Quantitative trading - страница 25

 

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.

  • 00:00:00 Участники дискуссии обсуждают концепцию стратегий поиска альфы в финансах. Николас утверждает, что 99% инвесторов не должны искать позиции, стремящиеся к альфе, поскольку данные показывают, что создать альфу во взаимных и хедж-фондах невероятно сложно. Он подчеркивает сложность создания альфы в нейтральных к рынку хедж-фондах и предполагает, что факторное инвестирование является более жизнеспособным вариантом для тех, кто стремится превзойти рынок. Эксперты согласны с тем, что поиск уникальных источников данных и их использование для разработки систематической стратегии является ключом к успешному факторному инвестированию.

  • 00:05:00 Участники дискуссии обсуждают сложность достижения истинной альфы на текущем рынке и предлагают альтернативные стратегии, такие как распределение активов и управление рисками. Они не советуют сосредотачиваться исключительно на поиске альфы и предлагают искать ниши на рынке, которые менее покрыты и, следовательно, менее эффективны. Кроме того, участники дискуссии подчеркивают важность построения хорошо построенного эталонного портфеля, такого как бета-стратегии, и выхода за рамки S&P 500 для поиска потенциально прибыльных акций. Они предупреждают, что даже если альфа будет идентифицирована, ее нельзя будет собрать из-за потенциальных конфликтов с первичными брокерами.

  • 00:10:00 Группа обсуждает преимущества торговли активами, которые не являются частью основной инвестиционной вселенной во фьючерсы или не входят в полномочия менеджера. Причина в том, что такие активы менее загружены и, следовательно, имеют более высокие коэффициенты резкости примерно на 50% к 100% выше, чем те, которые построены на активах, хорошо известных на рынке. Обсуждение также затрагивает вопросы размера портфеля и сборов, поскольку для этих активов потребуется меньший размер портфеля и сборы, поскольку они менее ликвидны и требуют больше усилий для торговли. Лоран соглашается с мнением Никола о том, что традиционная стратегия активного управления, состоящая в выборе акций на длинной стороне, никогда не работала, и бремя доказывания перешло к активным менеджерам, чтобы доказать свою способность развиваться и работать на сложных рынках.

  • 00:15:00 Группа обсуждает важность рассмотрения краткосрочной стороны долгосрочной краткосрочной инвестиционной стратегии. Они отмечают, что, хотя инвесторы могут справиться с ростовщическими сборами и претензиями на фунт плоти на длинной стороне, они не могут выдержать расходы, связанные с защитой капитала или созданием альфы во время рыночных спадов. 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.

  • 00:20:00 Панель обсуждает важность практических последствий и визуализации стратегий, когда речь идет об альфа-генерации. Хотя академические исследования ценны, им часто не хватает практического значения, например, того, как стратегия может быть реализована с точки зрения портфеля и ее способности выдерживать транзакционные издержки и реализацию. Кроме того, инвесторы предпочитают стратегии с графиками, а не с таблицами, поскольку они визуально показывают торговые просадки и их легче удерживать во время 30-процентной просадки. Группа также подчеркивает важность создания стратегии, синхронизированной с ожиданиями клиентов/руководителей, и возможности объяснить, почему стратегия не работает на быстро развивающемся рынке. Инвесторы, как правило, не терпят стратегии, генерирующие альфа-каналы, поэтому крайне важно убедиться, что стратегия реализуема и может распространяться как продукт.

  • 00:25:00 Спикер подчеркивает важность построения стратегии, которая соответствует тому, что ищет клиент, и синхронизирована с экономическими и фундаментальными причинами. Спикер подчеркивает необходимость простоты и объяснимости стратегии, заявляя, что ее можно объяснить несколькими простыми предложениями. Цель бэктестинга не в том, чтобы доказать, что стратегия работает, а в том, чтобы сломать ее и посмотреть, дает ли она по-прежнему альфу. Торговые правила не так важны, как теория, лежащая в основе стратегии, которую следует проверить, чтобы убедиться, что она может противостоять всему, что может ее сломать.

