Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Моделирование кредитного риска Dr Xiao Qiao | Презентация исследования
Моделирование кредитного риска Dr Xiao Qiao | Презентация исследования
Доброе утро добрый день Добрый вечер. Меня зовут Ведант, и я из Quantum C. Сегодня я имею удовольствие быть вашим ведущим на этом мероприятии. К нам присоединился доктор Сяо, соучредитель Parachronic Technologies, который поделится своим опытом моделирования кредитных рисков с использованием глубокого обучения. Научные интересы доктора Сяо в основном связаны с ценообразованием активов, финансовой эконометрикой и инвестициями. Его работа была отмечена такими авторитетными организациями, как Forbes, CFA Institute и Institutional Investors. Кроме того, д-р Сяо входит в состав редакционной коллегии Journal of Portfolio Management и Global Commodities Applied Research Digest. Он имеет степень доктора финансов Чикагского университета.
Во время этой сессии д-р Сяо углубится в тему моделирования кредитных рисков и изучит применение глубокого обучения в этой области. Он обсудит, как можно использовать глубокое обучение для оценки и калибровки сложных моделей кредитного риска, уделяя особое внимание его эффективности в случаях, когда решения в закрытой форме недоступны. Глубокое обучение предлагает концептуально простое и эффективное альтернативное решение в таких сценариях. Доктор Сяо выражает благодарность за участие в праздновании 10-летнего юбилея Института Цюань и рад поделиться своими мыслями.
Двигаясь вперед, обсуждение будет сосредоточено вокруг кредитного рынка, в частности, огромных масштабов рынка и растущей важности свопов кредитного дефолта (CDS). При расчетной номинальной непогашенной стоимости CDS около 8 трлн по состоянию на 2019 год рынок неуклонно растет. Условный индекс CDS также значительно вырос, достигнув за последние годы почти 6 трлн. Кроме того, мировой рынок облигаций превышает ошеломляющую сумму в 100 триллионов долларов, при этом значительную часть составляют корпоративные облигации, которые несут неотъемлемый кредитный риск из-за потенциального дефолта организаций-эмитентов.
По мере того как кредитные рынки развиваются и становятся более сложными, модели кредитного риска также становятся все более сложными для отражения динамического характера риска дефолта. В этих моделях часто используются стохастические переменные состояния для учета случайности, присутствующей на финансовых рынках в разные периоды времени и сроки погашения. Однако растущая сложность этих моделей сделала их оценку и решение дорогостоящим в вычислительном отношении. Этот вопрос будет в центре внимания позже в презентации.
В последние годы машинное обучение с его преобразующим влиянием на различные области, включая финансы, приобрело известность. Он все чаще используется в эмпирических финансах, таких как поперечное ценообразование активов и построение портфеля акций. Примечательно, что глубокое обучение использовалось для аппроксимации цен на деривативы и опционов, а также для калибровки стохастических моделей волатильности. В этой статье д-р Сяо и его коллега Херардо Мунцо из Kempos Capital предлагают применять глубокое обучение для моделирования кредитных рисков. Их исследование показывает, что глубокое обучение может эффективно заменить сложные решения для моделирования кредитного риска, что приведет к эффективному и точному расчету кредитного спреда.
Чтобы обеспечить дополнительный контекст, д-р Сяо вводит концепцию моделирования кредитного риска. Он объясняет, что цена дефолтной облигации определяется средневзвешенным значением вероятности дисконтированных денежных потоков как в дефолтных, так и в недефолтных сценариях. Вероятность дефолта является важнейшей величиной в моделях кредитного риска, поскольку она количественно определяет вероятность дефолта. Существуют два основных типа моделей кредитного риска: структурные модели и модели редуцированной формы. Структурные модели устанавливают прямую связь между событиями дефолта и структурой капитала предприятия. С другой стороны, модели редуцированной формы представляют риск дефолта как статистический процесс, обычно использующий процесс Пуассона с параметром интенсивности по умолчанию. Д-р Сяо подчеркивает, что модели кредитного риска включают в себя решение функций ценообразования для получения кредитных спредов, что может потребовать значительных вычислительных ресурсов из-за необходимости численного интегрирования и поиска в сетке.
Вот где глубокое обучение входит в картину. Доктор Сяо продолжает объяснять нейронные сети и глубокое обучение, показывая, как их можно применять для моделирования кредитных рисков. Нейронные сети вносят нелинейность.
Нейронные сети, фундаментальный компонент глубокого обучения, состоят из взаимосвязанных слоев искусственных нейронов, имитирующих структуру человеческого мозга. Эти сети могут изучать сложные шаблоны и отношения из данных с помощью процесса, известного как обучение. Во время обучения сеть настраивает свои внутренние параметры, чтобы свести к минимуму разницу между прогнозируемыми выходными данными и фактическими выходными данными, тем самым оптимизируя свою производительность.
Доктор Сяо объясняет, что глубокое обучение можно использовать для аппроксимации сложных моделей кредитного риска путем обучения нейронных сетей историческим данным. Нейронная сеть изучает сопоставление между входными переменными, такими как экономические и финансовые факторы, и соответствующими кредитными спредами. После обучения сеть можно использовать для эффективной оценки кредитных спредов для новых входных данных.
Одним из ключевых преимуществ использования глубокого обучения в моделировании кредитного риска является его способность аппроксимировать сложные функции ценообразования. Традиционно модели кредитного риска используют методы численного интегрирования и поиск по сетке для решения функций ценообразования, которые могут требовать больших вычислительных ресурсов и времени. Глубокое обучение предлагает более эффективную альтернативу, напрямую аппроксимируя функцию ценообразования с помощью изученного отображения нейронной сети.
Доктор Сяо подчеркивает, что модели глубокого обучения могут фиксировать нелинейные отношения и взаимодействия между входными переменными, которые часто присутствуют в моделях кредитного риска. Эта гибкость позволяет нейронной сети адаптироваться к сложностям кредитных рынков и генерировать точные оценки кредитного спреда.
Кроме того, модели глубокого обучения могут более эффективно обрабатывать отсутствующие или неполные данные по сравнению с традиционными методами. У них есть возможность учиться на имеющихся данных и делать обоснованные прогнозы даже при наличии недостающей информации. Это особенно полезно при моделировании кредитного риска, когда данные могут быть скудными или содержать пробелы.
Чтобы проверить эффективность глубокого обучения в моделировании кредитных рисков, доктор Сяо и его коллега провели обширные эмпирические эксперименты, используя большой набор данных корпоративных облигаций. Они сравнили эффективность оценок кредитного спреда на основе глубокого обучения с оценками, полученными с помощью традиционных моделей кредитного риска. Результаты показали, что модели глубокого обучения постоянно превосходят традиционные модели с точки зрения точности и вычислительной эффективности.
Доктор Сяо завершает свою презентацию, подчеркивая преобразующий потенциал глубокого обучения в моделировании кредитных рисков. Он подчеркивает эффективность, точность и гибкость моделей глубокого обучения в аппроксимации сложных моделей кредитного риска, особенно в случаях, когда закрытые решения недоступны или требуют больших вычислительных ресурсов.
После презентации зал открыт для вопросов аудитории. Участники могут узнать о конкретных применениях глубокого обучения в моделировании кредитных рисков, требованиях к данным, интерпретируемости моделей и любых других соответствующих темах. Доктор Сяо приветствует возможность пообщаться с аудиторией и поделиться своими мыслями, основанными на его опыте и результатах исследований.
Сессия вопросов и ответов после презентации доктора Сяо:
Член аудитории 1: «Спасибо за информативную презентацию, доктор Сяо. Мне любопытно, как можно интерпретировать модели глубокого обучения в моделировании кредитных рисков. Традиционные модели часто обеспечивают прозрачность факторов, влияющих на оценки кредитного спреда. Как модели глубокого обучения справиться с интерпретируемостью?»
Д-р Сяо: «Это отличный вопрос. Интерпретация моделей глубокого обучения может быть сложной задачей из-за присущей им сложности. Глубокие нейронные сети работают как черные ящики, что затрудняет непосредственное понимание внутренней работы и интерпретацию активации отдельных нейронов. продолжались исследовательские усилия по повышению интерпретируемости в глубоком обучении».
«Такие методы, как анализ важности признаков, методы на основе градиента и механизмы внимания, могут помочь пролить свет на факторы, влияющие на прогнозы модели. Изучая реакцию сети на различные входные переменные, мы можем получить представление об их относительной важности при определении кредитных спредов. ."
«Кроме того, к моделям глубокого обучения можно применять методы интерпретируемости, не зависящие от модели, такие как LIME (локальные интерпретируемые модельно-независимые объяснения) или SHAP (аддитивные объяснения Шепли). конкретный ввод».
«Важно отметить, что, хотя эти методы обеспечивают некоторый уровень интерпретируемости, основная сила моделей глубокого обучения заключается в их способности фиксировать сложные закономерности и отношения в данных. Компромисс между интерпретируемостью и производительностью модели является важным фактором. моделирование рисков, и исследователи активно изучают способы достижения баланса между ними».
Участник аудитории 2: «Спасибо за идеи, доктор Сяо. Мне интересно узнать о требованиях к данным для обучения моделей глубокого обучения моделированию кредитных рисков. Не могли бы вы уточнить количество и качество необходимых данных?»
Д-р Сяо: «Конечно. Модели глубокого обучения обычно выигрывают от больших объемов данных для эффективного обучения. При моделировании кредитных рисков наличие разнообразного и всеобъемлющего набора данных имеет решающее значение для понимания сложностей кредитных рынков».
«Данные для обучения моделей глубокого обучения должны включать в себя различные экономические и финансовые показатели, такие как макроэкономические факторы, отраслевые переменные, исторические кредитные спреды и соответствующие рыночные данные. Чем разнообразнее и репрезентативнее набор данных, тем лучше модель может обобщать. к новым сценариям кредитного риска».
«Что касается качества данных, важно обеспечить точность, согласованность и актуальность входных переменных. Методы предварительной обработки данных, такие как очистка данных, нормализация и разработка признаков, играют жизненно важную роль в подготовке набора данных для обучения. Удаление выбросов, устранение пропущенных значений и надлежащее масштабирование данных являются важными шагами в обеспечении надежной работы модели».
«Кроме того, важно поддерживать актуальные данные, поскольку модели кредитного риска должны адаптироваться к изменяющимся рыночным условиям. Для обеспечения постоянной точности моделей глубокого обучения необходимы регулярные обновления и мониторинг качества и актуальности данных».
