. Она признает теорию о том, что компании могут назначать женщин генеральными директорами, когда организация работает плохо, а затем заменять их генеральными директорами-мужчинами, чтобы воспользоваться преимуществами реструктуризации. Однако до сих пор Карен не смогла проанализировать эту теорию. Кроме того, она отмечает, что цены на акции часто снижаются после заявления генерального директора, хотя она по-прежнему не уверена, различается ли эта тенденция между женщинами и мужчинами-генеральными директорами.
В заключение Карен подчеркивает, что построение количественной торговой стратегии для руководителей включает в себя рассмотрение различных факторов и проведение тщательного анализа. Хотя ее исследование дает ценную информацию о работе женщин-руководителей, она подчеркивает необходимость дальнейших исследований и исследований, чтобы получить более полное представление о гендерной динамике в исполнительном руководстве и ее влиянии на результаты инвестиций.
Вебинар по машинному обучению для количественной торговли с доктором Эрни Ченом
Вебинар по машинному обучению для количественной торговли с доктором Эрни Ченом
Доктор Эрни Чан, видный деятель финансовой индустрии, делится своими знаниями и опытом использования машинного обучения в трейдинге. Он начинает с размышлений о своих ранних попытках применить машинное обучение к трейдингу и признает, что поначалу это не дало успешных результатов. Доктор Чан подчеркивает важность понимания ограничений машинного обучения в трейдинге, особенно при торговле фьючерсами и индексами, где данных может быть недостаточно.
Тем не менее, он подчеркивает потенциал машинного обучения в создании прибыльных торговых стратегий применительно к отдельным технологическим акциям, данным книги заказов, фундаментальным данным или нетрадиционным источникам данных, таким как новости. Чтобы устранить ограничения, связанные с доступностью данных и предвзятостью отслеживания данных, д-р Чен предлагает использовать методы повторной выборки, такие как передискретизация или бэггинг. Эти методы могут помочь расширить набор данных, но крайне важно сохранить серийную автокорреляцию в данных временных рядов при их использовании для торговых стратегий.
Выбор функций играет жизненно важную роль в успешном применении машинного обучения в трейдинге. Доктор Чан подчеркивает важность снижения систематической ошибки выборки данных путем выбора соответствующих признаков или предикторов. Он объясняет, что, хотя многие люди считают, что чем больше функций, тем лучше, в трейдинге многофункциональный набор данных может привести к ложной автокорреляции и плохим результатам. Он обсуждает три алгоритма выбора признаков: прямой выбор признаков, деревья классификации и регрессии (CART) и случайный лес, которые помогают определить наиболее предсказуемые переменные.
Доктор Чан углубляется в алгоритм классификации машин опорных векторов (SVM), целью которого является прогнозирование будущих однодневных доходностей и их положительного или отрицательного характера. SVM находит гиперплоскость для разделения точек данных и может потребовать нелинейных преобразований для эффективного разделения. Он также затрагивает другие подходы к машинному обучению, такие как нейронные сети, но подчеркивает их ограничения в захвате соответствующих функций и их непригодность для торговли из-за нестационарного характера финансовых рынков.
Вебинар также подчеркивает важность индивидуальной целевой функции в торговой стратегии. Доктор Чан рекомендует такие методы, как пошаговая регрессия, деревья решений и регрессия по наборам для разработки прогностических моделей. Он подчеркивает важность уменьшения квадратного корня из числа сделок для достижения высокой точности в защите доходов. Коэффициент Шарпа представлен в качестве эффективного эталона для оценки эффективности стратегии, при этом коэффициент два или более считается благоприятным.
Доктор Чан дает ценную информацию о применении машинного обучения в финансовой отрасли, подчеркивая его потенциал в определенных областях и предостерегая от его ограничений. Он подчеркивает важность выбора функций, повторной выборки данных и выбора подходящей целевой функции для успешного применения машинного обучения в количественной торговле.