Quantitative trading - страница 23

 

Практическое введение в количественную торговлю | Йельская школа менеджмента



Практическое введение в количественную торговлю | Йельская школа менеджмента

На семинаре по вводному количественному трейдингу спикер углубляется в создание, оценку и развертывание торговых алгоритмов на примерах кода. Сессия начинается с представления концепции количественной торговли, которая включает использование математических и статистических моделей для определения торговых возможностей и совершения сделок. Объясняются различные типы количественных торговых стратегий, в том числе импульсная торговля, системы торговли по среднему отклонению, математические модели, высокочастотная торговля и системы торговли на основе новостей. Спикер подчеркивает, что алгоритмы используются не только для торговли, но и для создания рынка и использования неэффективности цен для получения прибыли.

Затем объясняется базовая структура количественной торговой системы. Он включает в себя сбор данных, создание торговой стратегии, тестирование на истории, исполнение и управление рисками. Ценовые, фундаментальные, экономические и новостные данные обычно используются для торговых алгоритмов. Для разработки торговых правил стратегии можно использовать технический, статистический и математический анализ. Бэктестинг включает тестирование правил на исторических данных для оценки их эффективности. Исполнение может быть ручным или автоматическим, а управление рисками имеет решающее значение для распределения капитала и установки параметров риска, таких как стоп-лосс. Спикер приводит живые примеры количественных торговых стратегий, чтобы проиллюстрировать эти концепции.

Выделена стратегия, основанная на тренде, и для разработки алгоритма используются такие технические индикаторы, как экспоненциальная скользящая средняя (EMA), параболическая SM и стохастический осциллятор. Представлена платформа Contra, которая предлагает видеоуроки, интерактивные упражнения и практические занятия без установки программного обеспечения. Модули Python импортируются для помощи в создании алгоритма, а данные импортируются из файла CSV для определения правил торговли и мониторинга эффективности стратегии. Модуль TLA Python используется для установки параметров технических индикаторов, что упрощает процесс проектирования.

Инструктор объясняет, как определять правила торговли и генерировать торговые сигналы с помощью технических индикаторов, таких как EMA, быстрый стохастический и медленный осцилляторы стохастика. Описаны пять торговых условий для генерации сигналов на покупку, а также разработаны правила торговли для коротких позиций. Следующим шагом является тестирование стратегии с использованием блокнота Python для оценки ее практической эффективности. График доходности стратегии показывает, что алгоритм изначально терпел убытки, но с 2018 года набрал обороты, в конечном итоге получив прибыль к концу периода тестирования. Представлена BlueShift, платформа, которая позволяет с легкостью исследовать, создавать и тестировать алгоритмы на истории.

Далее следует демонстрация тестирования акций Bank of America с использованием платформы BlueShift. Платформа обеспечивает обслуживание данных и простую строку кода для импорта данных в Python. Определены индикаторы и торговые правила, а сделки выполняются автоматически на основе выполнения условий для длинных и коротких позиций. Тестирование на истории проводится с января 2020 года по октябрь 2021 года с капиталом в 10 000 долларов США, а производительность сравнивается с эталоном S&P 500. Результаты показывают, что рентабельность инвестиций составляет 113%. Можно получить подробные результаты ретроспективного тестирования для анализа ежемесячных доходов, совершенных сделок и используемой маржи, что облегчает принятие более эффективных торговых решений.

Докладчик демонстрирует, как получить доступ к исчерпывающим результатам ретроспективного тестирования на платформе BlueShift, включая визуальное представление показателей производительности, таких как доходность алгоритма и тепловые карты ежемесячной доходности. Позиции, занятые алгоритмом, анализируются, и изучаются ключевые показатели, такие как общая прибыль от длинных и коротких сторон. Параметры риска и лимиты ордеров можно настроить перед развертыванием стратегии в режиме реального времени, либо посредством торговли на бумаге, либо с реальным капиталом.

Объясняется процесс выбора брокера и указания параметров капитала и алгоритма для торговли на бумаге с использованием торговой платформы BlueShift. Пользователи могут выбирать из различных вариантов, таких как Alpaca для акций США, OANDA для форекс и Master Trust для торговли на индийских рынках. Спикер демонстрирует, как с помощью BlueShift задается матрица рисков с лимитом просадки 30% и лимитами ордеров и размеров 1 000 и 10 000 соответственно. Пользователи могут выбрать автоматическое выполнение или метод подтверждения в один клик в зависимости от своих предпочтений. Как только пользователь нажимает «Подтвердить», алгоритм начинает работать, и BlueShift устанавливает соединение с торговой фракцией бумаги Alpaca. Приборная панель постоянно обновляет торговый капитал, сделки, позиции и другую соответствующую информацию в режиме реального времени.

Спикер выделяет два продукта, необходимых для количественной торговли: Conda и BlueShift. Conda используется для получения данных из различных источников, включая курсы акций, криптовалюты, новости и социальные сети. Курс объясняет, как получить доступ к фундаментальным отчетам или извлечь данные из социальных сетей в торговые системы с помощью API. BlueShift, второй продукт, используется для разработки и тестирования стратегий с использованием эконометрических моделей и анализа временных рядов. Курс содержит примеры и код для различных торговых стратегий, таких как торговые стратегии с отклонением от среднего, импульсные торговые стратегии и стратегии внутридневной торговли. Кроме того, курс охватывает «Управление портфелем с использованием иерархического несоответствия машинного обучения», чтобы облегчить управление портфелем и контроль рисков с использованием методов машинного обучения. BlueShift позволяет тестировать торговые стратегии на самых разных наборах данных.

Обсуждается доступность различных наборов данных для практики количественной торговли, включая акции США, криптовалюты, форекс, индийские акции и данные о недвижимости. Объясняются облачные и настольные развертывания, при этом облачное выполнение обрабатывается брокером. Интеграция на рабочем столе может быть достигнута с помощью программного обеспечения IBridgePy, которое подключается к таким брокерам, как Interactive Brokers или eTrade. Студентам, посетившим сессию, предлагается код на скидку 60% на все курсы, доступные на веб-сайте ContraQuant. Веб-сайт предлагает курсы, подходящие для начинающих, трейдеров среднего и продвинутого уровня, охватывающие широкий спектр понятий, таких как нейронные сети, обработка естественного языка (NLP), импульсные стратегии, опционы, фьючерсы и парная торговля.

  • 00:00:00 Обсуждается семинар по вводному количественному трейдингу, посвященный созданию, оценке и развертыванию торговых алгоритмов с использованием примеров кода. Сессия знакомит с концепциями количественной торговли, включая использование математических и статистических моделей для определения торговых возможностей и совершения сделок. Объясняются различные типы количественных торговых стратегий, такие как импульсная торговля, системы торговли по среднему отклонению, математические модели, высокочастотная торговля и системы торговли на основе новостей. Наконец, отмечается, что алгоритмы также используются в маркетмейкинге и для извлечения прибыли из неэффективности цен.

  • 00:05:00 Спикер объясняет базовую структуру количественной торговой системы, которая включает в себя сбор данных, создание торговой стратегии, тестирование на истории, исполнение и управление рисками. Наиболее часто используемые данные для торговых алгоритмов — это ценовые, фундаментальные, экономические и новостные данные. Для разработки торговых правил стратегии можно использовать технический, статистический и математический анализ. При ретроспективном тестировании правила проверяются на исторических данных, чтобы оценить их эффективность. Исполнение может быть ручным или автоматическим, а управление рисками помогает с распределением капитала и установкой параметров риска, таких как стоп-лосс. Спикер также приводит живые примеры количественных торговых стратегий.

  • 00:10:00 Спикер обсуждает трендовую стратегию, используемую в количественном трейдинге, и то, как ее можно разработать с использованием таких технических индикаторов, как экспоненциальная скользящая средняя, параболическая SM и стохастический осциллятор на платформе Contra. Платформа предлагает видеоуроки, интерактивные упражнения и практические занятия, не требуя от пользователя установки какого-либо программного обеспечения. Спикер импортирует модули Python, чтобы помочь создать алгоритм, и импортирует данные из файла CSV, который используется для определения правил торговли и мониторинга эффективности стратегии. Параметры технического индикатора задаются с помощью модуля TLA Python, что упрощает разработку этих индикаторов.

  • 00:15:00 Инструктор объясняет, как определять торговые правила и генерировать торговые сигналы с помощью технических индикаторов, таких как EMA, быстрый стохастический осциллятор и медленный стохастический осциллятор. Они определяют пять торговых условий, которые необходимо выполнить, чтобы генерировать сигнал на покупку, а также разрабатывают правила торговли для коротких позиций. Следующий шаг — протестировать стратегию на истории, чтобы увидеть, насколько хорошо она работает на практике, что они и делают с помощью блокнота Python. График доходности стратегии показывает, что алгоритм понес убытки в начале 2017 года, но восстановился с 2018 года и к концу периода тестирования принес прибыль. Они также представляют BlueShift, платформу, которая позволяет пользователям исследовать, создавать и тестировать алгоритмы одним нажатием кнопки.

  • 00:20:00 Мы видим демонстрацию тестирования акций Bank of America с использованием платформы Blue Shift. Платформа обеспечивает обслуживание данных и простую строку кода для импорта данных в Python. Индикаторы и торговые правила определяются, и сделки совершаются автоматически на основе выполнения условий для длинных и коротких позиций. Тестирование на исторических данных проводится с января 2020 года по октябрь 2021 года с капиталом в 10 000 долларов США, а производительность сравнивается с эталонным показателем S&P 500. Результаты показывают 113% возврата инвестиций. Можно провести более подробное бэктестирование, чтобы получить подробную информацию о ежемесячных доходах, совершенных сделках и использованной марже, что позволит принимать более эффективные торговые решения.

  • 00:25:00 Докладчик демонстрирует, как получить доступ к полным результатам тестирования на истории на платформе Blueshift, включая визуальное представление показателей производительности, таких как доходность алгоритма и тепловые карты ежемесячной доходности. Они также объясняют, как анализировать позиции, открытые алгоритмом, и изучают ключевые показатели, такие как общая прибыль, полученная от длинных и коротких сторон. Затем докладчик показывает, как настроить параметры риска и лимиты ордеров, прежде чем развертывать стратегию в режиме реального времени, либо посредством торговли на бумаге, либо с реальным капиталом.

  • 00:30:00 Спикер объясняет, как выбрать брокера и указать параметры капитала и алгоритма для торговли на бумаге с использованием торговой платформы BlueShift. Пользователь может выбирать из различных вариантов, таких как Alpaca для акций США, OANDA для форекс и Master Trust для торговли на индийских рынках. Спикер демонстрирует, как с помощью BlueShift задать матрицу рисков с лимитом просадки 30% и лимитами ордеров и размеров 1000 и 10000 соответственно. Пользователи могут выбрать автоматическое выполнение или метод подтверждения одним щелчком мыши в зависимости от своих предпочтений. Алгоритм запускается, как только пользователь нажимает «Подтвердить», и BlueShift начинает подключаться к бумажной торговой фракции Alpaca. Панель инструментов отображает торговый капитал, сделки, позиции и обновляется каждую миллисекунду.

  • 00:35:00 Спикер обсуждает два продукта, которые будут использоваться для количественной торговли, Conda и Blueshift. Conda используется для получения данных из различных источников, от курсов акций и криптовалют до новостей и социальных сетей. Курс описывает, как получить доступ к фундаментальным отчетам или извлечь данные из социальных сетей в торговые системы с помощью API. Второй продукт, Blueshift, предназначен для разработки и тестирования стратегий с использованием эконометрических моделей и анализа временных рядов. Курс предлагает примеры и код для различных торговых стратегий, таких как торговые стратегии среднего деления, импульсные торговые стратегии и стратегии внутридневной торговли. Кроме того, для управления портфелем и контроля рисков они предлагают «Управление портфелем с использованием иерархического несоответствия машинного обучения» с использованием методов машинного обучения. Blueshift позволяет тестировать торговые стратегии на самых разных наборах данных.

  • 00:40:00 Спикер обсуждает различные наборы данных, доступные для практики количественной торговли, включая акции США, криптовалюты, форекс, индийские акции и данные о недвижимости. Доступны два типа развертывания: облачное и настольное, при этом облачное выполнение выполняется брокером. Интеграция на рабочем столе может быть выполнена с помощью программного обеспечения IBridgePy для подключения к таким брокерам, как Interactive Brokers или eTrade. Студентам, посещающим сессию, выдается код на скидку 60% на все курсы, доступные на веб-сайте ContraQuant, который предлагает курсы, подходящие для начинающих, трейдеров среднего и продвинутого уровня, и охватывает широкий спектр понятий, таких как нейронные сети, НЛП, импульсные стратегии и т. д. торговля опционами, фьючерсами и парами.
 

Прогнозируйте ежедневные цены на акции и автоматизируйте стратегию дневной торговли



Прогнозируйте ежедневные цены на акции и автоматизируйте стратегию дневной торговли

На вступительном веб-семинаре ведущий представляет основную тему сессии, а именно прогнозирование ежедневных цен на акции и автоматизацию стратегии дневной торговли. Сессия включает в себя две презентации проектов. Первая презентация сделана Ренато Отто из Великобритании, который обсуждает прогнозирование ежедневных цен на акции с использованием классификатора случайного леса, технических индикаторов и данных о настроениях. Ренато Отто представлен как опытный человек, участвующий в разработке программного обеспечения и инструментов для количественного анализа и систематического выявления рыночных манипуляций на энергетическом рынке Великобритании.

Ренато Отто разделяет мотивацию завершения проекта, объясняя, что это была возможность консолидировать его знания в области программирования на Python, обработки данных и машинного обучения в комплексном проекте. Проект был направлен на улучшение его навыков и изучение возможностей машинного обучения и обработки естественного языка в трейдинге. Кроме того, цель состояла в том, чтобы создать что-то, что можно было бы использовать повторно для других в их собственном анализе или реализации стратегии. Проект включает девять шагов, начиная с определения деталей анализа в словаре и инициализации конвейера. Затем программа запускается для получения набора данных, необходимого для бэктестинга вычислений. Ведущий подчеркивает важность проверки удобства использования программы и обеспечения достоверности итоговых цифр.

Спикер объясняет методы, используемые для тестирования стратегии дневной торговли на исторических данных. Они обсуждают класс стратегии ретроспективного тестирования, который состоит из различных методов предварительной обработки данных, обучения и тестирования модели, а также анализа эффективности стратегии. Выходные данные процесса ретроспективного тестирования включают таблицы и графики, которые показывают рентабельность инвестиций, коэффициент резкости, максимальную просадку и другие соответствующие параметры. Хотя тестирование на исторических данных помогает определить потенциальную прибыльность стратегии, спикер предупреждает, что оно упрощает некоторые аспекты, которые могут оказаться неверными в реальной торговле. Спикер упоминает последнее улучшение программы, которое включает в себя обновление параметров для отражения реальных условий торговли, включая комиссию за транзакцию и размер счета.

В ходе презентации спикер также обсуждает проблемы, с которыми пришлось столкнуться при разработке программы. Одной из проблем было внедрение интерактивного меню, предлагающего пользователям вводить данные, что требовало дополнительных усилий и усилий по разработке. Однако спикер утверждает, что оно того стоило, поскольку сделало программу более удобной для пользователя. Другие проблемы включали поиск решений для расчета показателей производительности и поддержания баланса между работой и личной жизнью. Чтобы преодолеть эти трудности, докладчик рекомендует такие стратегии, как рисование диаграмм, написание комментариев в качестве трамплина к коду, перерывы, поиск в Интернете и консолидация знаний. Докладчик также рассказывает о достижениях, полученных в ходе проекта, таких как консолидация знаний в области количественных финансов и навыков программирования, обретение уверенности в управлении проектом от начала до конца и демонстрация возможностей машинного обучения в прогнозировании цен на акции.

Спикер обсуждает свои планы на будущие проекты после завершения текущего. Они упоминают о своем намерении изучать новые стратегии с различными активами, расширять свои знания через свой блог и взаимодействие с другими энтузиастами, исследовать новые стратегии и модели машинного обучения и, в конечном итоге, внедрять прибыльные стратегии в реальной торговле. Спикер делится своей контактной информацией для дальнейших вопросов или запросов о проекте. Аудитория задает несколько вопросов, в том числе о количестве ночей, проведенных в проекте, и о том, можно ли использовать программу для торговли криптовалютой.

Что касается данных, используемых для проекта, создатель поясняет, что они обучали модель на ежедневных ценах Tesla с момента основания компании в 2009 году. Процесс обучения занял пять месяцев, а тестирование модели проходило пару лет. Что касается снижения риска, создатель упоминает, что в модели машинного обучения мало что можно сделать для снижения риска, но они оценили разумное количество сделок, чтобы убедиться, что большинство из них были прибыльными. Также создатель отвечает на вопросы о сроках прогнозирования цен и необходимости мощного ПК для обучения модели.

Спикер объясняет процесс обучения модели и рассказывает о преимуществах алгоритмической торговли перед дискреционными системами. Они упоминают, что можно обучить модель с помощью компьютера без графического процессора, хотя для получения рабочей модели может потребоваться несколько часов. Однако они советуют не полагаться на этот подход регулярно. Обсуждая преимущества алгоритмической торговли, спикер подчеркивает статистическую уверенность в прибыльности большинства сделок, что делает ее более прибыльной по сравнению с дискреционной торговлей. Наконец, спикер выражает свои ожидания от программы EPAC, заявляя, что она предоставила им основы для понимания алгоритмической торговли и необходимые инструменты для выбора специализации.

Затем второй спикер, Усуал Агравал из Индии, представлен как количественный трейдер и владелец бизнеса. Агравал делится своим опытом торговли на индийских рынках за последние четыре года и проблемами, с которыми они столкнулись, управляя своим бизнесом наряду с торговлей на постоянной основе. Чтобы преодолеть эти проблемы, Agrawal решил автоматизировать свои торговые настройки с помощью курса EPAT и безоговорочной поддержки со стороны команды Quantum City. В своей презентации Agrawal демонстрирует свою полностью автоматизированную торговую установку под названием «Intraday Straddles», которая сочетает в себе некоррелированные установки для получения достойной прибыли с минимальными просадками. Они обсуждают свой подход к сбору данных, ретроспективному тестированию, фронтальному тестированию, развертыванию и оценке эффективности своей торговой стратегии.

Во время презентации спикер подробно рассказывает о данных, системах и параметрах, используемых для тестирования их стратегии внутридневной торговли. Их стратегия включает в себя создание стрэддлов и стрэнглов для данных о фьючерсах и опционах Nifty и Bank Nifty с использованием минутного таймфрейма. Спикер использовал данные за два года с марта 2019 года по март 2021 года, которые охватывают как период низкой волатильности, так и пандемию COVID-19. Они объясняют различные классы, используемые для тестирования на исторических данных, и тестируемые параметры, включая изменения уровней стоп-лосса. Наконец, спикер представляет результаты процесса тестирования на исторических данных.

Докладчик переходит к обсуждению результатов их тестирования на исторических данных и переднего тестирования стратегии дневной торговли. На этапе тестирования они достигли чистой прибыли в 3,15 лакха, что эквивалентно годовой доходности 52,9%. Соотношение попаданий рассчитывалось как в обычном, так и в нормализованном виде, причем последнее обеспечивало более реалистичную картину. Коэффициент резкости был определен равным 3,78, а кривая капитала получила хорошую поддержку трехмесячной простой скользящей средней. Однако на этапе предварительного тестирования стратегия не сработала так, как ожидалось, заработав всего 70 000 рупий за 11 месяцев, что соответствует годовой доходности 25%. Кривая собственного капитала оставалась плоской, что указывает на то, что в настоящее время стратегия может работать неэффективно и требует дальнейшего анализа. Докладчик также рассказывает об основных проблемах, с которыми пришлось столкнуться, и об уроках, извлеченных в ходе реализации проекта, а также об основных трудностях, возникающих при сборе данных.

Спикер обсуждает некоторые проблемы, возникающие при разработке стратегии внутридневной торговли. Одним из основных препятствий было получение надежных данных о внутридневных опционах, что требовало их приобретения у сторонних поставщиков. Еще одной проблемой была потенциальная систематическая ошибка выборки из-за сосредоточения внимания исключительно на данных за последние два года, которые могут неточно отражать общую эффективность стратегии. Кроме того, спикер отмечает эффект переполненности рынка, когда многие трейдеры используют аналогичные стратегии. Спикер объясняет свое решение разработать стратегию самостоятельно, допуская индивидуальные корректировки. Наконец, освещаются текущие оценки стратегии и усилия по ее диверсификации для повышения эффективности.

Спикер отвечает на вопросы аудитории, в том числе о том, выполняется ли программа вручную или автоматически с использованием облачных платформ, а также о том, как они отбирали акции для продажи стрэддлов и типичное расстояние стоп-лосса относительно премии. Стратегия применяется только к индексу Nifty и индексу Bank Nifty из-за проблем с ликвидностью, и спикер очищает данные методом проб и ошибок, исправляя изменения формата и удаляя дни с ошибками данных.

Спикер отвечает на два дополнительных вопроса, связанных с их дневной торговой стратегией. Они обсуждают процент стоп-лосса, используемый для тестирования, и проблемы, с которыми они столкнулись при программировании без опыта работы в области компьютерной инженерии. Они объясняют, как они преодолели эти трудности с помощью программы EPAT и наставничества от Quadency. Кроме того, спикер дает советы начинающим аналитикам и алгоритмическим трейдерам, подчеркивая важность проявления осторожности и надлежащего управления рисками при применении любой торговой стратегии на практике.

Докладчик подчеркивает важность диверсификации торговых стратегий и то, как это может помочь преодолеть фазы просадки в одной стратегии, в то время как другие продолжают работать хорошо. Они подчеркивают необходимость тщательного тестирования и проведения времени с каждой стратегией, чтобы изучить ее нюансы и эффективно их комбинировать. Важно отметить, что информация, предоставленная во время сессии, не предназначена для использования в качестве торгового совета.

Ведущий завершает вебинар, выражая благодарность спикеру Visual за то, что он поделился своим проектом и опытом. Они информируют аудиторию о том, что запись сеанса будет доступна на их канале YouTube, и что участники получат электронное письмо, содержащее необходимые коды и ссылки на GitHub, связанные с обсуждаемыми стратегиями. Ведущий надеется на проведение более интересных сессий в ближайшие месяцы, что еще больше обогатит знания и понимание аудитории.

Вебинар предоставил ценную информацию о прогнозировании дневных цен на акции и автоматизации стратегий внутридневной торговли. Первая презентация Ренато Отто была посвящена прогнозированию цен на акции с использованием классификатора случайного леса, технических индикаторов и данных о настроениях. Вторая презентация Usual Agrawal продемонстрировала их полностью автоматизированную торговую установку «Intraday Straddles», которая сочетала некоррелированные установки для получения прибыли с минимальными просадками. Оба докладчика поделились своими проблемами, достижениями и знаниями, преподнеся ценные уроки аудитории. Вебинар послужил платформой для изучения возможностей машинного обучения и обработки естественного языка в трейдинге и позволил заглянуть в захватывающий мир алгоритмической торговли.