Это была всего лишь пара вопросов из аудитории, но сессия вопросов и ответов продолжается с различными другими вопросами и обсуждениями по таким темам, как надежность модели, потенциальные ограничения глубокого обучения в моделировании кредитных рисков и реальные проблемы внедрения. Доктор Сяо активно взаимодействует с аудиторией, делясь своим опытом и знаниями, полученными в результате его исследований.
Что влияет на количественную стратегию? [Панельное обсуждение] - 24 сентября 2020 г.
Что влияет на количественную стратегию? [Панельное обсуждение] - 24 сентября 2020 г.
Во время панельной дискуссии о стратегиях поиска альфы в финансах Николас утверждает, что невероятно сложно создать альфу во взаимных и хедж-фондах, заявляя, что 99% инвесторов не должны активно искать альфу-позиции. Он подчеркивает проблемы, связанные с созданием альфы в нейтральных к рынку хедж-фондах, и предполагает, что факторное инвестирование является более жизнеспособным вариантом для того, чтобы превзойти рынок.
Группа соглашается с Николасом и подчеркивает важность поиска уникальных источников данных и их использования для разработки систематической стратегии факторного инвестирования. Они считают, что такой подход является ключом к успешной альфа-генерации. Они также обсуждают трудности достижения истинной альфы на текущем рынке и предлагают альтернативные стратегии, такие как распределение активов и управление рисками.
Группа советует не сосредотачиваться исключительно на поиске альфы и предлагает искать ниши на рынке, которые менее покрыты и, следовательно, менее эффективны. Они подчеркивают важность создания хорошо построенного эталона портфеля, такого как бета-стратегии, и призывают инвесторов смотреть за пределы S&P 500, чтобы найти потенциально прибыльные акции.
Эксперты предупреждают, что даже если альфа будет идентифицирована, ее невозможно будет собрать из-за потенциальных конфликтов с первичными брокерами. Они также обсуждают преимущества торговли активами, которые не являются частью основной инвестиционной вселенной во фьючерсах или не входят в полномочия менеджера. Такие активы часто менее загружены, что приводит к более высоким коэффициентам Шарпа по сравнению с активами, хорошо известными на рынке. Однако они признают, что торговля этими активами может потребовать меньшего размера портфеля и более высоких комиссий из-за их более низкой ликвидности и повышенных торговых усилий.
Лоран согласен с мнением Николаса о том, что традиционные стратегии активного управления, такие как выбор акций на длинной стороне, никогда не работали хорошо. Он считает, что бремя доказательства перешло к активным менеджерам, чтобы продемонстрировать свою способность развиваться и работать на сложных рынках.
Группа также обсуждает важность рассмотрения краткосрочной стороны долгосрочной краткосрочной инвестиционной стратегии. Они подчеркивают необходимость управления рисками и стресс-тестирования стратегии с помощью обширного тестирования на исторических данных, включая изучение влияния операционных издержек и изменений структуры рынка. Комиссия рекомендует уделить достаточно времени стратегии, чтобы определить те немногие, которые выдержали процесс проверки.
Обсуждение переходит к практическим последствиям и визуализации стратегий альфа-генерации. Группа признает ценность академических исследований, но отмечает, что им часто не хватает практических последствий и деталей реализации. Они подчеркивают важность создания стратегий, которые могут быть реализованы с точки зрения портфеля, выдержать транзакционные издержки и соответствовать ожиданиям клиентов. Визуальное представление, такое как графики, иллюстрирующие торговые просадки, предпочтительнее, чем таблицы, поскольку они помогают инвесторам придерживаться стратегий во время значительных просадок.
Спикер подчеркивает важность построения стратегии, соответствующей целям клиента и синхронизированной с экономическими и фундаментальными причинами. Они подчеркивают необходимость простоты и объяснимости, заявляя, что стратегия должна быть кратко изложена в нескольких простых предложениях. Тестирование на исторических данных предназначено не только для того, чтобы доказать, что стратегия работает, но и для проверки ее устойчивости, раздвигая ее границы.
Группа размышляет о влиянии количественных стратегий и определяет возврат к среднему и следование за трендом как две фундаментальные стратегии, независимо от класса активов или временных рамок. Они сравнивают следование за трендом с покупкой лотерейных билетов с низким коэффициентом выигрыша и высокой волатильностью и выделяют возврат к среднему как стратегию, которая генерирует один доллар за раз с высоким коэффициентом выигрыша и низкой волатильностью. Они обсуждают важность управления потерями и оптимизации ожидаемой прибыли путем тильта и смешивания этих стратегий. Они также затрагивают проблемы коротких продаж и оседлания институциональных держателей.
Управление рисками занимает центральное место в обсуждении, и группа подчеркивает необходимость положительного ожидания в стратегиях фондового рынка. Они рассматривают фондовый рынок как бесконечную, случайную и сложную игру и предлагают сочетать сделки с высоким коэффициентом выигрыша с лотерейными билетами, чтобы уменьшить потенциальные потери. Группа также обсуждает, когда следует отказаться от стратегии, подчеркивая важность того, чтобы оставаться в курсе исследований и учитывать структурные изменения или колебания рынка, которые могут повлиять на стратегию. Отказ от стратегии должен происходить только после тщательного исследования и изменения структуры.
Группа рассматривает трудности управления несколькими инвестиционными стратегиями и работы с неэффективными стратегиями. Они подчеркивают важность соблюдения инвестиционного мандата и понимания ожиданий клиентов. Группа предлагает разработать процесс поиска новых стратегий и их реализации, зная, когда отказаться от стратегий, которые не работают хорошо. Они обсуждают два подхода к работе с неэффективными стратегиями: либо сохранение их в долгосрочной перспективе, либо использование методов следования за трендом и удаление их из портфеля. Решение зависит от конкретного мандата и финансирования мультистратегического фонда с несколькими активами.
Участники дискуссии подчеркивают проблемы количественного инвестирования и важность веры в проделанную работу, независимо от объема исследований. Они упоминают о возможности преобразования стратегий в более совершенные и подчеркивают дефицит действительно диверсифицирующих стратегий. Они также касаются продажи акций, таких как Tesla, и отмечают, что продажа акций — это, по сути, продажа идеи или убеждения, особенно в шортах оценки, основанных на истории. Они приводят пример из Японии в 2005 году, когда компания потребительского кредита имела заоблачную оценку, но оставалась мирной короткой, пока в конце концов не обанкротилась несколько лет спустя.
Спикеры обсуждают подводные камни закрытия стратегии, основанной на сюрреалистических оценках, не соответствующих традиционным ожиданиям. Они упоминают такие компании, как Tesla, чья рыночная капитализация превышает капитализацию более крупных компаний, таких как Toyota. Участники дискуссии подчеркивают важность симметрии при наличии одних и тех же правил как для короткой, так и для длинной сторон, хотя и признают, что это более сложная задача. Они считают, что многие стратегии можно улучшить, и даже разные классы активов — это, по сути, ставка на экономический рост.
Группа также обсуждает сложность поиска стратегий, которые действительно диверсифицируют и извлекают выгоду из финансовой неопределенности и волатильности. Они подчеркивают ограничения классических стратегий хедж-фондов в этом отношении и рекомендуют начинающим аналитикам мыслить шаблонами и быть готовыми отказаться от стратегий, которые не работают. Они предлагают, чтобы розничные инвесторы сосредоточились на недорогих диверсифицированных ETF и уделяли первостепенное внимание управлению рисками.
Панель завершает дискуссию, обращаясь к эффективности финансовых рынков и проблемам, с которыми сталкиваются индивидуальные инвесторы, конкурируя с профессионалами. Они рекомендуют использовать академические исследовательские работы в качестве вдохновения, а не евангелие, и находить идеи, которые не являются общепринятыми, чтобы избежать чрезмерной корреляции с более широким рынком. Они предоставляют свои аккаунты в Твиттере, профили в LinkedIn и веб-сайты для тех, кто заинтересован в дальнейшем изучении их работы.
Группа исследует различные аспекты стратегий поиска альфы, выделяя трудности, альтернативные подходы, соображения управления рисками и важность практических последствий и визуализации. Их идеи служат ценным руководством для инвесторов и аналитиков, ориентирующихся в сложном ландшафте финансов.
трейдинг с глубоким обучением с подкреплением | Доктор Томас Старке
трейдинг с глубоким обучением с подкреплением | Доктор Томас Старке
Доктор Томас Старке, эксперт по глубокому обучению с подкреплением в трейдинге, представляет концепцию обучения с подкреплением (RL) и ее применение в сфере трейдинга. Обучение с подкреплением позволяет машинам научиться выполнять задачу без явного контроля, определяя наилучшие действия, которые необходимо предпринять, чтобы максимизировать благоприятные результаты. Он использует пример машинного обучения, чтобы играть в компьютерную игру, где оно проходит через различные этапы, реагируя на визуальные подсказки на экране. Успех или неудача машины определяются решениями, которые она принимала на протяжении всей игры.
Доктор Старке погружается в специфику торговли с помощью глубокого обучения с подкреплением, обсуждая марковский процесс принятия решений. В этом процессе каждое состояние соответствует определенному рыночному параметру, и предпринятое действие переводит процесс в следующее состояние. В зависимости от перехода агент (машина) получает положительное или отрицательное вознаграждение. Цель состоит в том, чтобы максимизировать ожидаемое вознаграждение при определенной политике и состоянии. В контексте торговли рыночные параметры помогают определить текущее состояние, позволяя агенту принимать обоснованные решения о том, какие действия предпринять.
Процесс принятия решений в торговле включает в себя определение того, покупать ли, продавать или удерживать позиции на основе различных индикаторов, которые информируют о состоянии системы. Конечная цель состоит в том, чтобы получить наилучшее возможное вознаграждение, то есть прибыль или убыток в результате сделки. Доктор Старке отмечает, что традиционные подходы к машинному обучению присваивают состояниям определенные метки, такие как немедленная прибыль или убыток. Однако это может привести к неверным меткам, если сделка временно пойдет против ожиданий. Машина должна понимать, когда оставаться в сделке, даже если она изначально несет убытки, и должна ждать, пока сделка вернется к средней линии, прежде чем выйти.
Чтобы решить проблему маркировки каждого шага прибыли и убытка по сделке, доктор Старке вводит ретроактивную маркировку в обучении с подкреплением. Традиционное машинное обучение помечает каждый шаг в сделке, что затрудняет прогнозирование того, может ли сделка стать прибыльной в будущем, несмотря на первоначальные убытки. Ретроактивная маркировка использует уравнение Беллмана для присвоения ненулевого значения каждому действию и состоянию, даже если это не приносит немедленной прибыли. Такой подход допускает возможность возврата к среднему значению и возможной прибыльности.
