Quantitative trading - страница 9

 

От идеи к алгоритму: полный рабочий процесс разработки количественной торговой стратегии



От идеи к алгоритму: полный рабочий процесс разработки количественной торговой стратегии

В этом всеобъемлющем видео Делани Маккензи представляет подробный обзор рабочего процесса, которому следуют количественные трейдеры при разработке торговой стратегии. Спикер подчеркивает решающую роль начала с гипотезы и использования исторических данных для обоснованных прогнозов на будущее. Этот процесс включает в себя постоянное уточнение и исследование торговой модели, чтобы обеспечить ее историческую корреляцию с будущими доходами, сохраняя при этом независимость от других моделей.

Одной из ключевых целей является разработка портфеля, который максимизирует ожидаемую доходность при соблюдении различных ограничений риска. Чтобы достичь этого, спикер подчеркивает важность тестирования модели с небольшим капиталом, прежде чем развертывать ее в реальном времени и масштабировать. Кроме того, настоятельно рекомендуется включать альтернативные источники данных и применять методы управления рисками.

В видео подробно рассматриваются два этапа тестирования на исторических данных при разработке торговой стратегии. Во-первых, разработка портфеля и установление правил исполнения, а во-вторых, реализация самого процесса тестирования на истории. Спикер подчеркивает важность построения портфеля с ограниченным риском, который сохраняет целостность прогнозов модели, и советует переходить к следующему этапу только тогда, когда модель постоянно превосходит альтернативные инвестиционные возможности. Кроме того, спикер поощряет исследование новых возможностей вместо того, чтобы полагаться на переработанные версии существующих моделей.

Делани Маккензи объясняет начальную фазу разработки торговой стратегии, которая включает в себя формулирование экономической гипотезы, определяющей выбор активов и выбор времени. Финансы стремятся преобразовывать идеи в прибыльные результаты, разумно предсказывая будущее на основе гипотез. Каждое решение, принятое в торговле, по сути представляет собой ставку на будущие изменения рынка, что подчеркивает критическую роль использования прошлой информации для создания разумных прогнозов.

Спикер дает представление о рабочем процессе разработки количественной торговой стратегии. Процесс начинается с формулирования гипотезы и ее изучения с использованием выборочных данных. Сравнение гипотезы с существующими моделями имеет важное значение для уточнения, и как только новая модель продемонстрирует ценность, рекомендуется объединить ее с другими подмоделями для повышения прогностической способности. Докладчик подчеркивает, что гипотезы и модели не существуют изолированно, и агрегированная модель, включающая несколько источников информации, как правило, обеспечивает лучшую производительность. Кроме того, важно протестировать модель на новых данных, чтобы убедиться в ее достоверности.

Докладчик подчеркивает важность тестирования модели на невидимых данных, чтобы избежать переобучения на этапе разработки. Они отмечают, что, хотя обычно используется тестирование полной стратегии, важно признать, что большая часть времени тратится на разработку моделей и предикторов, а не на построение портфелей. Таким образом, спикер подчеркивает важность построения и исполнения портфеля, включая такие факторы, как комиссия за транзакцию, до проведения обратного тестирования, чтобы убедиться в жизнеспособности портфеля в реальных рыночных условиях. Кроме того, спикер подчеркивает, что цель тестирования на исторических данных заключается не только в оценке прогностической эффективности модели, но и в оценке того, может ли портфель, созданный на основе прогнозов модели, выдерживать реальные условия. Наконец, спикер подчеркивает важность тестирования модели на небольшой сумме капитала, прежде чем масштабировать ее, чтобы обеспечить эффективное использование капитала.

Докладчик обсуждает уточнение и исследование торговой модели для установления ее исторической корреляции с будущей доходностью и независимости от других моделей. За этим процессом следует построение портфеля в рамках определенных ограничений риска. Докладчик подчеркивает важность обеспечения того, чтобы выполнение модели не искажало сигнал и не уменьшало его корреляцию с будущими доходами. Приведен пример записной книжки, чтобы подчеркнуть постепенное добавление ограничений, что позволяет оценить производительность модели при различных условиях риска. В этом разделе подчеркивается важность тщательного тестирования и уточнения для обеспечения надежности и эффективности торговой модели для получения прибыли.

Спикер объясняет процесс разработки портфеля, который максимизирует ожидаемую доходность при соблюдении различных ограничений риска. Первоначально используется наивная стратегия оптимизации, направленная на максимизацию ожидаемой доходности за счет инвестирования всего капитала в одну акцию с последующим введением ограничений для ограничения сумм инвестиций. Впоследствии добавляются ограничения концентрации позиций, ограничивающие инвестиции в какую-либо одну вещь определенным процентом портфеля. Стратегия портфеля дополнительно уточняется за счет включения ограничений по секторам. Докладчик подчеркивает, что оптимизация портфеля с учетом ограничений риска может привести к сложности, поскольку веса в окончательной стратегии могут отличаться от прогнозов модели на будущее. Крайне важно понять, как ограничения риска влияют на прогнозы моделирования и их влияние на построение портфеля.

Докладчик представляет концепцию использования альфа-линий, программного обеспечения с открытым исходным кодом, разработанного Quantopian, для оценки корреляции между доходностью модели и будущей доходностью. Альфа-строки позволяют закодировать любую модель, независимо от размера вселенной, для которого она предсказывает, в факторную модель. Рассчитывая корреляцию между прогнозами модели в день T и доходностью всех активов, предсказанных ею в день T+1, альфа-линии помогают определить, демонстрирует ли модель последовательно положительную корреляцию с будущей доходностью. Однако спикер отмечает, что реальные данные не всегда могут демонстрировать идеальные закономерности корреляции.

Обсуждается важность сравнения новой модели с существующими моделями, при этом особое внимание уделяется изучению доходности портфеля, взвешенного по фактору и перебалансированного в соответствии с указанным периодом. Докладчик предлагает провести линейный регрессионный анализ, используя взвешенную по портфелю доходность новой модели в качестве зависимой переменной и взвешенную по портфелю доходность существующих моделей в качестве независимых переменных. Этот анализ помогает оценить зависимость между новой моделью и существующими, давая представление о потенциальном альфа-поколении. Докладчик подчеркивает важность управления рисками и диверсификации, которые могут быть достигнуты либо путем ограничения каждого компонента по отдельности, либо путем усреднения нескольких рискованных компонентов для достижения диверсификации рисков, в зависимости от инвестиционной стратегии.

Спикер объясняет разницу между двумя этапами тестирования на истории при разработке торговой стратегии. Первичный этап включает в себя разработку портфеля и определение правил исполнения, а второй этап — проведение ретроспективного тестирования для оценки корреляции между прогнозами модели и будущими ценами. Создание портфеля с ограниченным риском, который эффективно включает прогнозы модели без ущерба для их целостности, имеет решающее значение. Спикер советует инвесторам переходить к следующему этапу только в том случае, если их бэктесты постоянно предоставляют существенные доказательства превосходства модели над альтернативными инвестиционными возможностями. Кроме того, выступающий предостерегает от использования переработанных версий существующих моделей и призывает к тщательному изучению новых подходов.

Полный рабочий процесс разработки количественной торговой стратегии обсуждается спикером. Процесс начинается с генерации идеи, которая может возникнуть в результате понимания мира, анализа данных или выявления областей, в которых преобладающее понимание отличается. После того, как модель разработана, протестирована и уточнена, ее сравнивают с существующими моделями, чтобы определить ее уникальность и потенциал для создания новой альфы. Следующий шаг включает в себя проведение вневыборочных тестов, построение портфеля и выполнение моделирования оптимизации с ограничением риска. Наконец, стратегия либо торгуется на бумаге, либо тестируется с использованием небольшой суммы капитала перед масштабированием. Докладчик подчеркивает, что использование исключительно данных о ценах редко дает достаточную информацию для генерации инновационных идей, а включение альтернативных источников данных имеет решающее значение для получения новых идей.

Спикер подчеркивает важность использования альтернативных данных для создания альфы, а не полагаться исключительно на цены и фундаментальные данные для скорости и удобства. Они также подчеркивают необходимость различать альфу и дешевую бету, поскольку все, что учитывается в модели риска, считается последним. Обсуждаются ограничения k-кратной перекрестной проверки в уменьшении переобучения, при этом спикер рекомендует истинное тестирование вне выборки как более надежный подход. Наконец, спикер подчеркивает важность понимания выбора набора данных для прогнозирования будущего и изучения подходов, отличных от традиционных методов.

Таким образом, видео Делани Маккензи представляет собой исчерпывающий обзор рабочего процесса, которому следуют трейдеры, занимающиеся количественными расчетами, при разработке торговой стратегии. В нем подчеркивается важность начинать с гипотезы, уточнять и исследовать торговую модель, тестировать ее на новых данных, создавать портфель с ограничением риска и проводить тщательное тестирование на исторических данных. Докладчик подчеркивает важность использования альтернативных данных, сравнения модели с существующими моделями и внедрения методов управления рисками. Они подчеркивают необходимость обеспечения исторической корреляции прогнозов модели с будущими доходами и независимости от других моделей. Докладчик также подчеркивает важность тестирования модели с небольшим капиталом, прежде чем масштабировать ее до реального развертывания.

Кроме того, спикер углубляется в тонкости оформления портфолио и правил исполнения. Они обсуждают процесс построения портфеля с ограничениями риска, который максимизирует ожидаемую доходность при соблюдении различных ограничений риска. Докладчик подчеркивает постепенное добавление ограничений, таких как концентрация позиций и подверженность секторам, для оценки того, как модель работает при различных сценариях риска. Они подчеркивают, что оптимизация портфеля включает в себя поиск компромисса между максимизацией доходов и управлением рисками.

Докладчик представляет концепцию альфа-линий и их роль в оценке корреляции между доходностью модели и будущей доходностью. Они объясняют, как альфа-линии позволяют кодировать любую модель в факторную модель, что позволяет оценивать прогнозы модели относительно будущих доходов. Докладчик признает, что данные реального мира не всегда могут демонстрировать последовательную положительную корреляцию, подчеркивая важность понимания ограничений корреляционного анализа.

Сравнение новой модели с существующими моделями подчеркивается как решающий шаг в оценке ее эффективности. Докладчик предлагает использовать линейный регрессионный анализ для оценки зависимости между взвешенной по портфелю доходностью новой модели и доходностью существующих моделей. Это сравнение помогает определить уникальность модели и ее потенциал для генерации альфы. Докладчик также подчеркивает важность управления рисками и диверсификации при построении портфеля либо путем ограничения отдельных компонентов, либо путем диверсификации риска по нескольким активам.

Докладчик также выделяет два этапа тестирования на исторических данных при разработке торговой стратегии. Первый этап включает в себя разработку портфеля и правил исполнения, а второй этап включает в себя проведение ретроспективных тестов для оценки прогнозов модели по отношению к будущим ценам. Крайне важно создать портфель с ограниченным риском, который включает прогнозы модели, не ставя под угрозу их целостность. Спикер советует инвесторам переходить ко второму этапу только тогда, когда есть убедительные доказательства превосходства модели над альтернативными инвестиционными возможностями. Они предостерегают от использования переработанных версий существующих моделей и поощряют изучение новых подходов.

Наконец, спикер описывает полный рабочий процесс разработки количественной торговой стратегии. Он начинается с генерации идеи и продолжается тестированием, уточнением и сравнением модели с существующими. Затем стратегия подвергается тестированию вне выборки, построению портфеля и оптимизации с ограничением риска. Перед масштабированием стратегия либо торгуется на бумаге, либо тестируется с использованием небольшого капитала. Докладчик подчеркивает важность включения альтернативных источников данных для получения новой информации и подчеркивает необходимость различать альфа-версию и дешевую бета-версию. Они рекомендуют истинное вневыборочное тестирование, чтобы уменьшить переоснащение, и подчеркивают важность понимания выбора набора данных для прогнозирования будущего.

В заключение видео Делани Маккензи дает всестороннее представление о рабочем процессе, за которым следуют количественные расчеты при разработке торговой стратегии. В нем подчеркивается важность разработки гипотез, уточнения модели, тестирования новых данных, управления рисками и тщательного тестирования на исторических данных. Спикер призывает к использованию альтернативных источников данных, сравнению с существующими моделями и изучению новых подходов. Следуя этому рабочему процессу, количественные трейдеры могут повысить эффективность и надежность своих торговых стратегий.

  • 00:00:00 Делани Маккензи объясняет общий рабочий процесс, которому будет следовать квант при разработке торговой стратегии. Во-первых, он начинается с разработки экономической гипотезы, которая поможет решить, в какой актив инвестировать и когда. Гипотеза — это предсказание того, как устроен мир, а цель финансов — брать идеи и превращать их в доллары на основе разумных предсказаний будущего. Каждое принятое решение, по сути, является ставкой на будущее, поэтому крайне важно использовать прошлую информацию, чтобы понять и сделать разумную ставку на будущие изменения на рынке.

  • 00:05:00 Спикер обсуждает рабочий процесс, связанный с разработкой количественной торговой стратегии. Первый шаг — выдвинуть гипотезу и исследовать ее, используя выборочные данные. Сравнение гипотезы с существующими моделями необходимо для ее уточнения, и, как только новая модель обретет ценность, эксперты рекомендуют комбинировать ее с другими подмоделями для прогнозирования. Докладчик подчеркивает идею о том, что гипотезы не существуют изолированно, а модели редко работают поодиночке, требуя агрегированной модели, которая включает несколько источников информации для достижения лучшей производительности. Наконец, модель должна быть протестирована на новых данных, чтобы убедиться в ее достоверности.

  • 00:10:00 Спикер рассуждает о важности тестирования модели на новых данных, которых она раньше не видела, чтобы убедиться, что она не переподогнана под временной период разработки. Они также отмечают, что тестированием полной стратегии на истории часто злоупотребляют, так как большую часть времени вы разрабатываете модели и предикторы, а не занимаетесь построением портфеля. Спикер подчеркивает важность построения и исполнения портфеля, в том числе понимания комиссий за транзакции, перед проведением тестирования на исторических данных, чтобы убедиться, что портфель способен выжить в реальных рыночных условиях. Спикер также отмечает, что цель тестирования на истории состоит не в том, чтобы проверить, делает ли модель хорошие прогнозы, а в том, чтобы увидеть, сможет ли портфель, созданный на основе прогнозов модели, выжить в реальных условиях. Наконец, спикер подчеркивает важность тестирования модели на небольшой сумме капитала, прежде чем развертывать ее в реальном времени и масштабировать суммы капитала, чтобы действительно зарабатывать деньги.