  • 00:00:00 Ведущий представляет тему вебинара, которая заключается в прогнозировании ежедневных цен на акции и автоматизации стратегии дневной торговли. Будут представлены две презентации проекта: первая будет посвящена прогнозированию ежедневных цен на акции с помощью технических индикаторов случайного леса и данных о настроениях, представленная Ренато Отто из Великобритании, а вторая будет посвящена тому, как автоматизировать стратегию дневной торговли опционами, представленная Usual. Агравал из Индии. Ведущий представляет Ренато Отто и дает краткую информацию о нем, включая его опыт и участие в разработке программного обеспечения и инструментов для количественного анализа и систематического выявления рыночных манипуляций на энергетическом рынке Великобритании.

  • 00:05:00 Ведущий обсуждает свою мотивацию завершения проекта, который включает в себя прогнозирование ежедневных цен на акции и автоматизацию стратегии дневной торговли. Они хотели объединить свои знания в области программирования на Python, обработки данных и машинного обучения в комплексном проекте, который позволил бы улучшить их навыки и изучить возможности машинного обучения и обработки естественного языка в трейдинге. Кроме того, они стремились создать что-то, что можно было бы использовать повторно для других в их собственном анализе или реализации стратегий. Программа включает в себя девять шагов, начиная с предоставления подробностей в словаре для определения анализа, за которыми следует инициализация конвейера и запуск программы для получения набора данных для вычислений обратного тестирования. Докладчик затрагивает важность проверки удобства использования программы и обеспечения достоверности цифр в конце.

  • 00:10:00 Докладчик объясняет различные методы тестирования стратегии внутридневной торговли на исторических данных. Класс стратегии обратного тестирования состоит из нескольких методов, которые могут выполнять предварительную обработку данных, обучать и тестировать модели, а также анализировать эффективность стратегии. Выходные данные включают таблицы и графики, показывающие, среди прочих параметров, окупаемость инвестиций, коэффициент резкости и максимальную просадку. Хотя метод обратного тестирования полезен для определения потенциальной прибыльности стратегии, спикер предупреждает, что он делает несколько упрощений, которые могут быть неприменимы для реальной торговли. Последнее усовершенствование программы включает в себя обновление параметров, включая комиссию за транзакцию и размер счета, чтобы они отражали реальные торговые условия.

  • 00:15:00 Ведущий рассказывает о проблемах, с которыми он столкнулся при разработке программы прогнозирования дневных курсов акций и автоматизации дневной торговли. Одной из проблем была сложность реализации интерактивного меню, предлагающего пользователям вводить данные. Это потребовало дополнительных размышлений и разработки, но в итоге оно того стоило, потому что программа удобна для пользователя. Другие проблемы включали поиск решений для расчета показателей производительности и поддержания баланса между работой и личной жизнью. Чтобы преодолеть эти трудности, ведущий рекомендует рисовать диаграммы, писать комментарии в качестве трамплина к реальному коду, делать перерывы, гуглить проблемы и закреплять знания. Докладчик также обсуждает достижения, полученные в рамках этого проекта, такие как консолидация знаний в области количественных финансов и навыков программирования, обретение уверенности в управлении проектом от начала до конца и демонстрация того, как машинное обучение может быть эффективным в прогнозировании цены акций на следующий день.

  • 00:20:00 Спикер обсуждает свои планы на будущие проекты после завершения текущего проекта по прогнозированию дневных курсов акций и автоматизации стратегии дневной торговли. Он упоминает об изучении новых стратегий с различными активами, расширении знаний с другими энтузиастами через свой блог, исследовании новых стратегий и моделей машинного обучения и, в конечном итоге, реализации прибыльных стратегий в условиях реальной торговли. Кроме того, спикер делится своими контактными данными для тех, кто хочет задать вопросы или узнать больше о проекте. Аудитория также задает несколько вопросов, в том числе, сколько ночей было у спикера во время проекта и можно ли использовать программу в криптовалюте.

  • 00:25:00 Создатель использовал ежедневные цены Tesla с момента основания компании в 2009 году для обучения модели. Процесс обучения занял пять месяцев, а тесты модели проходили пару лет. Что касается снижения риска, создатель упомянул, что мало что можно сделать с моделью машинного обучения для снижения риска. Тем не менее, они оценили разумное или приемлемое количество сделок, чтобы убедиться, что большинство из них были прибыльными. Создатель также ответил на вопросы, касающиеся временных рамок прогнозирования цен и необходимости мощного ПК для обучения модели.

  • 00:30:00 Спикер рассказывает о процессе обучения модели и преимуществах алгоритмической торговли перед дискреционными системами. Он объясняет, что можно обучить модель с помощью компьютера без графического процессора, и получение работающей модели может занять несколько часов. Он отмечает, что это возможно сделать один раз, но не рекомендуется для постоянного использования. Отвечая на вопрос о преимуществах алгоритмической торговли, спикер заявляет, что существует статистическая уверенность в том, что большинство сделок являются прибыльными, что делает ее более прибыльной, чем дискреционная торговля. Наконец, спикер делится своими ожиданиями от программы epac, заявляя, что она предоставила ему основы для понимания алготрейдинга и инструменты для выбора его специализации.

  • 00:35:00 Второй спикер видео, Усуал Агравал, представлен как количественный трейдер и владелец бизнеса из Индии. Агравал торговал на индийских рынках в течение последних четырех лет и столкнулся с трудностями в управлении своим бизнесом, работая полный рабочий день. Это побудило его автоматизировать свои торговые настройки с помощью курса EPAD и безоговорочной поддержки со стороны команды Quantum City. Во время второй презентации Агравал демонстрирует свою полностью автоматизированную торговую установку «Intraday Straddles», которая сочетает в себе некоррелированные установки для получения достойной прибыли с минимальными просадками. Он также описывает свой подход к сбору данных, тестированию на исторических данных, фронтальному тестированию, развертыванию и оценке эффективности своей торговой стратегии.

  • 00:40:00 Докладчик обсуждает данные, системы и параметры, используемые для тестирования базовой стратегии внутридневной торговли, которая включает создание стрэддлов и стрэнглов для данных о фьючерсах и опционах Nifty и Bankruptcy с использованием минутного таймфрейма. Спикер использовал данные за два года с марта 2019 года по март 2021 года, которые включали как период низкой волатильности, так и период пандемии COVID-19. Затем спикер продолжает объяснять различные классы, используемые для тестирования на истории, и тестируемые параметры, включая различные уровни стоп-лосса. Наконец, спикер представляет результаты бэктестинга.

  • 00:45:00 Ведущий обсуждает результаты своего бэктестинга и фронт-тестирования дневной торговой стратегии. На этапе тестирования они получили чистую прибыль в размере 3,15 лакха, что соответствует годовой доходности 52,9%. Соотношение попаданий рассчитывалось как нормально, так и нормализовано, последнее давало более реалистичную картину. Коэффициент резкости составлял 3,78, а кривая капитала имела хорошую поддержку трехмесячной простой скользящей средней. Однако на этапе предварительного тестирования стратегия не сработала так, как ожидалось, заработав всего 70 000 рупий за 11 месяцев, что соответствует годовой доходности 25%. Кривая капитала была плоской, что указывало на то, что в настоящее время стратегия может быть неэффективной и ее необходимо проанализировать. Докладчик также делится своими основными проблемами и знаниями, полученными в ходе этого проекта, а также основными проблемами, возникающими при сборе данных.

  • 00:50:00 Спикер рассказывает о некоторых проблемах, с которыми столкнулись при разработке стратегии внутридневной торговли. Одной из основных проблем было получение надежных данных о внутридневных опционах, что требовало их приобретения у сторонних поставщиков. Еще одной проблемой была систематическая ошибка выборки, поскольку анализ был сосредоточен только на данных за последние два года, которые могут неточно отражать общую эффективность стратегии. Кроме того, спикер отметил эффект переполненности рынка, поскольку многие трейдеры используют аналогичные стратегии. Затем спикер рассказывает о причине выбора самостоятельной разработки стратегии, что позволяет вносить индивидуальные корректировки. Наконец, спикер обсуждает текущие оценки стратегии и усилия по ее диверсификации для большей эффективности.

  • 00:55:00 Спикер отвечает на вопросы аудитории, в том числе о том, выполняется ли программа вручную или автоматически с использованием облачных платформ, и как они выбирали, какие акции продавать стрэддлом, и насколько типичный стоп-лосс был относительно премии. Стратегия применима только к индексу Nifty и индексу Bank Nifty из-за проблем с ликвидностью, и спикер очищает данные методом проб и ошибок, исправляя изменения формата и удаляя дни с ошибками данных.

  • 01:00:00 Спикер отвечает на два вопроса о своей стратегии внутридневной торговли, в том числе о проценте стоп-лосса, который они использовали для тестирования, и о проблемах, с которыми они столкнулись при программировании, не имея опыта работы с компьютерной техникой. Они обсуждают, как они преодолели эти трудности с помощью программы EPAT и наставничества от Quadency. Спикер также дает советы начинающим квантам и алгоритмическим трейдерам, подчеркивая, что хотя представленная стратегия может показаться простой, при ее применении на практике важно соблюдать осторожность и правильно управлять рисками.

  • 01:05:00 Спикер обсуждает важность диверсификации торговых стратегий и то, как это может помочь, когда одна стратегия находится в фазе просадки, а другие работают хорошо. Он подчеркивает необходимость тестировать стратегии и проводить время с ними, чтобы изучать и комбинировать их таким образом, чтобы они работали лучше всего. Он делает заявление об отказе от ответственности, что это не торговый совет, и выражает благодарность Visual за то, что они поделились своим проектом и опытом. Запись сеанса будет доступна на их канале YouTube, и участники получат электронное письмо с необходимыми кодами и ссылками на GitHub. Ведущий надеется на более интересные сеансы в ближайшие месяцы.
 

Внедрение модели ценообразования и динамического распределения активов: вебинар проекта Algo Trading Project



Внедрение модели ценообразования и динамического распределения активов: вебинар проекта Algo Trading Project

Во время вебинара ведущий представляет первого спикера Евгения Тешкина, старшего количественного аналитика из России. Тешкин представляет свой проект по реализации модели ценообразования с использованием фильтрации Калмана, адаптивной к рыночным режимам. Он объясняет, что проект служит образовательным примером того, как использовать количественные методы онлайн-машинного обучения при разработке стратегий.

Тешкин подчеркивает преимущества методов онлайн-обучения, которые обеспечивают более глубокую автоматизацию и торговлю в режиме реального времени, что делает его более эффективным, чем традиционное переобучение моделей. Основная цель его проекта — создать торговые стратегии, улучшающие инвестирование в простой сектор, с особым акцентом на крупный технологический сектор фондового рынка США, включая такие компании, как Facebook, Apple, Netflix, Google, Amazon и Microsoft.

Спикер продолжает обсуждение подхода, который он использовал для реализации модели ценообразования и динамического распределения активов для своего проекта алготрейдинга. Он объясняет, что использовал статистические и количественные методы только для длинных позиций, выбирая точки входа и выхода и определяя недооцененные или переоцененные цены по отношению к другим акциям в секторе.

Для этого Тешкин использовал различные модели, такие как линейная регрессия, анализ основных компонентов (PCA) и фильтр Калмана. Эти модели помогли рассчитать остатки и найти оптимальные коэффициенты для статистического линейного спреда между коррелирующими акциями внутри сектора. Он подчеркивает важность относительной стоимости и объясняет, что в подходе к онлайн-обучению использовалось окно ретроспективного анализа в один год с учетом таких исходных данных, как цена акций и индекс стоматологов.

Докладчик углубляется в различные модели, которые он использовал для решения проблем анализа данных в своем проекте алготрейдинга. Он упоминает использование таких методов, как извлечение ортонормированных некоррелированных компонентов дисперсии, фильтр Калмана и скрытые марковские модели. Он объясняет, как эти модели были включены в его подход, и предоставляет ресурсы для дальнейшего обучения. Кроме того, он обсуждает результаты своего проекта и делится некоторыми приемами, которые он использовал для увеличения потенциально прибыльных позиций.

Далее спикер обсуждает, как ему удалось победить рынок, покупая и продавая акции на основе простых котировок на конец дня и дельты. Он объясняет, что риски, связанные с этой стратегией, были преодолены за счет использования нескольких входов и выходов, определяемых онлайн-методами относительной цены. Он исследует концепцию относительного ценообразования акций для определения входов и выходов, а также использование онлайн-машинного обучения для построения автоматических моделей ценообразования в реальном времени.

Спикер призывает аудиторию изучить свой проект в Интернете, предлагая возможность скачать код и связаться с ними, чтобы задать дополнительные вопросы. Они также упоминают, что вебинар будет записан и размещен на их канале YouTube вместе с файлом презентации и соответствующими ссылками. Во время сессии спикер взаимодействует с аудиторией, отвечая на вопросы об их участии в соревнованиях по алго-трейдингу и уточняя, были ли представленные результаты результатом реальной торговли или просто тестированием на истории.

После презентации ведущий вебинара отвечает на несколько вопросов зрителей, касающихся проекта алготрейдинга. Они охватывают такие темы, как использование линейной регрессии для оптимальной корреляции, эффективность стратегии «купи и держи» по сравнению с оптимизированной торговой стратегией и включение скрытых состояний в статистическую модель. Ведущий дает проницательные ответы, подробно рассказывая о деталях проекта и объясняя принятие решений, лежащих в основе их подхода.

Затем вебинар переходит к представлению следующего проекта, посвященного динамическому размещению активов с использованием нейронных сетей. Спикер объясняет, что их проект направлен на создание автоматизированной системы для стратегии «купи сегодня, продай завтра» для банковских акций с минимальным ручным вмешательством. Они обсуждают разработку модели, реализацию стратегии и аспекты управления рисками своего проекта, подчеркивая использование моделей глубокого обучения, обученных на исторических данных для отличных банковских акций.

Докладчик подробно описывает стратегию, которая включает в себя объединение результатов различных моделей для определения ожидаемой доходности каждой акции. На основании этих соотношений средства распределяются по соответствующим акциям. Часть проекта по управлению рисками касается таких вопросов, как транзакционная стоимость и автоматизация. Спикер подчеркивает важность эффективного управления рисками в торговом алгоритме.

Далее спикер рассказывает о стратегии, управлении рисками и проблемах, с которыми пришлось столкнуться при разработке торгового алгоритма. Они объясняют реализацию конвергентной архитектуры как для вероятностной модели доходности, так и для модели доходности. Стратегия включает в себя расчет ожидаемой доходности для каждой акции и деление ее на волатильность доходности для получения коэффициента. Затем доступные средства распределяются пропорционально акциям с положительным коэффициентом, а портфели продаются пропорционально ожидаемым убыткам. Алгоритм постоянно обновляется, и для снижения риска применяются механизмы стоп-лосс. Докладчик признает проблемы с автоматизацией процесса обновления и упоминает об отсутствии стратегии микроструктуры рынка для определения оптимальных цен покупки или продажи.

Спикер переходит к обсуждению результатов своих усилий по тестированию на исторических данных и выбору 20-дневной комбинации как наиболее подходящей для их модели. Они также упоминают предстоящие шаги в рамках проекта, в том числе интеграцию текстовых новостей о банковских акциях и разработку решения на основе приложения для Android для дальнейшей автоматизации. У аудитории есть возможность задавать вопросы, ведущие к обсуждению таких тем, как результаты тестирования на истории и использование в модели механизмов стоп-лосс. Спикер сообщает, что результаты тестирования на исторических данных были приличными, предоставив примерно 5% шаблонов за определенный период времени. Они также упоминают фазу бета-тестирования, которая за последние шесть месяцев дала доход около 10%.

Отвечая на вопрос аудитории о реализации стоп-лосса, спикер объясняет, что они включили пятипроцентный стоп-лосс от стоимости портфеля на стоимость инвестиций для каждой акции. Когда убыток по акции достигает пяти процентов от инвестиций, она автоматически удаляется из портфеля, чтобы ограничить максимальный убыток пятью процентами. Спикер далее отвечает на вопросы, касающиеся эффективности динамического распределения активов по сравнению с простой стратегией «купи и держи». Они подчеркивают, что сравнительный анализ с Nifty Bank показал разумную производительность, доходность близка к пяти процентам. Спикер также объясняет свое решение сосредоточиться на банковском секторе из-за того, что он отражает общие рыночные условия, и упоминает, что их опыт в области машинного обучения способствовал их повышению квалификации для проекта.

После презентаций проекта участник делится своим положительным опытом с EPAT, подчеркивая его ценность с точки зрения теоретического обучения и практической реализации. Они выражают признательность за получение математического понимания ценообразования опционов и фьючерсов, а также высоко оценивают систему поддержки программы и специального менеджера по эффективности, который предоставил ценные рекомендации. Хотя курс был сложным, участник считает, что он был необходим для личного и профессионального роста. Они поощряют начинающих трейдеров исследовать и расширять свои знания за пределами своих нынешних сильных сторон, поскольку они постепенно станут экспертами в торговых операциях.

В заключительной части спикеры подчеркивают важность скорейшего применения полученных знаний в реальных сценариях. Они рекомендуют использовать курс iPad для ежедневных торговых экспериментов, способствуя непрерывному обучению и росту. Вебинар завершается благодарностью спикерам и аудитории, а также просьбой предложить темы для будущих вебинаров.

  • 00:00:00 Ведущий вебинара представляет первого спикера, Евгения Тешкина, старшего количественного аналитика из России, который представляет свой проект по реализации модели ценообразования с использованием адаптивной к рыночным режимам фильтрации Калмана. Тешкин объясняет, что проект является образовательным примером того, как использовать количественные методы онлайн-машинного обучения при разработке стратегий. Он подчеркивает, что метод онлайн-обучения позволяет более глубоко автоматизировать и торговать в режиме реального времени, что более эффективно, чем переобучение традиционной модели. Целью проекта является создание торговых стратегий, улучшающих инвестирование в простые сектора, с упором на крупный технологический сектор фондового рынка США, такой как Facebook, Apple, Netflix, Google, Amazon и Microsoft.

  • 00:05:00 Спикер объясняет свой подход к реализации модели ценообразования и динамического распределения активов для проекта алготрейдинга. Подход включал использование статистических или количественных методов только для длинных позиций, выбор точек входа и выхода, а также определение недооцененных или переоцененных цен по отношению к другим акциям в секторе. Докладчик использовал линейную регрессию, анализ основных компонентов и модели фильтра Калмана для расчета остатков и нахождения оптимальных коэффициентов для статистического линейного спреда между коррелирующими акциями сектора. Ключевым моментом была относительная стоимость акций, и онлайн-обучение имело окно ретроспективного анализа в один год с использованием таких исходных данных, как цена акций и индекс стоматологов.

  • 00:10:00 Спикер обсуждает различные модели, которые он использовал для решения задач анализа данных для своего проекта алготрейдинга, в том числе извлечение ортонормированных некоррелированных компонент дисперсии, фильтр Калмана и скрытые марковские модели. Он объясняет, как он использует эти модели в своем подходе, и предоставляет ресурсы для дальнейшего обучения. Кроме того, он обсуждает результаты своего проекта и уловки, которые он использовал для увеличения потенциально прибыльных позиций.

  • 00:15:00 Спикер обсуждает подход, используемый для победы над рынком путем покупки и продажи акций на основе простых котировок на конец дня и дельты. Они также объясняют, как им удалось преодолеть риски, связанные с этой стратегией, используя множественные входы и выходы, определяемые онлайн-методами относительной цены. Исследуется концепция использования относительного ценообразования акций для определения входов и выходов, а также использование онлайн-машинного обучения для построения автоматизированных моделей ценообразования в реальном времени. Спикер призывает аудиторию проверить свой проект в Интернете и не стесняться загружать свой код и обращаться к ним за дополнительными вопросами. Вебинар будет записан и размещен на канале YouTube вместе с файлом презентации и ссылками. Спикер также отвечает на вопросы аудитории об их участии в соревнованиях по алготрейдингу и о том, были ли представленные результаты результатом реальной торговли или просто тестированием на истории.

  • 00:20:00 Ведущий вебинара отвечает на несколько вопросов зрителей об их проекте алготрейдинга. Один из зрителей спросил об использовании линейной регрессии для оптимальной корреляции с целевой VR, а ведущий объяснил, что входными данными для регрессионной модели были просто дельты цен для других акций. Другой зритель спросил, почему стратегия «купи и держи», по-видимому, работает лучше всего, на что ведущий ответил, что, хотя она может обеспечить наибольшую общую прибыль, цель проекта состояла в том, чтобы снизить риск, а доходность с поправкой на риск была на самом деле выше. для оптимизированной стратегии трафика. Докладчик также затронул вопрос о скрытых состояниях в статистической модели, используемой в проекте.

  • 00:25:00 Спикер объясняет состояния и признаки, которые он использовал для своего анализа при разработке проекта алготрейдинга. В качестве рыночных режимов он выбрал от двух до трех состояний, рассчитанных по таким параметрам, как ценовые дельты для секторных ETF и большие дельты в качестве наблюдаемых рыночных индикаторов. Он использовал простые функции, такие как ценовые дельты и их скользящие средние, и он также извлек из этих дельт первый и второй компоненты для линейной регрессии. Что касается выбора основных компонентов для использования в PCA, стратегия заключалась в том, чтобы использовать первый и по крайней мере еще один компонент, поскольку они объясняют большую часть вариаций в секторе. Спикер также упоминает, что, хотя прогнозирование волатильности является еще одной областью для изучения, этот проект был сосредоточен на прогнозировании цены для снижения торговых рисков.

  • 00:30:00 Ведущий отвечает на пару вопросов из зала. Один из вопросов касается того, была ли модель ценообразования проверена на истории на других инструментах, таких как криптовалюта или форекс, на что докладчик объясняет, что пока нет, но эти концепции могут быть применены к различным финансовым инструментам. Другой вопрос заключается в том, легче ли прогнозировать торговлю фьючерсами, чем акции, с использованием машинного обучения, и докладчик объясняет, что это зависит от модели, но что принципы одинаковы, и рекомендует сохранять простоту, чтобы избежать переобучения. Затем ведущий представляет следующий проект, посвященный динамическому распределению активов с использованием нейронных сетей.

  • 00:35:00 Ведущий рассказывает о своем проекте «динамическое размещение активов с использованием нейронных сетей», направленном на построение автоматизированной системы для стратегии «купи сегодня, продай завтра» на банковских акциях с минимальным ручным вмешательством. Решение состоит из частей разработки модели, стратегии и управления рисками. Разработка модели включает в себя разработку набора из трех моделей глубокого обучения, включая вероятностную модель и две модели, основанные на доходности, путем их обучения пятилетним данным по 12 акциям отличных банков. Стратегия включает в себя объединение результатов этих моделей для получения ожидаемой доходности акций, а затем распределение средств между соответствующими акциями на основе коэффициентов. Наконец, часть управления рисками включает в себя решение таких вопросов, как стоимость транзакции и автоматизация.