Отсроченное удовлетворение является ключевой проблемой в трейдинге, и доктор Старке объясняет, как обучение с подкреплением помогает преодолеть это препятствие. Уравнение Беллмана используется для расчета вознаграждения за действие, включая как непосредственное вознаграждение («r»), так и совокупное вознаграждение («q»). Коэффициент дисконтирования («гамма») определяет вес будущих результатов по сравнению с предыдущими. Используя обучение с подкреплением, торговые решения основываются не только на немедленном вознаграждении, но также учитывают потенциал более высокого вознаграждения в будущем. Этот подход позволяет принимать более обоснованные решения по сравнению с чисто жадным принятием решений.
Глубокое обучение с подкреплением особенно полезно в трейдинге из-за сложности финансовых рынков и большого количества состояний и влияний, которые необходимо учитывать. Доктор Старке подчеркивает использование глубоких нейронных сетей для аппроксимации таблиц на основе прошлого опыта, что устраняет необходимость в огромной таблице. Он подчеркивает важность выбора входных данных, имеющих прогностическую ценность, и тестирования системы на известное поведение. Состояние в торговле включает в себя исторические и текущие цены, данные технической защиты, альтернативные источники данных, такие как настроения или спутниковые изображения, и многое другое. Поиск правильной функции вознаграждения и входных данных для определения состояния имеет решающее значение. Постоянное обновление таблиц, аппроксимированных нейронными сетями, позволяет машине постепенно обучаться и принимать лучшие торговые решения.
Доктор Старке обсуждает, как структурировать ценовой ряд для обучения с использованием обучения с подкреплением. Вместо последовательного прохождения ценового ряда можно случайным образом входить и выходить в разных точках. Выбор метода зависит от конкретных требований и предпочтений пользователя. Он также подробно рассматривает задачу разработки функции вознаграждения, приводя примеры, такие как использование чистой процентной прибыли и убытков (P&L), прибыль за тик, коэффициент Шарпа и различные виды наказаний, чтобы избежать длительных просадок или чрезмерной продолжительности сделок.
Что касается исходных данных, доктор Старке предлагает несколько вариантов, включая значения открытия, максимума, минимума, закрытия и объема, модели свечей, технические индикаторы, такие как индекс относительной силы, и различные факторы, связанные со временем. Входные данные также могут включать цены и технические индикаторы других инструментов и альтернативные источники данных, такие как анализ настроений или спутниковые изображения. Эти входные данные объединяются для создания сложного состояния, аналогично тому, как компьютерная игра использует входные данные для принятия решений. Поиск правильной функции вознаграждения, соответствующей вашему стилю торговли, имеет решающее значение, поскольку он позволяет соответствующим образом оптимизировать систему.
Этап тестирования является важным шагом для обучения с подкреплением в трейдинге. Доктор Старке объясняет серии тестов, которые он проводит, включая чистые синусоидальные волны, кривые трендов, рандомизированные серии без структуры, различные типы корреляции порядка, шум в чистых тестовых кривых и повторяющиеся закономерности. Эти тесты помогают оценить, постоянно ли машина приносит прибыль, и выявить любые недостатки в кодировании. Он также обсуждает использование различных типов нейронных сетей, таких как стандартные, сверточные сети и сети с долгой кратковременной памятью (LSTM). Доктор Старке предпочитает более простые нейронные сети, достаточные для его нужд и не требующие чрезмерных вычислительных усилий.
Доктор Старке признает проблемы торговли с обучением с подкреплением, такие как различие между сигналом и шумом и проблема локальных минимумов. Обучение с подкреплением борется с зашумленными финансовыми временными рядами и динамичными финансовыми системами, характеризующимися меняющимися правилами и рыночными режимами. Однако он демонстрирует, что сглаживание кривой цены с помощью простой скользящей средней может значительно повысить производительность машины обучения с подкреплением. Это понимание предлагает руководство по созданию успешной системы машинного обучения, способной принимать прибыльные торговые решения.
Что касается вопросов аудитории, доктор Старке дает дополнительные сведения. Он подтверждает, что уравнение Беллмана позволяет избежать предвзятого отношения, а технические индикаторы можно использовать в качестве входных данных после тщательного анализа. Он предполагает, что спутниковые снимки могут быть полезны для прогнозирования цен на акции. С точки зрения временных рамок, торговля подкреплением может применяться к небольшим временным рамкам в зависимости от вычислительного времени нейронной сети. Он обсуждает чувствительность алгоритмов торговли с подкреплением к рыночным аномалиям и объясняет, почему обучение деревьев случайных решений с использованием обучения с подкреплением не имеет смысла.
Отвечая на вопрос о выборе нейронных сетей, доктор Старке рекомендует использовать нейронные сети для торговли вместо деревьев решений или машин опорных векторов из-за их пригодности для решения задачи. Настройка функции потерь на основе функции вознаграждения необходима для достижения оптимальной производительности. Он признает, что были предприняты некоторые попытки использовать обучение с подкреплением для высокочастотной торговли, но медленные нейронные сети, не реагирующие на рынки в реальном времени, были ограничением. Д-р Старке подчеркивает важность получения знаний о рынке для успешного продолжения торговой карьеры, совершения реальных сделок и обширного обучения на протяжении всего процесса. Наконец, он обсуждает проблемы, связанные с объединением нейронных сетей и торговли опционами.
Доктор Старке также рассматривает использование данных опционов в качестве исходных данных для торговли базовым инструментом, а не исключительно на технических индикаторах. Он предлагает идеи использования нейронных сетей для определения количества лотов для покупки или продажи и включения в алгоритм таких факторов, как спред, комиссия и проскальзывание, путем построения модели проскальзывания и интеграции этих факторов в функцию вознаграждения. Он советует проявлять осторожность при использовании нейронных сетей для определения объемов торговли и предлагает использовать выходные значения для соответствующей корректировки весов портфеля. В заключение он выражает благодарность аудитории за вопросы и участие в его выступлении, приглашая к дальнейшему участию и взаимодействию через LinkedIn.
Во время презентации доктор Старке подчеркнул важность непрерывного обучения и совершенствования в области торговли с помощью обучения с подкреплением. Он подчеркнул необходимость постоянного обновления нейронных сетей и доработки системы на основе новых данных и рыночных условий. Этот итеративный процесс позволяет машине адаптироваться к меняющейся динамике и со временем расширять свои возможности принятия решений.
Доктор Старке также обсудил концепцию проверки модели и значение тестирования вне выборки. Крайне важно оценить производительность обученной модели на невидимых данных, чтобы убедиться, что она хорошо обобщает и не подходит к конкретным рыночным условиям. Вневыборочное тестирование помогает проверить надежность системы и дает более реалистичную оценку ее производительности.
Кроме того, он затронул проблемы предварительной обработки данных и разработки признаков в торговле с обучением с подкреплением. Подготовка данных в подходящем формате и выбор информативных функций являются важными шагами в построении эффективной торговой модели. Доктор Старке предложил изучить различные методы, такие как нормализация, масштабирование и выбор признаков, чтобы оптимизировать входные данные для нейронных сетей.
Кроме того, доктор Старке признал ограничения обучения с подкреплением и его восприимчивость к рыночным аномалиям или экстремальным событиям. Хотя обучение с подкреплением может дать ценную информацию и создать прибыльные стратегии, важно проявлять осторожность и понимать неотъемлемые риски, связанные с торговлей. Стратегии управления рисками и диверсификации играют решающую роль в снижении потенциальных убытков и обеспечении долгосрочного успеха.
В заключение в презентации доктора Старке был представлен всесторонний обзор применения обучения с подкреплением в трейдинге. Он обсудил ключевые концепции, проблемы и лучшие практики, связанные с использованием алгоритмов глубокого обучения с подкреплением для принятия обоснованных торговых решений. Используя возможности нейронных сетей и принципы обучения с подкреплением, трейдеры могут улучшить свои стратегии и потенциально добиться более высоких результатов на динамичных и сложных финансовых рынках.
Обзорная лекция EPAT - Как оптимизировать торговую стратегию? - 27 февраля 2020 г.
Обзорная лекция EPAT - Как оптимизировать торговую стратегию? - 27 февраля 2020 г.
В видео спикер начинает с предоставления справочной информации о Контенте C и представляет свой опыт в торговле и банковском деле. Они обсуждают различные методологии торговли, включая систематическую торговлю, количественную торговлю, алгоритмическую торговлю и высокочастотную торговлю. Основная цель видео — дать представление о разработке и оптимизации торговой стратегии с помощью количественной оценки, а также сравнить дискреционные и количественные подходы к торговле.
Спикер подчеркивает важность превосходства и коэффициента попаданий в трейдинге. Они объясняют, что для достижения превосходства по крайней мере в 50% акций с вероятностью 95% трейдеры должны быть верны в своих прогнозах определенное количество раз, которое увеличивается с увеличением количества отслеживаемых и торгуемых активов. Систематическая торговля, которая позволяет отслеживать больше акций, имеет в этом отношении преимущество перед дискреционной торговлей. Однако дискреционная торговля может обеспечить более глубокое понимание собственности за счет отслеживания меньшего количества акций. Докладчик представляет фундаментальный закон управления инвестициями, который гласит, что эффективность инвестиционного менеджера по сравнению с эталоном прямо пропорциональна его коэффициенту попадания и квадратному корню из количества сделанных ставок.
Различные типы трейдеров, такие как технические трейдеры, фундаментальные трейдеры и кванты, по-разному определяют риск и прибыль. Спикер объясняет, что почти все эти торговые подходы могут быть выражены в виде правил, делающих возможной систематическую торговлю. Торговая стратегия определяется как математический набор правил, который определяет, когда покупать, продавать или держать, независимо от фазы рынка. Цель торговой стратегии — сгенерировать сигнальную функцию на основе поступающих данных и преобразовать ее в целевую позицию по базовому активу. Хотя торговля сложна из-за случайности рынка и стохастической природы, стратегии, основанные на правилах, могут помочь управлять рисками.
Докладчик углубляется в функции, связанные с разработкой и реализацией торговой стратегии. Они подчеркивают, что реализованная прибыль на реальном рынке находится вне контроля и не может быть изменена. Поэтому важно оптимизировать функцию Pi с учетом некоторых ограничений, изменив параметры для улучшения стратегии. Докладчик описывает этапы разработки стратегии, включая формирование идей, проверку гипотез, преобразование правил, тестирование на исторических данных, оценку рисков, развертывание и важность поиска следующей стратегии после развертывания.
Объясняются уравнения возврата инвестиций в торговую стратегию с учетом таких факторов, как альфа, бета и эпсилон. Спикер также обсуждает риски и панели в стратегии, объясняя, как можно диверсифицировать идиосинкразический риск, не входящий в состав ожидаемой прибыли. Вводятся концепции бета и альфа с пассивной широкой индексацией, предложенной для воздействия рыночных факторов и потенциальной дальнейшей диверсификации за счет покупки таких факторов, как стоимость или импульс. Создание альфы признано сложной задачей, требующей тщательного выбора или выбора времени.