  • 00:15:00 Спикер обсуждает процесс уточнения и исследования торговой модели, чтобы убедиться, что она исторически коррелирует с будущими доходами и не зависит от других моделей. Следующим шагом является использование этой модели для построения портфеля, который находится в пределах ограничений риска. Спикер подчеркивает важность обеспечения того, чтобы выполнение модели не разрушало сигнал и не уменьшало корреляцию с будущими доходами. Они приводят пример записной книжки, где постепенное добавление ограничений может помочь оценить, как модель может работать при различных ограничениях риска. В этом разделе подчеркивается важность тестирования и уточнения торговой модели, чтобы убедиться, что она надежна и эффективна для получения прибыли.

  • 00:20:00 Спикер объясняет процесс разработки портфеля, который максимизирует ожидаемую доходность, но также удовлетворяет различным ограничениям риска. Они начинают с наивной стратегии оптимизации, которая максимизирует ожидаемую прибыль, вкладывая все деньги в одну акцию, и добавляет ограничение, что они не могут инвестировать больше определенной суммы. Затем они добавляют ограничение концентрации позиций, которое ограничивает инвестирование более 15–30% портфеля в какую-либо одну вещь. Впоследствии они уточняют стратегию портфеля, ограничивая отраслевые риски. Спикер отмечает, что при оптимизации портфеля с учетом ограничений риска весовые коэффициенты в окончательной стратегии не совпадают с прогнозами модели на будущее и могут вызвать большую сложность. Кроме того, оратор подчеркнул, что некоторые модели могут не пройти этап ограничения риска, что требует понимания концепции моделирования прогнозов и того, как на них влияют ограничения риска.

  • 00:25:00 Ведущий обсуждает использование альфа-линий, программного обеспечения с открытым исходным кодом, разработанного Quantopian, для проверки наличия корреляции между доходностью модели и будущей доходностью. Докладчик отмечает, что любую модель, независимо от размера Вселенной, для которой она делает предсказания, можно легко закодировать в факторной модели. Линии альфа проверяют, коррелирует ли прогноз модели с будущей доходностью, вычисляя корреляцию между прогнозами модели в день T и доходностью всех активов, которые она предсказала в день T+1. Ведущий отмечает, что стабильно положительная корреляция является идеальной, но это не всегда так в реальных данных.

  • 00:30:00 Спикер обсуждает использование альфа-линзы, чтобы проверить, есть ли у модели корреляция с доходностью в прошлом. После установления полезности модели для прогнозирования будущих результатов следующим шагом является сравнение ее с другими моделями, которые уже существуют, чтобы проверить сходство в прогнозах и доходах. Это сравнение важно для определения уникальности модели и возможности создания новой альфы. Докладчик объясняет, как выполнить это сравнение, используя модель риска, чтобы проверить, похожа ли полная стратегия, разработанная на основе модели, на другие модели, и как ее можно упростить с помощью анализа риска на уровне отдельных факторов.

  • 00:35:00 В этом разделе спикер объясняет, как оценить эффективность торговой модели. Они рекомендуют сравнивать доходность модели с другими известными моделями и использовать методы учета рисков, такие как модель риска, для проверки ее эффективности. Они приводят пример простой модели возврата к среднему, которую они оценили, изучив сходство риска с другими известными моделями. Они также подчеркивают важность сравнения модели с существующими альфа-моделями, чтобы обеспечить преимущества диверсификации, а не риски концентрации. Наконец, они обсуждают, как построить портфель, используя оптимизацию портфеля с учетом риска, которая включает в себя максимизацию доходов при наличии ограничений риска. Докладчик рекомендует использовать конкретные примеры, чтобы разбить риски каждой акции, вычислить риски портфеля и определить, подвержен ли портфель чрезмерным рискам.

  • 00:40:00 Мы узнаем об ограничении риска, что является важной частью процесса создания алгоритма. Мошенники торгуют только ограниченным количеством имен, не разрушая альфу, поэтому необходимо ограничить риск, чтобы предотвратить чрезмерное раскрытие. Корреляция важна, потому что прогноз модели должен быть соотнесен с будущими ценами и доходностью, поэтому каждый раз, когда кто-то ограничивает риск, поддерживать эту корреляцию становится все труднее. Алгоритм в нижней части примера алгоритма длинной/короткой акции имеет ограничения, такие как нейтральная по отношению к доллару политика и равные риски по секторам. Важно учитывать интеллектуальные ограничения, которые оптимизируют доходность и снижают риски.

  • 00:45:00 Спикер обсуждает полный рабочий процесс разработки количественной торговой стратегии. Первый шаг — придумать идею, которая может исходить из понимания мира, данных или поиска области, в которой мир не согласуется с вашей имплицитной моделью или пониманием. После того, как модель проверена и уточнена, ее сравнивают с существующими моделями, чтобы определить новый материал и определить вес между моделями. Следующим шагом является выполнение теста вне выборки, построение портфеля и запуск моделирования оптимизации с ограничением риска. Наконец, стратегия торгуется на бумаге или тестируется с небольшим капиталом перед масштабированием. Спикер подчеркивает, что использование только данных о ценах почти никогда не дает достаточно информации для генерации новых идей, а новые инсайты приходят из альтернативных источников.

  • 00:50:00 Спикер обсуждает важность использования альтернативных данных для генерации альфы, в отличие от использования только данных о ценах и фундаментальных данных, потому что это легко и быстро. Спикер также обсуждает необходимость учитывать существующие модели риска, поскольку все в модели риска считается дешевой бета-версией, а не альфой. Докладчик также объясняет ограничения k-кратной перекрестной проверки в уменьшении переобучения и рекомендует вместо этого использовать истинное тестирование вне выборки. Наконец, спикер подчеркивает важность понимания того, какой набор данных использовать для прогнозирования будущего и чем он будет отличаться от того, что люди делали раньше.

  • 00:55:00 Спикер объясняет, как сравнивать новую модель с существующими моделями, глядя на доходность портфеля, который был взвешен по фактору и перебалансирован в соответствии с некоторым правилом периода перебалансировки, обычно день или месяц. Докладчик предлагает запустить линейную регрессию с доходностью вашей модели, взвешенной по портфелю, в качестве переменной Y и доходностью вашей существующей модели, взвешенной по портфелю, в качестве независимой переменной. Чем больше зависимость, тем больше существующие модели похожи на вашу новую модель и объясняют ее производительность, и тем больше альфы получается. Выступающий также подчеркивает важность управления рисками и диверсификации, что может быть достигнуто либо путем ограничения каждого отдельного компонента контролем риска, либо путем взятия нескольких рискованных компонентов и их усреднения вместе для диверсификации риска, в зависимости от вашей инвестиционной стратегии.

  • 01:00:00 Спикер объясняет разницу между двумя этапами тестирования на истории при разработке торговой стратегии. Основной этап тестирования на исторических данных включает в себя разработку портфеля и определение правил исполнения, в то время как второй этап фактически выполняет тестирование на исторических данных, чтобы увидеть, коррелируют ли прогнозы модели с будущими ценами. Важно создать портфель с ограниченным риском, который может получить прогнозы модели, не слишком их искажая. Спикер советует, что все это относительно, и инвесторы должны перейти к следующему этапу, когда их бэктесты постоянно предоставляют достаточно доказательств, чтобы быть лучшей инвестиционной возможностью, чем альтернативы. Наконец, спикер предостерегает от использования моделей, которые являются просто переработанными версиями существующих, и призывает инвесторов тщательно изучить возможность того, что модель будет следовать чему-то новому.
 

Количественный анализ рынка с использованием таблиц Excel! Анализ S&P 500 и торговые идеи



Количественный анализ рынка с использованием таблиц Excel! Анализ S&P 500 и торговые идеи

В видео подробно рассматривается использование таблиц Excel для количественного анализа рынка с акцентом на S&P 500 в качестве наглядного примера. Джули Маркези демонстрирует создание книги корреляции в Excel, используя желтые поля в качестве входных данных для выбора индекса корреляции из 74 групп и периода ретроспективного анализа в 40 дней. Тест корреляции сравнивает последние 40 дней со всеми другими периодами в наборе данных, определяя самую высокую корреляцию. Чтобы подтвердить корреляцию, используется второй рынок для подтверждения результатов и исключения ненадежных точек данных. Диаграмма индекса корреляции визуально отслеживает изменения корреляции с течением времени.

Докладчик объясняет процесс использования таблиц Excel для количественного анализа рынка, особо выделяя приложение к S&P 500. Они демонстрируют различные линии на диаграмме, представляющие ретроспективный период и индекс корреляции. Анализируя эти линии, спикер выводит их предвзятость к рынку и делает прогнозы относительно будущих тенденций. Они также вводят диаграмму, отображающую среднее процентное изменение за определенный период времени, и подчеркивают важность сосредоточения внимания на значимых индексах корреляции. В заключение докладчик демонстрирует, как этот анализ можно применить к текущему состоянию рынка S&P 500, подчеркивая его потенциальную полезность для принятия обоснованных торговых решений.

Изучение различных рынков на наличие подтверждающих или противоречивых сигналов по отношению к анализу S&P 500 является предметом внимания следующего раздела. Спикер подчеркивает, что в то время как нефть подтверждает сильный восходящий тренд на рынке и предполагает потенциал для дальнейшей бычьей активности, евро и евройена демонстрируют медвежью или негативную активность за последние 20 дней. Золото, однако, не дает существенного подтверждения. Основываясь на недавних действиях на рынке, спикер предполагает отрицательное смещение в будущем, но предостерегает от коротких продаж и рекомендует дождаться подтверждения, прежде чем делать значительные шаги. В целом, спикер заключает, что на рынке есть бычье преимущество, но в краткосрочной перспективе рекомендуется проявлять осторожность.

Докладчик обсуждает выводы, сделанные в результате корреляционного тестирования на разных рынках, в следующем разделе. Они отмечают возможность некоторой нестабильности на рынке S&P 500 в течение следующих пяти дней. Хотя исторический анализ указывает на долгосрочное бычье преимущество S&P 500, спикер подчеркивает важность наблюдения за нейтральной активностью на рынке перед совершением любых сделок. Они предлагают сочетать количественный анализ с сентиментальным анализом, чтобы лучше понять рынок, и подчеркивают полезность рабочих листов Excel для визуализации данных различными способами. Видео завершается призывом к зрителям изучить этот тип торгового подхода и посетить веб-сайт спикера для получения дополнительной информации о его журнале и реальных сделках.

  • 00:00:00 В этом разделе Джули Маркези обсуждает создание книги корреляции с помощью Excel, которая помогает ей анализировать рынки с количественной точки зрения. Желтые прямоугольники служат входными данными, которые позволяют выбрать индекс корреляции из 74 групп и периодов ретроспективного анализа в 40 дней. Тест корреляции сравнивает последние 40 дней со всеми другими периодами во всем наборе данных, чтобы найти самую высокую корреляцию. Как только будут найдены самые высокие корреляции, рабочая книга использует второй рынок, чтобы подтвердить корреляцию и отсеять все ненадежные точки данных. Диаграмма индекса корреляции отслеживает, как корреляция меняется с течением времени.

  • 00:05:00 В этом разделе спикер обсуждает, как использовать листы Excel для количественного анализа рынка на примере S&P 500. Он показывает разные линии на графике, которые представляют ретроспективный период и индекс корреляции. Анализируя эти линии, он может определить свою склонность к рынку и делать прогнозы относительно будущих тенденций. Он также обсуждает диаграмму, показывающую среднее процентное изменение за определенный период времени, и указывает, какие индексы корреляции наиболее важны для рассмотрения. В заключение докладчик показывает, как этот анализ можно применить к текущему состоянию рынка S&P 500 и почему он может быть полезен для принятия торговых решений.

  • 00:10:00 В этом разделе видео спикер исследует, как разные рынки могут давать подтверждающие или противоречивые сигналы для анализа S&P 500. В то время как нефть подтверждает, что рынок находится в сильном восходящем тренде и демонстрирует потенциал для продолжения бычьей активности, евро и евройена демонстрируют медвежью или отрицательную активность за последние 20 дней. Золото, с другой стороны, вообще не дает большого подтверждения. Спикер отмечает, что недавнее поведение рынка за последние 20 дней предполагает негативное смещение вперед, но предостерегает от коротких продаж и предлагает дождаться подтверждения, прежде чем делать какие-либо большие шаги. В целом, спикер заключает, что на рынке есть бычье преимущество, но в краткосрочной перспективе следует проявлять некоторую осторожность.

  • 00:15:00 В этом разделе спикер обсуждает выводы, сделанные в результате корреляционного тестирования на разных рынках, заявляя, что в течение следующих пяти дней на рынке S&P 500 могут наблюдаться некоторые колебания. Спикер заявляет, что, хотя исторический анализ предполагает долгосрочное бычье преимущество S&P 500, они ищут какую-то нейтральную активность на рынке, прежде чем совершать какие-либо сделки. Спикер предлагает сочетать количественный анализ и анализ сентиментов, чтобы лучше понять рынок, и использовать листы Excel для визуализации данных различными способами. Они призывают зрителей попробовать этот тип торговли и посетить их веб-сайт для получения дополнительной информации об их журнале и реальных сделках.
 

Построение стратегий Quant Equity в Python



Построение стратегий Quant Equity в Python

В видео подробно рассказывается о построении стратегий количественного капитала с использованием Python и алгоритмической торговой платформы Quantopian в качестве яркого примера. Спикер начинает с представления себя и своего опыта в области анализа данных и количественных финансов. Они объясняют, что Quantopian — это платформа, которая позволяет розничным инвесторам получать доступ к данным и использовать ретроспективное тестирование для построения собственных количественных стратегий торговли акциями. Несмотря на первоначальный скептицизм, спикер подчеркивает успех Quantopian в привлечении сообщества квантовых ученых, хакеров и розничных инвесторов, которые сотрудничают в поиске инвестиционных идей. Они также упоминают, что, хотя Quantopian в настоящее время поддерживается венчурной поддержкой и является предварительным доходом, есть планы в конечном итоге предложить торговлю в реальном времени в качестве платной услуги.

Докладчик углубляется в концепцию построения количественных стратегий с помощью краудсорсинговых данных и идей на платформе Quantopian. Они подчеркивают, что Quantopian облегчает прямой обмен сообщениями между пользователями, способствуя установлению связей и обмену идеями для разработки количественных алгоритмов. Однако спикер признает, что ограниченность данных может создавать проблемы для пользователей, разрабатывающих стратегии, поскольку у них может не быть доступа ко всем необходимым данным о ценах. Кроме того, они отмечают, что Quantopian сосредоточен исключительно на акциях и может не подходить для высокочастотных или чувствительных к задержкам торговых стратегий.