  • 00:40:00 Спикер объясняет стратегию, управление рисками и проблемы, с которыми они столкнулись при разработке своего торгового алгоритма. Они использовали конвергентную архитектуру для построения как своей вероятностной модели доходности, так и своей модели доходности. Стратегия заключалась в расчете ожидаемой доходности каждой акции и делении ее на волатильность доходности, чтобы получить коэффициент. Затем они распределили свои наличные деньги пропорционально положительному коэффициенту s и продали портфели пропорционально ожидаемым убыткам. Алгоритм динамически обновлялся, и к акциям применялись стоп-лоссы. Одной из проблем была автоматизация процесса обновления, а другой — отсутствие стратегии микроструктуры рынка, позволяющей предложить лучшую цену для покупки или продажи.

  • 00:45:00 Спикер обсуждает результаты своего тестирования на исторических данных и то, как они пришли к использованию 20-дневной комбинации как наиболее подходящей для их модели. Они также упоминают о предстоящих шагах, таких как интеграция текстовых новостей о банковских акциях и дальнейшая автоматизация модели в решении на основе приложения для Android. Спикер также отвечает на вопросы аудитории, в том числе вопросы о результатах тестирования на истории и использовании стоп-лосса в их модели. Доход от тестирования на истории был приличным, давая около 5% моделей за определенный период времени, а бета-тестирование дало доход около 10% за последние шесть месяцев.

  • 00:50:00 Спикер объясняет, что они внедрили стоп-лосс в размере пяти процентов от стоимости портфеля на стоимость инвестиции в акции. Когда акции теряют пять процентов от суммы, вложенной в них, они удаляются из портфеля, чтобы ограничить максимальный убыток пятью процентами для любой акции. Затем спикер отвечает на вопросы о том, работает ли динамическое распределение активов лучше, чем простая покупка и удержание, и объясняет, что они сравнили его с Nifty Bank и обнаружили, что оно работает достаточно хорошо, близко к пяти процентам. Спикер также объясняет, что они не использовали гибридную настройку параметров для нейросети, а выбрали тему проекта, чтобы объединить глубокое обучение и трейдинг, сосредоточившись на банковском секторе, поскольку рынок отражает состояние банков. Они также упоминают, что их опыт в области машинного обучения помог им повысить квалификацию для проекта.

  • 00:55:00 Участник делится положительным опытом EPAT, заявляя, что это было полезно как с точки зрения теоретического обучения, так и с точки зрения практической реализации. Они отмечают, что это помогло им получить математическое понимание того, как оцениваются опционы и фьючерсы. Участник также хвалит систему поддержки программы и специального менеджера по эффективности, который помогал следить за их прогрессом. Хотя курс показался им сложным, они считают, что он был важен для их роста как создателя и профессионала. Начинающим трейдерам рекомендуется исследовать и не ограничивать себя своими текущими сильными сторонами, поскольку в конечном итоге они поймут, как все работает.

  • 01:00:00 Спикеры подчеркивают ценность практических знаний перед теоретическими и призывают участников как можно быстрее применять полученные знания в реальной жизни. Они рекомендуют использовать курс для iPad для ежедневных экспериментов с торговлей, чтобы помочь участникам расти, внедряя и узнавая больше. Вебинар завершается выражением благодарности спикерам и аудитории и просьбой предложить темы для будущих вебинаров.
 

Применение машинного обучения в трейдинге, Ишан Шах и Рехит Пачанекар | Неделя алготрейдинга, день 7



Применение машинного обучения в трейдинге, Ишан Шах и Рехит Пачанекар | Неделя алготрейдинга, день 7

Ишан Шах и Рехит Пачанекар, ведущие вебинара, начинают с того, что представляют себя и выражают свое волнение по поводу последнего дня недели алготрейдинга. Они объявляют победителей конкурса алготрейдинга и высоко оценивают их достижения. Они упоминают, что в центре внимания сегодняшней презентации будет машинное обучение и его применение в трейдинге. Они также информируют аудиторию о том, что в конце презентации будет сессия вопросов и ответов.

Рехит Пачанекар начинает вебинар и погружается в основы машинного обучения. Он использует распознавание изображений в качестве примера, чтобы объяснить, как машинное обучение позволяет алгоритмам учиться на данных и принимать решения без сложного программирования. Затем он обсуждает роль машинного обучения в трейдинге и инвестициях, в частности, в создании персонализированных инвестиционных портфелей на основе различных данных, таких как зарплата, профессия и регион. Машинное обучение также помогает присваивать веса активам в портфеле и помогает в разработке торговых стратегий. Пачанекар подчеркивает скорость и возможности анализа данных машинного обучения, которые используются хедж-фондами, пенсионными фондами и взаимными фондами для принятия инвестиционных и торговых решений.

Двигаясь вперед, Ишан Шах и Рехит Пачанекар углубляются в семь шагов, связанных с созданием модели машинного обучения для торговли. Они подчеркивают, что даже отдельные розничные трейдеры могут использовать технологию машинного обучения для создания своих собственных торговых стратегий. Первым шагом, который они обсуждают, является определение постановки проблемы, которая может варьироваться от общего стремления к положительной доходности до более конкретных целей, таких как определение подходящего времени для инвестиций в определенные акции, такие как JP Morgan. Второй шаг включает в себя получение данных хорошего качества, чтобы убедиться в отсутствии пропущенных или повторяющихся значений и исключений. Выступающие подчеркивают важность качества данных для построения точной модели машинного обучения.

Шах и Пачанекар переходят к объяснению процесса выбора входных и выходных переменных для модели машинного обучения в трейдинге. Они выделяют выходную переменную или целевую переменную, которая представляет собой будущую доходность акции. Они упоминают, что сигнальной переменной присваивается значение 1, когда прогнозируется, что будущие доходы будут положительными, и 0, когда они прогнозируются как отрицательные. Входные переменные или признаки должны обладать предсказательной силой и соответствовать требованию стационарности, то есть они демонстрируют среднюю и постоянную дисперсию. Они подчеркивают, что такие переменные, как открытие, минимум, максимум и закрытие, не являются стационарными и не могут использоваться в качестве входных признаков.

Далее докладчики обсуждают выбор входных данных для своей модели машинного обучения в трейдинге. Они объясняют потребность в стационарных входных функциях и достигают этого, используя значения процентного изменения для разных периодов времени. Они также подчеркивают важность предотвращения корреляции между входными переменными и демонстрируют использование тепловой карты корреляции для выявления и устранения сильно коррелирующих функций. Окончательный выбор входных функций включает значения процентного изменения для разных периодов времени, RSI (индекс относительной силы) и корреляцию. Прежде чем использовать модель для реальной торговли, они разделили набор данных на наборы для обучения и тестирования, чтобы оценить его производительность.

Спикеры подчеркивают важность обеспечения качества и актуальности наборов данных, используемых в моделях машинного обучения. Они представляют концепцию деревьев решений и расспрашивают участников о личных процессах принятия решений, когда речь идет о покупке акций или активов, упоминая ответы, начиная от технических индикаторов и заканчивая рекомендациями друзей. Они утверждают необходимость создания ментальной модели для принятия решений, основанной на личном опыте использования таких функций. Они вводят случайные леса как способ преодоления проблем переобучения и объясняют использование байесовских деревьев в качестве основы для деревьев решений.

Шах и Пачанекар объясняют, как алгоритмы машинного обучения, в частности деревья решений, можно использовать для создания правил торговли. Эти правила, включающие технические индикаторы, такие как ADX (индекс среднего направления) и RSI, позволяют трейдерам принимать решения на основе заранее определенных условий. Чтобы гарантировать, что эти правила не основаны исключительно на удаче, ведущие вводят понятие случайного леса. Они объясняют, что случайный лес объединяет несколько деревьев решений для создания более обобщенной и надежной торговой стратегии. Случайным образом выбирая подмножество признаков для каждого дерева, случайный лес снижает вероятность переобучения и обеспечивает более точные прогнозы. Докладчики обсуждают различные параметры, необходимые для алгоритма случайного леса, включая количество оценок, максимальные признаки и максимальную глубину дерева.

Далее докладчики углубляются в реализацию классификатора случайного леса для применения машинного обучения в трейдинге. Они подчеркивают важность контроля глубины дерева решений и случайного выбора признаков, чтобы избежать переобучения и обеспечить согласованные результаты. Классификатор случайного леса изучает правила из входных признаков и ожидаемых результатов, которые затем используются для прогнозирования невидимых данных. Они также упоминают, что производительность модели можно измерить с помощью различных показателей.

Затем докладчики обсуждают важность оценки эффективности модели машинного обучения, прежде чем вкладывать реальные деньги на основе ее рекомендаций. Они вводят понятие точности, которое включает проверку того, соответствуют ли прогнозы модели реальным результатам рынка. Они подчеркивают, что точность модели обычно колеблется от 50% до 60%, и предупреждают, что высокая точность не гарантирует хороших результатов. Они предлагают использовать матрицу путаницы для сравнения фактических и прогнозируемых меток и расчета показателей производительности, таких как точность, полнота и оценка F1, для оценки производительности модели.

Подробно подробно обсуждается точность модели, и проводится опрос, чтобы установить ее точность, которая, по расчетам, составляет 60%. Однако при проверке по меткам точность для длинного сигнала падает до 33%. Это поднимает вопрос о том, приведет ли увеличение общей точности к прибыльной торговой модели. Выступающие подчеркивают, что точность является решающим фактором в определении эффективности модели при прогнозировании рынка. Они отмечают, что высокая общая точность не обязательно приводит к прибыльности и что необходимо учитывать другие факторы.

Затем Шах и Пачанекар переключают свое внимание на обсуждение различных показателей, используемых для оценки эффективности торговой модели, включая точность, полноту и оценку F1. Они отмечают, что, хотя отзыв может помочь решить проблемы с несбалансированными данными, он может быть ненадежным показателем, когда используется сам по себе. Вместо этого они рекомендуют использовать комбинацию точности и полноты для расчета оценки F1, которая обеспечивает более полную оценку производительности модели. Они подчеркивают важность тестирования модели на исторических данных, чтобы убедиться в ее эффективности в реальных сценариях торговли, и предостерегают от переобучения модели.

Докладчики обращаются к проблемам переоснащения в реальных условиях и предлагают стратегии для решения этой проблемы на основе конкретной используемой модели машинного обучения. Они подчеркивают важность понимания параметров модели, ограничения количества функций и работы с разными гиперпараметрами для каждого типа модели машинного обучения. Они подчеркивают важность использования реальных данных без манипуляций. Кроме того, они обсуждают применение машинного обучения в торговле помимо генерации сигналов, например, его потенциал в управлении рисками. Они также касаются использования алгоритмов кластеризации для выявления прибыльных возможностей на рынке.

Ишан Шах и Рехит Пачанекар завершают вебинар обсуждением преимуществ использования машинного обучения в трейдинге, особенно в расшифровке сложных моделей, которые людям может быть сложно идентифицировать. Они предлагают использовать машинное обучение в качестве дополнительного инструмента в процессе альфа-идентификации. Сессия заканчивается тем, что докладчики выражают благодарность спикерам и участникам Algo Trading Week и приглашают ответить на вопросы, оставшиеся без ответа, через опрос.

  • 00:00:00 Ведущие, Ишан Шах и Рехит Пачанекар, представляются и обсуждают последний день недели алготрейдинга. Они выделяют победителей конкурса по алго-трейдингу и представляют двух спикеров дня. Они упоминают, что презентация будет посвящена машинному обучению и что в конце будет сессия вопросов и ответов. Рехит Пачанекар начнет вебинар, а затем передаст его Ишану Шаху.

  • 00:05:00 Видео знакомит с основами машинного обучения на примере распознавания изображений. Машинное обучение позволяет алгоритмам учиться на данных и принимать решения, в отличие от обычных компьютерных программ, которые требуют обширного программирования. Затем в видео объясняется роль машинного обучения в трейдинге и инвестициях, особенно в создании инвестиционных портфелей для отдельных лиц на основе таких данных, как зарплата, профессия, регион и т. д. Машинное обучение также присваивает вес активам в портфеле и помогает в создании торговых стратегий. . Хедж-фонды, пенсионные фонды и взаимные фонды используют скорость машинного обучения и способность анализировать большие объемы данных для принятия инвестиционных и торговых решений.

  • 00:10:00 Докладчики обсуждают семь шагов по созданию модели машинного обучения (МО) для торговли и то, как даже отдельные розничные трейдеры могут использовать технологию МО для создания своих собственных торговых стратегий. Первый шаг включает в себя определение постановки задачи, которая может быть такой же простой, как желание получить положительную прибыль, но при дальнейшем уточнении она может стать более конкретной, например, определить подходящее время для инвестирования в конкретную акцию, такую как JP Morgan. Второй шаг — получить данные хорошего качества и убедиться, что в данных нет пропущенных или повторяющихся значений, а также выбросов. Докладчики подчеркивают важность качества данных при построении точной модели машинного обучения.

  • 00:15:00 Ишан Шах и Рехит Пачанекар объясняют процесс выбора входных и выходных переменных для модели машинного обучения в трейдинге. Выходная переменная или целевая переменная — это будущая доходность акции, а сигнальной переменной присваивается значение 1, когда прогнозируется положительная доходность, и 0, когда прогнозируется отрицательная доходность. Входные переменные или признаки должны обладать предсказательной силой и соответствовать требованию стационарности, что означает, что они имеют среднюю и постоянную дисперсию, которая качается взад и вперед, как маятник. Переменные open, low, high и close не являются стационарными, поэтому их нельзя использовать в качестве входных признаков.

  • 00:20:00 Спикеры обсуждают процесс выбора входных признаков для своей модели машинного обучения в трейдинге. Они отмечают, что модель требует стационарных входных характеристик, которых они достигают, беря значения процентного изменения для различных периодов времени. Они также подчеркивают важность предотвращения корреляции между входными переменными и используют тепловую карту корреляции для удаления признаков с высокой степенью корреляции. Окончательный выбор входных функций включает значения процентного изменения для разных периодов времени, RSI и корреляцию. Прежде чем использовать модель для реальной торговли, они разделили свой набор данных на наборы для обучения и тестирования, чтобы оценить производительность модели.

  • 00:25:00 Спикеры обсуждают важность обеспечения качества и актуальности наборов данных, используемых в моделях машинного обучения, прежде чем определить, какую модель использовать. Они также знакомят с концепцией деревьев решений и спрашивают участников, как они лично решают, покупать ли те или иные акции или активы, причем ответы варьируются от технических индикаторов до рекомендаций друзей. Спикеры заявляют, что важно создать ментальную модель для принятия решений, основанную на личном опыте использования таких функций. Они вводят концепцию случайных лесов и использование байесовских деревьев в качестве основы для деревьев решений.

  • 00:30:00 Спикеры объясняют, как использовать алгоритмы машинного обучения, в частности дерево решений, для создания правил торговли. Эти правила, которые могут включать технические индикаторы, такие как ADX и RSI, позволяют трейдерам принимать решения на основе заранее определенных условий. Чтобы убедиться, что эти правила не создаются исключительно на основе удачи, спикеры вводят понятие случайного леса, в котором используется несколько деревьев решений для создания более обобщенной и надежной торговой стратегии. Выбирая подмножество признаков для каждого дерева случайным образом, случайный лес снижает вероятность переобучения и обеспечивает более точный прогноз. Спикеры обсуждают различные параметры, необходимые для алгоритма случайного леса, включая количество оценок, максимальные признаки и максимальную глубину дерева.

  • 00:35:00 Спикеры обсуждают параметры и код, задействованный в реализации классификатора случайного леса для применения машинного обучения в трейдинге. Они объясняют важность контроля глубины дерева решений и случайного выбора признаков, чтобы избежать переобучения и обеспечить согласованные результаты. Классификатору случайного леса требуются входные функции и ожидаемые результаты для изучения правил и создания деревьев решений, которые затем используются для прогнозирования невидимых данных. Производительность модели можно измерить с помощью различных показателей.

  • 00:40:00 Ведущие обсуждают важность оценки эффективности модели машинного обучения перед тем, как вкладывать реальные деньги на основе ее рекомендаций. Они вводят понятие точности, которое включает проверку того, соответствуют ли прогнозы модели тому, что на самом деле произошло на рынке. Они подчеркивают, что точность модели обычно колеблется от 50% до 60% и что высокая степень точности не обязательно гарантирует хорошие результаты. Чтобы определить производительность модели, докладчики предлагают использовать матрицу путаницы для сравнения фактических и прогнозируемых меток и расчета показателей производительности, таких как точность, полнота и оценка F1.

  • 00:45:00 Подробно обсуждается точность модели, для ее установления проводится опрос. Расчетная точность модели составляет 60%, хотя при проверке по меткам точность для длинного сигнала падает до 33%. Это поднимает вопрос о том, приведет ли повышение точности к прибыльной торговой модели. Точность модели важна, поскольку она помогает определить, насколько она эффективна в прогнозировании рынка, и в этом случае высокая общая точность не обязательно приведет к прибыльности.

  • 00:50:00 Шах и Пачанекар обсуждают различные показатели, используемые для оценки эффективности торговой модели, такие как точность, полнота и оценка F1. Они отмечают, что, хотя отзыв может помочь решить проблемы с несбалансированными данными, он также может быть ненадежным показателем сам по себе. Вместо этого они рекомендуют использовать комбинацию точности и полноты для расчета оценки F1. Эту оценку можно легко построить с помощью матрицы путаницы, а высокая оценка F1 указывает на то, что модель достойна торговли. Они также обсуждают важность обратного тестирования модели, чтобы убедиться, что она хорошо работает на практике, и предостерегают от переобучения модели.

  • 00:55:00 Модели могут быть переобучены, что означает, что они слишком близко подходят к обучающим данным и могут плохо работать с новыми данными. С другой стороны, чрезмерная оптимизация является результатом многократного тестирования и настройки торговой стратегии для получения желаемого результата. Это может привести к нахождению одного особого случая, который хорошо работает на данных обучения и тестирования, но может не работать на реальных данных. Чтобы избежать чрезмерной оптимизации, важно иметь надежные модели, которые работают с несколькими классами активов, использовать инструменты управления рисками, такие как механизмы стоп-лосс, и не использовать переобучение или чрезмерную оптимизацию во время тестирования на исторических данных.

  • 01:00:00 Переобучение происходит, когда модель слишком близко пытается соответствовать обучающему набору данных, на что указывает высокая точность обучающих данных. С другой стороны, недообучение происходит, когда модель не может учиться на данных, как ожидалось, о чем свидетельствует очень низкий уровень точности. Одним из способов количественной оценки этого является измерение уровня точности модели, при этом уровень точности 100 указывает на переоснащение, а очень низкий уровень точности указывает на недостаточное соответствие.

  • 01:05:00 Выступающие обращаются к проблеме переоснащения в реальных условиях и предлагают способы справиться с этим на основе конкретной используемой модели. Они подчеркивают важность понимания параметров модели, ограничения количества функций и работы с разными гиперпараметрами для каждого типа модели машинного обучения. Они также заявляют, что важно работать с реальными данными, а не манипулировать ими. Кроме того, они обсуждают применение машинного обучения в трейдинге, отмечая, что это намного лучше, чем просто генерация сигналов, и имеет много возможностей для управления рисками. Наконец, они касаются обнаружения альфа-сигналов с помощью моделей машинного обучения с использованием алгоритмов кластеризации для определения прибыльных полюсов на рынке.

  • 01:10:00 Ишан Шах и Рехит Пачанекар обсуждают преимущества использования машинного обучения в трейдинге, особенно в расшифровке сложных моделей, которые люди могут с трудом распознать. Машинное обучение может создавать более устойчивые и надежные альфа-каналы, которые распадаются в течение более длительного периода времени, а не сразу. Они предлагают использовать машинное обучение в качестве дополнения к процессу альфа-идентификации. Сессия заканчивается выражением благодарности спикерам и участникам Algo Trading Week и приглашением задать оставшиеся вопросы в опросе.
 

Искусственный интеллект в трейдинге, доктор Томас Старке | Неделя алготрейдинга, день 6



Искусственный интеллект в трейдинге, доктор Томас Старке | Неделя алготрейдинга, день 6

Доктор Томас Старке, видный спикер, во время своей презентации обсуждает, почему ИИ считается следующим важным событием в трейдинге. Он признает, что ИИ и машинное обучение существуют уже давно, но из-за ограниченной вычислительной мощности их эффективное применение было затруднительным. Однако последние достижения в области технологий значительно улучшили вычислительные возможности, позволив существенным алгоритмам эффективно работать на ноутбуках и в серверных центрах посредством облачных вычислений. Доктор Старке подчеркивает успехи ИИ в различных областях, таких как распознавание лиц, распознавание изображений и обработка естественного языка, которые способствовали убеждению в том, что ИИ также может произвести революцию в финансах.

Доктор Старке подчеркивает, что ИИ и машинное обучение — это не волшебные таблетки, а научные и математические инструменты, которые требуют глубокого понимания и применения в финансовой сфере. Хотя финансы имеют научные аспекты, они преимущественно считаются формой искусства. Следовательно, чтобы использовать потенциал ИИ в финансах, нужно понимать как инструменты, так и мастерство в этой области.

В своем выступлении доктор Старке рассказывает о роли навыков разработки программного обеспечения и программирования наряду с машинным обучением и статистическими знаниями в применении ИИ к торговле. Он подчеркивает важность сильных навыков работы с программным обеспечением, включая написание API-интерфейсов и обеспечение отказоустойчивости системы, что необходимо для эффективного использования инструментов машинного обучения на рынке. Он утверждает, что, хотя инструменты машинного обучения удобны для пользователя, навыки программирования и статистические знания имеют решающее значение для практиков в этой области. Кроме того, он рассматривает вопрос о том, необходима ли степень доктора философии для использования алгоритмов машинного обучения, и утверждает, что это не обязательно, если у людей есть конкретные цели, они проводят тщательные исследования и готовы выполнять необходимую работу.

Важность наставничества при изучении ИИ для трейдинга — еще одна тема, которую обсуждает доктор Старке. Он подчеркивает, что хороший наставник может помочь новичкам избежать распространенных ошибок и развить практические знания, а не полагаться исключительно на теоретические знания, полученные в академических учреждениях. Доктор Старке подчеркивает, что любой может изучить ИИ, но иметь наставника, который может дать надлежащее руководство, бесценно. Он также подчеркивает, что понимание основных рынков и экономики важнее, чем навыки программирования, поскольку программированию можно научиться при надлежащем наставничестве.