Спикер подчеркивает важность альфы и рыночного тайминга в торговых стратегиях. Они объясняют, что эффективная стратегия требует фиксирования постоянной альфы и прогнозирования изменений рыночных факторов. Если такой способности нет, пассивное инвестирование становится единственным жизнеспособным вариантом. Спикер советует начинать разработку простой торговой стратегии с идеи и тщательного наблюдения, прежде чем переходить к тестированию на истории. Для получения первоначального понимания рекомендуется глубокое погружение в потенциальные идеи с использованием ежедневных цен.
Предоставляется демонстрация того, как оптимизировать торговую стратегию с использованием методов кодирования и анализа данных. В примере используются акции Microsoft, Apple и Google для расчета торговых сигналов и аппроксимации последующей распродажи стоимости на основе открытия и сегодняшнего закрытия. Исследовательский анализ проводится путем построения графиков для визуализации различий в движении цен. Обсуждается стандартизация данных, чтобы сделать значение X сопоставимым для разных акций с учетом таких факторов, как волатильность, цены и процент волатильности. Докладчик обращает внимание на статистическое явление, связанное с гэпом вверх и вниз в акциях с большой капитализацией на индийском рынке и в топ-20 индексов S&P, что приводит к определению диапазона открытия и бара закрытия.
Затем спикер переходит к обсуждению преимуществ программы EPAT (Executive Programme in Algorithmic Trading) для трейдеров и лиц, заинтересованных в построении карьеры в трейдинге. Они подчеркивают, что программа EPAT — это практическая программа, ориентированная на торговлю, что делает ее подходящей для тех, кто стремится стать трейдером или работать в брокерских торговых центрах. Программа обеспечивает всестороннее понимание торговых стратегий, методов управления рисками и практических аспектов алгоритмической торговли.
В отличие от программ, которые больше сосредоточены на теоретических аспектах, программа EPAT предлагает практические знания, которые можно непосредственно применять в реальных сценариях торговли. Спикер призывает тех, кто стремится стать оценщиком рисков, изучить другие программы, которые глубже погружаются в теоретические концепции.
Когда его спрашивают о темах статистики, важных для трейдинга, спикер рекомендует обратиться к любой книге по статистике на уровне колледжа, чтобы получить представление о применении статистики в трейдинге. Они также предлагают подписаться на блоги, посвященные количественным финансам, и учетные записи Twitter, чтобы получить доступ к ценным учебным материалам и быть в курсе последних тенденций и событий в этой области.
Что касается разработки стратегии, спикер подчеркивает важность мышления с точки зрения статистики и количественной оценки для воплощения торговых идей в код. Программа EPAT дает трейдерам необходимые навыки для определения хороших и прибыльных торговых стратегий. Они подчеркивают необходимость прилагать усилия для разработки стратегии и признают, что получение стабильной прибыли в алготрейдинге требует самоотверженности и настойчивости.
Спикер отвечает на конкретные вопросы аудитории, давая рекомендации по таким темам, как определение локальных минимумов и максимумов в коде, получение и использование кода для торговли опционами и поиск примеров кода. Они упоминают, что образцы кода можно найти на GitHub, и поясняют, что программа EPAT включает в себя компоненты торговых стратегий, но они не уверены, охватывается ли размер позиции.
Далее спикер обсуждает применение алготрейдинга в простых опционных стратегиях, таких как железные кондоры. Они подчеркивают важность скорости исполнения в высокочастотной торговле, где время исполнения играет решающую роль. Однако для среднесрочных и долгосрочных стратегий альфа-источники важнее скорости. Алгоритмическая торговля может быть особенно полезна при отслеживании нескольких опционов на разные акции, чтобы гарантировать, что ни одна потенциальная сделка не будет упущена.
Спикер делится своим взглядом на использование альтернативных данных в торговых стратегиях. Они выражают смешанные чувства по поводу его эффективности, указывая на то, что, хотя некоторые альтернативные данные могут быть ценными, не все источники данных дают полезную информацию. Решение о включении выбросов в торговые стратегии зависит от конкретных торговых профилей и рисков используемой стратегии.
Также обсуждаются адаптивные стратегии, которые имеют возможность оптимизировать себя в зависимости от меняющихся рыночных условий. Докладчик освещает различные методы создания адаптивных стратегий и подчеркивает их потенциал для повышения эффективности торговли и адаптивности.
В заключение спикер повторяет, что хотя построение торговых стратегий на основе различных типов графиков возможно, важно иметь определенные правила для обеспечения успеха. Они предупреждают, что на рынке не бывает «бесплатных обедов», и подчеркивают важность дисциплинированного и систематического подхода к торговым решениям.
Видео заканчивается приглашением к зрителям задать любые дополнительные вопросы о программе EPAT или ее потенциальных преимуществах для их карьеры и бизнеса. Заинтересованным лицам рекомендуется связаться с консультантами программы, чтобы узнать о деталях приема и гибкости оплаты через предоставленный форум или другие каналы связи.
Алгоритмическая торговля на товарных рынках
Алгоритмическая торговля на товарных рынках
Сунил Лани, помощник вице-президента NCDEX (Национальной биржи товаров и деривативов), пользуется возможностью, чтобы погрузиться в мир алгоритмической торговли на товарных рынках, уделяя особое внимание сельскохозяйственным товарам. NCDEX, крупнейшая сельскохозяйственная биржа в Индии, предлагает для торговли широкий ассортимент из примерно 20 товаров.
Лани начинает с представления трех популярных торговых стилей, обычно используемых на товарных рынках: хеджирование, арбитраж и направленная торговля. Он выделяет хеджирование как инвестиционную стратегию, используемую для снижения риска, связанного с первичными инвестициями. В контексте NCDEX фермеры часто хеджируют свои основные сельскохозяйственные активы, чтобы минимизировать риски.
Далее спикер переводит обсуждение в сторону двух типов торговых стратегий, распространенных на товарных рынках: хеджирования и арбитража. Лани подчеркивает важность сильно коррелированных базовых активов в стратегиях хеджирования. Для арбитражной торговли он рассматривает два конкретных подхода: календарный спред и парную торговлю, отмечая, что последняя имеет сходство со стратегиями хеджирования. Лани подчеркивает важность выбора товаров с высокой степенью корреляции и коинтеграции для парной торговли, предлагая применение теста Т. Фуллера для проверки достоверности корреляций.
Кроме того, Лани дает обзор различных этапов алгоритмической торговли. Он объясняет, что процесс начинается с определения и фильтрации подходящих сценариев или инструментов для применения торговой концепции. Затем визуализируется модель, после чего проводится тщательное тестирование на исторических данных и оптимизация параметров или самой модели. Следующие шаги включают торговлю на бумаге и, в конечном итоге, переход к реальной торговле, где на карту поставлены реальные деньги.
Продолжая свое обсуждение, Лани сосредоточился на начальных этапах алгоритмической торговли. Он подчеркивает важность мозгового штурма торговых идей и доработки торговой логики, которая соответствует целям трейдера. Ключевые соображения включают определение частоты сделок, выбор соответствующего сегмента для торговли и установление периодов тестирования на исторических данных. Чтобы проиллюстрировать проблемы понимания данных для торговых стратегий, спикер представляет данные о валовом внутреннем производстве (ВВП) Индии в различных секторах. Он преобразует данные в графическое представление, что способствует лучшему пониманию, и предлагает изучить корреляции с ценовыми движениями. Кроме того, Лани демонстрирует визуальные представления исторических сельскохозяйственных данных, подчеркивая важность анализа данных с разных точек зрения.
Спикер переходит к обсуждению ресурсов, необходимых для алгоритмической торговли на товарных рынках. Он разделяет торговые стратегии на две основные области: арбитраж и моментум. Обычно используются такие методы, как парная торговля, корреляционный анализ, скользящие средние и распределение вероятностей. Инфраструктура является важным аспектом алгоритмической торговли, включая подключение к брокеру через API и размещение алгоритма либо в облаке, либо локально. Лани также подчеркивает важность визуализации данных и технических индикаторов, которые можно реализовать с помощью таких инструментов, как Excel, Tableau, Power BI и TradingView.
Далее Лани исследует различные инструменты и платформы, подходящие для алгоритмической торговли на товарных рынках. Он упоминает, что непрограммисты или полупрограммисты часто выбирают такие платформы, как Metatrader и Interactive Brokers. В целях чистого программирования Python становится ведущим языком, а алгоритмические торговые платформы на основе Python, такие как Quantopian, Blueshift, QuanTX и Zerodha, набирают популярность. Кроме того, докладчик выделяет основные библиотеки для обработки данных и тестирования на истории, включая Pandas, Numpy, Beautifulsoup, Backtrader, а также библиотеки анализа настроений, такие как Stream Python, Feedparser, Peopie и NLP.
В следующем сегменте Лани объясняет процесс создания торговой идеи и разработки модели на примере сельскохозяйственных товаров. Учитывая, что сельскохозяйственные товары, как правило, менее волатильны, чем акции или Forex, он предлагает применить стратегию возврата к среднему с использованием полос Боллинджера в качестве индикатора, специально установленного на уровне двух стандартных отклонений от среднего ценового диапазона. Критерии фильтрации для выбора ликвидного товара включают выбор товара с объемом не менее 1080, и Лани рекомендует торговать Яной на NCDX. Чтобы визуализировать модель, Лани предлагает использовать investing.com для построения полос Боллинджера с разными уровнями, указывающими точки покупки и продажи.
Смещая акцент на тестирование на исторических данных, Лани подчеркивает его важность для проверки логики алгоритмической торговой модели с использованием исторических данных. Этот шаг имеет решающее значение для предотвращения возможных потерь при развертывании модели в реальной среде. Лани объясняет шаги, связанные с тестированием на исторических данных, которые включают в себя загрузку данных с открытого портала, импорт соответствующих библиотек, написание вспомогательных функций, генерирование сигналов покупки и продажи, визуализацию результатов и оценку прибыли, полученной стратегией. Он также предлагает учитывать такие параметры, как доходность, максимальная просадка, максимальная прибыль и стоп-лосс в процессе тестирования на исторических данных. Лани советует использовать собственные функции обратного тестирования вместо того, чтобы полагаться исключительно на библиотеки, полученные с таких платформ, как Github.