Подробно обсуждаются ограничения торговой платформы. Спикер подчеркивает, что Quantopian не предназначен для стратегий с малой задержкой, таких как скальпинг или маркет-мейкинг. Они упоминают, что источник данных о ценах определяет совокупность ценных бумаг, которая в настоящее время состоит всего из нескольких тысяч отечественных акций. Докладчик кратко касается их базовой модели проскальзывания с открытым исходным кодом, доступной на GitHub. Хотя включение опционов и фьючерсов возможно в будущем, основное внимание по-прежнему уделяется предоставлению прибыльных стратегий и обеспечению прозрачности статистики прибыльности. Докладчик классифицирует пять основных количественных стратегий, реализуемых обычными пользователями Python на платформе, включая возврат к среднему, импульс, ночной гэп, волатильность и сопряжение.

Изучаются различные количественные стратегии, особое внимание уделяется взаимодействию и настройке возврата к среднему и импульса. Докладчик рассказывает о популярных стратегиях, таких как оценка и сезонность, а данные по этим стратегиям доступны из таких источников, как Yahoo Finance или Google Finance. Они предостерегают от распространенных ошибок при торговле парами, таких как слепой анализ данных для поиска несвязанных ценных бумаг. Подчеркивается важность выявления ценных бумаг, связанных с одной и той же стоимостью, и наблюдения за распределением спреда между двумя активами. Цель состоит в том, чтобы извлечь выгоду из разворота спреда между акциями.

Далее обсуждаются стратегии парной торговли и импульсной торговли, а докладчик приводит пример тестирования стратегии парной торговли с использованием Python. Парная торговля предполагает торговлю спредом между двумя акциями и сопряжена с такими рисками, как потенциальные развороты. С другой стороны, импульсная торговля включает в себя ранжирование акций на основе их предыдущего повышения цены. Хотя данные не могут быть загружены напрямую с платформы, пользователи могут запускать бэктесты и торговать в реальном времени в пределах ограниченной совокупности примерно из 100 акций из-за ограничений пропускной способности.

Исследуется концепция оценки как количественной стратегии акционерного капитала, требующая систематического анализа фундаментальных коэффициентов для выявления недооцененных и переоцененных акций. Однако реализация таких стратегий требует обширного охвата данных и понимания нормализации данных, выравнивания календаря и связанных с ними манипуляций. Спикер предлагает реализовать эти стратегии с помощью метода выборки, который позволяет пользователям получать данные CSV из Интернета. Докладчик также коснется настроений как стратегии количественного анализа акций, включающей анализ настроений рынка и их влияния на цены акций. Однако они предупреждают, что реализация этой стратегии требует глубокого понимания анализа данных, нормализации и манипулирования ими.

Обсуждается использование коротких акций в качестве индикатора настроений в стратегиях количественного анализа акций. Продажа акций на понижение признана сложной и рискованной, и заниматься ею готовы только опытные люди. Однако для этой цели могут быть полезны общедоступные данные об уровнях процентных ставок для коротких позиций, которые можно получить на NASDAQ. Докладчик подчеркивает риск ограничения ликвидности, возникающий в результате короткого сжатия, и предлагает использовать сигнал, основанный на волатильности, для выявления сильно коротких, но менее рискованных акций. Они предлагают алгоритм, который ранжирует акции на основе сигнала «дни до покрытия», представляющего количество дней, которое потребуется продавцам на продажу для закрытия своих позиций на основе среднего дневного объема торгов. Стратегия включает в себя покупку наименее коротких акций и продажу самых коротких.

Спикер переходит к обсуждению промежуточных шагов в этом процессе и открытости алгоритмов. Они признают проблемы с доступом к ценным данным, таким как ставки по займам у брокеров, и ограничения их моделей проскальзывания. Спикер отвечает на вопросы о доступных типах заказов и системе обратной связи для добавления дополнительных функций. Кроме того, они кратко упоминают об использовании сезонности в торговле и ее популярности в Интернете.

Представлена простая стратегия количественного капитала, подходящая для начинающих. Использование сезонности для расчета времени рынка, например, продажа акций в мае и инвестирование в облигации, а затем выкуп на фондовом рынке в октябре, выделено как простое систематическое правило, которое позволяет легко анализировать результаты с течением времени. Спикер представляет 25 лучших алгоритмов количественного равенства, используемых на платформе Quantopian, в зависимости от количества ответов, просмотров и клонов. Примечательно, что статья об использовании поисковых запросов Google для прогнозирования движений рынка, хотя и считается переоснащенной, привлекла значительное внимание на форумах. Докладчик также отмечает, что стратегии с длинными сложными аббревиатурами, включающими сложные математические концепции, вызывают больший интерес, несмотря на эффективность более простых стратегий.

Подчеркивается важность доверия и безопасности в платформе. Спикер признает необходимость завоевать доверие пользователей, чтобы побудить их загружать свои алгоритмы для тестирования на рынке. Они уверяют, что к мерам безопасности относятся серьезно. Хотя агрегированные данные о производительности в реальном времени пока недоступны, спикер упоминает, что в моделировании работает около тысячи алгоритмов. Обсуждаются потенциальные преимущества социальной сети для квантов, при этом признается, что она не может напрямую влиять на прибыльность отдельных алгоритмов. Тем не менее, в сообществе квантовых финансов есть желание общаться, обмениваться идеями и получать информацию от других. Подчеркивается ценность Quantopian как среды обучения, где люди могут учиться как на успехах, так и на ошибках в безрисковой среде.

Спикер исследует популярность различных классификаций инвестиционных стратегий на платформе. Они отмечают, что в настоящее время наиболее популярны стратегии импульса и возврата к среднему. Они выражают воодушевление по поводу потенциала платформы предлагать более доступный контент для розничных инвесторов. Предоставляется демонстрация обратного тестирования платформы на Python, демонстрирующая метод инициализации и метод обработки данных, которые выполняются либо один раз в день, либо один раз в минуту во время реальной торговли. Настройки пользовательского интерфейса позволяют указать даты бэктестинга, начальный капитал и частоту бэктестинга. Тема сообщества включает функцию поиска для поиска и использования алгоритмов, созданных другими участниками.

В заключительном разделе спикер представляет свою торговую панель в режиме реального времени, используя базовый алгоритм, который покупает равновзвешенный портфель из девяти секторных ETF на свой счет Interactive Brokers. На панели инструментов отображается кривая производительности, связанная с эталоном (красным цветом), текущими позициями, а также размещенными ордерами и исполнением. Докладчик упоминает возможность регистрации информации для развернутого исходного кода. В качестве эталона используется доходность SPI, поскольку в настоящее время не предлагается беспристрастный выбор широкого спектра акций. Вместо этого они предоставляют ежеквартально обновляемую совокупность ежедневных объемов в долларах.

  • 00:00:00 В этом разделе спикер представляет себя и рассказывает о своем опыте в области анализа данных и количественных финансов. Она объясняет, что Quantopian — это алгоритмическая торговая платформа, которая позволяет любому, особенно розничным инвесторам, получать доступ к данным и тестированию на истории, чтобы создавать свои собственные количественные стратегии и развертывать их на своем собственном счете для торговли акциями. Спикер дает обзор того, как работает Quantopian, и подчеркивает, что, несмотря на ее первоначальный скептицизм, платформа успешно привлекает сообщество квантовых ученых, хакеров и розничных инвесторов, которые сотрудничают в поиске инвестиционных идей. Она также упоминает, что Quantopian находится на предварительном уровне доходов и поддерживается венчурной поддержкой, и планирует в конечном итоге взимать плату за торговлю в реальном времени в качестве платной услуги.

  • 00:05:00 В этом разделе спикер обсуждает концепцию построения количественных стратегий на основе краудсорсинговых данных и идей на своей платформе в Quantopian. Платформа обеспечивает прямой одноранговый обмен сообщениями и позволяет пользователям подключаться и делиться своими идеями по созданию количественных алгоритмов. Однако спикер признает, что ограниченность данных может быть серьезной проблемой для людей, разрабатывающих стратегии, поскольку у них может не быть доступа ко всем ценовым данным, необходимым для их алгоритмов. Кроме того, учитывая, что платформа ориентирована исключительно на акции, она может не подходить для высокочастотной торговли или торговых стратегий, чувствительных к задержкам.

  • 00:10:00 В этом разделе спикер обсуждает ограничения своей торговой платформы, подчеркивая, что это не платформа с малой задержкой для скальпинга или стратегий создания рынка. Они также упоминают, что их источник данных о ценах определяет их совокупность ценных бумаг, которая в настоящее время включает всего несколько тысяч отечественных акций. Спикер кратко обсуждает их базовую модель проскальзывания, которая имеет открытый исходный код и может быть найдена на GitHub. Они также касаются потенциального включения опционов и фьючерсов в будущем, но отмечают, что основное внимание уделяется предоставлению прибыльных стратегий и прозрачности статистики прибыльности. Наконец, спикер классифицирует пять основных доступных количественных стратегий, которые реализовали обычные пользователи Python на платформе, включая возврат к среднему, импульс, ночной гэп, волатильность и сопряжение.

  • 00:15:00 В этом разделе спикер обсуждает некоторые базовые цюань-стратегии, основанные на взаимодействии и настройке возврата к среднему и импульса. Двумя популярными стратегиями являются оценка и сезонность, причем данные по этим стратегиям доступны через Yahoo Finance или Google Finance. Затем спикер переходит к общим ловушкам парной торговли, включая слепой анализ данных и поиск двух ценных бумаг, которые на самом деле не связаны друг с другом. Они поощряют понимание того, что парная торговля включает в себя поиск двух вещей, связанных с одним и тем же значением, а также рассмотрение распределения спреда между ценами двух активов и замечание, когда спред достигает хвоста распределения. Цель состоит в том, чтобы купить спред, продать спред и сделать ставку на то, что цены между двумя акциями в конечном итоге вернутся обратно.

  • 00:20:00 В этом разделе спикер обсуждает стратегии парной торговли и импульсной торговли и демонстрирует пример того, как можно протестировать стратегию парной торговли с помощью Python. Торговля парами включает в себя торговлю спредом между двумя акциями и сопряжена с некоторыми распространенными ловушками, такими как потенциально разрушительные развороты. С другой стороны, импульсная торговля включает в себя ранжирование акций на основе их предыдущего повышения цены за определенный период времени. Спикер также объясняет, что, хотя вы не можете загружать данные напрямую с их сайта, вы можете запускать бэктесты и торговать в реальном времени в пределах ограниченного набора из примерно 100 акций из-за ограничений пропускной способности.

  • 00:25:00 В этом разделе спикер обсуждает концепцию оценки как стратегии количественного капитала и то, как она требует систематического анализа фундаментальных коэффициентов для выявления дешевых и дорогих акций. Однако он упоминает, что такие стратегии требуют хорошего охвата данных и понимания нормализации данных, согласования календарей и связанных с этим манипуляций с данными. Спикер предлагает реализовывать такие стратегии с помощью метода fetcher, который позволяет пользователям брать CSV-данные из Интернета. Кроме того, он говорит о настроениях как о количественной стратегии акций, которая включает анализ рыночных настроений и их влияние на цены акций. Однако он предупреждает, что реализация этой стратегии также требует глубокого понимания анализа данных, нормализации и манипулирования ими.

  • 00:30:00 В этом разделе спикер обсуждает использование коротких акций в качестве индикатора настроений при построении стратегий количественного анализа акций. Продавать акции на понижение сложно и рискованно, и только те, кто знает, что они делают, готовы это делать. Уровень короткой процентной ставки или количество коротких акций публично торгуемых акций — это общедоступные данные, которые можно получить из NASDAQ. Однако данные запаздывают по времени и имеют низкую частоту моментального снимка. Спикер также подчеркивает риск ограничения ликвидности из-за короткого сжатия и предлагает использовать сигнал типа волатильности для выявления сильно коротких, но менее рискованных акций. Алгоритм включает в себя ранжирование акций на основе сигнала дней для покрытия, который представляет собой количество дней средней ежедневной торговли, которое потребуется продавцам коротких позиций, чтобы раскрутиться. Стратегия покупает наименее короткие акции и шортирует самые короткие.

  • 00:35:00 В этом разделе видео спикер рассказывает о промежуточных этапах процесса и открытости алгоритмов. Он также обсуждает трудности с доступом к ценным данным, таким как процентные ставки от брокеров, и ограничения их моделей проскальзывания. Спикер отвечает на вопросы о текущих доступных типах заказов и системе обратной связи для добавления дополнительных функций. Кроме того, спикер кратко упоминает об использовании сезонности в трейдинге и ее популярности в Интернете.

  • 00:40:00 В этом разделе спикер обсуждает простейший пример стратегии количественного капитала для начинающих. Одним из таких возможных примеров может быть использование сезонности для определения времени рынка, например, продажа акций в мае и инвестирование в облигации, а затем выкуп на фондовом рынке в октябре. Это простое систематическое правило, позволяющее легко анализировать производительность во времени. Они также представляют разбивку 25 лучших алгоритмов количественного равенства, используемых на платформе Quantiopian, в зависимости от количества ответов, количества просмотров и того, сколько раз они были клонированы. Среди них большое внимание на форумах привлекла статья об использовании поисковых запросов Google для прогнозирования движений рынка, несмотря на то, что она считается слишком подходящей. Наконец, спикер отмечает, что люди, как правило, находят стратегии с длинными и сложными аббревиатурами, включающими сложные математические понятия, более привлекательными, чем простые стратегии, которые эффективно работают.

  • 00:45:00 В этом разделе спикер обсуждает важность доверия и безопасности в обеспечении того, чтобы люди были готовы загрузить свои алгоритмы заработка на онлайн-платформу для тестирования на рынке. Спикер подчеркивает необходимость повышения уровня доверия пользователей, чтобы они чувствовали себя комфортно при использовании платформы, и упоминает, что они серьезно относятся к мерам безопасности. Хотя агрегированные данные о производительности в реальном времени пока недоступны, докладчик отмечает, что в моделировании запущено около тысячи алгоритмов. Спикер рассматривает потенциальные преимущества социальной сети для квантов, но не уверен, что это повлияет на прибыльность отдельных алгоритмов. Тем не менее, он считает, что среди людей в мире квантовых финансов существует неудовлетворенный спрос на общение друг с другом и понимание того, что делают другие. Наконец, спикер подчеркивает ценность платформы как среды обучения, где люди могут учиться на успехах и ошибках друг друга в безопасной и безрисковой среде.

  • 00:50:00 В этом разделе видео спикер рассуждает о популярности различных классификаций инвестиционных стратегий и о том, как они представлены в рамках их платформы. Они отмечают, что в настоящее время наиболее популярны стратегии импульса и возврата к среднему. Они выражают воодушевление по поводу потенциала платформы для добавления большего количества контента, доступного для розничных инвесторов. Докладчик также демонстрирует, как бэктестер платформы работает в Python, при этом метод инициализации и метод обработки данных запускаются один раз в день или один раз в минуту в реальной торговле. Единственными настройками пользовательского интерфейса являются даты тестирования на истории, начальный капитал и частота тестирования на истории. В ветке сообщества доступна функция поиска, где участники могут находить различные алгоритмы, созданные другими участниками, копировать и вставлять их в IDE платформы.