В своей презентации д-р Старке также подчеркивает важность изучения программирования и количественных методов в современной торговой индустрии. Он подчеркивает, что успешные трейдеры часто хорошо разбираются в математике и программировании, а те, кто интересуется трейдингом, могут относительно быстро освоить эти навыки. Он отмечает, что трейдеры, которые тратят время на изучение количественных методов и машинного обучения, имеют больше шансов на выживание, когда происходит переход от экранной торговли к алгоритмической торговле. Тем не менее, он подчеркивает, что экономическое и рыночное преимущество имеет решающее значение и превосходит преимущество, полученное только за счет программирования и математических навыков. Он также упоминает, что глубокое обучение требует, чтобы компании и отдельные лица объясняли свои доходы, а столкновение с отрицательными доходами в течение года может создать серьезные проблемы.

Объяснение алгоритмов ИИ и методов управления рисками также обсуждается доктором Старке. Он подчеркивает важность умения объяснять алгоритмы ИИ, поскольку невыполнение этого требования может привести к проблемам или даже выводу средств. Он упоминает, что, несмотря на использование ИИ и машинного обучения, методы управления рисками остаются в основном неизменными, но необходимо изучить новые способы управления рисками, особенно с окончанием бычьего роста акций и облигаций. Доктор Старке подчеркивает, что машинное обучение повсеместно используется в трейдинге с различными приложениями, такими как генерация входных сигналов и управление рисками моделей машинного обучения.

Доктор Старк погружается в различные модели и технологии, используемые в трейдинге, такие как анализ основных компонентов (PCA), деревья решений, xgboost, глубокое обучение и обучение с подкреплением. Он обсуждает их применение в анализе данных сигналов, управлении портфельным риском и совершении сделок. Он также подчеркивает важность систем управления рисками для увеличения геометрической доходности и тиражирования успешных стратегий на других рынках. Доктор Старке предполагает, что хорошие системы управления рисками могут даже генерировать альфу и рассматриваться как стратегии длинной волатильности.

Кроме того, доктор Старке исследует, как можно использовать ИИ для хеджирования и управления рисками коротких стратегий волатильности в торговле, потенциально увеличивая альфу, генерируемую такими стратегиями. Он подчеркивает важность любопытства и здоровой оценки риска при постоянном изучении и разработке новых торговых стратегий. Он советует не полагаться на готовые торговые платформы и вместо этого поощряет разработку стратегий с нуля, чтобы получить преимущество глубокого обучения.

Д-р Старке участвует в обсуждении ценовых движений, основанных на времени, и рыночных движений, основанных на ценах. Он объясняет, что движения цен, основанные на времени, могут быть математически решены путем расчета индикаторов, в то время как движения рынка, основанные на ценах, определяются базовой экономикой рынка. Доктор Старке подчеркивает важность рассмотрения лежащих в основе экономических соображений торговой стратегии, а не исключительно полагаться на математические методы, чтобы превзойти рынки. Он рекомендует книги Маркуса Лопеса, Гриннелла и Кана тем, кто заинтересован в сочетании ИИ с количественными моделями на финансовых рынках.

Во время презентации доктор Старке подчеркивает важность понимания принципов факторного моделирования, которые, по его мнению, аналогичны принципам машинного обучения. Он предполагает, что понимание этих принципов поможет трейдерам эффективно применять машинное обучение в своих системах. Доктор Старке также подчеркивает важность определения того, что составляет хорошую торговую стратегию, поскольку она не всегда может быть самой прибыльной. Он ссылается на книги Ральфа Винса, Андреаса Кленова и мистера Трендфула, в которых содержится ценная информация о торговых стратегиях и психологии торговли.

Доктор Старке обсуждает, как ИИ и машинное обучение могут фиксировать нелинейности в поведенческих финансах, таких как кейнсианский конкурс красоты. Он объясняет, что эту нелинейную динамику можно эффективно зафиксировать с помощью машинного обучения, в отличие от моделей линейной регрессии. Тем не менее, он подчеркивает, что экономическое обоснование торговых стратегий по-прежнему важно, даже если фундаментальные данные не используются явно.

Кроме того, д-р Старке исследует использование некоторых факторов неэффективности рынка, которые не обязательно являются фундаментальными. Он упоминает такие факторы, как ограничения на короткие позиции в одночасье и конкретные даты, такие как тройное достижение или четырехкратное колдовство, которые могут создавать экономические эффекты на рынке, на которых можно заработать. Он также упоминает неэффективность рынка, возникающую в результате повседневной экономической деятельности или незаконных рыночных манипуляций. Доктор Старке выражает заинтересованность в возможном сотрудничестве в будущем, но в настоящее время не имеет конкретных планов.

В ответ на вопрос зрителя о том, почему мечты часто не сбываются, доктор Старке делится своим личным мнением. Он объясняет, что сны изначально начинаются как концепции и что его жизнь во сне вращается не вокруг простого лежания на пляже, а скорее включает в себя исследования, ведение собственного бизнеса и самоуправление. Он подчеркивает, что крайне важно согласовать свои истинные стремления и цели с практическими результатами. Презентация завершается тем, что ведущий информирует зрителей об ограниченной по времени скидке на курсы Contra и упоминает заключительную сессию по применению машинного обучения в трейдинге, запланированную на следующий день.

  • 00:00:00 Спикер рассуждает о том, почему ИИ считается следующим большим прорывом в трейдинге. Хотя искусственный интеллект и машинное обучение существуют уже давно, вычислительной мощности недостаточно для эффективной работы алгоритмов. Однако за последние годы технологии настолько улучшились, что даже серьезные алгоритмы могут выполняться на ноутбуке, а облачные технологии позволяют выполнять их в серверных центрах. Кроме того, были достигнуты успехи в других областях, которые способствовали идее о том, что ИИ — это следующая большая вещь, и финансы не остались в стороне. ИИ оказался полезным в таких областях, как распознавание лиц, распознавание изображений и общая обработка естественного языка.

  • 00:05:00 Доктор Томас Старке обсуждает потенциал искусственного интеллекта (ИИ) в финансах и то, как он может изменить правила игры, поскольку открывает новые возможности, которые ранее были недоступны. Он также затрагивает вопрос о том, что ИИ и машинное обучение — это не волшебная палочка, а научные и математические инструменты, которые необходимо понимать и применять в финансах, которые по своей сути не являются научными. Хотя финансы имеют некоторые научные аспекты, большинство из них считается формой искусства. Поэтому понимание как инструмента, так и искусства финансов необходимо для успешного использования ИИ.

  • 00:10:00 Доктор Томас Старке обсуждает роль навыков разработки программного обеспечения и программирования в дополнение к машинному обучению и статистическим знаниям, когда речь идет о применении ИИ в торговле. Он подчеркивает важность хороших навыков работы с программным обеспечением, включая написание API и обеспечение отказоустойчивости систем, поскольку они необходимы для применения инструментов машинного обучения на рынке. Он утверждает, что хотя инструменты машинного обучения просты в использовании, навыки программирования и знание статистики имеют решающее значение для того, чтобы быть практиком в этой области. Доктор Старке также рассматривает вопрос о том, необходима ли докторская степень для применения алгоритмов машинного обучения, и утверждает, что это не обязательно, если у человека есть конкретная цель и он готов провести необходимые исследования и работу.

  • 00:15:00 Доктор Томас Старке обсуждает важность наставничества при изучении ИИ в трейдинге. Он подчеркивает, что поиск хорошего наставника, который проведет вас через весь процесс, может помочь предотвратить ошибки новичков. Он считает, что любой может изучить ИИ, но важнее разработать что-то, что будет работать на вас на практике, а не просто теоретические знания, полученные в университете. Доктор Старке также подчеркивает, что понимание основных рынков и экономики важнее, чем навыки программирования. Он утверждает, что можно научиться программированию, если у них есть кто-то, кто будет их правильно наставлять.

  • 00:20:00 Доктор Томас Старке рассказал о важности изучения программирования и количественных методов в современной торговой индустрии. Он заявил, что большинство успешных трейдеров хорошо разбираются в математике и программировании, а те, кто интересуется, могут научиться этому довольно быстро. Он объяснил, что трейдеры, которые тратят свое время на изучение количественных методов и машинного обучения, как правило, выживают на рынках, когда происходит переход от экранной торговли к алгоритмам. Кроме того, он подчеркнул, что экономическое и рыночное преимущество имеет решающее значение и превосходит преимущество в программировании и математических навыках. Однако он также упомянул, что глубокое обучение требует от компаний и частных лиц объяснения своих доходов, а год отрицательных результатов может привести к серьезным проблемам.

  • 00:25:00 Доктор Томас Старке обсуждает важность способности объяснять алгоритмы ИИ, особенно при использовании инструментов машинного обучения в торговле. Если алгоритм невозможно объяснить, это может привести к проблемам или даже выводу средств. Он также заявляет, что, несмотря на использование ИИ и МО, практика управления рисками остается более или менее неизменной, но необходимо пересмотреть новые способы управления рисками, особенно с окончанием бычьего роста акций и облигаций. Машинное обучение используется в трейдинге повсюду, и существуют различные приложения, такие как использование ИИ для входных сигналов и его использование для управления рисками моделей машинного обучения, среди прочего.

  • 00:30:00 Доктор Томас Старке обсуждает, как искусственный интеллект (ИИ) используется на каждом этапе торговли, от анализа данных сигналов до управления рисками портфеля и совершения сделок. Машинное обучение и глубокое обучение используются для анализа изображений и сигналов настроений для получения четкого сигнала, затем используется анализ основных компонентов для уменьшения размерности входных данных для торговых сигналов. Затем используются алгоритмы для определения входных сигналов, по которым следует торговать. Для управления рисками машинное обучение используется для управления рисками портфеля, что может превосходить классические расчеты управления рисками. Наконец, при исполнении используются линейные модели, машины опорных векторов и обучение с подкреплением, чтобы помочь трейдерам достичь наилучших цен исполнения.

  • 00:35:00 Доктор Томас Старке обсуждает различные модели и технологии, которые можно использовать в трейдинге, такие как PCA, деревья решений, xgboost, глубокое обучение и обучение с подкреплением. Позже он отвечает на вопрос опытного алго-трейдера, который испытывает трудности с масштабированием своей рабочей системы и изучением новых технологий. Доктор Старке предлагает сосредоточиться на управлении рисками, так как это может помочь увеличить геометрическую доходность и привести к тиражированию стратегии на других рынках. Хорошие системы управления рисками могут даже генерировать альфу и рассматриваться как стратегии длинной волатильности.

  • 00:40:00 Доктор Томас Старке обсуждает, как можно использовать искусственный интеллект для буферизации и хеджирования рисков коротких стратегий волатильности в торговле. Он предполагает, что ИИ может значительно увеличить альфу, генерируемую такими стратегиями. Когда дело доходит до мотивации к постоянному обучению и разработке новых стратегий, доктор Старке подчеркивает важность любопытства и здоровой оценки риска. Он также рекомендует избегать готовых торговых платформ и вместо этого создавать стратегии с нуля, чтобы получить преимущество глубокого обучения. Интервьюер спрашивает доктора Старке, верит ли он в движение цены, основанное на времени, или движение рынка, основанное на цене, в торговле, и доктор Старке просит разъяснить различие, прежде чем ответить.

  • 00:45:00 Д-р Томас Старке обсуждает разницу между движением цены, основанным на времени, и движением рынка, основанным на цене. Он отмечает, что движение цен, основанное на времени, часто может быть решено математически путем расчета индикаторов, в то время как движения рынка, основанные на цене, определяются базовой экономикой рынка. Д-р Старке подчеркивает важность рассмотрения лежащей в основе экономической стратегии торговой стратегии, а не просто попыток обыграть рынки с помощью математики. Он также рекомендует такие книги, как книга Маркуса Лопеса и «Активное управление портфелем» Гриннелла и Кана, для тех, кто заинтересован в сочетании ИИ с количественными моделями на финансовых рынках.

  • 00:50:00 Доктор Томас Старке подчеркивает важность понимания основных принципов факторного моделирования, которые, по его мнению, очень похожи на принципы машинного обучения. Он предполагает, что понимание этих принципов поможет трейдерам лучше применять машинное обучение в своих системах. Доктор Старке также подчеркивает важность определения того, что составляет хорошую торговую стратегию, поскольку она не всегда является самой прибыльной, приводя примеры из книги Ральфа Винса «Математика управления портфелем». Он рекомендует книги Андреаса Кленова и г-на Трендфула, поскольку они не только дают ценную информацию о торговых стратегиях, но и освещают психологию трейдинга.

  • 00:55:00 Доктор Томас Старке обсуждает, как ИИ и машинное обучение могут фиксировать нелинейности, возникающие в поведенческих финансах. Он объясняет кейнсианский конкурс красоты как пример того, как результаты могут стать чрезвычайно нелинейными и хаотическими, что является частью использования поведенческих методов в торговле. Машинное обучение может уловить эту нелинейную динамику, в отличие от линейной регрессии, которая на это совершенно не способна. Тем не менее, всегда хорошо иметь экономическое обоснование того, что вы делаете в торговле, даже если вы не обязательно используете фундаментальные данные в своих стратегиях.

  • 01:00:00 Д-р Томас Старке обсуждает возможность торговли определенным портфелем и использования определенных недостатков рынка, которые не обязательно являются фундаментальными. Он приводит такие примеры, как знание того, что людям не разрешается держать короткие позиции на ночь, что может привести к экономическим принципам, которые можно использовать на рынке. Кроме того, он упоминает о важности определенных дат, таких как тройное достижение или четверное колдовство, которые могут производить экономические эффекты, связанные с рынком. Он также говорит о неэффективности рынка, возникающей в результате повседневной экономической деятельности или незаконных рыночных манипуляций. Доктор Старке выражает заинтересованность в сотрудничестве в будущем, но пока не планирует.

  • 01:05:00 Сатвик спрашивает доктора Томаса Старке, почему мечты часто не сбываются. Старке говорит, что это интересный вопрос, и делится своим личным мнением. Он объясняет, что изначально его мечта была просто концепцией, а не реальной целью, и что жизнь его мечты — это не просто лежать на пляже. Он любит исследовать вещи, вести собственный бизнес и быть самостоятельным. Это, по его словам, намного ближе к его истинной мечте. Наконец, ведущий сообщает зрителям, что на все курсы Contra действует скидка 75% в течение ограниченного времени, а последнее занятие по применению машинного обучения в трейдинге состоится завтра.
 

Современные тенденции в области квантового финансирования [Панельная дискуссия] | Неделя алготрейдинга, день 5



Современные тенденции в области квантового финансирования [Панельная дискуссия] | Неделя алготрейдинга, день 5

Дамы и господа, добро пожаловать на сегодняшнюю панельную дискуссию, посвященную текущим тенденциям в области квантовых финансов. Сегодня к нам присоединились три выдающихся эксперта в предметной области, чтобы поделиться своими знаниями и опытом. Давайте представим наших участников:

Во-первых, у нас есть Дэвид Джессап, руководитель отдела инвестиционных рисков в регионе EMEA в Columbia Thread Needle Investments. Имея большой опыт в количественных исследованиях, анализе рисков и построении портфеля, Дэвид специализируется на инвестировании в различные активы и машинном обучении в управлении инвестициями. Его глубокое понимание количественных стратегий и управления рисками даст ценную информацию о тенденциях, формирующих отрасль.

Затем у нас есть доктор Девашес Гуава, директор по машинному обучению и председатель Центра исследований в области технологического бизнеса в SP Gen School of Global Management. Доктор Гуава специализируется на применении искусственного интеллекта в экономике и финансах. Его исследования и знания в этой области прольют свет на пересечение ИИ и финансов, а также на последствия для количественных финансов.

Наконец, у нас есть Ричард Ротенберг, исполнительный директор Global AI Corporation. Ричард обладает богатым опытом работы в многомиллиардных хедж-фондах и глобальных инвестиционных банках. Обладая обширным опытом в области количественного управления портфелем и исследований, он предоставит ценную информацию о практической реализации количественных стратегий в финансовой отрасли.

Теперь давайте углубимся в обсуждение последних тенденций, которые сформировали количественные финансы. Наши участники дискуссии единодушно согласны с тем, что доступность и качество данных сыграли важную роль в продвижении отрасли вперед. Кроме того, достижения в области вычислительной мощности позволили создавать и анализировать сложные модели, которые были невозможны десять лет назад.

Участники дискуссии подчеркивают расширение количественного финансирования за пределы акций в другие классы активов, включая кредит, валюту и криптовалюту. Они также обращают внимание на зарождающуюся тенденцию ответственного инвестирования, которая набирает обороты в финансовой индустрии. Однако они отмечают, что качество данных в этой области все еще нуждается в улучшении. Участники дискуссии предсказывают, что ответственное инвестирование останется важным фактором в финансах в течение следующих нескольких лет.

Двигаясь дальше, панель обсуждает две основные тенденции в количественном финансировании. Во-первых, алгоритмическая торговля распространилась на все классы активов, а не только на акции. Экзотические активы теперь торгуются с использованием алгоритмических подходов. Во-вторых, значительно увеличилось количество альтернативных источников данных, таких как данные о настроениях из новостей на нескольких языках и транзакции по кредитным картам. Возможность обрабатывать и анализировать эти данные с помощью расширенной аналитики и вычислительной мощности привела к включению в оценку компаний нефинансовых факторов риска, таких как тенденции экологического и социального управления.

Тем не менее, панель также рассматривает проблемы использования машинного обучения в финансах. Учитывая низкое отношение сигнал/шум и игру с нулевой суммой на финансовых рынках, машинное обучение не всегда является идеальным инструментом для решения любой проблемы. Участники дискуссии подчеркивают важность сочетания машинного обучения с другими методологиями и понимания его ограничений. Они также разъясняют различие между машинным обучением и альтернативными данными, поскольку эти два понятия часто путают.

Кроме того, участники дискуссии обсуждают уникальные проблемы финансового машинного обучения в контексте динамики рынка как дифференциальной игры. Они подчеркивают важность учета стратегического выбора, сделанного другими участниками рынка, при разработке торговых стратегий.

Затем обсуждение переходит к важности высококачественных данных в моделях машинного обучения для алгоритмической торговли. Участники дискуссии признают сложность очистки неструктурированных данных и подчеркивают важность использования линейных моделей для понимания параметров и обеспечения качества данных. Они решают проблему шума и разреженности альтернативных данных, что усложняет их очистку и фильтрацию. Кроме того, участники дискуссии подчеркивают необходимость сравнения и использования вторичных источников данных для обеспечения точности данных.

Кроме того, участники дискуссии подчеркивают, что к торговым решениям следует подходить как к части определения стратегии в игре от конечных лиц с противоборствующими игроками, имеющими конфликтующие интересы. Традиционные методы моделирования могут не всегда применяться в этом контексте, и участники дискуссии подчеркивают важность тестирования различных стратегий для поиска наиболее эффективных решений. Они также обсуждают уникальные проблемы, связанные с альтернативными наборами данных, такими как данные об устойчивом развитии, которые требуют различных методов анализа и могут потребовать агрегирования данных с более низкой частотой для устранения разреженности. Хотя работа с разреженными наборами данных может быть сложной, участники дискуссии считают, что все еще есть возможности для обнаружения ценных сигналов.

Еще одна ключевая тема для обсуждения — важность понимания игровой структуры рынка при разработке торговых систем. Участники дискуссии подчеркивают, что, хотя более мелкие игроки могут иметь больше возможностей для принятия рисков, более крупные игроки в торговле сырьевыми товарами и криптовалютой должны подходить к торговле с осторожностью из-за крайней волатильности этих рынков. Они также подчеркивают важность диверсификации для смягчения просадок, которые в криптоактивах значительно выше.

Группа делает еще один шаг и ставит под сомнение укоренившиеся предположения в традиционной теории финансов. Они утверждают, что активы не обязательно следуют фиксированным процессам распространения с установленными предположениями о среднем значении и дисперсии. Вместо этого они подчеркивают стохастический характер волатильности и колебания средних значений во времени. Они предлагают рассмотреть скрытые марковские процессы, чтобы тактически изменить среднее значение и стандартное отклонение, что приведет к лучшим подходам к факторному инвестированию и криптоинвестированию. Эта перспектива предлагает заманчивые профили риска и доходности с возможностью простой диверсификации.

Затем в ходе обсуждения рассматриваются различные приложения машинного обучения в финансовой отрасли. Участники дискуссии упоминают использование машинного обучения для классификации полов, прогнозирования выбросов углерода и фиксации объемов на рынках с фиксированным доходом. Они также подчеркивают растущее внимание к факторам ESG и расширение целей устойчивого развития, которые учитывают влияние на общество в целом и системный риск. Они рассматривают эту расширенную таксономию рисков как важный фактор в принятии финансовых решений, который может быть интегрирован в факторную модель ESG.

Другой обсуждаемой тенденцией является использование комитетов и целевых групп для кластеризации данных на основе множества факторов. Участники дискуссии подчеркивают растущую важность обработки естественного языка для понимания настроений местных заинтересованных сторон для количественной оценки нефинансовых рисков. Эти риски, все более существенные для нематериальных аспектов баланса компании, жизненно важны для рассмотрения при анализе финансовых рынков.

Кроме того, участники дискуссии подчеркивают важность наличия сильных навыков программирования и статистических знаний в области количественных финансов. Они также предостерегают от ошибок многократного анализа одного и того же набора данных, подчеркивая необходимость адаптации и подготовки к будущему количественной торговли.

Забегая вперед, участники дискуссии обсуждают важность не отставания от новых классов активов, таких как углерод и криптовалюты. Они упоминают о потенциальном революционном влиянии квантовых вычислений, которые могут произвести революцию в алгоритмах шифрования, лежащих в основе криптовалют, хотя их практическое применение еще предстоит реализовать. Они также касаются разработки крупных нейронных сетей и таких технологий, как GPT3, которые рекламируются как путь к общему искусственному интеллекту. Экспоненциальный рост аппаратных и программных мощностей не показывает никаких признаков замедления, и участники дискуссии ожидают будущей конвергенции высокопроизводительных вычислений, квантовых вычислений и ИИ в области количественных финансов.

В заключение участники дискуссии предсказывают будущее, характеризующееся расширением возможностей аппаратного и программного обеспечения, что приведет к разработке торговых роботов общего назначения. Эти роботы будут обладать способностью извлекать и интерпретировать данные из различных источников, включая социальные сети, используя, среди прочего, понимание изображений, понимание языка и семантическое понимание. Они подчеркивают важность внедрения новых технологий и методологий, чтобы оставаться на шаг впереди и адаптироваться к развивающемуся ландшафту квантового финансирования.

Панельная дискуссия завершается тем, что участники дискуссии выражают свою благодарность аудитории и поощряют делиться любыми оставшимися без ответа вопросами. Они также объявляют, что завтрашняя сессия будет посвящена машинному обучению и торговле, и приглашают участников присоединиться и продолжить изучение этой увлекательной области.