Докладчик продолжает объяснять различные параметры, которые функция использует для генерации сигналов покупки и продажи на основе фреймов данных, типов стратегий, критериев входа и выхода и позиционного потока. Трейдеры могут настроить цену открытия или закрытия для своих расчетов, а также установить стоп-лосс и целевые проценты. Лани также обсуждает функцию статистической отчетности и другую функцию, которая создает уровни, используя стандартное отклонение для выбранного индикатора. Наконец, основная функция вызывает эти другие функции, чтобы возвращать сигналы покупки и продажи на основе выбранной стратегии и генерировать сводку.
Двигаясь вперед, Лани демонстрирует, как создавать отчеты о тестировании торговли на исторических данных, используя навыки позиционирования BV. Выходные данные включают в себя фрейм данных, содержащий все сделки, транзакционные сборы и границы проскальзывания. Вызывается функция обратного тестирования, и создаются отчеты. Эти отчеты предоставляют статистику и графическое представление выходных данных, демонстрируя доход в процентах, сведения о транзакциях и совокупный доход за указанный период времени. Лани анализирует отчет и предлагает установить стоп-лосс на уровне -1,5, чтобы избежать убытков, превышающих -2% или -3%. Максимальная прибыль, полученная по результатам тестирования на истории, составила 8%, что указывает на то, что стоп-лосс может быть установлен максимум на 8% или 9%.
Затем спикер обсуждает процесс оптимизации алгоритма. Лани объясняет, что один из подходов к оптимизации включает в себя создание другого алгоритма, который запускает исходный алгоритм несколько раз, используя разные наборы параметров. Чтобы проиллюстрировать это, он приводит пример, в котором оптимизируется период ретроспективного анализа для периода отката. Создав список различных значений для ретроспективного периода и используя комбинированную функцию, можно создать исчерпывающий список всех наборов параметров. Лани подчеркивает важность оптимизации алгоритмов для повышения их эффективности на товарных рынках.
Продолжая обсуждение оптимизации, Лани объясняет процесс использования трех списков для оценки каждой пары методом локтя с различными параметрами для тестирования на исторических данных. Результаты ретроспективного тестирования хранятся во фрейме данных, называемом оптимизатором DF, что позволяет идентифицировать комбинацию, которая дает максимальную отдачу. Затем оптимизированные переменные сохраняются в оптимизированной роли. Лани предостерегает от переобучения данных в процессе оптимизации и подчеркивает важность использования тех же параметров в следующем периоде для обеспечения их точности. Наконец, спикер загружает отчет, чтобы изучить результаты.
Лани представляет код, используемый для оптимизации торговых параметров, и делится полученной статистикой, включая доходность, среднюю доходность, максимальную просадку и соотношение выигрышей и проигрышей. Оптимизированные параметры привели к возврату 22,8%, что является значительным улучшением по сравнению с 9%, достигнутыми с предыдущей комбинацией параметров. Лани подчеркивает важность бумажной торговли для тестирования алгоритмов без риска реальными деньгами и подчеркивает необходимость диверсификации, управления портфелем и управления рисками при переходе к реальной торговле. В заключение он отмечает сходство между процессом разработки алгоритмической торговли и жизненным циклом разработки программного продукта, подчеркивая важность тщательного выполнения всех этапов для обеспечения успеха проекта.
Прогнозировать тенденции на фондовых рынках с помощью ИИ и программирования на Python
Прогнозировать тенденции на фондовых рынках с помощью ИИ и программирования на Python
Этот веб-семинар предлагает практическое учебное пособие, посвященное прогнозированию тенденций с использованием ИИ на фондовом рынке. Участники будут активно участвовать в создании модели дерева классификации с помощью Jupyter Notebook. Основная цель состоит в том, чтобы разработать дерево классификации, которое может служить инструментом для установления торговых правил на основе ожидаемой положительной или отрицательной доходности в будущем.
Использование модели дерева решений в торговле — важный метод машинного обучения, обеспечивающий захватывающий и интерактивный процесс обучения. Во время сеанса у участников будет возможность работать непосредственно в блокноте Python вместе с инструктором.
Вебинар призван охватить следующие ключевые области:
Записанная сессия посвящена тому, как можно использовать модель дерева решений в торговле для извлечения ценных торговых правил. Эти правила служат основой для принятия обоснованных решений о том, когда покупать или продавать ценные бумаги.
На протяжении всего видео участники получат знания о:
Чтобы получить максимальную пользу от этого вебинара, участники должны обладать:
Что касается переменных, переменные-предикторы в этом контексте относятся к техническим индикаторам, используемым для прогнозирования рыночных тенденций. С другой стороны, целевая переменная означает ожидаемую тенденцию на следующий день, в частности, будет ли она положительной или отрицательной.
Количественные стратегии управления портфелем Продипта Гош - 23 июля 2019 г.
Количественные стратегии управления портфелем Продипта Гош - 23 июля 2019 г.
Продипта Гош, вице-президент по количественному управлению портфелем, подчеркивает, что не существует универсальной стратегии для торговли акциями из-за наличия неопределенностей на финансовых рынках, динамического характера рынка во времени и различных целей. склонность к риску отдельных лиц. Он подчеркивает, что даже при идеальном видении или модели мира было бы невозможно дать ответы на вопросы трейдеров, поскольку каждый человек действует в уникальном контексте. Поэтому идеальной стратегии не существует ни для кого в мире.
В своей презентации Продипта Гош подробно рассматривает четыре количественные стратегии управления портфелем. Эти стратегии включают в себя использование полос Боллинджера, использование простой стратегии пересечения скользящих средних, анализ модели свечи доджи и включение индекса относительной силы (RSI). Хотя высокий коэффициент Шарпа теоретически может указывать на наилучшую стратегию, прошлые результаты не всегда могут гарантировать результаты в будущем. Следовательно, крайне важно создать портфель, который включает в себя разнообразные стратегии и активы, чтобы снизить риск и избежать значительных просадок. Гош демонстрирует преимущества равного распределения капитала по всем четырем стратегиям, демонстрируя, как диверсифицированный портфель может противостоять волатильности рынка и предотвращать значительные потери.
Продипта Гош объясняет основы управления портфелем и отличает его от инвестирования в одну акцию. Управление портфелем предполагает разработку стратегии для нескольких стратегий или активов с учетом рисков, неопределенностей, течения времени и конкретных условий. Стоимость стратегии получается из базовой доходности, умноженной на позиции, в то время как стоимость портфеля определяется взвешенным потоком базовой доходности. Чтобы оптимизировать управление портфелем, математическая задача решается путем определения функции U, которая зависит от стоимости портфеля P, и нахождения весов W, которые максимизируют U. Различные стратегии оптимизации, такие как оптимизация средней дисперсии, оптимизация Келли и штраф за риск оптимизация, может использоваться в зависимости от определения U и подхода к оптимизации.
Докладчик переходит к обсуждению количественных стратегий управления портфелем и роли задач оптимизации в этом процессе. Он исследует различные ограничения, которые могут быть заданы в задаче оптимизации, такие как ограничение диапазона портфеля и типы портфелей, которые могут быть созданы, включая те, которые основаны на альфа-стратегиях, факторных портфелях или наборах отдельных акций. Цель состоит в том, чтобы определить условие максимизации, которое приводит к портфелю с максимальной стоимостью или функцией стоимости портфеля. Кроме того, спикер затрагивает вопрос о целесообразности равновзвешенного портфеля, который зависит от конкретных обстоятельств и может рассматриваться как задача оптимизации со штрафом на квадрате ошибок.
Продипта Гош углубляется в концепцию риска и полезности в управлении портфелем, выделяя проблемы, связанные с оценкой ожидаемой доходности и рисков. Он представляет современную теорию портфеля и квадратичную полезность как подходы к максимизации доходности при минимизации риска. Спикер использует пример парадокса Сент-Питтсбурга, чтобы проиллюстрировать, как принятие решений человеком может отклоняться от математических средних значений.
Взаимосвязь между полезностью и риском объясняет Продипта Гош, который подчеркивает их важность для построения надежного портфеля. Он демонстрирует концепцию премии за риск, которая количественно определяет разницу между ожидаемой выплатой или доходом от рискованных инвестиций и суммой, которую человек готов принять за определенный платеж. Кроме того, он объясняет, что функция полезности — это математическое представление богатства, которое сообщает, сколько стоит лишний доллар, помогая определить подходящие суммы для инвестиций. Понимание взаимосвязи между полезностью и риском позволяет инвесторам разрабатывать портфели, обеспечивающие баланс между риском и доходностью.
Спикер обсуждает понятие неприятия риска в инвестициях, которое предполагает, что инвесторы предпочитают определенные инвестиции тем, которые имеют колеблющуюся доходность. Неприятие риска служит распространенным допущением в количественном управлении портфелем, при этом премия за риск обозначается греческой буквой Пи. Эта премия обозначает сумму, которую инвестор готов заплатить, чтобы принять колеблющуюся доходность с нулевым средним. Затем спикер объясняет квадратичную функцию полезности и то, как она приводит к оптимизации среднего значения и дисперсии портфеля. Создание портфеля на основе современной теории портфеля включает в себя поиск баланса между средним значением и дисперсией портфеля.
Продипта Гош продолжает объяснять процесс оптимизации ожидаемой полезности портфеля, находя баланс между средним значением и дисперсией. Он использует Excel для моделирования доходности от различных активов и вычисляет ковариационную матрицу, которая затем используется для определения доходности портфеля, дисперсии и риска на основе различных весовых коэффициентов. Варьируя веса и вычисляя доходность и дисперсию портфеля для всех возможных сценариев, можно решить проблему оптимизации. Полученный график демонстрирует коэффициент Шарпа, который представляет собой отношение доходности к риску для каждого набора весов.
Затем Продипта Гош вводит концепцию эффективных границ в современной портфельной теории. Он описывает границу эффективности как диапазон, в котором должен располагаться портфель для достижения максимальной доходности на основе заданной допустимой степени риска. Далее он объясняет, что добавление актива с низким уровнем риска, такого как безрисковый актив, добавляет интересное измерение концепции. Самый высокий коэффициент Шарпа определяется из касательного портфеля, который представляет собой портфель, сформированный путем объединения безрискового актива с эффективной границей. Линия, соединяющая ноль с касательным портфелем, называется рыночной линией и представляет собой выбор между инвестированием в рыночный портфель или выбором безрискового актива при определении распределения.
Продипта Гош углубляется в модель оценки капитальных активов (CAPM), которая меняет представление о риске в финансах, измеряя его как вклад в рыночный портфель, а не как отдельный риск. CAPM фиксирует требуемую норму доходности для рискованного актива, рассчитываемую как безрисковая ставка плюс вклад в рыночный портфель с точки зрения риска, умноженный на разницу между рыночной доходностью и безрисковой доходностью. Эта концепция обеспечивает теоретическую основу для стоимостного инвестирования. С помощью различных моделей, таких как модели дисконтированных денежных потоков и сжатия, инвесторы могут оценить справедливую цену с помощью CAPM и извлечь выгоду из лучшего понимания идиосинкразического риска.