  • 00:55:00 В этом разделе спикер демонстрирует свою торговую панель в режиме реального времени, где базовый алгоритм, который покупает равновзвешенный портфель из девяти секторных ETF, развернут на его счете Interactive Brokers. На панели инструментов показана кривая производительности, связанная с эталоном (красным цветом), текущими позициями, а также размещенными ордерами и исполнениями. Докладчик также упомянул возможность регистрировать информацию о развернутом исходном коде. Эталоном является доходность SPI, и в настоящее время они не предлагают возможности беспристрастного выбора широкого спектра акций. Вместо этого они предлагают ежеквартально обновляемую вселенную объема в долларах.
 

Что можно и чего нельзя делать в Quant Trading



Что можно и чего нельзя делать в Quant Trading

Доктор Эрни Чан, видный деятель количественного трейдинга, обсуждает проблемы и дает ценные советы трейдерам в этой области. Он подчеркивает растущую сложность количественной торговли, как отмечают отраслевые эксперты, и неэффективность многих фондов машинного обучения. Чтобы добиться успеха, трейдеры должны повышать свои навыки и извлекать важные уроки. Опираясь на личный опыт, д-р Чан рассказывает, чего трейдерам следует избегать, и предлагает рекомендации для достижения долгосрочного успеха.

Одно из ключевых предупреждений, на которое обращает внимание д-р Чен, — это искушение использовать чрезмерное кредитное плечо, особенно в периоды высокой эффективности стратегии. Хотя формула Келли часто используется для управления рисками, он предупреждает, что она может привести к чрезмерно оптимистичным ожиданиям и чувствительна к периодам выборки. Вместо этого он предлагает использовать волатильность как более предсказуемый показатель для определения кредитного плеча. Ориентируясь на ожидаемую волатильность стратегии, трейдеры могут определить соответствующие уровни кредитного плеча, сосредоточив внимание на риске, а не исключительно на прогнозируемой доходности.

Доктор Чен дает два важных совета по количественной торговле. Во-первых, он подчеркивает важность учета риска снижения стратегии (т. е. того, сколько можно потерять), а не фиксации на потенциальной прибыли, которая непредсказуема. Во-вторых, он предостерегает от использования краткосрочных результатов в качестве единственной основы для выбора менеджеров или определения рычагов. Вместо этого он советует искать более длительный послужной список и использовать краткосрочные результаты для управления рисками и постепенного перераспределения. Кроме того, он призывает трейдеров ориентироваться на бизнес, реинвестируя прибыль в инфраструктуру своего торгового бизнеса, а не предаваясь личной роскоши.

Инвестиции в инфраструктуру торгового бизнеса — это тема, на которой д-р Чен акцентирует внимание. Он предлагает в первую очередь инвестировать в высококачественные данные, более быстрые машины и квалифицированный персонал. Качественные данные имеют решающее значение для обеспечения точных результатов ретроспективного тестирования, а более быстрые машины повышают продуктивность исследований. Наем персонала с необходимыми навыками еще больше укрепляет возможности бизнеса. Доктор Чан подчеркивает долгосрочные преимущества этих инвестиций, рассматривая торговлю как серьезное деловое предприятие.

Д-р Чан подчеркивает важность инвестиций в многоядерные машины и надлежащее программное обеспечение для параллельных вычислений, чтобы повысить продуктивность исследований. Эти инвестиции могут значительно увеличить производительность в пять-десять раз. Он также рекомендует сосредоточиться на своих сравнительных преимуществах и дополнять любые недостатки, сотрудничая с людьми, обладающими дополнительными навыками, такими как кодирование, стратегия, маркетинг или операции.

Доктор Чан выступает за совместный подход к количественной торговле. Он подчеркивает, что сотрудничество может происходить в различных формах, включая виртуальные торговые группы, созданные студентами университетов. Обмен идеями и обучение других стратегиям может привести к получению ценных отзывов и повышению общей производительности. Хотя защита конкурентного преимущества важна, обмен основными торговыми идеями может привести к чистому притоку знаний и идей.

Кроме того, д-р Чан советует новичкам начинать с простых торговых стратегий, основанных на надежных интуитивных обоснованиях. Он подчеркивает важность устранения плохих сделок, а не только поиска более прибыльных. Знание того, когда не торговать, а когда не применять определенные идеи, способствует долгосрочному успеху. Он также поощряет постоянное обучение и совершенствование торговых стратегий.

Во время сеанса вопросов и ответов д-р Чан делится своими мыслями о создании производных финансовых инструментов, рекомендует использовать Python в качестве отправной точки в этой области и обсуждает эффективные стратегии, такие как импульсная торговля и паритет рисков. Он подчеркивает необходимость лучшего управления рисками, чтобы поддерживать стратегию даже при снижении доходности.

Таким образом, д-р Эрни Чан дает ценные советы для количественных трейдеров. Он предостерегает от чрезмерного использования заемных средств и расчетов на краткосрочные результаты, подчеркивая важность учета риска убытков и сосредоточения внимания на более длительном послужном списке. Он делает упор на инвестиции в бизнес-инфраструктуру, включая данные, машины и персонал. Сотрудничество, начиная с простых стратегий, и непрерывное обучение являются ключом к долгосрочному успеху.

  • 00:00:00 Доктор Эрни Чан рассказывает о проблемах, с которыми в настоящее время сталкивается количественная торговля, и о том, как развивается отрасль. Он упоминает, что с каждым годом количественная торговля становится все труднее, как цитируют Де Ша и доктор Лопес де Прадо, управляющий фондом количественных расчетов на сумму 13 миллиардов долларов. Большинство фондов машинного обучения терпят неудачу, а производительность крупнейших инвестиционных программ торговли валютой постоянно подвергается атакам в течение последних двух лет. Доктор Чан считает, что для того, чтобы выжить и добиться успеха в этой области, трейдеры должны улучшить свою игру и усвоить некоторые важные уроки. Он также делится некоторыми вещами, которых трейдерам следует избегать, поскольку он нарушил большинство из них и усвоил урок.

  • 00:05:00 Спикер предупреждает об искушении использовать чрезмерное кредитное плечо в торговле, особенно в периоды, когда стратегия работает хорошо. Хотя у трейдеров может возникнуть соблазн полагаться на формулу Келли для управления рисками, спикер отмечает, что это может привести к чрезмерно оптимистичным ожиданиям и быть очень чувствительным к периодам выборки. Вместо этого он предлагает использовать волатильность для определения кредитного плеча как более предсказуемый вход, поскольку точное предсказание доходности может быть очень сложным. Таким образом, трейдеры должны стремиться ориентироваться на ожидаемую волатильность своей стратегии и определять свое кредитное плечо на основе этого количества, а не прогнозируемой доходности.

  • 00:10:00 Спикер дает два важных совета по количественной торговле. Во-первых, важно сосредоточиться на языковой стороне стратегии для определения кредитного плеча, то есть на том, сколько можно потерять с помощью стратегии, а не на том, сколько можно заработать, потому что это непредсказуемо. Во-вторых, крайне важно не использовать краткосрочные результаты для выбора менеджеров или определения кредитного плеча, потому что, согласно академическому исследованию, это бесполезно. Вместо этого спикер советует искать более длительный послужной список и использовать краткосрочные результаты для управления рисками и постепенного перераспределения. Кроме того, он призывает трейдеров придерживаться бизнес-ориентированного мышления, когда трейдеры реинвестируют свою прибыль в оборудование для обработки данных, а не тратят ее на экстравагантности, такие как путешествия и предметы роскоши.

  • 00:15:00 Спикер подчеркивает важность вложения прибыли в торговый бизнес. Вместо того, чтобы инвестировать в более крупный портфель, лучше инвестировать в инфраструктуру бизнеса, такую как данные, оборудование или персонал. Что касается данных, крайне важно инвестировать в данные хорошего качества, поскольку дешевые данные часто имеют оговорки, которые могут поставить под угрозу точность бэктеста. Точно так же важно иметь более быстрые машины для повышения производительности исследований и нанимать правильный персонал, обладающий необходимыми навыками, необходимыми для работы. Эти инвестиции в бизнес могут улучшить долгосрочную жизнеспособность бизнеса. Спикер приходит к выводу, что ведение торгового бизнеса, как и любого другого бизнеса, может быть выгодным в долгосрочной перспективе.

  • 00:20:00 Спикер обсуждает важность инвестиций в многоядерную машину и правильное программное обеспечение для параллельных вычислений, чтобы повысить производительность исследований в пять-десять раз, что является отличной инвестицией, учитывая, что машины намного дешевле, чем рабочая сила. Кроме того, инвестиции в локальную машину более рентабельны и продуктивны, чем инвестиции в облачные вычисления, которые создают психологический барьер и требуют передачи данных и оплаты за хранение. Спикер подчеркивает необходимость сосредоточиться на своих сравнительных преимуществах и компенсировать любые недостатки, инвестируя в персонал с дополнительными навыками, такими как кодирование, стратегия, маркетинг или операции.

  • 00:25:00 Спикер обсуждает важность инвестиций в персонал, чтобы скрыть свои недостатки и расширить свои стратегии. Он подчеркивает, что к трейдингу нужно относиться как к серьезному бизнесу, и если у вас нет капитала для вложения в персонал, есть способы справиться с ситуацией. Лучшие фонды, занимающиеся количественными расчетами, теперь используют командный подход, при котором созданная стратегия является не работой одного человека, а коллективной работой. Поэтому изучать финансовые явления выгодно, а не торговые стратегии, так как это повышает качество торговых стратегий. Спикер также отмечает, что подход независимых трейдеров устаревает, а молодые трейдеры перенимают уникальный и многообещающий подход.

  • 00:30:00 Спикер обсуждает преимущества изучения рынка, помимо создания прибыльных торговых стратегий. Применяя научный подход и изучая явление из собственного любопытства и интереса, трейдеры могут обнаружить интересные артефакты рынка, которые повторяются, а не являются исключительно результатом подгонки прошлых данных. Спикер выступает за то, чтобы начинать с простых торговых стратегий с хорошим интуитивным обоснованием, и отмечает, что успешная стратегия часто предполагает устранение плохих сделок, а не поиск более прибыльных. Кроме того, трейдер, который знает, когда не торговать, а когда не применять определенную идею, скорее всего, будет более успешным в долгосрочной перспективе.

  • 00:35:00 Подчеркнута важность старта с простой стратегии в трейдинге, так как она помогает пробиться через подавляющее количество информации и позволяет получить личный опыт. Однако также важно не оставаться на этом уровне и постоянно добавлять больше предикторов, чтобы продлить жизнь одиночных предикторов. Несколько предикторов могут экспоненциально комбинироваться различными способами, например, линейно или послойно, что затрудняет их репликацию и способствует более медленному альфа-распаду. Машинное обучение часто необходимо при объединении предикторов, но существует опасность переобучения. Несмотря на эти проблемы, спикер заключает на оптимистичной ноте, призывая трейдеров постоянно учиться и совершенствовать свои стратегии.

  • 00:40:00 Эрни рассказывает о важности сотрудничества в количественном трейдинге. Он подчеркивает, что сотрудничество может происходить в различных формах, а не ограничиваться только крупными корпорациями или фирмами. Например, студенты университета могут сотрудничать и формировать виртуальную торговую группу, в которой разные люди могут делиться своими навыками для создания успешной торговой стратегии. Эрни также призывает трейдеров делиться своими идеями и без колебаний обучать других своим стратегиям. Хотя он считает, что большинство торговых идей не являются оригинальными, именно исполнение, управление рисками и другие конкурентные преимущества, добавленные к стратегии, заставляют ее работать лучше и дольше. Таким образом, трейдерам не нужно отказываться от своего конкурентного преимущества, но обмен основными торговыми идеями может привести к чистому притоку, поскольку другие предоставляют отзывы, которые могут оттачивать и улучшать стратегию.

  • 00:45:00 Спикер обсуждает свой опыт в количественной торговле и упоминает свою успешную модель Forex, которая на пике своего развития дала коэффициент Шарпа более трех. Он советует разработчикам программного обеспечения начать с изучения моделей других людей, их тестирования на истории и обмена ими, а также сотрудничать с людьми, которые обладают фундаментальными знаниями, но не имеют навыков программирования. Он предлагает различные методы прогнозирования волатильности и рекомендует торговые стратегии только в благоприятных режимах. Когда его спрашивают о квалификации для найма количественных разработчиков, он подчеркивает навыки кодирования и базовое понимание рынка и его тонкостей.

  • 00:50:00 Спикер обсуждает, что можно и чего нельзя делать в количественном трейдинге. Он подчеркивает, что если торговая стратегия не приносит прибыли, следует уменьшать ее кредитное плечо до тех пор, пока она не станет шумом в портфеле. Спикер подчеркивает важность поиска закономерностей и явлений в трейдинге, сродни физике и инженерии. Как новичок, он рекомендует определить конкурентное преимущество и сотрудничать с кем-то с дополнительными навыками. Затем докладчик рассматривает возможность использования большего количества данных в алгоритмах машинного обучения, объясняя, что больше данных не всегда лучше, и предлагает использовать пакетирование для моделирования данных, не углубляясь в историю. Наконец, спикер заявляет, что лучшее управление рисками имеет решающее значение, поскольку оно позволяет продолжать использовать стратегию без потерь денег, даже если доходность начинает сокращаться.

  • 00:55:00 Эрни Чан отвечает на вопросы зрителей, связанные с количественной торговлей. Он предполагает, что создание производных финансовых инструментов — это хорошая возможность для тех, у кого есть опыт, но это требует поиска в нишевых областях. Он рекомендует использовать Crisp Data и Tech Data для проверки данных по акциям, но предупреждает, что хорошие данные обходятся дорого. Чан также обсуждает импульсную торговлю и паритет риска как эффективные стратегии в текущих условиях и предполагает, что Python — это хороший открытый исходный код, который можно использовать для начала работы в этой области.
 

Количественные финансы | Классификация количественных торговых стратегий Радована Войтко



Количественные финансы | Классификация количественных торговых стратегий Радована Войтко

Радован Войтко, генеральный директор Quantpedia, дает ценную информацию о процессе выбора количественных торговых стратегий для их базы данных. Он подчеркивает важность использования академических исследований для поиска надежных и реализуемых стратегий, которые могут быть использованы трейдерами. Несмотря на распространенные заблуждения, Войтко подчеркивает, что в научных статьях все еще есть множество торговых идей, которые имеют потенциал.

Войтко объясняет, что наиболее популярным классом активов для торговых стратегий являются акции, за которыми следуют товары, валюта, облигации и недвижимость. Эти классы активов предлагают широкий спектр возможностей для реализации количественных стратегий. Он классифицирует количественные стратегии по различным категориям, в том числе по времени, арбитражу и импульсу.