Спасибо всем за участие в сегодняшней содержательной панельной дискуссии, посвященной текущим тенденциям в области квантовых финансов.

  • 00:00:00 Модератор представляет трех экспертов в предметной области для панельной дискуссии, посвященной текущим тенденциям в области количественных финансов. Первый участник дискуссии, Дэвид Джессап, является руководителем отдела инвестиционных рисков в регионе EMEA в Columbia Thread Needle Investments и имеет большой опыт в количественных исследованиях, анализе рисков и построении портфелей, особенно в инвестировании в различные активы и машинном обучении в управлении инвестициями. Второй участник дискуссии, доктор Девашес Гуава, является директором по машинному обучению и председателем Центра исследований в области технологического бизнеса в Школе глобального управления SP Gen, специализирующейся на применении искусственного интеллекта в экономике и финансах. Наконец, Ричард Ротенберг, исполнительный директор Global AI Corporation, работал в многомиллиардных хедж-фондах и глобальных инвестиционных банках и имеет огромный опыт в количественном управлении портфелем и исследованиях.

  • 00:05:00 В этом разделе участники дискуссии обсуждают тенденции, которые в последнее время сформировали количественные финансы. Доступность и качество данных были важными факторами, определяющими развитие отрасли. Кроме того, растущая вычислительная мощность позволила создавать и анализировать сложные модели способами, которые были невозможны даже десять лет назад. Участники дискуссии отмечают, что количественное финансирование распространяется не только на акции, но и на другие классы активов, такие как кредит, валюта и криптовалюта. Они поднимают новую тенденцию ответственного инвестирования, которая набирает обороты в финансовой индустрии, но качество данных в этой области все еще отсутствует. Участники дискуссии предсказывают, что ответственное инвестирование станет важным фактором в финансах в течение следующих нескольких лет.

  • 00:10:00 В этом разделе панель обсуждает две основные тенденции в количественном финансировании. Во-первых, это распространение алгоритмической торговли на все классы активов, а не только на акции, включая экзотические активы. Вторая тенденция заключается в значительном увеличении числа альтернативных источников данных, таких как данные о настроениях из новостей на нескольких языках и транзакциях по кредитным картам, а также возможности обработки этих данных с помощью расширенной аналитики и вычислительной мощности. Это привело к увеличению нефинансовых факторов риска, таких как тенденции экологического и социального управления, которые влияют на оценку компании. Тем не менее, панель также подчеркивает проблемы использования машинного обучения в финансах, учитывая низкое отношение сигнал-шум и игру с нулевой суммой на финансовом рынке. Байесовская статистика — еще одна область, в которой машинное обучение объединяется для получения прогнозов распределения.

  • 00:15:00 В этом разделе участники дискуссии обсуждают преимущества и ограничения машинного обучения в финансах. Один из основных моментов заключается в том, что машинное обучение — полезный инструмент, но он не должен быть единственным инструментом в торговой коробке, поскольку это не правильный инструмент для решения каждой проблемы. Еще одна проблема, связанная с машинным обучением, заключается в том, что часто бывает трудно понять, когда что-то пойдет не так, и может быть трудно научить модель определять, когда она не знает. Участники дискуссии также проводят различие между машинным обучением и альтернативными данными, заявляя, что это две разные вещи, которые часто путают. Наконец, участники дискуссии обсуждают проблемы финансового машинного обучения в контексте того, что рынки представляют собой дифференциальную игру, требующую другого типа машинного обучения, особенно когда речь идет о стратегическом выборе других участников игры.

  • 00:20:00 Группа обсуждает важность наличия данных хорошего качества для моделей машинного обучения в алгоритмической торговле и проблему очистки неструктурированных данных. Хотя машинное обучение может быть полезно для прогнозирования распределений в краткосрочной торговле, важно вернуться к основам и начать с линейных моделей, чтобы понять параметры и обеспечить хорошее качество данных. Комиссия признает, что в альтернативных данных много шума и разреженности, что затрудняет их очистку и фильтрацию. Кроме того, они говорили о сложности исправления выбросов данных и необходимости сравнивать и использовать дополнительные источники данных для обеспечения точности данных.

  • 00:25:00 Торговые решения являются частью игровой структуры, и их следует продумывать и тестировать как часть определения стратегии в игре с конечным игроком с противоборствующими игроками, имеющими конфликтующие интересы. Важно иметь в виду, что традиционные методы моделирования могут быть неприменимы в этом контексте, и тестирование различных стратегий имеет решающее значение для поиска наиболее эффективного решения. Кроме того, альтернативные наборы данных, такие как данные об устойчивом развитии, требуют других методов анализа и могут потребовать агрегирования данных с более низкой частотой, чтобы справиться с разреженностью. Хотя с такими разреженными наборами данных может быть сложно работать, все же есть возможности для поиска ценных сигналов.

  • 00:30:00 Участники дискуссии обсуждают важность рассмотрения игровой структуры рынка перед разработкой любой торговой системы. В то время как более мелкие игроки могут позволить себе играть в азартные игры, это не относится к более крупным игрокам в торговле сырьевыми товарами и криптовалютой. Участники дискуссии обсуждают рынки, которые наиболее интересны для алгоритмов машинного обучения, упоминая криптографию как увлекательную область, в которой можно найти новые вызовы. Они советуют не сосредотачиваться только на одном классе активов или алгоритме и учитывать важность альтернативных источников данных для достижения прибыльной торговли. Рынки, как правило, проходят этапы, когда становятся более или менее предсказуемыми, и сигналы, которыми когда-то злоупотребляли, могут вернуться и стать более актуальными, если их используют лишь немногие участники рынка. Такие факторы, как волатильность рынка и стабильный базовый процесс генерации данных, могут сделать рынки более дружественными для алгоритмов машинного обучения.

  • 00:35:00 Обсуждение сосредоточено на препятствиях, с которыми сталкиваются при развертывании количественных стратегий для криптоинвестирования. Доктор Гуга объясняет, что одна из основных проблем заключается в том, что традиционные финансисты никогда не интересовались криптографией, поскольку ее обычно считают областью компьютерных фанатов или видеоигр. Более того, чрезвычайная волатильность криптовалют также вызывает серьезную озабоченность, поскольку просадки от 85 до 90 процентов от пика до минимума немыслимы для любого управляющего фондом или розничного инвестора. Для развития любого вида финансовой торговой экосистемы в криптовалюте необходимо признать ее альтернативным классом активов и создать достаточно диверсифицированный портфель, чтобы компенсировать просадки, являющиеся результатом высокой корреляции между криптоактивами.

  • 00:40:00 Докладчик обсуждает необходимость отказаться от идеи о том, что активы следуют фиксированным процессам диффузии с установленным допущением о среднем и дисперсии, которое является распространенным допущением в области финансов. Спикер объясняет, что волатильность является стохастической, и что среднее значение сильно меняется со временем. Таким образом, необходимо предположить, что среднее значение и стандартное отклонение управляются скрытым марковским процессом для тактического изменения состояния, что является большим скачком в традиционной теории финансов. Спикер предполагает, что понимание стохастического процесса, определяющего доходность, может привести к лучшим подходам к факторному инвестированию и инвестированию в криптовалюту, что приведет к очень привлекательным профилям риска и доходности с простой диверсификацией.

  • 00:45:00 На панели обсуждаются различные приложения машинного обучения в финансовой индустрии, такие как его использование для классификации по полу, прогнозирования выбросов углерода и фиксирования объемов на рынках с фиксированным доходом. Они также упоминают об использовании его в качестве вклада в инвестиционный процесс, а не только как метод торговли. Еще одна тема, которую они затрагивают, — это эволюция ESG в целях устойчивого развития, которая фокусируется не только на влиянии на акционеров, но и на общество в целом и системный риск. Эта расширенная таксономия рисков включает факторы помимо выбросов углерода, а также учитывает управление. Они рассматривают это как важный фактор в принятии финансовых решений и говорят, что это можно рассматривать как факторную модель ESG.

  • 00:50:00 Участники дискуссии обсуждают два интересных тренда в области количественных финансов. Во-первых, использование комитетов и целевых групп для кластеризации данных на основе 17 факторов и растущей важности обработки естественного языка для понимания настроений местных заинтересованных сторон для количественной оценки нефинансовых рисков, которые все более и более существенны для нематериального аспекта баланса для компании. Во-вторых, они обсуждают важность хороших навыков программирования, статистических знаний и осведомленности о подводных камнях многократного просмотра одного и того же набора данных для подготовки к будущему количественной торговли.

  • 00:55:00 Участники дискуссии обсуждают важность отслеживания новых классов активов, которые могут стать предметом торговли, включая углерод и криптовалюты. Одной из областей, которая может изменить правила игры, являются квантовые вычисления, которые могут произвести революцию в алгоритмах шифрования, лежащих в основе криптовалют. Хотя практического применения пока нет, некоторые крупные хедж-фонды инвестируют в квантовую область. Кроме того, они говорят о разработке очень больших нейронных сетей и GPT3, который рекламируется как путь к общему искусственному интеллекту. Увеличение мощности аппаратного и программного обеспечения не показывает никаких признаков замедления, и некоторые ожидают, что глубокое обучение захватит мир.

  • 01:00:00 Группа прогнозирует, что будущее количественных финансов заключается в продолжающемся расширении возможностей аппаратного и программного обеспечения, что позволит разрабатывать торговых роботов общего назначения. Эти роботы смогут извлекать данные из различных источников, таких как социальные сети, и анализировать их для принятия торговых решений. Они не будут ограничиваться числовым машинным обучением, а скорее будут иметь понимание изображений, понимание языка, семантическое понимание и т. д. Еще одним направлением деятельности являются квантовые вычисления, которые могут стать практичными в ближайшие пять-десять лет. Участники дискуссии считают, что будущее будет за конвергенцией высокопроизводительных вычислений, квантовых вычислений и искусственного интеллекта. Они считают, что по мере того, как мы начинаем использовать больше данных и моделей, будущее за конвергенцией этих технологий.

  • 01:05:00 Участники дискуссии обсуждают экспоненциальный рост новых инструментов и методов в области количественных финансов, который, вероятно, сделает многие функции и рабочие места устаревшими в течение следующих пяти-десяти лет. Они подчеркивают важность подготовки и ускорения внедрения новых технологий, чтобы оставаться на шаг впереди. В заключение участники дискуссии поблагодарят аудиторию и попросят поделиться любыми оставшимися без ответа вопросами, поскольку завтрашняя сессия будет посвящена машинному обучению и торговле.
 

Использование настроений и альтернативных данных в трейдинге [Панельная дискуссия] | Неделя алготрейдинга, день 4



Использование настроений и альтернативных данных в трейдинге [Панельная дискуссия] | Неделя алготрейдинга, день 4

Дамы и господа, спасибо, что присоединились к нам сегодня для этой захватывающей панельной дискуссии об использовании настроений и альтернативных данных в торговле. Прежде чем мы начнем, я хочу сделать важное объявление.

Я рад объявить о запуске новой сертификационной программы «Сертификация по анализу настроений и альтернативным данным в финансах» (CSAF). Эта программа была специально разработана для финансовых специалистов, которые хотят продвинуться по карьерной лестнице в области торговли и принятия инвестиционных решений, используя современные методы, такие как анализ настроений в новостях и альтернативные данные.

Программа CSAF будет охватывать различные аспекты новостной аналитики, анализа настроений и альтернативных данных, необходимых в финансах. Его будут преподавать ведущие эксперты в области алгоритмического трейдинга, анализа настроений, количественного моделирования и высокочастотного трейдинга. Эти эксперты привносят в программу обширные знания и опыт, гарантируя, что участники получат первоклассное образование и обучение.

Программа будет посвящена таким темам, как понимание анализа настроений, использование альтернативных источников данных, включение данных о настроениях в модели прогнозирования и использование методов искусственного интеллекта и машинного обучения для анализа рынка. Участники получат ценную информацию о роли настроений и альтернативных данных в торговле и узнают, как раскрыть потенциал этих ресурсов для улучшения финансовых результатов.

В дополнение к программе сертификации я рад объявить, что весной 2022 года будет выпущен всеобъемлющий справочник по альтернативным данным. типы альтернативных данных и их применение в финансах.

Теперь давайте обратим внимание на сегодняшнюю панельную дискуссию. Наши уважаемые участники, в том числе доктор Кристиано Арбекс Валле, профессор Гаутам Митра, доктор Маттео Кампольми и доктор Рави Кашьяп, поделятся своим мнением об использовании настроений и альтернативных данных в торговле. Они обсудят, что такое альтернативные данные, почему они важны и как их можно эффективно использовать для принятия обоснованных торговых решений.

Как мы все знаем, новостные события часто оказывают значительное влияние на цены активов, а данные о настроениях могут играть решающую роль в прогнозировании будущих результатов. Участники дискуссии прольют свет на то, как данные о настроениях можно быстро обрабатывать и преобразовывать в числовые данные для использования в математических моделях, предоставляя ценную информацию, которая обычно не фиксируется традиционными рыночными данными.

Кроме того, наши эксперты рассмотрят проблемы и возможности, связанные с альтернативными данными. Они обсудят появление альтернативных источников данных, необходимость строгих методов обработки данных и важность предотвращения переобучения при идентификации сигналов в огромном объеме информации.

Во время панельной дискуссии мы призываем вас активно участвовать, задавая вопросы и взаимодействуя с нашими участниками. Ваш вклад и идеи высоко ценятся, и мы с нетерпением ждем возможности создать обогащающую и интерактивную сессию.

Прежде чем мы начнем, я хотел бы поблагодарить всех вас за то, что вы присоединились к нам сегодня. Ваше присутствие и энтузиазм способствуют успеху подобных мероприятий. Я также хотел бы напомнить вам следить за нами в социальных сетях и поздравить организаторов с 11-летием.

Теперь, без лишних слов, давайте начнем панельную дискуссию о настроениях и альтернативных данных в торговле. Спасибо.

Когда панельная дискуссия начинается, наши участники погружаются в тему настроений и альтернативных данных в торговле, делясь своими ценными идеями и опытом. Они подчеркивают влияние включения аналитики новостей и настроений в качестве дополнительных входных функций в модели прогнозирования, подчеркивая полученные улучшенные результаты, особенно при прогнозировании волатильности активов.

Один из ключевых моментов обсуждения вращается вокруг появления альтернативных данных и их значения для информирования торговых решений. Участники дискуссии подчеркивают, что альтернативные данные предоставляют новую информацию, такую как потребительские привычки, которая может дать ценную информацию для инвестиционных стратегий. Они подчеркивают важность объединения данных с моделями, используя методы искусственного интеллекта и машинного обучения для прогнозирования направлений рынка и улучшения финансовых результатов.

Жюри уделяет некоторое время тому, чтобы отметить модерацию профессора Гаутама Митры, основателя и управляющего директора OptiRisk Systems. Благодаря своему опыту он обеспечивает всестороннее изучение темы. Они углубляются в практическое применение настроений и альтернативных данных в торговле, отвечая на вопросы, касающиеся их определения, важности и использования.

Признавая, что альтернативные данные — это постоянно развивающаяся область, участники дискуссии подчеркивают динамичный характер этой области. Они обсуждают, как то, что сегодня считается альтернативными данными, может стать основным в будущем, демонстрируя непрерывный прогресс и инновации в отрасли. Их внимание по-прежнему сосредоточено на использовании альтернативных данных для получения преимущества в финансах с конечной целью максимизации прибыли.

В ходе обсуждения группа признает потенциальную предвзятость, присутствующую в данных о настроениях, полученных из источников новостей. Они предлагают потенциальные решения для смягчения этой предвзятости, такие как использование нескольких источников и применение различных методов для анализа данных. Тем самым они подчеркивают важность всестороннего и надежного анализа данных для обеспечения точных и надежных выводов.

Двигаясь вперед, участники дискуссии подчеркивают важность понимания контекста и сценариев, в которых собираются данные. Они обсуждают потребность в контекстуальной информации для предоставления подробного представления и построения эффективных алгоритмов. Участники дискуссии также затрагивают идею о том, что предубеждения не всегда могут быть негативными и иногда могут приносить пользу торговым стратегиям. Их всеобъемлющее сообщение подчеркивает важность понимания и работы с доступными данными, даже если сам источник данных не может контролироваться.

Панель дополнительно исследует параметры, которые следует учитывать при анализе данных о настроениях в торговых целях. Они проливают свет на классификацию настроений на положительные, нейтральные или отрицательные категории поставщиками новостей или настроений. Кроме того, они обсуждают актуальность рассмотрения объема новостей или твитов в качестве фактора анализа настроений. Также подчеркивается нормализация настроений на основе среднего объема новостей за определенный период времени.

Разговор углубляется по мере того, как участники дискуссии обсуждают специфичный для языка характер анализа настроений. Они подчеркивают использование ИИ и других методов для разбора и анализа текста, что позволяет глубже понять настроение. Релевантность и новизна новостных событий определяются как решающие факторы, поскольку компании получают новостные данные по подписке у поставщиков контента, что обеспечивает быструю обработку.

Завершая панельную дискуссию, участники коснулись временных рамок, используемых для индикаторов настроений. Они поясняют, что индикаторы настроений не нацелены на то, чтобы превзойти скорость новостей, достигающих рынка. Вместо этого они служат описательными индикаторами того, как поток новостей влияет на акции с течением времени. Также подчеркивается важность преобразования текста в числовые данные, признавая дополнительный уровень обработки, необходимый для текстовой информации.

Участники дискуссии также обсуждают актуальность данных о настроениях и альтернативных источников данных в торговле. Они отвечают на вопрос о том, сколько дней актуальны данные о настроениях, подчеркивая, что ответ зависит от цели модели и типа проводимой торговли. Далее обсуждение распространяется на показатели производительности для альтернативных источников данных, где рентабельность определяется как ключевой показатель. Участники дискуссии объясняют спрос на исторические данные и его потенциальное влияние на ценообразование, предупреждая, что по мере того, как альтернативные источники данных становятся все более популярными, их ценность может меняться со временем.

В завершение панельной дискуссии участники дискуссии делятся своим мнением о проблемах и важности тестирования на исторических данных. Они признают скудность исторической информации для некоторых альтернативных источников данных, что затрудняет анализ и тестирование на исторических данных. Тем не менее, они подчеркивают наличие статистических моделей и методов, которые могут помочь экстраполировать данные для целей тестирования на исторических данных. Они подчеркивают важность сравнения производительности данного источника данных с его отсутствием, что позволяет трейдерам соответствующим образом адаптировать свои стратегии. В заключение группа подчеркивает, что ценность альтернативных данных в конечном итоге зависит от их использования в конкретной модели.

Теперь мы переходим к сеансу вопросов и ответов аудитории, где участники дискуссии отвечают на два интригующих вопроса. Первый вопрос касается использования исторических данных для лучшего понимания различных исторических периодов. Группа предлагает использовать как минимум семь временных интервалов, чтобы получить полное представление о различных результатах. Второй вопрос касается поиска надежных источников альтернативных данных. Группа рекомендует иметь разведчика данных для изучения различных источников и определения лучших данных, доступных для количественных групп. Они подчеркивают сложность поиска достоверных данных и подчеркивают, что инновационные идеи часто появляются в небольших новых компаниях.

Продолжая дискуссию, участники дискуссии углубляются в потенциал небольших компаний, которые на раннем этапе идентифицируют уникальные наборы данных, которые могут быть приобретены более крупными фирмами. Они подчеркивают важность посредников в агрегировании данных и ценность производных наборов данных с использованием проприетарного моделирования. Далее разговор касается влияния наборов данных по конкретным странам, выявления региональных рисков и взаимосвязанности глобального рынка. Понимание этих факторов становится важным для принятия обоснованных торговых решений.

По мере того, как панель подходит к концу, спикеры переключают свое внимание на необходимые навыки и предпосылки для карьеры в области финансов. Они подчеркивают ценность языков программирования и четкого понимания математических концепций, поскольку эти навыки становятся все более важными в этой области. Особое внимание уделяется созданию сетей и налаживанию связей с профессионалами, а также важности оставаться открытыми для разнообразных возможностей и постоянно расширять свои знания.

В заключение спикер вновь подчеркивает важность информирования о рыночных тенденциях и сохранения объективности при принятии финансовых решений. Она подчеркивает фундаментальную роль управления финансами и призывает участников активно участвовать в финансовой индустрии.

С сердечной признательностью спикер благодарит участников дискуссии и аудиторию за их ценный вклад и завершает сессию.

  • 00:00:00 Ведущий объявляет о запуске новой программы сертификации «Сертификация по анализу настроений и альтернативным данным в финансах» (CSAF), предназначенной для финансовых специалистов, желающих продвинуться по карьерной лестнице в сфере торговли и принятия инвестиционных решений с использованием таких современных методов, как анализ настроений в новостях и альтернативные данные. Курс будет охватывать различные аспекты новостной аналитики, анализа настроений и альтернативных данных, необходимых в финансах, и будет преподаваться ведущими экспертами в области алгоритмической торговли, анализа настроений, количественного моделирования и высокочастотной торговли. В разделе также представлена дискуссия, которую модерирует профессор Гаутам Митра, основатель и управляющий директор OptiRisk Systems, с экспертами доктором Кристиано Арбексом Валле, профессором Гаутамом Митрой, доктором Маттео Кампольми и доктором Рави Кашьяпом, которые обсуждают использование настроений и альтернативных данных в трейдинг.

  • 00:05:00 Спикер представляет тему настроений и альтернативных данных в финансах, которая будет обсуждаться в панельной дискуссии. Участники дискуссии расскажут, что такое альтернативные данные, зачем они нужны и как раскрыть их ценность. Цель состоит в том, чтобы использовать данные о настроениях для прогнозирования будущих результатов в финансах, поскольку новостные события часто влияют на цены активов, а данные о настроениях можно быстро обработать и преобразовать в числовые данные для использования в математических моделях. Эти данные обычно не охватываются традиционными рыночными данными, что делает их ценным источником информации для принятия решений. Справочник по альтернативным данным будет выпущен весной 2022 года, и группа ответит на вопросы участников.

  • 00:10:00 Группа экспертов обсуждает использование настроений и альтернативных данных в торговле. Они обнаружили, что включение аналитики новостей и настроений в качестве дополнительных входных данных в модели прогнозирования привело к улучшению результатов, особенно в прогнозировании волатильности активов. Кроме того, они обсуждают появление альтернативных данных, которые вводят новую информацию, например, о потребительских привычках, которую можно использовать для обоснования торговых решений. Они подчеркивают важность объединения данных с моделями с использованием ИИ и методов машинного обучения для прогнозирования направлений рынка и, в конечном итоге, для улучшения финансовых результатов.