Спикер обсуждает различные стратегии управления портфелем, уделяя особое внимание факторному инвестированию. Факторное инвестирование предполагает рассмотрение множества факторов риска, помимо рыночного риска, при построении портфеля. Каждый фактор имеет связанную с ним премию, что приводит к различным стилям инвестирования, включая распределение факторов, выбор времени для факторов или возврат к инвестированию в стоимость и выбор акций. Факторное инвестирование помогает объяснить идиосинкразический риск и дает новую интерпретацию альфа и бета, где альфа и бета становятся общим альфа, если дельта F в уравнении не зависит от времени и положительна.
Продипта Гош выделяет основные различия между стоимостным и факторным инвестированием и рассматривает, какой подход больше подходит для розничных трейдеров. Он отмечает, что стоимостное инвестирование требует обширных исследований отдельных компаний и часто влечет за собой концентрацию на идиосинкразическом риске, что может не подходить для мелких розничных трейдеров. С другой стороны, факторное инвестирование включает в себя исследование рыночных факторов риска и их систематическое использование для распределения инвестиций на основе ожидаемой доходности. Докладчик кратко касается различий между дискреционными и количественными исследованиями, заявляя, что количественный менеджмент может предложить больше возможностей для повышения эффективности, если его правильно использовать.
Спикер сравнивает стоимостных инвесторов и количественных стратегов, отмечая, что, хотя стоимостные инвесторы имеют меньшую вероятность успеха, у них есть потенциал для получения значительной прибыли. С другой стороны, количественные стратеги имеют более высокую вероятность успеха, но приносят относительно более низкую, но стабильную прибыль. Фундаментальный закон инвестиций описывает коэффициент информации как отношение перепроизводства, деленное на риск портфеля, приравнивая его к коэффициенту информации или уровню навыков, умноженному на квадратный корень из n, где n представляет собой количество независимых ставок, которые могут быть сделаны. Количественные инвесторы могут иметь большее число n, что позволяет им оптимизировать факторный портфель. Гош также подробно описывает другие методы оптимизации, такие как оптимизация KD или оптимизация паритета риска, которые направлены на максимизацию конечного богатства в течение нескольких периодов за счет накопления богатства.
Продипта Гош переходит к обсуждению портфельной стратегии Келли, подчеркивая ее доминирование в долгосрочной перспективе из-за ее сосредоточенности на максимизации конечного богатства. Однако он предупреждает, что стратегия Келли также является наиболее агрессивной с точки зрения риска и может не подходить для пенсионеров или людей, которые не могут позволить себе краткосрочные риски. Далее он объясняет стратегию паритета рисков, которая направлена на выравнивание индивидуальных рисков и гарантирует, что сумма рисков всех активов остается сбалансированной. Хотя для этого подхода нет теоретического обоснования, он считается разумным распределением риска. При выборе между стратегией Келли, паритетом риска и оптимизацией средней дисперсии необходимо учитывать склонность к риску и точность моделирования, которую можно повысить с помощью факторного моделирования. В конечном счете, эти стратегии вращаются вокруг уравновешивания риска и доходности, уделяя особое внимание эффективному измерению и управлению рисками.
Продипта Гош переходит к обсуждению темы альфа-стратегий и того, как их комбинировать для создания всестороннего портфолио. Хотя оптимизация средней дисперсии может использоваться для альфа-стратегий, они сталкиваются с проблемой, когда все распределение в портфеле переходит к одной, лучшей стратегии, основанной исключительно на исторических данных. Чтобы решить эту проблему, Гош вводит концепцию внутривыборочных стратегий, в которой все стратегии имеют равные права голоса. Другим подходом является портфель переключения сожалений, в котором используются методы анализа изменений, такие как скрытые марковские модели или анализ точек изменения, для распределения капитала между различными альфа-стратегиями. Одним из примечательных методов является подход «без сожалений», который решает проблему исследования и эксплуатации путем систематического изучения каждой альфа-стратегии, чтобы определить ту, которая обладает наибольшим потенциалом, прежде чем вкладывать в нее значительные средства.
Продипта Гош подчеркивает, что существует множество ресурсов, доступных для дальнейшего изучения оптимизации портфеля, включая такие платформы, как Википедия и недавно запущенный курс Contra по количественному управлению портфелем. Он упоминает несколько возможностей для обучения и роста в отрасли с помощью программ Contra, таких как их интерактивный портал для самостоятельного обучения и Blue Shift, который предлагает бесплатное тестирование на истории. Гош выражает благодарность аудитории за участие и призывает их посетить веб-сайт Contra для получения дополнительной информации и ресурсов.
Алгоритмическая торговля | Подходит ли это вам и как начать
Алгоритмическая торговля | Подходит ли это вам и как начать
Дамы и господа, я хотел бы представить Натана, соучредителя Elle Foam Advisory, который поделится ценной информацией об увлекательном мире алгоритмической торговли. Натан начинает свою презентацию с определения алгоритмической торговли и подчеркивает ее значение в финансовой индустрии. Он объясняет, что алгоритмическая торговля предполагает использование компьютерных алгоритмов для автоматического выполнения сделок и играет решающую роль на современных рынках.
Далее Натан обсуждает развивающуюся природу алгоритмической торговли и то, как ее определение может варьироваться в зависимости от географического положения и нормативно-правовой базы. В Соединенных Штатах любая форма систематической торговли подпадает под определение алгоритмической торговли. Однако в других регионах именно алгоритмической торговлей считается алгоритм, когда компьютерные алгоритмы самостоятельно определяют параметры ордера. Это различие подчеркивает разнообразие подходов и точек зрения в этой области.
Затем спикер проливает свет на текущие отраслевые тенденции в алгоритмической торговле. Он подчеркивает растущую популярность трейдеров, которые используют алгоритмические стратегии. Кроме того, Натан представляет данные, демонстрирующие значительный рост доли рынка алгоритмической торговли в Азии, США и Индии. Несмотря на этот рост, он признает, что розничное участие в алгоритмической торговле остается относительно низким, и обещает объяснить это явление на следующих слайдах.
Двигаясь вперед, Натан исследует влияние алгоритмической торговли на рынок труда. Он объясняет, как автоматизация заменяет людей-трейдеров, и фирмы теперь ищут программистов для разработки сложных торговых стратегий и использования возможностей машин. Спикер подчеркивает четыре ключевых преимущества машинной торговли по сравнению с торговлей людьми: время безотказной работы, время реакции, масштабируемость и способность учиться и совершенствоваться. Машины могут постоянно отслеживать риски, быстро совершать сделки, эффективно адаптироваться к рыночным изменениям и учиться на своем опыте более эффективно, чем трейдеры-люди.
Обращаясь к низкому участию розничной торговли в алгоритмической торговле, Натан выделяет несколько причин такого несоответствия. Во-первых, алгоритмическая торговля требует сочетания технических знаний, включая программирование и статистику, с глубоким пониманием финансов и динамики рынка. Во-вторых, доступ к соответствующим рыночным данным имеет решающее значение для тестирования на истории и разработки надежных стратегий. Наконец, переход от ручной торговли к алгоритмической может быть сложным без руководства со стороны опытных маркетологов, обладающих практическим опытом в этой области. Несмотря на эти препятствия, Натан подчеркивает неоспоримые преимущества алгоритмической торговли, такие как масштабируемость, эффективное управление рисками и устранение человеческих ошибок, что делает ее привлекательной для трейдеров.
Затем Натан знакомит аудиторию с курсом EPAct, предлагаемым Point Density. Он обсуждает трудности с поиском платформы, которая обеспечивает всестороннюю поддержку алгоритмической торговли, включающую рекомендации от практиков рынка, технические знания и актуальный контент. Курс EPAct призван восполнить этот пробел, предлагая разнообразный контент, созданный профессионалами отрасли, который постоянно обновляется с учетом последних тенденций. Курс также обеспечивает специальную поддержку со стороны преподавателей и использует рыночный подход, что делает его идеальным ресурсом как для начинающих, занимающихся алгоритмической торговлей, так и для тех, кто хочет продвинуться по карьерной лестнице в этой области.
Продолжая развивать содержание курса, Натан описывает модули, охватываемые программой алгоритмической торговли. Курс начинается с вводного модуля, который закладывает основы базовой статистики, теории вероятностей и применения финансовых моделей. Затем он переходит к основам Python и расширенной статистике, включая модели Гаусса, используемые для понимания сложных стратегий. Курс также включает занятия по составлению резюме, настройке личного торгового стола и проведению пробных собеседований для трудоустройства в более чем 100 партнерских компаниях. На протяжении всего курса инструктор оказывает личную помощь студентам, обеспечивая оперативное решение любых вопросов или трудностей. Кроме того, присоединение к курсу EPAct предоставляет эксклюзивные преимущества, в том числе доступ к мероприятиям и функциям сообщества, которые будут обсуждаться в следующих разделах.
Продолжая свою презентацию, Натан углубляется в детали каждого модуля курса алгоритмической торговли. Курс начинается с модуля строительных блоков, закладывающего основу для понимания эффектов капитала и будущих стратегий. Студенты выполняют практические упражнения по созданию различных торговых стратегий. Затем программа углубляется в микроструктуру рынка и реализации, исследуя тонкости тестирования идей на исторических данных с использованием различных API и брокеров. Машинное обучение также представлено как новая область в алгоритмической торговле. Особое внимание уделяется важности торговли и фронтовых операций, а специальный модуль посвящен настройке алгоритмической торговой инфраструктуры. Курс также охватывает торговлю опционами, оптимизацию портфеля и управление рисками. Наконец, студенты выполняют проект и после успешной сдачи экзамена получают проверенный сертификат, подтверждающий их опыт в алгоритмической торговле.
Затем Натан переключает внимание аудитории на программу алгоритмической торговли, предлагаемую QuantInsti. Он подчеркивает, что по завершении программы участники получают проверенный сертификат о воздействии после прохождения всеобъемлющего курса продолжительностью более 300 часов. Преподавательский состав включает в себя известных профессионалов в отрасли, которые доступны и предоставляют практический опыт в различных классах активов и ролях. Курс охватывает различные аспекты, начиная от подготовки резюме и заканчивая предоставлением доступа к API и брокерским сетям для беспрепятственного внедрения. Кроме того, команда QuantInsti помогает участникам собрать средства, что делает ее идеальным выбором для тех, кто хочет получить всестороннее образование в области алгоритмической торговли.