Одним из ключевых аспектов, на который обращает внимание Войтко, является наличие слепых зон в академических исследованиях, особенно в менее хорошо покрытых классах активов, таких как облигации и сырьевые товары. Эти слепые зоны открывают возможности для открытия новых источников альфы, и трейдеры могут извлечь из них выгоду. Для борьбы с такими проблемами, как P-hacking и репликация, Войтко рекомендует тщательное тестирование и использование методов анонимизации импульса.

Вопреки мнению, что опубликованные торговые стратегии больше не работают, Войтко утверждает, что некоторые стратегии продолжают приносить положительные результаты даже после публикации, при этом более 40% альфы остаются через пять лет. Чтобы выбрать наиболее перспективные стратегии, он предлагает проводить вневыборочные тесты, увеличивать порог статистической значимости, создавать обширную базу данных стратегий и выбирать те из них, которые показывают наилучшие результаты.

Далее Войтко обсуждает конкретные торговые стратегии, такие как подходы возврата к среднему в торговле товарными фьючерсами и стратегии риска, связанные с предварительным объявлением прибыли. Он подчеркивает важность альфа-распада и проблемы, связанные с P-взломом и интеллектуальным анализом данных. Крайне важно тщательно тестировать и проверять стратегии перед их внедрением.

Отвечая на ошибочное мнение о том, что количественные торговые стратегии теряют эффективность после публикации, Войтко цитирует исследование, показывающее, что стратегии все еще могут хорошо работать с течением времени. Он советует трейдерам избегать подтасовки данных и подчеркивает необходимость тщательного тестирования и проверки.

Что касается повторения в академических исследованиях, Войтко предлагает увеличить порог статистической значимости и использовать вневыборочные тесты для сравнения портфелей на основе опубликованных данных. Такой подход обеспечивает более точную репликацию и позволяет идентифицировать выигрышные стратегии.

Чтобы расширить пул прибыльных стратегий, Войтко рекомендует создать базу данных с широким набором стратегий и выбрать те из них, которые дают наилучшие результаты. Он также предоставляет ресурсы для поиска количественных торговых стратегий, такие как Social Science Network и Quantpedia.

Что касается языков программирования для количественных финансов, Войтко упоминает о наличии различных вариантов и советует выбирать язык, который вам удобен. Python является предпочтительным языком, но другие варианты, такие как Tradestation, Ninjatrader или Ami Broker, также могут быть эффективными. Войтко подчеркивает необходимость объединения финансовых и технологических навыков для успешной алгоритмической торговли и предлагает образовательные программы для развития опыта в обеих областях.

  • 00:00:00 В этом разделе Арджуна представляет Радована Войтко, генерального директора Quantpedia, веб-сайта, который служит энциклопедией количественных торговых стратегий. Войтко в прошлом управлял портфелем и управлял количественными фондами на сумму более 300 миллионов евро, уделяя особое внимание стратегиям следования за трендом ETA с несколькими активами, таймингу рынка и торговле волатильностью. Войтко подчеркивает важность внимания к финансовым академическим исследованиям, отмечая, что в академических исследованиях опубликовано множество интересных торговых стратегий и идей, которые люди могут использовать в торговле или настраивать их для своих собственных торговых систем. Он также делится некоторыми общими проблемами, связанными с реализацией стратегий, выходящих за рамки академических исследований.

  • 00:05:00 В этом разделе Радован Войтко обсуждает процесс выбора торговых стратегий для своей базы данных. Он объясняет, что они читают много академических статей и выбирают стратегии, которые реализуемы и имеют надежные характеристики производительности и риска. Он приводит пример импульсной стратегии в акциях, о которой впервые было написано в статье 1993 года Джагадиша и Титмана, а также в последующих связанных статьях. Войтко также упоминает, что они не публикуют торговый код, поскольку институциональные клиенты предпочитают тестировать стратегии на собственных данных. Наконец, он выделяет три большие группы, которые проводят количественные исследования: ученые, исследования продавцов, хедж-фонды и компании по управлению активами.

  • 00:10:00 В этом разделе спикер обсуждает обзор и классификацию количественных торговых стратегий. По словам спикера, акции являются хорошо освещенным классом активов в академических исследованиях, за ними следуют товары, валюта, облигации и недвижимость. Наиболее популярными временными рамками для торговых стратегий являются ежемесячная ребалансировка, при этом высокочастотная торговля недопредставлена из-за необходимости более дорогих данных и требований к программированию. С точки зрения тем, наиболее популярными являются стратегии акций, такие как длинная-короткая и импульсная, за которыми следуют время выхода на рынок, стоимость и фундаментальные эффекты прибыли. Спикер также представляет свою точку зрения на то, как классифицировать и находить интересные торговые стратегии в базе данных.

  • 00:15:00 В этом разделе спикер обсуждает различные классификации количественных торговых стратегий и вводит понятие слепых зон в исследованиях. Слепые пятна относятся к областям исследований, которые недостаточно освещены, что дает возможность найти новые альфа-версии или торговые стратегии. Затем спикер представляет распределение различных стратегий по классам активов, показывая, что акции преобладают, а облигации и REIT недостаточно хорошо покрыты. Среди известных стилей хорошо освещены моментум и арбитраж, но спикер выделяет возможности в стратегиях выбора времени для других классов активов и в разработке интересных стратегий для торговли валютами.

  • 00:20:00 В этом разделе Радован Войтко обсуждает классификацию количественных торговых стратегий по классам активов, уделяя особое внимание стратегиям по акциям. Он указывает, что существует больше стилей торговли акциями, чем все остальные классы активов вместе взятые, с шестью основными типами стратегий торговли акциями, которые включают в себя тайминг, арбитраж и торговлю стоимостью. Тем не менее, когда дело доходит до популярных стилей, есть белые пятна, а некоторые классы активов недостаточно изучены, например, облигации и товары. Войтко также выделяет некоторые пробелы во внутридневных и коротких стратегиях, которые предлагают большие возможности для поиска уникальных и интересных инвестиционных возможностей, которые не были освещены в исследовательских работах.

  • 00:25:00 В этом разделе видео обсуждаются две количественные торговые стратегии. Первая стратегия предполагает использование подхода возврата к среднему для торговли товарными фьючерсами. Подход включает группировку товаров со схожими характеристиками, расчет общего индекса доходности товаров для каждой товарной группы и построение пар внутри каждой группы. Затем пары торгуются на основе исторического расстояния, и дневные позиции открываются, если расхождение цен превышает два стандартных отклонения. Вторая стратегия — это риск до объявления прибыли, который использует тенденцию акций дрейфовать после объявления прибыли. Создавая портфель длинных и коротких позиций, инвесторы могут извлечь выгоду из этой тенденции. В то время как дрейф после объявления о доходах хорошо известен, тот факт, что акции также имеют тенденцию дрейфовать до объявления о доходах, менее известен.

  • 00:30:00 В этом разделе видео Радован Войтко объясняет концепцию альфа-распада, согласно которой существует разница в производительности торговой стратегии в выборке и вне выборки. Он также обсуждает проблемы P-хакинга и проблемы репликации в количественных исследованиях, когда исследователи могут протестировать большое количество вариантов торговой стратегии, пока не найдут что-то интересное, что приведет к интеллектуальному анализу данных. Чтобы избежать этой проблемы, Войтко предлагает использовать анонимизацию импульса, которая позволяет трейдеру увидеть, действительно ли стратегия прибыльна или это просто статистическая случайность. Несмотря на эти проблемы, существуют различные количественные торговые стратегии, которые были опубликованы в академических статьях, одним из примеров является стратегия с предварительным объявлением прибыли, которая показала 40% годовой доход.

  • 00:35:00 В этом разделе спикер обсуждает распространенное заблуждение о том, что количественные торговые стратегии перестают работать после того, как они опубликованы и известны другим, поскольку они подвергаются арбитражу со стороны других игроков. Однако исследования Маклина и Понтиффа показывают, что некоторые стратегии все еще работают даже после публикации, причем более 40% альфы остаются после пяти лет публикации. Спикер также говорит о постоянстве аномалий или факторов в торговле, подчеркивая, что любая стратегия может быть устойчивой и иметь хорошую производительность в будущем, но неудачный выбор времени инвесторами может привести к снижению прибыли. Докладчик предостерегает от извлечения данных или ловли данных, которые представляют собой использование интеллектуального анализа данных, которое может привести к ложным открытиям, и подчеркивает важность тщательного тестирования любой стратегии перед ее реализацией.

  • 00:40:00 В этом разделе Радован Войтко обсуждает проблему повторения в академических исследованиях, особенно в количественных торговых стратегиях. Он упоминает проблему исследователей, извлекающих данные и ищущих закономерности без предварительной конкретной гипотезы, что приводит к статистической значимости без фактического практического использования. Войтко предлагает увеличить точку отсечения для статистической значимости до 3,0 или 3,5, чтобы как можно точнее определить стратегию, используя вневыборочные тесты для сравнения портфелей факторов капитала на основе опубликованных данных. Таким образом, данные говорят сами за себя при выборе победителей, что позволяет более точно воспроизвести их и потенциально использовать в будущей торговле.

  • 00:45:00 В этом разделе Радован Войтко обсуждает импульсную стратегию неопубликованных аномалий, в которой каждый год аномалии ранжируются по их эффективности, а самые эффективные торгуются в следующем году. Эта стратегия помогает отфильтровывать нереалистичные, малоэффективные или арбитражные стратегии, увеличивая шансы обнаружения прибыльных стратегий посредством научных исследований. Однако эта стратегия не является пуленепробиваемой, и необходимо учитывать ликвидность и транзакционные издержки. Кроме того, производительность аномалий может снизиться, и необходимо устранить предвзятость и слепые зоны. Войтко рекомендует создать базу данных из большего количества стратегий и выбрать наиболее эффективные, чтобы увеличить шансы найти прибыльные стратегии.

  • 00:50:00 В этом разделе видео спикер отвечает на вопросы зрителей и рекомендует ресурсы для поиска количественных торговых стратегий. Они предлагают проверить веб-сайт Social Science Network, так как это хранилище исследовательских работ по социальным наукам, которые можно искать по ключевым словам, таким как парная торговля или импульсная торговля. Спикер также рекомендует свой собственный веб-сайт Quantpedia, на котором есть бесплатный раздел с более чем 60 распространенными и известными стратегиями и премиальный раздел с более уникальными стратегиями. На вопрос, с какой стратегии следует начать новичкам, спикер предлагает взглянуть на стратегии выбора стоимости актива и импульсной стратегии на EPS. Для расчета бета-распада спикер рекомендует обратиться к научным работам, упомянутым в их публикации, или выполнить поиск научных работ по альфа-распаду в Google.

  • 00:55:00 В этом разделе спикер обсуждает рекомендуемые языки программирования для количественных финансов, заявляя, что их много в Интернете и что в конечном итоге все зависит от личных предпочтений. Они предоставляют ссылку на свой веб-сайт, на котором есть несколько ссылок примерно на 50 тестировщиков, и они лично предпочитают Python, но отмечают, что другие не менее верны. Они предлагают выбрать язык, который вам удобен, и использовать предварительно созданное решение из предоставленных источников, таких как Tradestation, Ninjatrader или Ami Broker, чтобы начать торговать или тестировать. Кроме того, спикер упоминает, что успешная алгоритмическая торговля требует слияния навыков в области финансов и технологий, и они предлагают образовательные программы для обучения людей в обеих областях.
 

Обращение к данным для торгового преимущества · Дэйв Бергстром, количественный трейдер



Обращение к данным для торгового преимущества · Дэйв Бергстром, количественный трейдер

В этом видео Дейв Бергстром, успешный трейдер, занимающийся количественными расчетами, рассказывает о своем путешествии в мир трейдинга и подчеркивает важность использования методов анализа данных для определения преимуществ рынка. Он подчеркивает необходимость избегать подгонки кривых и чрезмерной оптимизации, рекомендует использовать несколько ресурсов для обучения трейдингу и программированию, а также подчеркивает важность надлежащего управления рисками и реалистичных ожиданий. Бергстрем также обсуждает потенциальный упадок высокочастотной торговли и представляет свой программный пакет Build Alpha, который помогает трейдерам находить и генерировать прибыльные торговые стратегии.

Дэйв Бергстром, первоначально высокочастотный трейдер, рассказывает о своем пути от почти окончания юридической школы до того, как стать трейдером. Во время учебы в бакалавриате он углубился в трейдинг и искал информацию на таких платформах, как финансовый Twitter и подкасты, чтобы узнать о моделях торговли и импульсных акциях. Хотя он добился успеха в начале, Бергстром признает, что его ранние стратегии и методы значительно отличаются от его нынешних методов торговли. Он рассказывает об использовании методов интеллектуального анализа данных при разработке стратегии и представляет свой программный пакет Build Alpha, который позволяет трейдерам использовать различные формы анализа, обсуждаемые в этом эпизоде.

Начав скромно, Бергстрем рассказывает о своем первом набеге на торговлю, продавая поддельные футболки и кошельки НФЛ. Впоследствии он финансировал торговый счет и занимался торговлей акциями на основе моментума и технического анализа, в частности графических моделей. Однако он столкнулся с непоследовательностью и изо всех сил пытался понять, почему баланс его капитала постоянно возвращался к нулю. Набравшись опыта, Бергстрем понял, что отсутствие систематического подхода мешает ему получать стабильную прибыль. Только после того, как он переехал во Флориду и работал помощником по торговле в фирме, занимающейся высокочастотным трейдингом, он открыл для себя область количественного анализа, проложив путь к последовательности в своих торговых начинаниях.

Далее Бергстром обсуждает свой переход к роли, которая требовала анализа данных. Чтобы преуспеть в этой должности, он изучил программирование-самоучку и сосредоточился на объективном техническом анализе, поскольку его фирма верила в выявление аномалий или закономерностей в данных, которые могли привести к прибыльным сделкам. Он объясняет процесс тестирования и ретроспективного тестирования стратегий, прежде чем их можно будет использовать, путь, который потребовал нескольких лет проб и ошибок для достижения последовательного успеха. Взгляды Бергстрема на технический анализ эволюционировали, отдавая предпочтение объективному анализу, который использует данные для выявления закономерностей, а не субъективному анализу, основанному на интуиции.

Программирование играет важную роль в трейдинговом путешествии Бергстрома, которое он считает сверхдержавой. Поняв, что Excel недостаточно для обработки огромного количества данных в высокочастотной торговле, он изучил программирование, чтобы перейти от роли торгового помощника к роли торгового отдела. Бергстрем считает программирование отличной инвестицией из-за асимметричной прибыли и минимального риска. Он советует начинающим программистам изучать различные ресурсы, сохранять усердие и обращаться за советом к знающим людям, чтобы ускорить процесс обучения.