  • 00:30:00 Группа экспертов обсуждает, что влияет на стратегию Quant. Они отражают тот факт, что возврат к среднему и следование за трендом являются единственными двумя стратегиями, независимо от класса активов или временных рамок. В то время как следование за трендом похоже на покупку лотерейных билетов с низким коэффициентом выигрыша и высокой волатильностью, возврат к среднему составляет один доллар за раз и имеет высокий коэффициент выигрыша и низкую волатильность. Эксперты также обсуждают важность управления потерями и рассматривают, как сочетать эти стратегии, чтобы оптимизировать ожидаемую прибыль. Наконец, они затрагивают проблемы коротких продаж и оседлания институциональных держателей.

  • 00:35:00 Группа обсуждает важность управления рисками и необходимость иметь положительное ожидание, когда речь идет о стратегиях на фондовом рынке. Спикер считает, что фондовый рынок — это бесконечная, случайная и сложная игра, и что очень важно сочетать сделки с высоким коэффициентом выигрыша с лотерейными билетами, чтобы уменьшить потенциальные потери. Группа также обсуждает, когда отказаться от стратегии, и хотя они согласны с тем, что этого следует избегать, крайне важно оставаться в курсе и исследовать любые структурные изменения или колебания рынка, которые могут повлиять на стратегию. В конечном счете, отказ от стратегии должен происходить только после тщательного исследования и изменения структуры.

  • 00:40:00 Группа обсудила трудности управления несколькими инвестиционными стратегиями и способы работы с неэффективными стратегиями. Они подчеркнули важность соблюдения своего инвестиционного мандата и понимания ожиданий клиентов. Крайне важно иметь процесс поиска новых стратегий и их реализации, а также знать, когда отказаться от стратегий, которые не работают хорошо. Группа говорила о двух способах работы с неэффективными стратегиями: либо сохранить их в долгосрочной перспективе, либо следовать за трендом и исключить их из портфеля. В конечном счете, это зависит от мандата и финансирования мультистратегического мультиактивного фонда.

  • 00:45:00 Участники дискуссии обсуждают сложность количественного инвестирования и то, как оно требует веры в проделанную работу, независимо от объема исследований. Отказ от стратегий имеет смысл, когда они неэффективны, но анализ импульса может помочь определить, почему стратегия работает хорошо. Участники дискуссии отмечают, что диверсификация является ключевым моментом, и при управлении несколькими стратегиями не так просто сократить стратегию. Они также обсуждают короткие имена, такие как Тесла, и отмечают, что короткие продажи акций на самом деле являются короткими идеями или убеждениями, потому что короткие оценки основаны на истории. Участники дискуссии приводят конкретный пример из Японии в 2005 году, когда оценка компании потребительского кредита была заоблачной, но это была мирная короткая сделка, пока компания не обанкротилась несколько лет спустя.

  • 00:50:00 Спикеры обсуждают подводные камни закрытия стратегии из-за сюрреалистической оценки, которая не работает. Как только стоимость компании достигает определенного уровня, она может расти сколько угодно, как Tesla, чья рыночная капитализация больше, чем у Toyota. Выступающие также говорят о важности симметрии при наличии одних и тех же правил как для короткой, так и для длинной стороны, что намного сложнее, но позволяет избежать конфликтов и ручных переопределений. Они считают, что многие стратегии можно превратить в более совершенные, а по-настоящему диверсифицирующих стратегий очень мало. Даже разные классы активов — это, по сути, ставка на экономический рост.

  • 00:55:00 Группа обсуждает проблемы поиска стратегий, которые действительно диверсифицируют и извлекают выгоду из финансовой неопределенности и волатильности. Они отмечают, что большинство классических стратегий хедж-фондов в этом отношении терпят неудачу. Они также обсуждают советы, которые они дали бы начинающим квантовым специалистам, в том числе важность мышления шаблонами и готовность убить своих собственных «детей» или стратегии, которые не работают. Они предлагают, чтобы розничные инвесторы сосредоточились на недорогих диверсифицированных ETF и уделяли первостепенное внимание управлению рисками.