  • 00:15:00 Основатели Brain, исследовательской компании, объясняют свой подход к созданию собственных алгоритмов и методов, которые извлекают сигналы, связанные с финансовыми рынками, с использованием альтернативных наборов данных. Они связывают растущую тенденцию альтернативных наборов данных в инвестициях и управлении активами с увеличением доступности источников данных и бурно развивающейся отраслью науки о данных. В то время как альтернативные наборы данных предоставляют инвесторам дополнительную информацию для работы в своих моделях, основатели подчеркивают необходимость строгого подхода к обработке большого объема информации и идентификации сигналов без переобучения.

  • 00:20:00 На панели обсуждается использование настроений и альтернативных данных в трейдинге. Они охватывают вопросы о том, что такое альтернативные данные, почему они важны и как их использовать. Они отмечают, что альтернативные данные постоянно развиваются и то, что сегодня считается альтернативным, в будущем может стать основным. Цель в финансах проста: заработать больше денег. Однако знать, когда покупать и продавать, представляет собой проблему. Вот где альтернативные данные могут дать преимущество. Комиссия признает, что предвзятость может быть проблемой при использовании новостей в качестве источника данных о настроениях, и предлагает такие решения, как использование нескольких источников и методов для анализа данных.

  • 00:25:00 Группа обсуждает важность понимания сценариев, в соответствии с которыми были собраны данные, и потенциальных погрешностей, присутствующих в данных. Они отмечают, что бэк-тестирование можно использовать, чтобы увидеть, как данные исторически работали, но контекстная информация необходима для обеспечения более детального представления и создания лучших алгоритмов. Группа также затрагивает идею о том, что предубеждения не всегда могут быть негативными, поскольку иногда они могут приносить пользу торговым стратегиям. В целом, ключевой вывод заключается в том, что, хотя источник данных нельзя контролировать, основное внимание следует уделять пониманию и работе с доступными данными.

  • 00:30:00 На панели обсуждаются параметры, на которые следует обращать внимание при анализе данных о настроениях в торговых целях. Хотя поставщики новостей или настроений обычно классифицируют настроения как положительные, нейтральные или отрицательные, команда отмечает, что объем новостей или твитов также может быть фактором, который следует учитывать. В зависимости от провайдера настроение может быть определено как непрерывное число или нормализовано по среднему объему новостей за определенный период времени. Группа также подчеркивает, что платформы социальных сетей, такие как Twitter, могут предложить дополнительный элемент для анализа настроений, учитывая, кто что-то говорит, и определяя ключевые факторы, оказывающие огромное влияние на рынки.

  • 00:35:00 На панели обсуждается использование настроений и альтернативных данных в трейдинге. Они отмечают, что настроение — это специфический для языка фактор, который можно проанализировать путем анализа текста с использованием ИИ и других методов. Участники дискуссии также говорят о важности учета актуальности и новизны новостных событий, а также о том, как компании обычно получают данные новостей через подписки у поставщиков новостного контента, обработка которых может занять всего несколько секунд. В целом обсуждение подчеркивает важность понимания настроений и альтернативных данных при построении модели прогнозирования для торговли.

  • 00:40:00 Участники дискуссии обсуждают использование настроений и альтернативных данных в торговле. Они говорят о различных временных рамках, которые можно использовать для индикаторов настроений, и о том, что они не нацелены на то, чтобы превзойти скорость новостей, достигающих рынка. Индикаторы настроений предназначены для предоставления описательного индикатора того, как поток новостей влияет на акции с течением времени. Участники дискуссии также говорили о важности преобразования текста в числа и о дополнительном уровне обработки, необходимом для текстовых данных. Они упомянули, как вариант использования и частота торговли могут повлиять на качество и сроки данных, используемых для торговли.

  • 00:45:00 На панели обсуждается актуальность данных о настроениях и альтернативных источников данных в торговле. Поднимается вопрос о том, сколько дней актуальны данные о настроениях, на который ответ заключается в том, что это зависит от цели модели и того, какая торговля ведется. Они переходят к обсуждению показателей производительности для альтернативных источников данных, и простой ответ заключается в том, сколько прибыли они получают. Однако они объясняют, что люди, как правило, хотят как можно больше истории по низкой цене, но наборы данных становятся дешевле, если их использует больше людей, и они становятся товаром. Они также отмечают, что использование альтернативных источников данных предполагает понимание того, что ценность данных может меняться со временем.

  • 00:50:00 На панели обсуждаются проблемы использования альтернативных данных для торговли и важность тестирования на исторических данных. Они признают, что существует нехватка исторической информации, что затрудняет анализ и тестирование некоторых альтернативных источников данных. Однако они предполагают, что существуют статистические модели и методы, которые могут помочь экстраполировать данные для тестирования на исторических данных. Группа также подчеркивает важность сравнения того, насколько хорошо работает тот или иной источник данных по сравнению с его отсутствием, и соответствующей адаптации торговых стратегий. При обсуждении анализа настроений они предупреждают, что наилучший подход зависит от конкретной модели и ее развертывания. В конечном итоге комиссия соглашается с тем, что ценность альтернативных данных во многом зависит от того, как они используются в данной модели.

  • 00:55:00 Панель обсуждает два вопроса из зала. Первый вопрос касается использования исторических данных и их объема, необходимого для лучшего понимания того, что могло произойти в разные исторические периоды. Группа предлагает использовать как минимум 7-кратный временной интервал, чтобы получить хорошее представление о различных результатах. Второй вопрос касается поиска хороших источников альтернативных данных. Группа предлагает нанять разведчика данных для просмотра различных источников и поиска наилучших данных, доступных для использования командой, занимающейся количественными расчетами. Они предупреждают, что найти надежные данные — непростая задача и что настоящий источник альтернативных данных исходит от этих небольших новых компаний, которые находят инновационные идеи.

  • 01:00:00 Группа обсуждает альтернативные данные и то, как небольшие компании, которые на раннем этапе определяют уникальные наборы данных, могут быть приобретены более крупными фирмами. Панель также упоминает о важности посредников в агрегировании данных и ценности производных наборов данных с использованием проприетарного моделирования. Затем они переходят к обсуждению влияния наборов данных по конкретным странам, разбивке источников риска и того, насколько тесно взаимосвязан глобальный рынок, что делает важным понимание региональных рисков и их потенциального влияния на торговые решения. Раздел заканчивается шуткой, прежде чем перейти к следующему вопросу.

  • 01:05:00 Панельная дискуссия, спикеры обсуждают необходимые навыки и предпосылки к курсу по использованию настроений и альтернативных данных в трейдинге. Хотя владение Python как языком программирования полезно, они подчеркивают важность наличия базовых знаний в области финансов и финансовых моделей. Кроме того, они подчеркивают ценность доступа к источникам данных и готовности участвовать в курсе. Они также отвечают на вопрос о совете по карьере для тех, кто заинтересован в том, чтобы стать аналитиком количественных исследований, поощряя человека обращаться к преподавателям за разъяснениями и подчеркивая важность открытости для широкого круга навыков и знаний.

  • 01:10:00 Участники дискуссии обсуждают навыки, необходимые для карьеры в сфере финансов. Они предлагают изучать языки программирования, поскольку создается все больше и больше наборов данных, и развивать хорошее понимание математических концепций. Кроме того, они советуют не бояться математики и программирования, так как эти навыки становятся жизненно важными в этой области. Участники дискуссии также подчеркивают важность встречи и общения с как можно большим количеством людей, что является ценным активом для потенциальных работодателей, они готовы использовать возможности и имеют прочную основу в области математики.

  • 01:15:00 Спикер подчеркивает важность быть в курсе того, что происходит на рынке, и быть открытым для различных областей финансовой индустрии. Она советует сохранять объективность и избегать сентиментальности, поскольку торговля в конечном итоге вращается вокруг денег и управления финансами. Затем беседа завершается благодарностью участникам дискуссии и аудитории, а также напоминанием поздравить организаторов с 11-летием в социальных сетях.
 

Короткие продажи на бычьем рынке - мастер-класс Лорана Бернута | Неделя алготрейдинга, день 3



Короткие продажи на бычьем рынке - мастер-класс Лорана Бернута | Неделя алготрейдинга, день 3

Лоран Бернют представлен как основатель и генеральный директор Alpha Secure Capital, а также преданный продавец коротких позиций в Fidelity Investments. В видео подчеркивается, что он проведет мастер-класс на тему коротких продаж, который продлится два часа. Упоминается, что сессии вопросов и ответов в конце мастер-класса не будет, но зрителям предлагается задавать соответствующие вопросы во время самой сессии. Кроме того, спикер информирует аудиторию о курсе по коротким продажам с помощью Python, а также о дополнительной книге, в которой объясняется, как и почему короткие продажи. Книга должна быть опубликована 11 октября 2021 года и будет доступна на Amazon.com.

Мастер-класс начинается с того, что Лоран Бернут объясняет основные выводы, которые участники могут извлечь из сессии. Он утверждает, что первопроходцы обречены на банкротство, и подчеркивает, что короткие продажи — это самый ценный набор навыков для привлечения успешного фонда. Бернут также развенчивает десять классических мифов о коротких продажах, проливая свет на недостаточно изученную природу этой дисциплины. Он подробно описывает динамику коротких продаж и объясняет, почему даже успешные участники рынка борются с короткими позициями. Делясь личным опытом, Бернут подчеркивает решающую роль управления капиталом в курсе.

Двигаясь вперед, Бернут дает обзор того, как работает короткая продажа, и подчеркивает важность определения местонахождения заимствования. Он обсуждает обанкротившуюся природу выбора акций и призывает трейдеров переключить свое внимание на другие методы, такие как короткие продажи. Бернут отмечает, что отрасль часто зациклена на сборщиках акций, но эмпирические данные показывают, что большинство активных менеджеров постоянно отстают от своих контрольных показателей. Это заставило многих отказаться от выбора акций в пользу пассивного инвестирования и закрытой индексации. Тем не менее, Бернут подчеркивает актуальность коротких продаж во время медвежьего рынка и ценность, которую они приносят с точки зрения защиты от падения.

Бернут разбирает неправильные представления о коротких продавцах, опровергая представление о том, что они разрушают пенсионные фонды и компании. Он объясняет, что инвесторы ищут инструменты для длинных и коротких позиций из-за низкой волатильности, низкой корреляционной доходности и защиты от убытков, что активные менеджеры изо всех сил пытаются постоянно обеспечивать. Таким образом, длинные выборы от управляющих взаимными фондами не так актуальны для инвесторов, которые могут пассивно достичь аналогичных результатов через биржевые фонды. Бернут подчеркивает, что продажа акций на понижение обеспечивает защиту от риска падения, что делает умение продавать без покрытия очень востребованным, особенно на медвежьем рынке.

Спикер углубляется в роль коротких продавцов в рамках капитализма и ответственности руководства компании. Он утверждает, что продавцов на понижение, которые не участвуют в управлении компаниями, часто обвиняют в своих неудачах, хотя на самом деле причиной краха является плохое управление. Бернут подчеркивает различие между рыночной стоимостью и внутренней стоимостью, объясняя, что рыночная стоимость определяется субъективными суждениями, сродни конкурсу красоты. Далее он поясняет, что короткие продавцы по своей сути не являются злыми спекулянтами, но часто раскрывают парадоксы на рынке. Он признает, что регулирующие органы не одобряют коротких продавцов, которые занимаются манипулированием рынком, но их основная задача — выявить неэффективность рынка.

Видео продолжается тем, что Лоран Бернют обсуждает корпоративный пространственно-временной континуум, который представляет собой парадокс для коротких продавцов. Он обращает внимание на ситуации, когда компании вознаграждают сотрудников за участие в мошенничестве, а высшее руководство отрицает осведомленность о такой практике. Бернут советует продавцам коротких позиций придерживаться неконфликтного подхода к управлению компанией, даже если они правы, поскольку существуют альтернативные способы продажи акций. Он подчеркивает аспект управления рисками коротких продаж и предостерегает, что это следует делать осторожно.

В своем мастер-классе по Algo Trading Week Бернут подчеркивает важность обучения коротким продажам и риски, связанные с отсутствием этого навыка, особенно в ожидании медвежьего рынка. Он также затрагивает вопрос о том, как короткие продажи могут способствовать повышению волатильности рынка и потенциальному падению цен на акции.

Видео продолжается тем, что Лоран Бернют благодарит зрителей за их участие и активность на протяжении всего мастер-класса по коротким продажам. Он выражает признательность за вопросы и комментарии, полученные во время сессии, подчеркивая важность активного участия и любознательности в процессе обучения.

Затем Лоран Бернут представляет предстоящий курс по коротким продажам с помощью Python, направленный на предоставление практических навыков реализации стратегий коротких продаж с использованием программирования. Курс будет охватывать различные темы, включая анализ данных, алгоритмическую торговлю, управление рисками и тестирование на истории. Он подчеркивает ценность сочетания количественного анализа с методами коротких продаж и то, как Python может быть мощным инструментом для этой цели.

В дополнение к курсу Лоран Бернут объявляет о выпуске дополнительной книги под названием «Разоблачение коротких продаж: полное руководство по получению прибыли на медвежьем рынке». В книге будут рассмотрены как и почему короткие продажи, даны идеи, стратегии и примеры из реальной жизни. Он направлен на то, чтобы демистифицировать дисциплину и вооружить читателей знаниями и навыками, необходимыми для успешного преодоления сложностей коротких продаж. Книга должна быть опубликована 11 октября 2021 года и будет доступна на Amazon.com.

В конце видео Лоран Бернют вновь подчеркивает важность непрерывного обучения и совершенствования в области коротких продаж. Он призывает зрителей изучить курс и книгу, чтобы углубить свое понимание и улучшить свои навыки. Он заявляет о своем стремлении помочь людям овладеть навыками коротких продаж и подчеркивает ценность информированности и способности адаптироваться к постоянно меняющимся финансовым рынкам.

С заключительной нотой благодарности и ободрения Лоран Берню прощается со зрителями, оставляя им приглашение общаться, задавать вопросы и продолжать свое путешествие в мире коротких продаж. Видео заканчивается, и зрители остаются вдохновленными и мотивированными для дальнейшего изучения возможностей и проблем, связанных с короткими продажами.

  • 00:00:00 Видео представляет Лорана Бернута как основателя и генерального директора Alpha Secure Capital и преданного продавца коротких позиций в Fidelity Investments. Мастер-класс будет посвящен коротким продажам и продлится два часа без сессии вопросов и ответов в конце. Спикер призывает зрителей задавать актуальные вопросы во время самой сессии. Он также упоминает курс по коротким продажам с помощью Python и дополнительную книгу, в которой объясняется, как и зачем это делать. Книга выйдет 11 октября 2021 года и будет доступна на Amazon.com.

  • 00:05:00 Лоран Бернют объясняет основные выводы своего мастер-класса по коротким продажам, заявляя, что выбор лучшего — это банкротство, а короткие продажи — самый ценный набор навыков для привлечения успешного фонда. Бернут также развенчивает десять классических мифов о коротких продажах, подчеркивая при этом недостаточно изученный характер этой дисциплины. Он объясняет динамику коротких продаж и почему даже успешные участники рынка борются с короткими. Бернут также делится личным мнением об управлении капиталом и его центральной части в курсе. Раздел завершается обзором того, как работает короткая продажа, и важности поиска заимствования.

  • 00:10:00 Лоран Бернют обсуждает обанкротившуюся природу выбора акций и почему трейдеры должны переключить свое внимание на другие методы, такие как короткие продажи. Он объясняет, что индустрия построена на культе сборщика акций, но, глядя на цифры, мы знаем, что две трети активных менеджеров из года в год отстают от контрольного показателя, что привело к тому, что они переключили свое внимание с выбора акций на скрытая индексация и пассивное инвестирование. Активные менеджеры не отстают с большим отрывом; обычно это плюс-минус один или два процента индекса. Однако на медвежьем рынке актуальными становятся такие вертикали, как короткие продажи.

  • 00:15:00 Лоран Бернют развеивает миф о том, что короткие продавцы уничтожают пенсии и компании. Он подчеркивает, что инвесторы вкладывают свои деньги в длинные и короткие инструменты, потому что им нужна низкая волатильность, низкая доходность корреляции и защита от убытков, чего активные менеджеры не могут постоянно гарантировать. Таким образом, инвесторы не заботятся о долгих выборах со стороны управляющих взаимными фондами, поскольку они могут выполнять ту же функцию пассивно, используя биржевые фонды. Бернут объясняет, что продажа акций на понижение защищает от риска падения, что делает навык коротких продаж очень востребованным, особенно на медвежьем рынке.

  • 00:20:00 Лоран Бернют обсуждает короткие продажи в контексте капитализма и ответственности менеджмента. Короткие продавцы, которые не участвуют в управлении компаниями, часто обвиняются в крахе компании, хотя на самом деле причиной краха компании является плохое управление. История капитализма полна компаний, которые устарели из-за плохого управления, и короткие продавцы часто просто сопровождают их в это устаревание. Рыночная стоимость также обсуждается как отдельная от внутренней стоимости, при этом рыночная стоимость представляет собой канадский конкурс красоты, где самый красивый человек выбирается на основе того, кого судья считает самым красивым. Наконец, обсуждается неправильное представление о том, что короткие продавцы являются злыми спекулянтами, при этом Бернут предупреждает, что регулирующим органам не нравятся короткие продавцы, которые занимаются манипулированием рынком, но работа коротких продавцов часто состоит в том, чтобы раскрывать парадоксы на рынке.

  • 00:25:00 Лоран Бернют, спикер видео «Короткие продажи на бычьем рынке — мастер-класс», рассказывает о континууме корпоративного пространства-времени, с которым сталкиваются продавцы коротких позиций. Парадокс возникает, когда компании премируют сотрудников, участвовавших в мошенничестве, и когда высшее руководство отрицает осведомленность о такой практике. Бернут также предлагает, чтобы продавцы коротких позиций не должны смотреть на руководство компании враждебно, даже если они правы, поскольку существуют неконфликтные способы шортить акции. Зная, что короткие продажи — это упражнение по управлению рисками, Бернут советует о потенциальных рисках, которые они представляют, говоря, что короткие продажи следует делать осторожно.

  • 00:30:00 Лоран Бернют в своем мастер-классе по программе Algo Trading Week обсуждает важность обучения коротким продажам и риски, связанные с незнанием того, как это делать, подчеркивая ценность обучения и практики в условиях неизбежного медвежьего рынка. Он также затрагивает вопрос о том, как короткие продажи могут увеличить волатильность рынка и в конечном итоге привести к обвалу цен на акции. Бернут кратко рассматривает концепцию использования заемщика, а также спрос и предложение акций, предназначенных для коротких продаж, отвечая на вопрос о минимизации потерь и обращая внимание на необходимость корректировки стратегий спотовых коротких продаж на фьючерсных рынках.

  • 00:35:00 Лоран Бернют развенчивает миф о том, что короткие продажи не нужны на бычьем рынке. Многие хедж-фонды откладывали обучение коротким продажам до финансового кризиса 2008 года, из-за чего они сильно пострадали, когда рынки рухнули. Бернут считает, что короткие продажи следует изучать во время бычьего рынка, потому что это поле конкуренции с большой утечкой альфа-канала, а обучение во время бычьего рынка дает возможность совершать ошибки без особых последствий. Также развенчан миф о структурном шоке. В то время как предприятия могут обанкротиться, логика не применима к длинным позициям, и те, у кого длинные позиции, часто посещают и тренируются, чтобы защитить свои инвестиции.

  • 00:40:00 Лоран Бернют объясняет ошибочность того, что быть «туристом» и стремиться к структурным коротким продажам. Он считает, что это свидетельствует о недостатке смирения, и говорит, что обнаружить бухгалтерское мошенничество чрезвычайно сложно. Еще одна проблема — несовершенные бизнес-модели, которые сложно обнаружить, поскольку компании пытаются их скрыть. Бернут также говорит об оценках, говоря, что когда они не имеют смысла, они перестают иметь смысл. Он объясняет два режима торговли, классическое следование за трендом и возврат к среднему, и говорит, что люди на длинной стороне должны понимать разницу, поскольку они имеют антагонистические профили и выплаты.

  • 00:45:00 Лоран Бернют обсуждает стратегии коротких продаж, подчеркивая, что парная торговля не является стратегией коротких продаж, несмотря на то, что многие люди связывают ее с короткой стороной. Он также говорит об определении режима, в соответствии с которым рынок распределяется по трем сегментам в зависимости от цены: бычий, медвежий и неубедительный, а также о том, что нужно делать: определение режима, относительный ряд и ловушки стоимости. Бернут рекомендует сосредоточиться на неэффективных, «скучных» акциях без реальной истории или роста и высокой дивидендной доходности, потому что они, как правило, следуют за разговорами и отстают, а это то, чего хотят короткие продавцы.

  • 00:50:00 Лоран Бернют обсуждает камень преткновения генерации идей, когда речь идет о коротких продажах, и сравнивает рост компаний с концепцией старения, когда их доходность выше, потому что их рост произошел много лет назад и от них ничего не осталось. Он также представляет график S&P 500 и объясняет, как сплошные красные и зеленые линии представляют количество акций, достигших новых годовых максимумов и минимумов соответственно, а пунктирная линия представляет те же данные относительного ряда, разделенные на индекс. Половина составляющих любого индекса примерно лучше, а половина хуже, а это означает, что проблематичным аспектом является синхронизация максимума и минимума. Бернут предлагает вместо этого выполнять повороты секторов и представляет тепловую карту всех методов определения региона, что приводит к обсуждению определения режима.

  • 00:55:00 Лоран Бернют обсуждает важность определения режима в трейдинге, будь то количественный или фундаментальный анализ. Определение режима служит обзором рынка, сообщая трейдерам, является ли он бычьим или медвежьим. Анализируя режим, трейдеры могут выяснить, почему определенные акции работают лучше или хуже. Ответы на эти вопросы можно разделить на три блока: ротация секторов, временная неверная оценка и конкретная динамика акций. Бернут также представляет три классические торговые стратегии: следование за трендом, возврат к среднему и i-порода.

  • 01:00:00 Лоран Бернют обсуждает недостатки классических стратегий следования за трендом и возврата к среднему, а также подчеркивает важность масштабирования и получения краткосрочной прибыли. Это позволяет трейдерам быстро получать прибыль и повышать процент выигрышей, в то время как сделки, подобные лотереям, могут работать в течение длительного времени. Он также объясняет динамику коротких продаж и необходимость понимания дрейфа чистого риска, что имеет основополагающее значение для коротких продаж. Наконец, он заявляет, что управление капиталом необходимо для получения прибыли в этой игре.

  • 01:05:00 Спикер отвечает на вопрос о предпочтительных временных рамках для коротких продаж. Они объясняют, что их стиль коротких продаж — следование за трендом, в соответствии с подходом их друга Майка Ковелла, который известен своим подкастом, следующим за трендом. Они также подчеркивают важность использования заемных средств при коротких продажах, поскольку это указывает на участие институциональных инвесторов. Оратор утверждает, что когда уровень использования займов превышает 50, это является признаком того, что институциональные инвесторы покинули здание, и единственными, кто обрушивает акции, являются стабильные акционеры, которые вряд ли продадут акции. Поэтому крайне важно следовать циклу вращения сектора и рано начинать в относительном выражении, потому что это может продолжаться долгое время, прежде чем вращение сектора закончится.