Бергстрем подчеркивает важность поиска нескольких ресурсов при обучении торговле и программированию. Он рекомендует использовать такие платформы, как Stack Exchange, для программирования и поощряет изучение нескольких языков программирования, таких как Python, C++ и Java. Обсуждая свой торговый подход, Бергстром называет себя специалистом по сбору данных и считает, что с помощью анализа данных можно обнаружить многочисленные преимущества рынка. В то время как некоторые считают, что интеллектуальный анализ данных склонен к переоснащению, он утверждает, что он может быть ценным инструментом, когда предпринимаются шаги для предотвращения переобучения и чрезмерной оптимизации.

Бергстрем проливает свет на то, как он находит торговые преимущества с помощью интеллектуального анализа данных и использует фитнес-функцию, которая ищет прибыльные стратегии на основе определенных критериев. Он подчеркивает важность предотвращения подгонки кривой за счет использования таких методов, как поддержание минимального количества сделок и использование перекрестной проверки. Он объясняет, что преимущество относится к чему-то с положительным математическим ожиданием, которое можно определить с помощью анализа данных. В конечном счете, он ищет прибыльные стратегии, даже если они не основаны на ранее существовавших гипотезах, но он больше доверяет стратегиям, которые согласуются с логическими рассуждениями.

По словам Бергстрома, наличие значительного количества сделок имеет решающее значение при тестировании стратегии. Он подчеркивает риски подбора кривой и советует не оптимизировать параметры с периодами ретроспективного анализа. Вместо этого он предпочитает использовать непараметрические метрики, такие как меры подсчета. Кроме того, Бергстром подчеркивает важность рыночных режимов, а также объема и волатильности для понимания поведения рынка. Он упоминает мощный график, которым он поделился в Твиттере, который иллюстрирует важность установления реалистичных ожиданий и использования анализа Монте-Карло, чтобы избежать недораспределения средств в торговой системе.

Реалистичные ожидания в торговле исследуются далее, поскольку Бергстром подчеркивает, что даже если бэктест показывает прибыльную стратегию, важно понимать, что реальные результаты могут отличаться. Такие инструменты, как моделирование методом Монте-Карло и тестирование дисперсии, помогают трейдерам создать распределение возможных результатов и установить реалистичные ожидания для будущих сделок. Бергстрем вводит свои три закона торговли, первый из которых поддерживает асимметричное соотношение риска и вознаграждения. Это означает, что он предпочитает более низкий процент выигрыша, но более высокую выплату, а не наоборот.

Надлежащее управление рисками занимает центральное место в торговой философии Бергстрема, особенно в отношении размера ставок. Он объясняет, что трейдеру невыгодно иметь одну сделку значительно большего размера, чем другие в рамках той же модели или системы. Бергстром предостерегает от чрезмерного инвестирования в «увлекательные» сделки, поскольку это препятствует тому, чтобы математические вероятности разыгрывались в большом количестве сделок, что необходимо для вступления в силу закона больших чисел. Он предполагает, что торговля в более консервативной и последовательной манере в течение значительного количества сделок гарантирует, что положительное преимущество проявится. В то время как внутридневная и высокочастотная торговля лучше соответствуют закону больших чисел, Бергстром считает, что дневные временные рамки также могут быть эффективными, если тестирование дисперсии удовлетворительно.

Бергстрем углубляется в важность надежности стратегии на разных рынках. Хотя он признает ценность создания стратегий, которые работают на нескольких рынках, он склонен избегать тех, которые генерируют недостаточно сделок. Что касается транзакционных издержек и стремления к более высокой прибыли в каждой сделке, Бергстром считает, что возможен сбалансированный подход. Стратегия не должна быть отягощена чрезмерными транзакционными издержками, но в то же время она не должна быть рассчитана на генерацию чрезмерного количества сделок. Переключая передачи, Бергстром обращается к распространенным заблуждениям, связанным с высокочастотной торговлей (HFT), заявляя, что ее часто несправедливо очерняли из-за того, что люди искали козла отпущения. Он твердо верит, что HFT выгоден и не имеет хищнических намерений.

Наконец, Бергстром обсуждает потенциальный спад высокочастотной торговли, который он объясняет усилением конкуренции и раскрытием стратегий. Дебаты вращаются вокруг того, связано ли снижение с перенасыщением рынка или денежно-кредитной политикой, проводимой центральными банками, которые не поддерживают двусторонний рынок, необходимый для высокочастотной торговли. Бергстрем представляет свой программный пакет Build Alpha, который позволяет пользователям выбирать сигналы и искать различные стратегии на основе критериев выхода и функции пригодности. Программное обеспечение определяет лучшие стратегии и генерирует код для каждой из них, что позволяет создавать портфели и проводить тщательный анализ. Заинтересованные лица могут посетить веб-сайт buildalpha.com или связаться с Дэйвом Бергстромом по электронной почте David@buildalpha.com или в Twitter @Deeper_DB.

В заключение, путь Дейва Бергстрома к тому, чтобы стать успешным трейдером, демонстрирует важность методов анализа данных в поиске преимуществ на рынке. Его упор на предотвращение подгонки кривой, использование множества ресурсов для обучения, надлежащее управление рисками и поддержание реалистичных ожиданий дает ценную информацию начинающим трейдерам. Кроме того, его мысли о высокочастотной торговле и введение Build Alpha демонстрируют его приверженность продвижению торговых стратегий и расширению возможностей трейдеров с помощью инновационных программных решений.

  • 00:00:00 Дэйв Бергстром, высокочастотный трейдер, рассказывает о своем пути от почти поступления в юридическую школу до трейдинга. Он начал торговать во время учебы и искал информацию в Интернете, например, в Twitter и подкастах по финансам, чтобы узнать о моделях торговли и импульсных акциях. У него была ранняя успешная торговля, но он признает, что его ранние торговые стратегии и методы, которые он использовал тогда, сильно отличаются от того, как он торгует сейчас. Дэйв также рассказывает о том, как он использует методы интеллектуального анализа данных при разработке стратегии, и предлагает способы уменьшить подгонку кривой. Он даже разработал программный пакет под названием Build Alpha, который позволяет трейдерам применять многие методы и различные формы анализа, обсуждаемые в этом выпуске.

  • 00:05:00 Дэйв Бергстром, трейдер, занимающийся количественными расчетами, рассказывает о своем скромном опыте торговли, начиная с зарабатывания денег на продаже поддельных футболок и кошельков НФЛ. Затем он финансировал торговый счет, первоначально торгуя акциями на основе импульса и технического анализа, в частности графических моделей. Однако он боролся с непоследовательностью и не мог понять, почему он продолжает возвращаться к нулевому балансу капитала. Набравшись опыта, Бергстром понял, что у него нет системы, и продолжал перезапускать, предотвращая постоянные возвраты. Только когда он переехал во Флориду и стал торговым помощником в фирме высокочастотного трейдинга, он открыл для себя количественный анализ и нашел новый путь к последовательности в трейдинге.

  • 00:10:00 Дэйв Бергстром, количественный трейдер, рассказывает о своем переходе на должность, которая требует от него анализа данных. Бергстрому пришлось научиться программировать и сосредоточиться на объективном техническом анализе, потому что фирма, в которой он работал, верила в поиск аномалий или закономерностей в данных, которые могли привести к совершению прибыльных сделок. Он объясняет, что существует процесс тестирования и тестирования на истории, прежде чем преимущество или модель можно будет использовать для торговли, и ему пришлось в течение нескольких лет проводить пробы и ошибки, чтобы добиться стабильного успеха. Взгляды Бергстрема на технический анализ изменились, и он считает, что объективный анализ, который использует данные для определения закономерностей, лучше, чем субъективный анализ, который опирается на интуицию для выявления закономерностей.

  • 00:15:00 Дэйв Бергстром объясняет, как он научился программировать и почему считает это сверхспособностью. Он научился программировать, потому что хотел перейти от роли помощника тренера к роли торгового отдела, поскольку понял, что Excel не может обрабатывать объем данных, связанных с высокочастотной торговлей. Бергстром считает программирование лучшей сделкой, которую может совершить каждый, потому что прибыль асимметрична, а риск минимален. Он советует всем, кто хочет научиться программировать, обращаться к различным ресурсам, проявлять усердие и находить людей, которые могут ответить на вопросы, чтобы ускорить процесс.

  • 00:20:00 Дэйв Бергстром обсуждает важность поиска нескольких ресурсов при обучении трейдингу и программированию. Он рекомендует использовать Stack Exchange для программирования и предлагает изучать несколько языков, таких как Python, C++ и Java. Когда его спросили о его подходе к торговле, Бергстром признался, что занимается сбором данных, и считает, что на рынке есть много преимуществ, которые только и ждут, чтобы их обнаружили с помощью анализа данных. Хотя некоторые могут рассматривать интеллектуальный анализ данных как переобучение, он утверждает, что это полезный инструмент, если предпринимаются шаги для предотвращения переобучения и переоптимизации.

  • 00:25:00 Дэйв Бергстрем рассказывает о том, как он находит преимущества в трейдинге с помощью интеллектуального анализа данных и использования фитнес-функции, которая ищет прибыльные стратегии на основе определенных критериев. Он подчеркивает важность предотвращения подгонки кривой с помощью таких методов, как минимальное количество сделок и перекрестная проверка. Он также объясняет, что преимущество — это то, что имеет положительное ожидание, которое можно определить с помощью анализа данных. В конечном счете, он ищет прибыльные стратегии, даже если они не основаны на уже существующей гипотезе, но если они имеют логический смысл, он больше доверяет им.

  • 00:30:00 Дэйв Бергстром обсуждает важность наличия большого количества сделок при тестировании стратегии. Он также упоминает о рисках подбора кривой и о том, как этого избежать, не оптимизируя параметры с периодами ретроспективного анализа. Вместо этого он предпочитает использовать непараметрические метрики, такие как меры подсчета. Он также подчеркивает важность рыночных режимов, а также объема и волатильности для понимания поведения рынка. Кроме того, он объясняет мощный график, который он разместил в Твиттере, который показывает важность реалистичных ожиданий и использования анализа Монте-Карло, чтобы избежать недораспределения средств в торговой системе.

  • 00:35:00 Узнаем о реалистичных ожиданиях в трейдинге. Несмотря на то, что бэктест может показать прибыльную стратегию, важно понимать, что в реальной жизни эти результаты могут отличаться. Такие инструменты, как моделирование методом Монте-Карло и тестирование дисперсии, могут помочь трейдерам создать распределение возможных результатов и определить реалистичные ожидания для будущих сделок. Приглашенный спикер также представляет свои три закона торговли, первый из которых заключается в том, что он предпочитает вознаграждению асимметричный риск, а это означает, что он предпочел бы более низкий процент выигрыша, но более высокую выплату, чем наоборот.

  • 00:40:00 Количественный трейдер Дэйв Бергстром подчеркивает важность надлежащего управления рисками в торговле, особенно в отношении размера ставок. Он объясняет, что не в интересах трейдера иметь одну сделку значительно большего размера, чем другие в той же модели или системе. Бергстрем предостерегает от слишком больших ставок на «захватывающие» сделки, поскольку это не позволяет математике играть на большом количестве сделок, что необходимо для вступления в силу закона больших чисел. Бергстром считает, что лучше торговать скучно и оставаться в игре в течение большого количества сделок, чтобы гарантировать, что положительное преимущество будет реализовано. В то время как внутридневная торговля и торговля с более высокой частотой лучше подчиняются закону больших чисел, Бергстром считает, что дневные временные рамки также могут работать, если тестирование дисперсии удовлетворительно.

  • 00:45:00 Дэйв Бергстром обсуждает важность устойчивости торговой стратегии на разных рынках. Хотя он считает, что это хороший подход к созданию стратегии, работающей на нескольких рынках, он склонен избегать того, что не дает достаточного количества сделок. Отвечая на вопрос о том, как транзакционные издержки могут повлиять на торговую стратегию и стоит ли стремиться к увеличению прибыли в каждой сделке, Бергстрем считает, что достижима золотая середина, когда стратегия не убивает вас транзакционными издержками, но, возможно, и не генерирует тысяча сделок либо. С другой стороны, Бергстром утверждает, что HFT (высокочастотный трейдинг) неправильно понимают и часто изображают с плохой репутацией из-за того, что люди ищут козла отпущения. Он считает, что HFT выгоден и в нем нет ничего хищнического.

  • 00:50:00 Дэйв Бергстром обсуждает потенциальный упадок высокочастотной торговли, поскольку ее становится все труднее выполнять из-за конкуренции и раскрытия стратегий. Ведутся споры о том, связано ли это со слишком большим количеством игроков на рынке или с денежно-кредитной политикой, разработанной ФРС и другими центральными банками, которые не поддерживают двусторонний рынок, а именно этого требует высокочастотная торговля. Бергстром работает над программным пакетом под названием Build Alpha, который позволяет пользователям выбирать из списка сигналов и искать различные стратегии на основе их критериев выхода и функции пригодности. Затем он находит лучшие стратегии и генерирует пригодный для торговли код для каждой, что позволяет создавать портфели и анализировать их. Веб-сайт Build Alpha — buildalpha.com, пользователи которого могут связаться с Дейвом по адресу David@buildalpha.com или в Twitter @Deeper_DB.
 

Какой язык программирования для Quant и HFT-трейдинга



Какой язык программирования для Quant и HFT-трейдинга

В этом видео представлен всесторонний обзор языков программирования, обычно используемых в количественном трейдинге и высокочастотном трейдинге (HFT). Докладчик классифицирует эти языки как языки исследования прототипов и интерпретирующие языки сценариев, а также устаревшие компилируемые языки, такие как Java, C#, C и C++. Подробно обсуждаются плюсы и минусы популярных языков моделирования торговых идей, включая Python, R, MATLAB и Microsoft Visual Studio. Кроме того, в видео освещаются важные факторы при выборе языка программирования, такие как совместное размещение, экономичное прототипирование и поддержка брокера. В нем подчеркивается важность использования инструментов повышения производительности и учета всей торговой системы, включая управление рисками и управление портфелем.

Докладчик начинает с разделения языков программирования на разные группы в зависимости от их пригодности для исследования прототипов и интерпретирующих сценариев. В контексте количественной торговли он специально рассматривает Python и MATLAB как популярные варианты для моделирования торговых идей. Однако он указывает на проблему разрозненных версий Python (2.7 и 3.x) и подчеркивает проблемы с совместимостью и производительностью R. Python, с одной стороны, предлагает множество опций, которые могут быть непосильны для разработчиков и требуют дополнительного обучения. С другой стороны, R имеет определенные ограничения с точки зрения совместимости и производительности.