  • 01:00:00 Спикеры обсудили эффективность финансовых рынков и то, насколько сложно индивидуальным инвесторам конкурировать с профессионалами. Они использовали спортивную аналогию, чтобы объяснить, что пытаться торговать против основных финансовых индексов — это все равно, что играть против лучших спортсменов в мире, и поэтому это чрезвычайно сложно. Они рекомендовали инвесторам использовать академические исследовательские работы в качестве вдохновения, а не воспринимать их как евангелие, и пытаться найти идеи, которые не являются общепринятыми, чтобы избежать слишком корреляции с более широким рынком.

  • 01:05:00 Участники дискуссии обсуждают применимость технического анализа в количественном инвестировании. Хотя технический анализ существует уже сотни лет и до сих пор широко используется, он мало поддерживается с институциональной точки зрения, и он считается очень дискреционным и часто непроверенным. Один участник дискуссии рекомендует следование за трендом как более надежный и количественный подход, предостерегая от использования фольклора, такого как RSI и magdi. Участники дискуссии рекомендуют свои аккаунты в Твиттере, профили в LinkedIn и веб-сайты тем, кто интересуется их работой.
 

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.

  • 00:00:00 Доктор Томас Старке представляет глубокое обучение с подкреплением для трейдинга, тему, которой он интересовался в течение нескольких лет. Обучение с подкреплением (RL) — это метод, который позволяет машине решать задачу без присмотра, и она сама учится, что делать, чтобы получить благоприятные результаты. Он объясняет, как машина, которая хочет научиться играть в компьютерную игру, начинает с игрового сценария и переходит от одного шага к другому, реагируя на то, что видит на экране. Наконец, игра заканчивается, и машина добивается успеха или неудачи в зависимости от цепочки принятых ею решений.

  • 00:05:00 Доктор Томас Старке обсуждает торговлю с помощью глубокого обучения с подкреплением и объясняет концепцию марковского процесса принятия решений. В этом процессе состояние связано с определенным рыночным параметром, а действие переводит процесс из одного состояния в другое. В зависимости от перехода агент получает либо положительное, либо отрицательное вознаграждение. Цель состоит в том, чтобы максимизировать ожидаемое вознаграждение при определенной политике и состоянии. В трейдинге рыночные параметры используются, чтобы определить, в каком состоянии находится агент, и помочь ему принять решение о том, какие действия предпринять.

  • 00:10:00 Д-р Томас Старке обсуждает процесс принятия решений, связанный с торговлей, который включает решение о покупке, продаже или удержании на основе различных индикаторов, которые информируют о состоянии системы. Цель состоит в том, чтобы получить наилучшее возможное вознаграждение, то есть прибыль или убыток от сделки. Однако традиционный подход машинного обучения, заключающийся в присваивании состоянию определенного ярлыка, такого как немедленная прибыль или убыток, может привести к неверным ярлыкам, если сделка в ближайшем будущем пойдет против нас. Следовательно, машина должна понимать, когда оставаться в сделке, даже если она изначально идет против нас, и иметь убеждение ждать, пока сделка не вернется обратно к средней линии, чтобы выйти из сделки.

  • 00:15:00 Доктор Томас Старке обсуждает ретроактивную маркировку и то, как она используется в обучении с подкреплением для решения проблемы маркировки каждого шага в прибыли и убытке сделки. Он объясняет, что традиционное машинное обучение маркирует каждый шаг в сделке, что затрудняет прогнозирование того, может ли сделка стать прибыльной в будущем, если она понесет убытки. Ретроактивная маркировка использует уравнение Беллмана для присвоения ненулевого значения каждому действию и состоянию, даже если они не приносят немедленной прибыли, что позволяет вернуться к среднему и конечному доходу.