После обсуждения Натана Надин выходит на сцену, чтобы рассказать аудитории о преимуществах членства в сообществе EPAT. Она подчеркивает пожизненное руководство, доступное членам сообщества, а также возможность общаться с однокурсниками из более чем 165 стран. Эксклюзивные мероприятия и сеансы, бесплатный и субсидируемый доступ к брокерам, а также доступ к инструментам тестирования на истории, таким как BlueShift, входят в число привилегий сообщества. Кроме того, EPAT добавляет фундаментальное количественное измерение к существующему набору навыков человека, улучшая его профессиональный профиль. Примечательно, что программа EPAT признана в рамках схемы финансового обучения, и работающие специалисты в Сингапуре могут получить компенсацию в размере 2000 сингапурских долларов.
Завершая презентацию, Бен Маньяно делится своим личным опытом в области алгоритмической торговли. Он рассказывает о своих первых проблемах с внутридневной торговлей в 2005 году, пока он не нашел QuantInsti, где прошел тщательное обучение основам количественной и алгоритмической торговли. Бен подчеркивает важность изучения Python и возможности писать собственные программы, в результате чего он получил сертификат количественного трейдера. Это достижение открыло перед ним двери, что привело к возможности стать консультантом по исследованиям в WorldQuant, где он продолжает совершенствовать свои навыки кодирования и быть в курсе последних отраслевых тенденций, таких как искусственный интеллект.
В заключительных моментах видео спикер признает огромный рост алгоритмической торговли и то, что ее все чаще предпочитают трейдеры, стремящиеся свести к минимуму потребность в постоянном мониторинге. Спикер выражает благодарность за исключительный анализ, предоставленный докладчиками, признавая ценные идеи, которыми они делились на протяжении всей презентации. В конце видео спикер резюмирует программу ePAD, предназначенную для того, чтобы вооружить участников отраслевыми навыками в количественной и финтех-области, гарантируя, что они будут хорошо подготовлены к успеху в области алгоритмической торговли.
Модели риска для Quant Trading Зура Какушадзе - 16 мая 2019 г.
Модели риска для Quant Trading Зура Какушадзе - 16 мая 2019 г.
Зура Какушадзе в своем обсуждении акцентирует внимание на проблемах, связанных с вычислением обратной ковариационной матрицы для оптимизации портфелей из 2000 акций США. Он подчеркивает, что когда количество наблюдений во временном ряду доходности меньше, чем количество акций в портфеле, выборочная ковариационная матрица становится сингулярной и не может быть инвертирована. Даже если бы он не был сингулярным, недиагональные элементы, представляющие корреляции, были бы крайне нестабильны вне выборки, если бы не было значительно большего количества наблюдений по сравнению с запасами, что обычно не имеет место в реальных приложениях.
Какушадзе объясняет, что модели риска для количественных торговых стратегий отличаются от традиционных моделей риска из-за более коротких периодов владения и эфемерных альфа-каналов. Для этих стратегий нежелательны длительные периоды ретроспективного анализа, и требуются альтернативные методы расчета ковариационной матрицы. Одним из распространенных подходов является использование факторной модели, которая разлагает риск на факторный риск и специфический риск. Преимущество факторной модели состоит в том, что она представляет большую ковариационную матрицу гораздо меньшей факторной ковариационной матрицей, что делает ее вычислительно эффективной. Однако Какушадзе указывает, что в факторной модели все еще есть сложные детали, которые необходимо учитывать.
Докладчик далее обсуждает проблемы, связанные с расчетом волатильности для каждой акции, и предлагает сосредоточиться на выборочной корреляционной матрице, а не на выборочной ковариационной матрице. Выборочная корреляционная матрица предпочтительнее из-за таких проблем, как сингулярность, нестабильность и других проблем, связанных с ковариационной матрицей. Какушадзе предлагает факторизовать искаженные дисперсии и использовать факторную модель для корреляционной матрицы вместо ковариационной матрицы. Возникает вопрос об определении факторов риска, и предлагаются две возможности: использование основных компонентов корреляционной матрицы выборки или использование факторов стиля, таких как размер, импульс и волатильность.
Исследуются различные типы факторов риска, подходящие для количественной торговли, включая факторы стиля и отраслевые классификации. Докладчик подчеркивает важность использования краткосрочных факторов, которые важны для торговли, и исключения более долгосрочных факторов. Также обсуждается риск непреднамеренной нейтрализации желательных альфа-факторов в модели риска, подчеркивая необходимость тщательного отбора и взвешивания факторов риска.
Какушадзе поясняет, что стандартизированные модели риска, приобретенные у поставщиков, не способны устранить нежелательные факторы риска или охватить все соответствующие направления пространства риска трейдера. Поэтому спикер предлагает построить собственную модель риска с нуля. Один из подходов заключается в использовании статистических моделей риска, которые включают получение временных рядов доходности с ограниченным периодом ретроспективного анализа и создание факторных нагрузок на основе основных компонентов выборочной корреляционной матрицы.
Понятие эффективного ранга вводится как способ определения количества основных компонентов для использования в качестве факторов риска. Эффективный ранг измеряет эффективную размерность матрицы и может быть рассчитан с использованием спектральной энтропии. Однако статистические модели риска имеют ограничения с точки зрения количества факторов риска, поскольку оно ограничено количеством наблюдений, что приводит к ограниченному охвату пространства риска. Нестабильность высших главных компонентов вне выборки также вызывает беспокойство.
Обсуждается нестабильность вневыборочных парных корреляций и недиагональных элементов корреляционной матрицы. Какушадзе объясняет, что высшие главные компоненты, рассчитанные по неустойчивой корреляционной матрице, часто обновляются и нестабильны, в то время как первая главная компонента имеет тенденцию быть относительно стабильной. Докладчик также углубляется в определение факторов стиля, подходящих для краткосрочных стратегий удержания, и предлагает исключить статистически незначимые корреляции, такие как акции в обращении, из внутридневных торговых стратегий.
Обсуждаются четыре общих фактора, используемых в моделях краткосрочной количественной торговли: направление (импульс), волатильность, ликвидность и цена. Какушадзе объясняет, как определяется каждый фактор и как можно рассчитать доходность факторов с помощью перекрестной регрессии. Особое внимание уделяется расчету коэффициента Шарпа в годовом исчислении для доходности каждого фактора при определении их статистической значимости и пригодности для торговых стратегий.
Докладчик переходит к тестированию и проверке факторных нагрузок и эффективности факторов стиля в моделировании рисков. В качестве одного из способов тестирования факторных нагрузок предлагается тестирование внутридневных сделок или более короткие альфа-сделки по остаткам после факторизации исторической доходности с использованием факторных нагрузок. Выделяется значение больших секторов по сравнению с факторами стиля, даже на самом низком уровне детализации. Рекомендуется строить модели риска на основе отраслей или подотраслей с использованием фундаментальных отраслевых классификаций, поскольку они охватывают большую часть пространства риска. Стабильность первого главного компонента вне выборки влияет на эффективность этих моделей риска.
Обсуждается построение матрицы факторных нагрузок для большого количества подотраслей, и в качестве решения предлагаются иерархические отраслевые классификации. Этот подход включает сначала моделирование подотраслей, а затем использование следующего уровня детализации отраслей для моделирования факторов риска, продолжая до тех пор, пока проблема не будет сведена к меньшей матрице, которую можно правильно рассчитать.
Объясняется процесс пошагового решения проблем для расчета моделей риска для количественной торговли. Первоначально рассчитывая матрицу факторных нагрузок меньшего размера, например 10 на 10, для выборочной ковариационной матрицы, Какушадзе строит однофакторную модель для оставшегося фактора, которым является рынок. Это сводит задачу от большой матрицы к меньшей. Предлагается включить факторы стиля в эту конструкцию, но их вклад может быть ограничен по сравнению с большим количеством факторов риска из различных отраслей. Факторы стиля могут быть не идеальными заменителями для моделирования корреляции между акциями.
Объясняется важность включения перехвата в процесс нормализации факторов стиля. Спикер поясняет, что логарифм цены, обычно используемый в качестве фактора стиля, на самом деле представляет собой логарифм цены, деленный на коэффициент нормализации. Фактор нормализации является эмпирическим и может быть настроен в зависимости от предпочтений трейдера. В то время как отраслевые факторы, как правило, являются надежными показателями для моделирования корреляций, билинейные комбинации факторов стиля считаются плохими показателями. Поэтому трейдерам рекомендуется сосредоточиться на отраслевых факторах и настроить свои модели в соответствии со своим стилем торговли и количественными торговыми альфами.
Докладчик представляет концепцию гетерозиса, которая объединяет мощные идеи, такие как факторные модели, отраслевые классификации и основные компоненты, в конструкцию, которая может быть очень эффективной при моделировании рисков. Методы кластеризации также обсуждаются как способ построения факторов риска с использованием многоуровневых схем кластеризации, которые могут заменить фундаментальные отраслевые классификации. Однако недетерминированные алгоритмы кластеризации могут производить разные кластеризации при каждом запуске, что приводит к возникновению шума в системе. Чтобы уменьшить шум, можно усреднить большое количество кластеров или использовать другие методы, такие как уменьшение размерности или анализ основных компонентов.
Исследуются различные подходы к кластеризации в моделях рисков количественной торговли. Докладчик объясняет, что, хотя кластеризация k-средних может быть недетерминированной, детерминированные альтернативы, такие как иерархическая кластеризация, могут быть субъективными и более медленными. Спикер предлагает использовать для агрегирования сами модели риска, а не полагаться исключительно на кластеризацию. В случае k-средних недетерминированность возникает из-за инициализации центров кластеров, но поиск глобального минимума не всегда необходим. Чтобы улучшить наивный подход использования исторической доходности, предлагается нормализовать доходность по отношению к исторической волатильности.
Кластерная нормализация и многоуровневая кластеризация обсуждаются для количественной торговли. Кластеризацию рекомендуется выполнять путем деления доходности на дисперсию вместо нормализации доходности с двумя стандартными отклонениями для оптимизации портфелей и повышения производительности. Представлены два подхода к многоуровневой кластеризации: восходящий, при котором сначала создается наиболее детализированный уровень, за которым следует последовательная кластеризация кластеров, и нисходящий, при котором сначала создается наименее детализированный уровень, а затем последовательно кластеризуются тикеры. Недетерминированные алгоритмы, такие как иерархические алгоритмы, не имеют преимуществ с точки зрения производительности по сравнению с детерминированными алгоритмами, и докладчик предлагает использовать методы кластеризации и агрегации.