Двигаясь вперед, спикер углубляется в различные языки программирования, обычно используемые в количественном и высокочастотном трейдинге. Обсуждается Python, подчеркивая его сильные стороны с точки зрения пакетов данных, а также его недостатки, такие как более медленное выполнение и ограниченные возможности управления заказами. Спикер также упоминает MATLAB 2015 и Microsoft Visual Studio 2015, которые позволяют интегрировать Python. Выделены устаревшие компилируемые языки, такие как Java, C#, C и C++, а Java рекомендуется в качестве подходящей отправной точки для начинающих программировать. C# хвалят за простоту понимания и передовые методы, а оптимальная производительность C# ограничена средами Windows.

В видео дополнительно рассматриваются языки программирования, подходящие для количественной и высокочастотной торговли, включая Java, C/C++ и MATLAB. Java и C# известны своей простой интеграцией с базами данных, но могут возникнуть ограничения из-за того, что сборка мусора влияет на производительность. C и C++ хвалят как языки, предлагающие оптимальную скорость и управление памятью, но они могут быть более сложными для изучения. MATLAB признан мощной и универсальной платформой с различными наборами инструментов для сбора данных, анализа, исполнения сделок и управления рисками. Особо выделяются расширенная поддержка математики и машинного обучения, а также возможность генерировать код на C/C++ с помощью MATLAB Coder. Спикер также упоминает возможность встраивания MATLAB в высокопроизводительный веб-сервер с помощью MATLAB Production.

Подробно обсуждаются соображения по выбору языка программирования для количественной и HFT-трейдинга. Докладчик подчеркивает преимущества совместного размещения на торговых биржах, особенно в HFT-трейдинге, и упоминает MathWorks как провайдера, облегчающего совместное размещение. Доступность Lab Home Edition, начиная со 150 долларов, упоминается как экономичная среда для создания прототипов. Кроме того, выбор брокера подчеркивается как критический фактор, влияющий на выбор языка программирования. Interactive Brokers отмечен как брокер, поддерживающий устаревшие языки, такие как Java, C++ и C#. Спикер советует новичкам использовать инструменты повышения производительности и подчеркивает необходимость рассмотрения более широких аспектов торговой системы, включая управление рисками, оценку и управление портфелем.

В целом, видео дает ценную информацию о различных языках программирования, используемых в количественном трейдинге и HFT, их сильных и слабых сторонах, а также о ключевых факторах, которые следует учитывать при выборе языка для торговых целей. Это подчеркивает важность понимания всей торговой системы и использования соответствующих инструментов для эффективных и действенных торговых операций.

  • 00:00:00 Спикер обсуждает различные варианты языка программирования для количественной и высокочастотной торговли. Он классифицирует языки на языки исследования прототипов и интерпретирующие языки сценариев, а также на устаревшие компилируемые языки. Докладчик рассказывает о Python и MATLAB, которые обычно используются для моделирования торговых идей, и, в частности, он указывает на проблему расщепления в двух основных версиях Python (2.7 и 3.x). Докладчик также дает некоторое представление о плюсах и минусах R и Python и предполагает, что у R есть некоторые проблемы с совместимостью и производительностью. Между тем, у Python слишком много опций, которые могут сбивать с толку разработчиков, и для этого требуется немного больше обучения.

  • 00:05:00 Спикер обсуждает несколько языков программирования, используемых для количественной и высокочастотной торговли, начиная с Python, который известен своими пакетами данных, но также медленный и имеет ограниченные возможности управления ордерами. Он также упоминает MATLAB 2015 и Microsoft Visual Studio 2015, которые позволяют использовать Python, а затем переходит к устаревшим языкам, таким как Java, C#, C и C++, которые являются компилируемыми языками. Он выделяет Java как хорошую отправную точку для новичков в программировании, хотя она ограничена с точки зрения правильного и нативного запуска, и рекомендует C# из-за простоты понимания и продвинутых методов. Однако оптимальная производительность с C# возможна только в Windows.

  • 00:10:00 В видео обсуждаются различные языки программирования, полезные для количественной и высокочастотной торговли, включая Java, C/C++ и MATLAB. Java и C# могут легко интегрироваться с другими базами данных, но производительность может быть ограничена сборкой мусора. C и C++ — оптимальные языки для управления скоростью и памятью, но их изучение может быть сложным. MATLAB — это мощная и универсальная платформа с множеством наборов инструментов для сбора и анализа данных, исполнения сделок и управления водными ресурсами. Он также имеет расширенную поддержку математики и машинного обучения, а также возможность генерировать код на C/C++ со строгим соответствием с помощью кодировщика MATLAB. Его также можно встроить в высокопроизводительный веб-сервер с MATLAB Production.

  • 00:15:00 Спикер обсуждает соображения по выбору языка программирования для Quant и HFT-трейдинга. Он упоминает, как MathWorks допускает совместное размещение на торговой бирже, что выгодно для HFT-трейдинга. Далее он говорит о Lab Home Edition как об экономичной среде для создания прототипов по цене от 150 долларов. Кроме того, он подчеркивает, что выбор брокера сильно повлияет на то, какой язык использовать, поскольку Interactive Brokers поддерживает устаревшие языки, такие как Java, C++ и C#. Спикер советует новичкам использовать инструменты повышения производительности и знать меньшую часть всей системы, которая включает в себя управление рисками, оценку и управление портфелем.
 

«Основы статистического арбитража: понимание математики парной торговли» Макса Маржено



«Основы статистического арбитража: понимание математики парной торговли» Макса Маржено

В видео под названием «Основы статистического арбитража: понимание математики, лежащей в основе парной торговли», представленном Максом Марженотом, подробно объясняется концепция статистического арбитража. Маржено описывает, как статистический арбитраж включает в себя создание сделок на основе дисбалансов, выявленных с помощью статистического анализа, и модели того, как должен вести себя рынок. Видео посвящено парной торговле, которая опирается на фундаментальные статистические концепции, такие как стационарность, порядки интеграции и коинтеграция.

Марженот начинает с представления Quantopian, платформы его компании, которая предлагает бесплатные лекции по статистике и финансам, чтобы помочь людям в разработке торговых алгоритмов. Затем он углубляется в значение стационарности, порядков интеграции и коинтеграции в парной торговле. Стационарность означает, что все выборки во временном ряду взяты из одного и того же распределения вероятностей с одинаковыми параметрами, которые часто считаются нормально распределенными в финансовых приложениях. Расширенный тест Дики-Фуллера представлен как средство проверки на стационарность.

Докладчик подчеркивает неопределенность, связанную с реальными данными, подчеркивая возможность ложных срабатываний при проверке гипотез, особенно при работе с тонкими или скрытыми отношениями между переменными. Он демонстрирует это, создавая патологические отношения во временном ряду, которые могут остаться незамеченными при проверке гипотезы. Маржено подчеркивает важность осторожной интерпретации результатов и напоминает аудитории, что даже визуальный осмотр графика может не выявить лежащие в его основе статистические свойства.

Обсуждаются ограничения моделирования временных рядов и возможность ложных срабатываний. Хотя временной ряд может демонстрировать поведение с возвратом к среднему, он не всегда указывает на стационарность. Стационарность представляет собой сценарий, в котором временной ряд одновременно возвращается к среднему и следует стационарному, детерминированному и случайному распределению. Вводится понятие порядков интегрирования, где интегрирование нулевого порядка не подразумевает стационарность, а стационарность подразумевает интегрирование нулевого порядка. Также объясняются кумулятивные суммы, показывая, как множественные интегрирования нулевого порядка приводят к более высоким порядкам интегрирования.

Рассмотрены предположение о стационарной доходности в финансах и трудности нахождения стационарных временных рядов. Предполагается, что доходность распределяется нормально, что указывает на стационарность. Интегрированные обозначения порядка и разности используются для проверки стационарности. Докладчик отмечает, что теоретически ценовые ряды должны интегрироваться первого порядка из-за их связи с доходностью, которая интегрируется нулевого порядка. Приведен пример с использованием данных о ценах от компании.

Маржено переходит к объяснению концепции коинтеграции, которая включает в себя интеграцию временных рядов определенными способами для получения стационарной линейной комбинации. Хотя поиск двух интегрированных временных рядов, стационарных вместе, может быть сложной задачей, коинтеграция может оказаться полезной при изучении ценовых рядов, имеющих разумную экономическую основу. Спикер подчеркивает, что ставки можно делать, исходя из текущего значения стационарного спреда, даже без конкретной временной модели возврата к среднему.

Демонстрируется процесс создания смоделированных данных для иллюстрации расчета и оценки спреда с использованием линейной регрессии. Маржено подчеркивает, что финансовые данные редко бывают такими простыми, как вычитание одной переменной из другой, что требует линейной регрессии для оценки взаимосвязи между переменными. Цель состоит в том, чтобы определить значение бета, которое указывает состав портфеля с точки зрения рыночной доходности. Эта информация позволяет открывать длинные и короткие позиции в парной торговле. Для иллюстрации концепции приведен пример с парой ценных бумаг альтернативной энергетики.

Объясняется построение линейной регрессии между двумя потенциальными ценными бумагами для базового статистического арбитража. Марженот рекомендует найти две ценные бумаги в одном и том же секторе, которые демонстрируют отношения, в качестве отправной точки для выявления потенциальных коинтеграционных отношений, которые могут указывать на возможности арбитража. Хотя стационарность между двумя ценными бумагами выгодна, спикер подчеркивает необходимость торговать как можно большим количеством различных независимых ставок, а не полагаться исключительно на одну пару.

Расчет пар и сделок в рамках статистического арбитража основан на логарифмической доходности исследуемых пар. Линейная регрессия между логарифмическими доходностями, известная как метод Энгла-Грейнджера, используется для определения того, является ли регрессия стационарной. Как только разумная модель мира установлена, трейдер может получить преимущество, имея больше информации, чем другие, и делая относительно обоснованные ставки. Для активной торговли и обновления скользящего спреда необходимо скользящее понятие среднего и стандартного отклонения. Различные методы, такие как скользящие средние и общие фильтры, могут использоваться для итерации и улучшения торговой стратегии.

Спикер подчеркивает, что статистический арбитраж может быть простой или сложной юнит-стратегией. Он включает в себя определение стационарности, коинтеграции и отношений между парами акций для торговли. Чем больше информации у человека по сравнению с другими, тем лучше он может извлечь выгоду из этих отношений. Создание диверсифицированного портфеля требует независимых ставок, которые не зависят друг от друга. Частота перебалансировки зависит от отдельных пар и продолжительности стационарности, наблюдаемой в данных.

Видео переходит к обсуждению моделирования алгоритмической торговли с данными в реальном времени. Предположения, лежащие в основе линейных регрессий, такие как гетероскедастичность, упоминаются как факторы, которые могут повлиять на их жизнеспособность. Коинтеграция предпочтительнее корреляции при моделировании отношений между парами акций, поскольку она представляет более сильное условие, указывающее на стационарность. Размеры ставок можно систематически определять, используя среднее значение и стандартное отклонение гипотетического спреда, в отличие от корреляций, которые могут не поддаваться систематическим подходам.

Таким образом, видео дает исчерпывающее объяснение статистического арбитража и торговли парами. Он охватывает основные понятия, такие как стационарность, порядки интеграции и коинтеграция. Подчеркивается важность тщательной интерпретации статистических результатов и необходимость независимых ставок. Докладчик подчеркивает роль линейной регрессии в оценке взаимосвязей между парами акций и значение возврата к среднему в определении возможностей арбитража. Видео завершается обсуждением моделирования алгоритмической торговли и соображениями по построению диверсифицированного портфеля в статистическом арбитраже.

  • 00:00:00 Макс Маржено представляет концепцию статистического арбитража и то, как его можно использовать для использования неэффективности рынка с помощью статистического анализа. Он объясняет, что статистический арбитраж предполагает использование модели того, каким должен быть мир, и совершение сделок на основе дисбаланса, созданного статистическим анализом. Затем он рассказывает о платформе своей компании, Quantopian, и о том, как они предлагают бесплатные лекции по статистике и финансам, чтобы помочь людям писать торговые алгоритмы. Далее Маржено обсуждает использование стационарности, порядков интеграции и коинтеграции при построении парижских торгов, которые основаны на фундаментальных статистических концепциях.

  • 00:05:00 Докладчик обсуждает концепцию стационарности данных временных рядов и ее важность в статистических моделях, таких как модели авторегрессии и скользящего среднего. Докладчик отмечает, что стационарность означает, что все выборки в данных временных рядов взяты из одного и того же распределения вероятностей с одинаковыми параметрами, и что обычно предполагается, что это нормально распределено в финансовых приложениях. Докладчик представляет расширенный тест Дики-Фуллера в качестве теста гипотезы на стационарность и демонстрирует его использование как на стационарных, так и на нестационарных данных временных рядов.

  • 00:10:00 Докладчик обсуждает неопределенность, присущую работе с реальными данными, поскольку никогда нельзя быть уверенным в том, что процесс генерации данных заставляет его вести себя определенным образом. Это приводит к возможности ложных срабатываний при проверке гипотез, особенно при наличии тонких или скрытых взаимосвязей между переменными. Спикер демонстрирует это, создавая патологическую связь с временным рядом, который имеет небольшой периодический тренд в среднем, который, возможно, может быть пропущен при проверке гипотезы. Докладчик подчеркивает важность осторожности при интерпретации результатов проверки гипотез и отмечает, что даже просмотр графика может не выявить лежащие в его основе статистические свойства.

  • 00:15:00 Спикер обсуждает ограничения моделирования временных рядов и возможность ложных срабатываний. Он объясняет, что, хотя временной ряд может возвращать к среднему (возвращаться к среднему), он не всегда подразумевает стационарность. Вместо этого стационарность представляет собой пример временного ряда, возвращающего среднее значение и следующего за стационарным, детерминированным и случайным распределением. Затем докладчик вводит понятие порядков интегрирования, где интегрирование нулевого порядка не подразумевает стационарность, но стационарность подразумевает интегрирование нулевого порядка. Обсуждение завершается концепцией кумулятивных сумм, когда многократное сложение рядов, интегрированных нулевого порядка, дает ряды, интегрированные первого порядка, и так далее.

  • 00:20:00 Обсуждается концепция интегрированного порядка и предположение о стационарной доходности в финансах. Докладчик объясняет, что трудно найти стационарные временные ряды, а доходность предполагается нормально распределенной, то есть стационарной. Чтобы проверить стационарность, спикер демонстрирует использование интегрированной нотации порядка и разности. Кроме того, спикер утверждает, что теоретически ценовые ряды должны интегрироваться первого порядка из-за их связи с доходностью, которая интегрируется нулевого порядка. Приведен пример с использованием данных о ценах от компании.

  • 00:25:00 Маржено объясняет концепцию коинтеграции, которая включает в себя интеграцию временных рядов определенным образом, в результате чего линейная комбинация этих рядов становится стационарной. Хотя трудно найти два интегрированных временных ряда, которые были бы стационарными вместе, коинтеграция может быть полезна в тех случаях, когда имеется разумная экономическая основа для изучения определенного набора рядов цен. Стационарный спред используется для ставок на то, вернется ли что-то к среднему или нет, и, хотя нет конкретной временной модели того, как может произойти этот возврат, ставки все же можно делать на основе текущего значения спреда.