  • 01:10:00 Лоран Бернют обсуждает концепцию подверженности риску на фондовом рынке, в частности, валовую подверженность риску, чистую подверженность риску и чистую бета-версию. Он объясняет, что на бычьем рынке инвесторы, как правило, будут иметь чистую длинную позицию и положительную чистую бета-версию, в то время как они будут открывать короткие позиции по защитным акциям, которые имеют более низкую волатильность и будут иметь длинные позиции по акциям с высокой бета-версией. Однако Бернут отмечает, что получить отрицательную чистую бета-версию очень сложно, и это делают лишь несколько инвесторов в мире.

  • 01:15:00 Лоран Бернют обсуждает, как занять правильную позицию на медвежьем рынке, не подвергаясь отрицательному риску. На медвежьем рынке следует открывать защитные длинные позиции в областях с низким бета-коэффициентом, таких как коммунальные услуги, потребительские товары и продукты питания. Эти активы могут быть увеличены из-за их низкой волатильности. С другой стороны, акции с высоким бета-коэффициентом, которые выросли в геометрической прогрессии, должны продаваться без покрытия, потому что они будут падать сильнее всего. Это создаст тяжелую длинную сторону и более легкую, более волатильную короткую сторону, что приведет к чистому риску, который остается положительным. Хотя выбор акций в прошлом не удался, короткие продажи связаны с управлением рисками и размером позиции, что делает их стратегией выживания на медвежьем рынке.

  • 01:20:00 Лоран Бернют обсуждает важность расширения выигрышных сделок, чтобы прибыльные сделки со временем увеличивались. Он советует брать прибыль с высокой вероятностью на раннем этапе, а затем позволить оставшейся части сделки работать, учитывая потенциальную большую прибыль от следования за трендом. Однако при коротких продажах важно быстро снимать деньги со стола из-за риска коротких сжатий. Бернут также подчеркивает, что ордера стоп-лосс не должны быть частью обычных торговых решений и должны размещаться только в момент, когда инвестиционное решение признано недействительным или отменено. Размещение ордеров стоп-лосс в диапазоне волатильности может привести к шуму и негативно повлиять на ожидаемую прибыль.

  • 01:25:00 Лоран Бернют обсуждает стоп-лоссы и то, как они являются переменной номер один в ожидаемой прибыли, поскольку они влияют на три из четырех переменных — средний убыток, процент выигрышей и процент убытков. Он советует сделать стоп-лоссы логическим и бюджетным вопросом и поэкспериментировать с ними, чтобы найти лучшее решение. Отвечая на вопрос о специализации на коротких товарах, Бернут признает, что ему не хватает знаний, но предполагает, что использование его метода относительной стадии и рассмотрения режимов делает торговлю акциями проще, чем кажется. В заключение он подчеркивает, что деньги зарабатываются в модуле управления капиталом, а выбор акций не является основным фактором, определяющим доходность.

  • 01:30:00 Лоран Бернют рассказывает о важности доходности управления капиталом и о том, что прибыль приносит не только выбор акций. Он приводит пример компании Fidelity, в которой разные портфели содержали одни и те же акции, но приносили разную доходность из-за размера их инвестиций. Затем Бернут продолжает объяснять различные алгоритмы управления капиталом, используя в качестве примера график, включая равный вес, равный риск, выпуклый и вогнутый. Он сравнивает различные алгоритмы с вождением автомобиля на разных передачах и подчеркивает важность регулирования риска в соответствии с рыночными условиями.

  • 01:35:00 Лоран Берню подчеркивает важность управления капиталом для получения прибыли в финансовой индустрии. Он предполагает, что самые большие успехи будут достигнуты в определении размера позиции, управлении рисками и управлении портфелем. Он считает, что модулирование вогнутых и выпуклых нижних линий можно использовать для модуляции риска и создания другого профиля риска, что является эффективным способом управления размером портфеля, вкладываемого в сделку. По словам Бернута, именно здесь машинное обучение и ИИ в следующем поколении будут способствовать большим достижениям в области финансов.

  • 01:40:00 Лоран Бернут отвечает на вопросы зрителей об управлении рисками, оптимизации Черного Литтермана в длинно-коротких портфелях и взаимосвязи между длинными-короткими портфелями и кредитным плечом. Бернут объясняет, что управление рисками включает в себя знание того, когда следует снова ускориться или замедлиться, в то время как использование портфеля длинных и коротких позиций может увеличить доход, но также может быть обоюдоострым мечом, если его не использовать осторожно. Он также отмечает, что, хотя он лично не использовал оптимизацию Блэка Литтермана, это итерация ограничения. Наконец, Бернут делится своим личным подходом к использованию открытого риска и доходности с поправкой на относительный риск для управления риском в своей торговле.

  • 01:45:00 Лоран Берню обсуждает, что он предпочитает независимое управление запасами, а не комплексный подход. Что касается таймфреймов, то он торгует ежедневно, поскольку на этом уровне рынок предлагает множество возможностей. Он также считает, что легче иметь положительное ожидание на более длительных временных отрезках, но это может привести к более низкой доходности и более медленному обороту. Наконец, Бернут обращается к проблеме торговли против компьютеров, напоминая нам, что мы соревнуемся с ними, а не наказываемся ими.

  • 01:50:00 Лоран Бернют обсуждает использование ИИ и машинного обучения в розничной торговле. Он считает, что использование ИИ и машинного обучения для прогнозирования рынка обречено на неудачу, потому что случайность никуда не денется. Что касается розничных торговцев, строящих институты, то это проще, чем можно было бы подумать. Можно прыгать в хвост крупных учреждений, наблюдая за движением объемов и трендов акций. Хотя розничные трейдеры не могут превзойти крупные учреждения в высокочастотной торговле, они всегда могут торговать в трендах и нишах, не требующих обширных исследований. В целом, Бернут советует не пытаться конкурировать с крупными учреждениями в индивидуальной торговле и поощряет поиск областей, которые обеспечивают более легкий вход и успех.

  • 01:55:00 Лоран Бернют обсуждает, как короткие продавцы имеют преимущество в обработке информации быстрее, чем аналитики, и как важно найти свою нишу и сосредоточиться на отрицательном ожидании. Когда его спросили о том, как сохранять мышление шорта, Бернут советует оставаться скромным и принимать, когда вы не правы, двигаться дальше и устанавливать стоп-лоссы. Он даже сравнивает охоту на рыбу с рыбалкой, объясняя, как быть безжалостным в разделке рыбы и забрасывании сети. Наконец, он отвечает, есть ли у низко- и среднечастотных трейдеров шанс против высокочастотных трейдеров, заявляя, что дело не в том, что HFT более прибыльный, а в том, чтобы каждый трейдер нашел свою нишу и добился успеха сам по себе.

  • 02:00:00 Спикер обсуждает роль HFT в трейдинге и то, как они по сути действуют как налог, который берет на себя, несмотря ни на что. Он также упоминает, что победа в HFT — это гонка вооружений, и либо вы впереди всех, либо платите за чей-то обед. Вместо того, чтобы смотреть на тенденции с точки зрения времени, он считает, что время — неправильный контейнер, и вместо этого лучше смотреть на режим. С точки зрения долгосрочного и краткосрочного воздействия он говорит о стандартных моделях длительного расширения 130/30 или 140/40, используемых квантами или стрелками во взаимных фондах. Они популярны, потому что они по-прежнему классифицируются как длинные только в игре с распределением активов, но он предлагает рассмотреть чистый бета-тест, отличный от общих уровней риска.

  • 02:05:00 Спикер объясняет, как работает стратегия 130/30 с точки зрения распределения активов и как остаток классифицируется как длинная позиция. Стратегия 130/30 означает наличие 130% длинных и 30% коротких позиций, что дает чистый риск 100% и остаток денежных средств, близкий к нулю. Фонды, использующие эту стратегию, по-прежнему могут быть классифицированы только как длинные и сравниваться с их соответствующими индексами. Спикер представляет интересную академическую точку зрения относительно того, будет ли возможен сетевой мандат на бета-тестирование, но сообщает, что это технический вопрос, о котором он раньше не задумывался. Сессия заканчивается здесь предложением оставить отзыв и задать вопросы, а также напоминанием посетить следующую сессию по использованию настроений и альтернативных данных в торговле.
 

Как выбрать лучшие акции и торговать вживую, доктор Хуэй Лю | Алготрейдинговая неделя, день 2



Как выбрать лучшие акции и торговать вживую, доктор Хуэй Лю | Алготрейдинговая неделя, день 2

Во время введения в Неделю алго-трейдинга, день 2, спикер отмечает предыдущие сессии с участием экспертов в области количественной и алго-трейдинга. Они кратко упоминают ценные идеи, которыми поделились эти эксперты, готовя почву для презентации дня. Основное внимание в День 2 уделяется выбору лучших акций и участию в реальной торговле, а доктор Хуэй Лю берет на себя ведущую роль в качестве ведущего.

Спикер также рассказывает о продолжающемся соревновании по алго-трейдингу, которое включает в себя три отдельных теста, охватывающих основы количественной и алгоритмической торговли. Победители конкурса будут объявлены в сентябре, что привнесет в событие элемент предвкушения и волнения. Кроме того, спикер сообщает, что на следующий день состоится двухчасовой мастер-класс по коротким продажам под руководством Алохи Бенду. Время проведения этого класса будет скорректировано с учетом участников из разных часовых поясов.

Доктор Хуэй Лю начинает свою презентацию с обсуждения процесса создания торговой идеи, ее проверки и построения модели машинного обучения для проверки ее исторической эффективности. Он предполагает, что трейдеры могут черпать идеи, читая финансовые отчеты или отслеживая платформы социальных сетей, чтобы оценить эффективность компании. Доктор Лю также представляет SPY ETF, который отслеживает индекс S&P 500 и служит ценным источником исторических данных. Он подчеркивает важность использования статистических моделей и проведения ретроспективного тестирования для проверки торговых идей, прежде чем приступить к созданию торгового робота с использованием iBridgePi.

Затем д-р Лю объясняет основы торговли по тренду и значение покупки по низкой цене и продажи по высокой. Он подробно рассказывает о сборе исторических данных и использовании Python в Jupyter Notebook для разработки модели машинного обучения. Д-р Лю демонстрирует, как модель может быть использована для создания скрининга акций, помогающего в определении наиболее перспективных акций для торговых целей. Он подчеркивает важность проверки торговых идей с помощью тестирования на исторических данных и торговли в реальном времени.

В своем следующем сегменте д-р Лю демонстрирует практическую демонстрацию использования Python для извлечения исторических данных из Yahoo Finance API и обработки их для построения модели машинного обучения. В частности, он извлекает данные дневного бара для SPY и использует функцию «запросить исторические данные». Д-р Лю добавляет к данным дополнительные столбцы, в которых рассчитывается процентное изменение цены закрытия по сравнению с предыдущим днем по сравнению с текущим днем, а также с текущего дня на следующий день. Он объясняет, что отрицательное изменение цены закрытия со вчерашнего дня на сегодня в сочетании с положительным изменением с сегодняшнего дня на завтра означает возможность покупать акции, когда цена падает, поскольку его прогноз предполагает надвигающийся рост цены.

Затем доктор Лю подробно описывает процесс построения модели машинного обучения для прогнозирования цен на акции. Он получает данные о цене закрытия, вчерашнем изменении цены и изменении цены с сегодняшнего дня на завтрашний день. Используя модель линейной регрессии, он сопоставляет данные и анализирует результаты. Доктор Лю показывает график, на котором черная линия представляет прогнозы модели машинного обучения, а разрозненные точки данных отображают ежедневные цены акций от Yahoo Finance для S&P 500. Он объясняет, что отрицательный коэффициент означает отрицательную корреляцию, указывая на то, что когда цена падает, она может вырасти, и наоборот. Д-р Лю размышляет о возможности использования этой модели для автоматической торговли с целью потенциального получения прибыли.

Д-р Лю переходит к обсуждению процесса выбора лучших акций и участия в реальной торговле. Он рекомендует трейдерам изучить цену в конце торгового дня, чтобы определить ее восходящее или нисходящее движение, прежде чем размещать ордера ближе к закрытию рынка. Он демонстрирует создание скрининга акций, чтобы получить представление о том, как модель работает с различными акциями, и определить благоприятные акции для подражания. Д-р Лю признает, что его модель является относительно упрощенной, полагаясь на вчерашнюю цену для прогнозирования завтрашней, и поэтому рассматривает возможность использования передовых индикаторов, таких как схождение-расхождение скользящих средних (MACD), для повышения точности прогнозов и фильтрации сделок.

Доктор Лю исследует использование MACD для прогнозирования и фильтрации акций, а также сравнивает его с моделью «покупай дешево, продавай дорого». Он представляет результаты, полученные при использовании MACD 10 и 30 на SPY, показывая относительно слабый тренд. Следовательно, д-р Лю заключает, что использование MACD для будущих прогнозов может не дать таких благоприятных результатов, как раньше. Он переходит к обсуждению построения статистической модели машинного обучения и рассматривает модель «покупай дешево, продавай дорого» как потенциальное средство получения прибыли. Д-р Лю рассказывает об Average Pi, платформе Python, облегчающей тестирование на истории и торговлю в реальном времени, подчеркивая ее функцию 100% конфиденциальности, совместимость с несколькими учетными записями и гибкость в отношении поставщиков данных. Он иллюстрирует простоту и эффективность построения модели «покупай дешево, продавай дорого» в Average Pi, используя всего несколько строк кода.

Доктор Лю объясняет процесс настройки конфигурации для торговли с использованием Algo Trading Week Day 2. Он подчеркивает выполнение функции инициализации в начале для определения переменных и установки конфигурации. Например, он планирует выполнять функцию «купи дешево, продай дорого» каждый торговый день, за одну минуту до закрытия рынка, инвестируя 100% портфеля в SPY, если вчерашняя цена была ниже сегодняшней. Д-р Лю углубляется в тему тестирования на исторических данных, показывая, как можно использовать исторические данные от брокеров или сторонних поставщиков на различных временных интервалах, в том числе поминутных, часовых или дневных.

Затем доктор Лю демонстрирует процесс тестирования выбранной стратегии с использованием различных поставщиков данных и пакетов. Он советует выбрать время начала и время окончания периода обратного тестирования, а также подтвердить выбор поставщика данных для выполнения. Перейдя в демонстрационный режим, доктор Лю демонстрирует процесс, указывая на то, что поставщики данных, такие как Interactive Brokers (IB), или локальные исторические данные, могут использоваться для стратегий обратного тестирования. Он дает рекомендации по настройке установки тестирования на истории с использованием доступных исторических данных, хранящихся в локальных файлах.

Доктор Лю продолжает демонстрировать использование ретроспективного тестирования для проверки эффективности торговой стратегии с использованием исторических данных. Он признает сложность получения значимых данных дневных баров для обширных периодов тестирования на исторических данных. Чтобы преодолеть это препятствие, он вводит концепцию смоделированных данных минутного бара, где цена закрытия дневного бара может использоваться для моделирования данных. Это упрощает процесс для трейдеров, пытающихся получить доступ к точным данным, необходимым для тестирования на истории.

Доктор Лю представляет результаты ретроспективного тестирования модели «купи дешевле, продай дороже» в сравнении со стратегией «купи и держи» для S&P 500 с 2000 по 2020 год. Модель превосходит стратегию «купи и держи», в результате чего портфель стоимость 800 000 долларов по сравнению с 200 000 долларов. Он признает, что, несмотря на небольшую корреляцию, наблюдаемую с помощью простой линейной регрессии, модель по-прежнему дает положительные результаты. Затем д-р Лю переходит к теме реальной торговли, указывая, что это может быть так же просто, как изменить две строки кода, чтобы выбрать желаемую стратегию и ввести код счета для Interactive Brokers перед выполнением программы. Он завершает презентацию, приглашая участников связаться с ним по электронной почте для получения помощи в кодировании или организовать личную встречу в Сан-Хосе, штат Калифорния.

Во время сеанса вопросов и ответов задается вопрос о достоверности проверенной стратегии, обеспечивающей идентичные результаты в реальных сделках. Д-р Лю объясняет, что, хотя исторические данные представляют прошлое и модель может демонстрировать статистическую стабильность, цена сама по себе неустойчива, особенно ближе к закрытию рынка. Поэтому вариации в предсказании будущего неизбежны. Однако в течение длительного периода общая модель должна оставаться верной. Он отмечает, что использует модель линейной регрессии из-за ее простоты и легкости для понимания, но признает, что более сложные модели машинного обучения потенциально могут дать лучшие результаты. Доктор Лю также затрагивает вопрос транзакционных издержек и проскальзываний, заявляя, что их следует учитывать при реализации стратегий реальной торговли, и они могут повлиять на общую эффективность стратегии.

Возникает еще один вопрос относительно использования других технических индикаторов в сочетании с моделью «покупай дешево, продавай дорого». В ответ доктор Лю подчеркивает гибкость платформы Average Pi, которая позволяет трейдерам включать в свои стратегии дополнительные индикаторы. Он упоминает, что индикатор схождения-расхождения скользящих средних (MACD) может быть ценным дополнением к фильтрам сделок и повышению точности прогнозов.

Участник спрашивает о значении временного интервала между торговым сигналом и закрытием рынка. Доктор Лю объясняет, что выбранный временной интервал зависит от индивидуальных предпочтений и торговых стратегий. До закрытия рынка может пройти несколько минут или даже часов, в зависимости от желаемого времени исполнения сделки. Он советует трейдерам экспериментировать с разными временными интервалами, чтобы найти то, что лучше всего подходит для их конкретных стратегий.

Отвечая на вопрос о влиянии волатильности рынка на модель «купи дешево, продай дорого», доктор Лю признает, что повышенная волатильность потенциально может создать больше возможностей для торговли. Однако он предупреждает, что более высокая волатильность также сопряжена с более высоким риском, и трейдеры должны тщательно учитывать свою толерантность к риску и соответствующим образом корректировать свои стратегии.

Участник спрашивает о потенциальных ограничениях модели «покупай дешево, продавай дорого». Доктор Лю признает, что простота модели является одновременно и силой, и недостатком. Хотя он может давать положительные результаты, он может не учитывать более сложную рыночную динамику и потенциально может упустить определенные торговые возможности. Он предлагает трейдерам, которые хотят изучить более продвинутые стратегии и модели, рассмотреть возможность более глубокого изучения количественных финансов и изучения других алгоритмов машинного обучения.

Сессия вопросов и ответов завершается тем, что доктор Лю выражает готовность помочь участникам с любыми дополнительными вопросами или помощью в кодировании, предлагая им связаться с ним по электронной почте.

  • 00:00:00 Спикер представляет второй день недели алго-трейдинга и кратко упоминает о предыдущих сессиях с экспертами по количественному и алго-трейдингу. Сегодняшняя презентация посвящена тому, как выбирать лучшие акции и торговать в реальном времени, которую представил доктор Хуэй Лю. Спикер также кратко рассказывает о соревновании по алго-трейдингу и его трех различных тестах по основам количественной и алгоритмической торговли, победители которых будут объявлены в конце сентября. Завтра состоится двухчасовой мастер-класс по коротким продажам от Aloha Bendu, который будет проведен раньше обычного в зависимости от местонахождения участника.

  • 00:05:00 Доктор Хуэй Лю обсуждает, как придумать торговую идею, проверить ее, а затем построить модель машинного обучения для проверки эффективности в прошлом. Он предполагает, что чтение финансовых отчетов или использование социальных сетей для получения представления об эффективности компании может быть одним из способов придумать торговую идею. Затем он рассказывает об ETF SPY, который отслеживает индекс S&P 500, и о том, как его можно использовать в качестве источника исторических данных. Д-р Лю также упоминает об использовании статистических моделей и ретроспективном тестировании для проверки торговой идеи перед созданием торгового робота с использованием iBridgePi.

  • 00:10:00 Доктор Хуэй Лю обсуждает основы торговли по тренду и важность покупки по низкой цене и продажи по высокой. Опираясь на эту концепцию, он объясняет, как собирать исторические данные и строить модель машинного обучения с помощью Python на Jupyter Notebook. Он также демонстрирует, как использовать модель для создания скрининга акций, который может помочь определить лучшие акции для торговли. Наконец, он подчеркивает важность проверки ваших торговых идей с помощью тестирования на исторических данных и реальной торговли.

  • 00:15:00 Д-р Хуэй Лю демонстрирует, как использовать Python для извлечения исторических данных из Yahoo Finance API и обработки данных для построения модели машинного обучения. Данные извлекаются для SPY с дневным баром, а функция, используемая для извлечения исторических данных, называется «запросить исторические данные». Чтобы построить модель машинного обучения, доктор Лю добавляет несколько столбцов, которые рассчитывают изменение цены закрытия со вчерашнего дня на сегодняшний день и с сегодняшнего дня на завтра в процентах. Он объясняет, что если изменение цены закрытия со вчерашнего дня на сегодня отрицательное, а изменение цены закрытия с сегодняшнего дня на завтра положительное, это означает, что есть возможность купить акции, когда цена пойдет вниз, поскольку, по его прогнозу, цена пойдет вниз. вверх.

  • 00:20:00 Доктор Хуэй Лю объясняет свой процесс создания модели машинного обучения для прогнозирования цен на акции. Он начинает со сбора данных о цене закрытия, вчерашнем изменении цены и изменении цены с сегодняшнего дня на завтрашний день. Затем он использует модель линейной регрессии для подбора данных и анализа результатов. Черная линия на графике представляет прогнозы модели машинного обучения, а разрозненные точки данных представляют собой ежедневные цены акций от Yahoo Finance для S&P 500. Лю объясняет, что отрицательный коэффициент означает отрицательную корреляцию, которая указывает, что когда цена падает, она скорее всего, пойдет вверх, а когда цена вырастет, она, скорее всего, упадет. В конечном счете, Лю рассматривает, можно ли использовать эту модель для автоматической торговли, чтобы потенциально получить прибыль.

  • 00:25:00 Доктор Хуэй Лю обсуждает, как выбрать лучшие акции и торговать в реальном времени. Он предлагает трейдерам смотреть на цену в конце торгового дня, чтобы увидеть, идет ли цена вверх или вниз, а затем размещать свои заказы в конце торгового рынка. Он демонстрирует, как построить инструмент для скрининга акций, чтобы понять, как модель работает для других акций и какой акции лучше всего придерживаться. Доктор Лю объясняет, что его модель слишком проста, потому что он использует вчерашнюю цену для прогнозирования завтрашнего дня, поэтому он рассматривает возможность использования расширенного индикатора, такого как схождение-расхождение скользящих средних (MACD), для прогнозирования и фильтрации сделок.