Докладчик затрагивает вопрос определения количества кластеров в моделях риска на основе кластеризации. Упоминаются традиционные методы, такие как метод локтевого сустава или анализ силуэта, но они не всегда могут давать надежные результаты. Вместо этого спикер предлагает использовать анализ стабильности, который включает в себя создание нескольких кластерных решений и измерение стабильности полученных кластеров. Стабильность можно оценить с помощью таких методов, как стабильность пары кластеров или стабильность начальной загрузки.
Какушадзе подчеркивает важность стабильности в моделях риска на основе кластеризации, поскольку нестабильные кластеры могут привести к ненадежным оценкам риска. Он предлагает использовать стабильные кластеры для моделирования рисков, а нестабильные кластеры следует отбрасывать или объединять с другими кластерами для повышения стабильности. Спикер также упоминает использование методов машинного обучения, таких как иерархическая кластеризация с использованием алгоритмов машинного обучения, в качестве альтернативы традиционным методам кластеризации.
Затем обсуждение переходит к построению моделей риска на основе выбранных кластеров. Докладчик предлагает использовать выборочную корреляционную матрицу внутри каждого кластера для оценки факторных нагрузок. Разложив выборочную корреляционную матрицу каждого кластера на его собственные значения и собственные векторы, можно получить факторные нагрузки. Затем можно построить матрицу факторных нагрузок для всего портфеля путем объединения факторных нагрузок из каждого кластера.
Докладчик подчеркивает важность правильной нормализации факторных нагрузок, чтобы гарантировать, что они представляют вклад в риск. Он предлагает использовать обратную величину собственных значений в качестве весов для факторных нагрузок для достижения паритета рисков. Это гарантирует, что каждая акция в равной степени влияет на общий риск портфеля. Модель риска можно дополнительно улучшить, включив дополнительные факторы, такие как факторы стиля или отраслевые факторы.
Зура Какушадзе обсуждает проблемы и подходы к построению моделей риска для количественных торговых стратегий. Он подчеркивает важность решения таких проблем, как сингулярность и нестабильность в ковариационной матрице, а также выбора соответствующих факторов риска и методов кластеризации. Комбинируя факторные модели, отраслевые классификации и кластеризацию, трейдеры могут создавать собственные модели риска, которые эффективно отражают характеристики риска их портфелей.
Торговля на Форекс для начинающих | Алгоритмическая торговля на валютных рынках Доктор Алексис Стенфорс
Торговля на Форекс для начинающих | Алгоритмическая торговля на валютных рынках Доктор Алексис Стенфорс
Доктор Алексис Стенфорс занимается всесторонним анализом рынка иностранной валюты (FX), уделяя особое внимание ликвидности и ее значению. Он начинает с подчеркивания огромных размеров валютного рынка и его сравнительных масштабов по отношению к мировому фондовому рынку. Несмотря на потенциальные кризисы или стихийные бедствия, ликвидность на валютном рынке, как правило, остается стабильной.
Д-р Стенфорс проливает свет на конкурентный характер профессионального рынка форекс, отмечая его международный масштаб. Торговля одной валютной парой на этом рынке невозможна без одновременной торговли другой валютной парой. Эта характеристика отличает валютный рынок от фондового рынка, где покупка акций более распространена и проста. Кроме того, центральные банки могут вмешиваться в валютный рынок, влияя на стоимость валюты посредством таких действий, как печатание денег или прямое вмешательство, в то время как такие вмешательства менее распространены на фондовом рынке. Кроме того, рынок FX работает без правил, автоматических выключателей и прозрачности, что затрудняет доступ к надежным данным для исследовательских целей.
Основу ликвидности на валютном рынке объясняет д-р Стенфорс, который подчеркивает важность отношений и соглашений между банками. В отличие от традиционных фондовых и фондовых рынков, маркет-мейкеры на валютном рынке не могут котировать цены или предоставлять ликвидность, если они не знают, что другая сторона готова ответить взаимностью. На рынке валютных свопов спреды между предложениями и предложениями конкурентов, как правило, группируются вокруг определенных цифр, и, что интересно, конкуренты часто указывают одни и те же спреды, а не предлагают различные спреды.
Д-р Стенфорс обсуждает рыночные соглашения в индустрии торговли на рынке Форекс, уделяя особое внимание соглашениям, основанным на цене и объеме. Эти соглашения диктуют соответствующее торговое поведение и способствуют установлению прочных отношений между банками и клиентами. Опросы показывают, что лишь небольшой процент трейдеров следуют условностям в первую очередь в целях получения прибыли, в то время как большинство воспринимает их как средство укрепления отношений и поддержания положительного имиджа на рынке. Рост алгоритмической торговли привел к изменениям в этих соглашениях: на алгоритмическую торговлю приходится более 70% торговли на таких платформах, как EBS.
Последствия алгоритмической торговли для рынка форекс обсуждаются доктором Стенфорсом. Сторонники утверждают, что высокочастотная торговля может повысить эффективность рынка, снизить транзакционные издержки и улучшить ликвидность. Однако скептики утверждают, что алгоритмы плохо подходят для соблюдения соглашений, которые изначально были разработаны для человеческих отношений. Трейдеры, использующие электронные платформы, могут столкнуться с проблемами, когда рынок быстро движется, когда они пытаются совершать сделки. Ликвидность в настоящее время воспринимается как сложная и трудная для определения. Несмотря на разные точки зрения на алгоритмы, обе стороны согласны с тем, что валютная ликвидность претерпевает изменения, которые требуют более тщательного изучения. Доктор Стенфорс представляет данные торговой платформы, указывающие на равное соотношение между торговлей людьми и алгоритмами в 2010 году.
Исследуя объем и ликвидность рынка форекс, д-р Стенфорс в качестве примера сосредотачивается на валютной паре евро-доллар. Он показывает, что за три торговых дня общая сумма лимитных ордеров на евро доллар составила 1,8 триллиона с узким спредом всего 0,08 процента. Это указывает на высоколиквидный рынок с узкими спредами. Однако менее одного процента всех лимитных ордеров фактически завершились транзакциями, а среднее время жизни лимитных ордеров составляло всего 2,5 секунды. Эти результаты показывают, что, хотя рынок может казаться ликвидным, его реальная ликвидность может быть менее значительной, чем кажется. Д-р Стенфорс ставит вопрос о том, можно ли быстро получить доступ к ликвидности, и проводит тест, чтобы определить, быстро ли рынок реагирует на попытки сделок.
Д-р Стенфорс делится своим исследованием влияния размещения лимитных ордеров на ликвидность на валютном рынке. Анализируя 1,4 миллиона отправленных лимитных ордеров, он обнаруживает, что новый лимитный ордер сразу же добавляет ликвидности на другую сторону книги ордеров, что приносит пользу высокочастотным трейдерам. Однако ликвидность исчезает в течение 0,1 секунды, что говорит о том, что алгоритмическая торговля способствует только краткосрочной ликвидности. Д-р Стенфорс подчеркивает значительный сдвиг в готовности поддерживать ликвидность на валютном рынке за последнее десятилетие, подчеркивая важность рассмотрения различных аспектов ликвидности, таких как ликвидность на основе цены, ликвидность на основе объема, ликвидность на основе сообщества и ликвидность на основе скорости при анализе рынка.
Концепция различных типов ордеров в торговле на рынке Форекс и их этические последствия объясняются доктором Стенфорсом. Он поясняет, что разделенные ордера используются для разделения больших ордеров на более мелкие, чтобы другие трейдеры не отменили свои ордера и чтобы скрыть ордера, насыщенные информацией. Однако ложные ордера, которые создают ложное впечатление о состоянии рынка, как правило, незаконны на большинстве рынков. С другой стороны, пинговые ордера, направленные на извлечение скрытой рыночной информации, менее противоречивы, но подлежат интерпретации. Доктор Стенфорс также вводит свое консервативное определение сплит-ордеров, показывая, что они составляют 15-20% ордеров в евро, долларах и долларах в йенах среди пяти исследованных валютных пар.
Доктор Стенфорс исследует использование сплит-ордеров и их агрессивность на валютном рынке. Вопреки распространенному мнению, крупные ордера часто демонстрируют высокую агрессивность, а разделенные ордера служат не только для маскировки больших сумм, но и для того, чтобы позволить алгоритмическим трейдерам размещать более агрессивные ордера. Однако реакция рынка на разделенные ордера гораздо более выражена по сравнению с типичными человеческими ордерами, и алгоритмы быстро адаптируются к этой стратегии, делая разделенные ордера менее эффективными. Обсуждение также затрагивает спуфинг и пинг, указывая на то, что основные валютные пары, такие как евро доллар и доллар иена, очень чувствительны к информации, что делает их уязвимыми для спуфинга, в то время как пинг используется для извлечения скрытой информации путем тестирования рынка ордерами и наблюдения за любой реакцией. .
Д-р Стенфорс представляет прокси, который он разработал для анализа распространенности «пинга» на различных валютных рынках. Ордер на пинг отменяется до того, как произойдет какое-либо изменение рынка, что делает его потенциальным индикатором активности пинга. Используя обширную базу данных, д-р Стенфорс подсчитал, что около 10% ордеров на евро-долларовом и желтом рынках могут быть потенциальными пинг-ордерами. Однако на таких рынках, как шведский евро и доллар-рубль, этот процент значительно увеличивается, достигая 50% и 80% соответственно. Примечательно, что пинг более заметен на менее торгуемых рынках платформы. Д-р Стенфорс предполагает, что изучение ликвидности требует рассмотрения различных стратегий и сроков жизни ордеров, поскольку функция создания рынка, особенно на быстром рынке FX, все чаще выполняется алгоритмами.
Д-р Стенфорс обсуждает развивающуюся природу ликвидности на рынке форекс и подчеркивает необходимость более широкого набора показателей для ее оценки. Он подчеркивает влияние барьеров на стратегии заказа, таких как разделение, спуфинг и проверка связи. Хотя эти вопросы были тщательно изучены на фондовых рынках, их влияние на ликвидность форекс может быть значительно разным, несмотря на больший размер рынка форекс. Доктор Стенфорс рекомендует трейдерам помнить об этих сложностях, независимо от их методов подачи заявок, и предоставляет дополнительные ресурсы тем, кто заинтересован в дальнейшем изучении.
Доктор Алексис Стенфорс предлагает подробный анализ рынка форекс, уделяя особое внимание ликвидности и ее различным аспектам. Его исследование подчеркивает уникальные характеристики рынка форекс, в том числе его размер, конкурентный характер и международный охват. Он подчеркивает важность рыночных соглашений, значение алгоритмической торговли и влияние различных типов ордеров на ликвидность. В своих исследованиях д-р Стенфорс раскрывает сложности и развивающуюся природу валютной ликвидности, подчеркивая необходимость всесторонней оценки и понимания на этом динамичном рынке.