  • 00:30:00 Макс Марженот объясняет процесс создания смоделированных данных, чтобы проиллюстрировать расчет спреда и способы его оценки с помощью линейной регрессии. Он подчеркивает, что финансовые данные никогда не бывают такими простыми, как наличие одного экземпляра одной переменной минус один экземпляр другой, поэтому для оценки взаимосвязи между двумя переменными необходима линейная регрессия. Цель состоит в том, чтобы найти значение бета, которое расскажет нам, как портфель состоит из доходности рынка. Найдя значение бета, мы можем определить, что является длинной, а что короткой, что позволяет нам покупать одну X 2 и короткую бета X 1 в парной торговле. Марженот использует конкретный пример пары ценных бумаг альтернативной энергетики, чтобы объяснить концепцию.

  • 00:35:00 Спикер объясняет, как построить линейную регрессию между двумя потенциальными ценными бумагами для базового статистического арбитража. Спикер сообщает, что обнаружение двух ценных бумаг в одном и том же секторе, которые имеют некоторую связь друг с другом, дает хорошую основу для того, чтобы спрыгнуть и посмотреть, существует ли коинтегративная связь, которая может указывать на потенциальную возможность арбитража. Спикер предупреждает, что, хотя стационарность между двумя ценными бумагами велика, это всего лишь прогноз, и что построение актива на основе одной пары — ужасная идея, если кто-то хочет торговать парами, подчеркивая необходимость торговать как можно большим количеством различных независимых ставок.

  • 00:40:00 Макс Марженот объясняет, что расчет пар и сделок в рамках статистического арбитража основан на логарифмической доходности исследуемых пар. Линейная регрессия между доходностями журнала, известная как метод Энгла-Грейнджера, используется для определения того, является ли линейная регрессия стационарной или нет. Как только появится разумная модель того, как устроен мир, можно сделать ставку, основываясь на какой-то частичке информации больше, чем на ком-то другом, что дает преимущество сделать относительно разумную ставку. Чтобы активно торговать и обновлять скользящий спред, нам нужно скользящее понятие среднего и стандартного отклонения. Можно использовать различные методы, такие как скользящие средние и общие фильтры, для повторения и улучшения торговой стратегии.

  • 00:45:00 Спикер объясняет, что статистический арбитраж — это единичная стратегия, которую можно сделать простой или усложнить. Стратегия включает определение стационарности, коинтеграции и отношений между парами акций для торговли. Чем больше у одного человека информации, чем у других, тем лучше он может торговать этими отношениями. Пока эти отношения независимы друг от друга, спикер рекомендует иметь как можно больше независимых ставок, чтобы создать диверсифицированный портфель. Кроме того, спикер объясняет, что частота ребалансировки зависит от конкретной пары и продолжительности стационарности, обнаруженной в данных.

  • 00:50:00 Спикер объясняет, как моделировать алгоритмическую торговлю с данными в реальном времени. Он также говорит о допущениях, лежащих в основе линейной регрессии, таких как гетероскедастичность, которые могут сделать ее нежизнеспособной. Спикер разделяет свое предпочтение коинтеграции, а не корреляции при моделировании отношений между парами акций, поскольку первое является более сильным условием, представляющим стационарность. Он отмечает, что размеры ставок могут быть систематически построены со средним значением и стандартным отклонением гипотетического спреда, тогда как это может быть сделано не так систематически с корреляциями.
 

Полный обзор практического программирования на C++ для количественных финансовых и HFT



Полный обзор практического программирования на C++ для количественных финансовых и HFT

Видео представляет собой исчерпывающий обзор использования программирования на C++ в финансах и высокочастотной торговле (HFT), предлагая ценную информацию о различных аспектах этой области. Он начинается с обсуждения книги «Практическое финансовое программирование на C++», в которой подчеркивается ее значение для финансовой индустрии. В книге рассматриваются важные темы, такие как акции с фиксированным доходом, и приводятся практические примеры с хорошо структурированными разделами кода. Он предполагает определенный уровень программирования на C++ и содержит рекомендации по эффективному использованию шаблонов C++. Докладчик подчеркивает правильное использование библиотек STL и boost, а также использование библиотек с открытым исходным кодом, таких как новый график для построения графиков и QT для дизайна интерфейса.

Далее в видео рассматривается использование QT, мощного инструмента для разработки пользовательских интерфейсов на C++. Хотя QT позволяет создавать сложные графические интерфейсы, он отличается от традиционной методологии C++, и видео проливает свет на этот аспект. Затем презентация углубляется в математические концепции, такие как линейная алгебра, интерполяция и численное интегрирование, разбивая их на основные алгоритмы и уравнения для облегчения понимания. Также обсуждаются популярные алгоритмы и методы моделирования, имеющие отношение к финансам, с пониманием их реализации на C++. Видео подчеркивает важность моделирования Монте-Карло для финансовых приложений, посвящая главу этой важной теме. Кроме того, исследуется использование Lua и Python для расширения финансовых библиотек, а также обзор наиболее популярных языков программирования для должностей HFT.

По мере продвижения видео оно освещает интеграцию Python и Lua с C++ и демонстрирует, как Lua можно эффективно использовать с Redis, используя его встраиваемость в приложение C++. Также рассматриваются различные методы C++, в том числе многопоточность с использованием Plaza и использование функций C++ 11 и 14. Это видео служит отличным вводным ресурсом для тех, кто хочет заняться программированием на C++, и помогает решить некоторые проблемы управления памятью, связанные с этим языком. Он предоставляет исчерпывающую дорожную карту для изучения программирования на C++, охватывающую широкий спектр вариантов и методов, доступных пользователям.

В конце спикер делится положительным отзывом о недавно вышедшей книге по программированию на C++ для финансовых и высокочастотных торговых приложений. В этой книге рассматриваются новые функции, представленные в C++ 17, которые решают низкоуровневые проблемы с аппаратным обеспечением, что делает ее бесценным ресурсом для тех, кто интересуется этой специализированной областью. Хотя спикер признает, что не имеет никакого отношения к этой книге, он настоятельно рекомендует ее как ценное дополнение к существующим ресурсам в этой области.

  • 00:00:00 Докладчик представляет обзор книги «Практическое финансовое программирование на C++», акцентируя внимание на важности C++ в финансовой индустрии. В книге рассматриваются акции с фиксированным доходом и приводятся примеры в удобном формате, который разбивает код на разделы. Книга предполагает, что читатель знаком с C++, и содержит рекомендации по эффективному использованию шаблонов C++, а также освещает правильные способы использования STL и библиотек Boost. Докладчик также коснулся использования библиотек с открытым исходным кодом, таких как новый график для построения графиков и QT для дизайна интерфейса.

  • 00:05:00 В видео обсуждается использование QT, инструмента для разработки пользовательских интерфейсов на C++. Хотя QT полезен для создания сложных графических пользовательских интерфейсов, он отходит от традиционной методологии C++. Затем видео переходит к более математическим темам, таким как линейная алгебра, интерполяция и численное интегрирование, все из которых разбиты на основные алгоритмы и уравнения для облегчения понимания. Видео также рассказывает о популярных алгоритмах и методах моделирования, а также о том, как их можно реализовать на C++. Книга включает главу о Монте-Карло, которая имеет решающее значение для финансовых приложений. Наконец, в видео обсуждается использование Lua и Python для расширения финансовых библиотек, а также наиболее популярные языки для должностей HFT.

  • 00:10:00 В видео рассказывается об интеграции Python и Lua с C++ и о том, как Lua можно использовать с Redis, особенно благодаря его способности встраиваться в приложение C++. В видео также рассматриваются различные методы C++, в том числе многопоточность с использованием Plaza и использование функций C++ 11 и 14. Видео служит отличным введением для тех, кто хочет перейти к программированию на C++, а также охватывает некоторые проблемы управления памятью, связанные с C++. В целом, видео предлагает отличную дорожную карту для изучения программирования на C++ и охватывает множество вариантов и методов, доступных пользователям.

  • 00:15:00 Спикер дает положительный отзыв о новой книге по программированию на C++ для финансовых и высокочастотных торговых приложений. В книге рассматриваются новые возможности C++ 17, относящиеся к низкоуровневому оборудованию, что делает ее ценным ресурсом для тех, кто интересуется этой областью. Спикер очень рекомендует книгу и подчеркивает, что не имеет к ней никакого отношения, но считает ее отличным дополнением к этой области.
 

Основы алгоритмической торговли: примеры и руководство



Основы алгоритмической торговли: примеры и руководство

В этом видео представлен всесторонний обзор алгоритмической торговли, охватывающий различные аспекты, такие как стили торговли, рынки и системы. Докладчик начинает с объяснения основ алгоритмической торговли, подчеркивая использование технического анализа, основанного на ценовом действии, объеме и математических индикаторах. Подчеркнуто, что алгоритмическая торговля предполагает выполнение сделок и тестирование алгоритмов на истории с использованием компьютеров, что отличает ее от традиционного технического анализа.

Вводятся различные типы количественной/алгоритмической торговли, включая высокочастотную торговлю, статистический арбитраж и торговлю по тренду/возврату к среднему/импульсной торговле. Спикер уделяет особое внимание свинговой и внутридневной торговле на фьючерсном рынке. Статистический арбитраж предполагает извлечение выгоды из разницы в цене путем одновременной покупки и продажи актива, в то время как торговля по тренду/возврату к среднему/импульсу использует компьютеры для совершения направленных сделок с целью получения прибыли. Чтобы проиллюстрировать эти концепции, демонстрируется пример программы алгоритмической торговли с использованием программного обеспечения TradeStation. Программа предназначена для покупки в день падения с красной свечой и продажи в следующий положительный день, включая цель в долларах и стоп. Докладчик демонстрирует интеграцию этой алгоритмической программы в график S&P 500 E-mini для тестирования на исторических данных.

В следующем сегменте рассматривается торговая стратегия на TradeStation. Спикер использует диаграмму, чтобы продемонстрировать случаи, когда стратегия была бы успешной или неудачной в зависимости от цвета свечи. Они уменьшаются, чтобы продемонстрировать отчеты о производительности, созданные TradeStation, с такими показателями, как чистая прибыль, общая прибыль, процент выигрышей, среднее количество сделок и просадка. Оптимизация стратегии также решается путем корректировки стопов и целей для оценки производительности при различных входных данных. Спикер подчеркивает, что алгоритмическая торговля экономит время, поскольку она может дать ценную информацию, на открытие которой в противном случае ушли бы месяцы.

Преимущества и недостатки алгоритмической торговли обсуждаются в следующем разделе. Преимущества включают в себя снижение человеческих и эмоциональных ошибок, быстрое тестирование торговых идей, более быстрый ввод ордеров и возможность тестировать несколько идей и создавать портфели. Однако признаются и недостатки, такие как чрезмерная самоуверенность, чрезмерная оптимизация и неспособность учитывать геополитические события или фундаментальные методы торговли. Хотя алгоритм можно запрограммировать так, чтобы он избегал торговли в значимые политические или экономические дни, обычно он работает при любых рыночных условиях.

Видео завершается кратким изложением его содержания. Он разъясняет различие между количественной торговлей и фундаментальной или обычной технической торговлей, подчеркивая силу алгоритмической торговли на простом примере алгоритма. Преимущества и недостатки алгоритмической торговли повторяются для всестороннего понимания. Спикер призывает зрителей обращаться с любыми вопросами и выражает надежду, что видео было информативным и полезным.

  • 00:00:00 В этом разделе инструктор знакомит с алгоритмической торговлей, включая различные стили торговли, рынки и системы. Алгоритмическая торговля в основном фокусируется на техническом анализе, используя ценовое действие, объем и математические индикаторы для информирования сделок. Инструктор объясняет, что технический анализ сам по себе не обязательно алгоритмический, поскольку алгоритмическая торговля предполагает использование компьютера для совершения сделок и алгоритмов обратного тестирования. Инструктор также определяет различные виды количественной/алгоритмической торговли, включая высокочастотную торговлю, статистический арбитраж и торговлю по тренду/возврату к среднему/импульсной торговле, объясняя, что его компания фокусируется на свинговой и внутридневной торговле на фьючерсном рынке.

  • 00:05:00 В этом разделе спикер обсуждает два типа алгоритмической торговли: статистический арбитраж и торговля по тренду/возврату к среднему/импульсной торговле. Статистический арбитраж включает в себя одновременную покупку и продажу актива, чтобы получить прибыль от разницы в цене, в то время как торговля по тренду/возврату к среднему/импульсу предполагает использование компьютеров для совершения направленных сделок для получения прибыли. Затем спикер приводит базовый пример алгоритмической торговой программы, использующей программное обеспечение TradeStation. Код основан на покупке на красной свече в день падения и продаже на следующий положительный день с целью в долларах и стопом. Затем программа добавляется на график S&P 500 E-mini для тестирования на исторических данных.

  • 00:10:00 В этом разделе спикер приводит пример торговой стратегии на TradeStation. Они используют график, чтобы показать примеры того, когда стратегия сработала бы, а когда нет, исходя из цветов свечей. Затем динамик уменьшает масштаб, чтобы показать, как TradeStation заполняет отчеты о производительности, предоставляя чистую прибыль и общую прибыль стратегии, а также процент выигрышей, средние сделки и просадку. Они также показывают, как оптимизировать стратегию, изменяя стопы и цели, чтобы увидеть, как стратегия работала бы с другими входными данными. Спикер подчеркивает, что смысл использования алгоритмов для торговли заключается в предоставлении информации, на осмысление которой без них ушли бы месяцы.

  • 00:15:00 В этом разделе обсуждаются преимущества и недостатки алгоритмического трейдинга. Преимущества включают в себя снижение вероятности человеческой ошибки и эмоциональной ошибки, возможность быстрого тестирования торговых идей, более быстрый ввод ордеров, а также возможность тестировать несколько идей и создавать портфели. К недостаткам можно отнести чувство самоуверенности и сверхоптимизации, а также алгоритмическую торговлю без учета геополитических событий или фундаментальных торговых техник. Хотя алгоритм можно запрограммировать так, чтобы он не открывал сделки в ключевые политические или экономические дни, обычно он работает при любых рыночных условиях.

  • 00:20:00 В этом разделе спикер подытоживает содержание видео. Сначала они рассматривают разницу между количественной торговлей и фундаментальной или обычной технической торговлей, а затем приводят пример простого алгоритма, демонстрирующего мощь алгоритмической торговли. Также рассматриваются преимущества и недостатки алгоритмической торговли. Спикер призывает зрителей обращаться, если у них возникнут вопросы, и надеется, что видео было полезным.