  • 00:30:00 Д-р Хуэй Лю обсуждает использование MACD для прогнозирования и фильтрации акций, а также его сравнение с моделью «купи дешево, продай дорого». Он показывает результаты при использовании MACD 10 и 30 на Spy, выявляя относительно слабый тренд, и делает вывод, что использование MACD для будущих прогнозов не будет таким успешным, как раньше. Д-р Лю обсуждает создание статистической модели машинного обучения и рассмотрение модели покупки по низкой цене, продажи по высокой, которая потенциально может принести прибыль. Затем он переходит к обсуждению использования Average Pi, платформы Python для тестирования на истории и торговли в реальном времени, подчеркивая ее функцию 100% конфиденциальности, которая позволяет управлять несколькими учетными записями и использовать любого поставщика данных для тестирования на истории. Наконец, доктор Лю рассказывает, как построить модель покупки по низкой цене и высокой стоимости в Average Pi, используя всего несколько строк кода, подчеркивая ее простоту и эффективность.

  • 00:35:00 Доктор Хуэй Лю объясняет процесс настройки конфигурации для торговли с использованием Algo Trading Week Day Day 2. Доктор Лю запускает функцию инициализации в начале исполнения, чтобы определить переменные и настроить конфигурацию. В одном примере д-р Лю планирует выполнение функции «покупать дешево, продавать дорого» каждый торговый день, за одну минуту до закрытия рынка, и покупать 100% своего портфеля в SPY, если вчерашняя цена была ниже, чем сегодняшняя. Затем доктор Лю объясняет, как проводить ретроспективное тестирование с использованием исторических данных от брокеров или сторонних поставщиков данных на поминутной, ежечасной или ежедневной основе.

  • 00:40:00 Д-р Хуэй Лю демонстрирует, как протестировать выбранную стратегию с использованием различных поставщиков данных и пакетов. Он объясняет, что самый простой способ тестирования на исторических данных — это выбрать время начала, выбрать время окончания тестирования и подтвердить поставщику данных его выполнение. Доктор Лю переключается в демо-режим, чтобы показать процесс, и упоминает, что можно использовать поставщика данных, такого как IB, или локальные исторические данные, чтобы протестировать свою стратегию на истории. Далее он рассказывает, как настроить процесс обратного тестирования с использованием исторических данных, доступных в локальном файле.

  • 00:45:00 Доктор Хуэй Лю демонстрирует, как использовать ретроспективное тестирование для проверки эффективности торговой стратегии с использованием исторических данных. Он объясняет, что данные должны быть значимыми, но трейдерам может быть сложно найти данные дневных баров для длительных периодов времени для тестирования на исторических данных. Однако для решения этой проблемы он вводит концепцию смоделированных данных минутного бара, где, если данные недоступны, для имитации данных можно использовать цену закрытия дневного бара. Это может помочь упростить процесс для трейдеров, которые изо всех сил пытаются найти правильные данные для тестирования на истории.

  • 00:50:00 Д-р Хуэй Лю демонстрирует результаты тестирования модели «покупай дешево, продай дорого» по сравнению со стратегией «покупай и держи» для S&P 500 с 2000 по 2020 год. Модель превзошла стратегию «покупай и держи». , в результате чего стоимость портфеля составляет 800 000 долларов США по сравнению с 200 000 долларов США. Он отмечает, что даже несмотря на то, что корреляция с использованием простой линейной регрессии была небольшой, она все равно давала хорошие результаты. Затем доктор Лю переходит к реальной торговле, которая, по его словам, так же проста, как изменение всего двух строк кода для выбора стратегии и ввода кода счета для IB (Interactive Brokers) перед запуском программы. Он завершает презентацию, приглашая участников связаться с ним по электронной почте для получения помощи в кодировании или встретиться лично, если они находятся в Сан-Хосе, штат Калифорния.

  • 00:55:00 Доктор Хуэй Лю отвечает на вопрос о достоверности проверенной стратегии, обеспечивающей идентичные результаты в реальных сделках. Он объясняет, что исторические данные — это всего лишь прошлое, и хотя модель может быть статистически стабильной, цена неустойчива, особенно ближе к закрытию рынка. Следовательно, всегда будут вариации для предсказания будущего, но в течение длительного периода общая модель все еще будет верной. Он отмечает, что причина, по которой он использует модель линейной регрессии, заключается в том, что ее проще всего понять, но можно использовать и другие модели, например модель случайного леса. Однако было бы сложно кратко объяснить модель, и следует использовать более простые модели, чтобы избежать переобучения.

  • 01:00:00 Доктор Лю обсуждает, как часто нужно переобучать модель и как управлять рисками с помощью стоп-лосса или тейк-профита. Он предполагает, что переобучение зависит от типа модели и объема имеющихся у вас данных; наличие большего количества данных приведет к лучшим результатам и предсказуемости. Когда дело доходит до управления риском с помощью стоп-лосса, он советует, что, хотя это сложно напрямую включить в модель, его можно включить в структуру тестирования на истории, чтобы установить точку стоп-лосса и сравнить результаты со стратегией без стоп-лосса. Наконец, он предостерегает обычных трейдеров от участия в высокочастотной торговле, поскольку в этой области невозможно превзойти учреждения.

  • 01:05:00 Д-р Хуэй Лю обсуждает самый низкий уровень, необходимый для ретроспективного тестирования, и объем данных, необходимых для надежных результатов. Он говорит, что самый низкий уровень для надежного тестирования — это максимальное количество точек данных, которые вы можете получить, и вы должны использовать свое суждение, основанное на дневных или часовых барах. Он предполагает, что при сравнении количества факторов с вашей моделью для каждого фактора у вас должна быть сотня точек данных, соответствующих вашей модели, иначе ваша модель не будет такой хорошей. Наконец, ведущие выражают благодарность доктору Лю и объявляют следующее занятие.
 

Как стать успешным квантом | Доктор Эрнест Чан | Неделя алготрейдинга, день 1



Как стать успешным квантом | Доктор Эрнест Чан | Неделя алготрейдинга, день 1

Сессия вопросов и ответов с доктором Эрнестом Ченом начинается с того, что спикер представляет соревнование по алгоритмической торговле, призванное дать новичкам возможность изучить основы алгоритмической торговли, а экспертам — освежить свои знания. Конкурс предлагает призы, такие как стипендии и сертификаты достижений для трех лучших победителей. Доктор Чан, основатель и генеральный директор PredictNow.ai и QTS Capital Management, а также автор трех книг по количественному трейдингу, делится с аудиторией своим опытом.

Доктор Чан начинает с того, что подчеркивает доминирование количественной торговли за последнее десятилетие, при этом оценки показывают, что до 90% объема торгов на биржах США приходится на алгоритмическую торговлю. Хотя он не утверждает, что количественная торговля лучше дискреционной торговли, он подчеркивает важность не упускать из виду возможность автоматизации или систематизации торговых стратегий. Что касается отдельных трейдеров, конкурирующих с организациями, д-р Чен предполагает, что нишевые стратегии с ограниченными возможностями предлагают наилучшие возможности. Эти стратегии часто непривлекательны для крупных организаций и предполагают нечастую торговлю, что делает их жизнеспособными вариантами для независимых трейдеров.

Обсуждение продолжается, и д-р Чен говорит о важности поиска ниши в алгоритмическом трейдинге, где крупные организации не конкурируют друг с другом. Он советует избегать прямой конкуренции с крупными игроками и рекомендует искать области, где конкуренция практически отсутствует. Доктор Чан отвечает на вопросы о важности наличия докторской степени. в количественном и алгоритмическом трейдинге. Он подчеркивает, что иметь «шкуру на кону», то есть ставить на карту собственные деньги, крайне важно для того, чтобы стать успешным количественным расчетом. Он предлагает, чтобы трейдеры сосредоточились на развитии интуитивного понимания рынка посредством тестирования собственных торговых стратегий и чтения блогов и книг по трейдингу, а не полагались исключительно на теоретические знания.

Доктор Чан советует, чтобы успешный количественный трейдер отдавал предпочтение практическому опыту и пониманию рынка, а не доктору философии. Он отмечает, что для того, чтобы стать успешным аналитиком, требуется время, и предлагает отличиться, стремясь присоединиться к ведущему аналитическому фонду, написав оригинальное исследование в форме официального документа, сосредоточив внимание на торговой стратегии или конкретном рыночном явлении. Он предупреждает, что небольшой послужной список, такой как одна успешная сделка, недостаточен, чтобы доказать последовательность и знания. Отвечая на вопрос о включении данных о потоке ордеров в торговые стратегии, д-р Чен признает его ценность как индикатора, но подчеркивает, что его следует использовать в сочетании с другими индикаторами, поскольку ни один индикатор не является всеобъемлющим сам по себе.

Ограничения использования отдельных индикаторов для построения торговой стратегии обсуждаются доктором Ченом. Он указывает, что многие люди используют эти индикаторы, снижая их эффективность. Он предлагает включить их в качестве одной из многих функций в программу машинного обучения. Отвечая на вопрос о эйджизме в квантовой индустрии, д-р Чан подчеркивает, что если кто-то работает в качестве индивидуального предпринимателя, эйджизм не является проблемой. Он также делится своим мнением об использовании машинного обучения для создания альфы, предупреждая о риске переобучения и вместо этого рекомендуя его в качестве инструмента для управления рисками. Что касается торговли с малой задержкой, д-р Чан утверждает, что количественная торговля является необходимостью в этой области. Наконец, он советует, что помимо успешного послужного списка, управленческие навыки необходимы для любого, кто хочет создать хедж-фонд, основанный на количественных расчетах.

Доктор Чан подчеркивает, что для успешного управления фондами необходимы не только торговые навыки, но и навыки управления и развития бизнеса. Наличие лидерских качеств и опыт управления бизнесом имеют решающее значение. Когда его спросили о количественном понимании индийского рынка, он признал, что ему не хватает знаний, в первую очередь из-за нормативных требований. На вопрос о том, сколько времени нужно потратить на бумажную торговлю, прежде чем приступить к реализации стратегии, д-р Чен объясняет, что это зависит от эффективности торговли. Для высокочастотных торговых стратегий, которые совершают сделки каждую секунду, двух недель бумажной торговли может быть достаточно, чтобы начать работу. И наоборот, для холдинговых стратегий может потребоваться торговля на бумаге в течение трех месяцев, чтобы получить статистическую значимость, основанную на количестве проведенных сделок.

Доктор Чен далее обсуждает, должен ли подход временных рядов по-прежнему быть ядром альфа-портфеля, несмотря на недавние исследования, показывающие, что прибыльные альфа-каналы в основном не основаны на цене. Он предлагает посещать отраслевые конференции, общаться с профессионалами через такие платформы, как LinkedIn, и нарабатывать хороший послужной список в трейдинге, чтобы привлечь внимание опытных аналитиков. Он призывает людей искать наставников и предпринимать активные шаги по установлению контактов с потенциальными сотрудниками.

Двигаясь дальше, доктор Чан делится своими мыслями о том, как нанять и обучить успешную команду количественного трейдинга. Он советует, чтобы нанятые люди обладали доказанным опытом в конкретной функции, на которой сосредоточена команда, будь то управление рисками, ценообразование деривативов или наука о данных. Если целью команды является разработка прибыльных торговых стратегий, лучше всего нанять кого-то, у кого уже есть опыт работы в этой области. Кроме того, д-р Чан подчеркивает, что универсально идеального рынка для торговли не существует, и командам следует сосредоточиться на том, что они знают лучше всего. Он также объясняет, почему высокочастотные трейдеры имеют преимущество в предсказании краткосрочного направления рынка по сравнению со средне- и низкочастотными трейдерами.

Обсуждение продолжается, и д-р Чан углубляется в проблему точного прогнозирования движений рынка за пределами коротких периодов времени и сложности, связанные с использованием высокочастотных торговых прогнозов. Он делится своим личным подходом к трейдингу, который предполагает найм опытных трейдеров вместо того, чтобы торговать самому. Доктор Чан подчеркивает важность найма трейдеров с хорошим послужным списком, независимо от того, используют ли они дискреционные или количественные стратегии. Когда его спросили о его совокупном годовом темпе роста, он пояснил, что не может раскрывать эту информацию из-за правил SEC. Наконец, он отмечает, что количественные трейдеры обычно не используют одну и ту же стратегию для всех классов активов, что затрудняет сравнение языков программирования, таких как Python и MATLAB, для целей алгоритмической торговли.

Д-р Чен обсуждает использование MATLAB и Python в трейдинге, признавая, что, хотя лично он предпочитает MATLAB, у разных трейдеров есть свои предпочтения, и выбор языка не является самым важным фактором. Он считает, что оптимизация транзакционных издержек сложна даже для экспертов в этой области, поэтому это не должно быть первоочередной задачей для трейдеров. Что касается пересмотра или переобучения стратегий машинного обучения, он предлагает делать это только тогда, когда рыночный режим претерпевает значительные изменения. Он также рекомендует расширять возможности, изучая новые языки, такие как Python или MATLAB, для улучшения торговых навыков.

Д-р Чан завершает сессию, давая советы по карьере для тех, кто хочет стать количественным трейдером. Он предлагает изучить различные области, такие как торговля опционами, чтобы лучше понять свои сильные и слабые стороны. Он упоминает, что в настоящее время его внимание сосредоточено на том, чтобы сделать его систему управления рисками на основе машинного обучения более доступной, и поясняет, что не планирует выпускать второе издание своей книги по машинному трейдингу в ближайшем будущем. При найме трейдеров он ищет длинный и последовательный послужной список и рекомендует использовать методы временных рядов и эконометрические модели для торговли на коротких таймфреймах. Стратегии выхода должны согласовываться с конкретной торговой стратегией с соответствующими выходами по стопу или цели по прибыли.

В конце видео ведущий выражает благодарность доктору Эрнесту Чану за его ценные идеи и время, потраченное на ответы на множество вопросов, связанных с тем, чтобы стать успешным специалистом по количественному анализу. Зрителям рекомендуется отправлять по электронной почте любые оставшиеся без ответа вопросы, чтобы убедиться, что они решены. Ведущий объявляет о дополнительных сессиях на следующей неделе с другими уважаемыми гостями в области алгоритмического трейдинга, выражая признательность аудитории за поддержку и призывая их продолжать настраиваться.

  • 00:00:00 На этой сессии вопросов и ответов с доктором Эрнестом Ченом вопросы из аудитории будут рассмотрены вместе с предварительно выбранными вопросами. Перед тем, как перейти к вопросам и ответам, спикер представил соревнование по алгоритмическому трейдингу, которое дает возможность новичкам изучить основы алгоритмического трейдинга, а экспертам — освежить свои знания. Три лучших победителя конкурса получат призы, такие как стипендии и сертификаты достижений. Доктор Чан является основателем и генеральным директором PredictNow.ai и QTS Capital Management, а также автором трех книг по количественному трейдингу.

  • 00:05:00 Доктор Эрнест Чен объясняет, что количественная торговля уже была доминирующей формой торговли в течение последних 10 лет, при этом по некоторым оценкам до 90% объема торгов на биржах США приходится на алгоритмическую торговлю. Хотя он не утверждает, что количественная торговля лучше дискреционной торговли, он подчеркивает, что игнорировать возможность автоматизации или систематизации своей стратегии было бы неразумно. Когда дело доходит до индивидуальных трейдеров, конкурирующих с учреждениями, д-р Чен полагает, что нишевые стратегии с ограниченными возможностями представляют наилучшие возможности. Эти стратегии часто непривлекательны для крупных учреждений и предполагают нечастую торговлю, что делает их жизнеспособными вариантами для независимых трейдеров.

  • 00:10:00 Д-р Эрнест Чен обсуждает важность поиска ниши в алготрейдинге, где крупные организации не конкурируют и избегают конкуренции любой ценой. Он советует не конкурировать с крупными игроками и рекомендует найти нишу, где нет конкуренции. Он также отвечает на вопросы о важности наличия докторской степени. в количественной и алго-трейдинге, где он говорит, что наличие кожи в игре имеет решающее значение для того, чтобы стать успешным количественным расчетом. Не ставя на карту свои собственные деньги, вы никогда не научитесь торговать и сосредоточитесь на второстепенных вещах, таких как математика или наука о данных. Очень важно развивать интуитивное понимание рынка, самостоятельно тестируя торговые стратегии и читая блоги и книги по трейдингу.

  • 00:15:00 Доктор Эрнест Чан советует, чтобы успешный количественный трейдер сосредоточился на самих рынках, а не на теоретических знаниях, полученных от доктора наук. Он предполагает, что требуется особое внимание к практическому опыту и что требуется время, чтобы стать успешным количественным специалистом. Чтобы отличиться при присоединении к ведущему аналитическому фонду, он рекомендует написать оригинальное исследование в виде официального документа, сосредоточив внимание на торговой стратегии или конкретном рыночном явлении. Он также предупреждает, что небольшой послужной список, такой как успешная сделка, сам по себе недостаточен, чтобы доказать последовательность и знания. Отвечая на дополнительный вопрос о включении данных о потоке заказов, он сообщает, что это хороший индикатор, но недостаточный в качестве отдельного индикатора, и есть много других индикаторов, которые следует использовать в сочетании.

  • 00:20:00 Д-р Эрнест Чен обсуждает ограничения использования отдельных индикаторов для построения торговой стратегии из-за большого количества людей, которые их используют. Он предлагает включить их в качестве одной из многих функций в программу машинного обучения. Отвечая на вопрос об эйджизме в квантовой индустрии, доктор Чан отмечает, что если кто-то является индивидуальным предпринимателем, эйджизм не является проблемой. Он также делится своим мнением об использовании машинного обучения для создания альфы, подчеркивая риск переобучения и вместо этого рекомендуя его в качестве инструмента управления рисками. Что касается торговли с малой задержкой, д-р Чан утверждает, что количественная торговля необходима для этой области. Наконец, он советует, что помимо успешного послужного списка, управленческие навыки необходимы для тех, кто хочет создать хедж-фонд, основанный на количественных расчетах.

  • 00:25:00 Д-р Эрнест Чен подчеркивает, что успешное управление фондами требует не только торговых навыков, но и навыков управления и развития бизнеса. Таким образом, наличие лидерских качеств и опыт управления бизнесом имеют решающее значение. Когда его спросили о количественном понимании индийского рынка, он признал, что не знает его в первую очередь из-за правил. На вопрос о том, сколько времени нужно потратить на бумажную торговлю, прежде чем приступить к реализации стратегии, д-р Чен объясняет, что это зависит от эффективности торговли. Для высокочастотных торговых стратегий, которые торгуются каждую секунду, достаточно двух недель бумажной торговли, чтобы начать работать. Между тем, для стратегии удержания может потребоваться бумажная торговля в течение трех месяцев, чтобы получить статистическую значимость, основанную на количестве признаков. Наконец, он обсуждает, должен ли подход временных рядов по-прежнему быть сердцем альфа-портфеля, несмотря на недавние исследования, показывающие, что прибыльные альфа-каналы в основном не основаны на цене.

  • 00:30:00 Д-р Эрнест Чен предлагает посещать отраслевые конференции, общаться с профессионалами через LinkedIn или другие платформы, а также зарекомендовать себя в трейдинге. Он также советует искать наставников и проявлять инициативу в общении с потенциальными сотрудниками. Создание солидной репутации и демонстрация готовности учиться и совершенствоваться могут помочь привлечь внимание опытных аналитиков.

  • 00:35:00 Доктор Эрнест Чен обсуждает, как нанять и обучить успешную команду количественного трейдинга. Он советует, чтобы нанятый человек продемонстрировал опыт в конкретной функции, на которой сосредоточена команда, будь то управление рисками, ценообразование деривативов или наука о данных. Если целью команды является разработка прибыльных торговых стратегий, лучше всего нанять кого-то, у кого уже есть послужной список. Кроме того, Чан заявляет, что не существует универсально хорошего рынка для торговли, и командам следует сосредоточиться на том, что они знают лучше всего. Наконец, он обсуждает, как высокочастотные трейдеры имеют преимущество в прогнозировании направления рынка в краткосрочной перспективе по сравнению со средне- и низкочастотными трейдерами.

  • 00:40:00 Д-р Эрнест Чен обсуждает трудности точного прогнозирования движений рынка за короткие периоды времени и проблемы использования высокочастотных торговых прогнозов. Он также затрагивает свой личный подход к трейдингу, который предполагает найм опытных трейдеров, а не торговлю самому. Чан подчеркивает важность найма трейдеров с хорошим послужным списком, независимо от того, используют ли они дискреционные или количественные стратегии. Когда его спросили о его совокупном годовом темпе роста, Чан заявил, что не может раскрывать эту информацию из-за правил SEC. Наконец, он отмечает, что количественные трейдеры обычно не используют одну и ту же стратегию для всех классов активов и что сравнение Python и MATLAB для алго-трейдинга затруднено.

  • 00:45:00 Д-р Эрнест Чан обсуждает использование Matlab и Python в торговле. Хотя он лично предпочитает Matlab, он признает, что у разных трейдеров есть свои предпочтения и что язык не является самым важным аспектом. Он также считает, что оптимизация транзакционных издержек сложна даже для экспертов в этой области, поэтому это не должно быть приоритетом для трейдеров. Когда дело доходит до пересмотра или переобучения стратегий машинного обучения, он предлагает делать это только тогда, когда рыночный режим резко изменится, а повышение квалификации путем изучения новых языков, таких как Python или Matlab, может помочь трейдерам расширить свои возможности.

  • 00:50:00 Д-р Эрнест Чен обсуждает карьерные советы для тех, кто хочет стать количественным трейдером. Он предлагает попробовать себя в разных областях, таких как торговля опционами, чтобы лучше понять свои сильные и слабые стороны. Он также упоминает, что в настоящее время он сосредоточен на том, чтобы сделать свою систему управления рисками на основе машинного обучения более доступной, и что он не планирует выпускать второе издание своей книги по машинному трейдингу в ближайшем будущем. При найме трейдеров он ищет длинный и последовательный послужной список и рекомендует использовать методы временных рядов и эконометрические модели для торговли на коротких таймфреймах. Он отмечает, что стратегии выхода зависят от конкретной торговой стратегии, и предлагает соответственно использовать стопы или цели по прибыли.

  • 00:55:00 Видео заканчивается тем, что ведущий благодарит доктора Эрнеста Чана за его время и проницательные ответы на множество вопросов, связанных с тем, чтобы стать успешным квантистом. Зрителям рекомендуется присылать по электронной почте любые вопросы, на которые не было ответа во время сеанса, чтобы гарантировать, что они будут решены. Ведущий объявляет, что в течение следующей недели будут дополнительные сессии с другими уважаемыми гостями в области алго-трейдинга. Зрителей благодарят за поддержку и призывают продолжать настраивать.