  • 00:20:00 Доктор Томас Старке объясняет, как использовать обучение с подкреплением для решения проблемы отсроченного вознаграждения в трейдинге. Уравнение Беллмана используется для расчета вознаграждения за действие, где «r» представляет собой немедленное вознаграждение, а «q» представляет собой совокупное вознаграждение. Гамма — это коэффициент дисконтирования, который присваивает вес будущим результатам по сравнению с предыдущими результатами. Используя обучение с подкреплением, торговые решения основываются не только на немедленном вознаграждении, но и на удержании позиций для получения более высоких вознаграждений в будущем. Это позволяет принимать более обоснованные решения по сравнению с жадным принятием решений.

  • 00:25:00 Доктор Томас Старке обсуждает, как глубокое обучение с подкреплением может помочь в принятии решений для торговли на основе будущих результатов. Традиционное обучение с подкреплением включает в себя построение таблиц на основе прошлого опыта, но в трейдинге это усложняется из-за большого количества состояний и влияний. Поэтому решение состоит в том, чтобы использовать глубокое обучение с подкреплением и нейронные сети для аппроксимации этих таблиц без создания огромной таблицы. Он объясняет реализацию использования геймификации торговли и поиск правильной функции вознаграждения и входных данных для определения состояния. В целом, использование глубокого обучения с подкреплением может помочь в принятии решений для торговли.

  • 00:30:00 Доктор Старке обсуждает важность входных данных в трейдинге и то, что они должны иметь какую-то прогностическую ценность, иначе система не сможет принимать правильные торговые решения. Он подчеркивает необходимость проверки системы на известное поведение и выбора соответствующего типа, размера и функции стоимости нейронной сети в зависимости от выбранной функции вознаграждения. Затем он объясняет, как геймификация работает в трейдинге, где состоянием являются исторические и текущие цены, данные технической защиты и альтернативные источники данных, а вознаграждением являются прибыли и убытки по сделке. Обучающийся с подкреплением будет использовать уравнение Беллмана для маркировки наблюдений задним числом, и благодаря постоянному обновлению таблиц, аппроксимированных нейронными сетями, машина научится принимать все более и более эффективные торговые решения.

  • 00:35:00 Доктор Томас Старке обсуждает, как структурировать ряд цен для обучения с использованием обучения с подкреплением. Он объясняет, что вместо последовательного прохождения ряда цен вы можете случайным образом входить и выходить в разных точках, и пользователь сам решает, какой метод выбрать. Он также обсуждает сложность разработки функции вознаграждения и приводит различные примеры и методы построения функции вознаграждения, которые можно использовать для обучения, например, использование чистого процента прибылей и убытков, прибыли за тик, коэффициент Шарпа и различные виды наказаний для избегайте длительных перегонов или просадок.

  • 00:40:00 По словам доктора Томаса Старке, у нас есть много вариантов, в том числе значения закрытия и объема открытия, максимума и минимума, модели свечей, технические индикаторы, такие как индекс относительной силы, время дня/недели/года, различная степень детализации времени, ввод цены и технические индикаторы для других инструментов, а также альтернативные данные, такие как настроения или спутниковые снимки. Затем эти входные данные преобразуются в сложное состояние, подобно тому, как компьютерная игра использует входные данные для принятия решений. В конечном счете, ключ в том, чтобы найти правильную функцию вознаграждения, которая работает для вашего стиля торговли, и соответствующим образом оптимизировать вашу систему.

  • 00:45:00 Доктор Томас Старке объясняет этап тестирования, который должен пройти его обучаемый с подкреплением, прежде чем его можно будет использовать для торговли на финансовых рынках. Он применяет серию тестов, включая чистые синусоидальные волны, кривые тренда, случайные ряды без структуры, различные типы корреляции порядка, шум в чистых тестовых кривых и повторяющиеся шаблоны, чтобы определить, приносит ли машина постоянную прибыль, и найти недостатки в кодировании. . Он также обсуждает различные типы нейронных сетей, которые он использует, в том числе стандартные, сверточные и долговременную память (LSTM), и его предпочтение простым нейронным сетям, поскольку они достаточны для его нужд и не требуют чрезмерных вычислительных усилий.

  • 00:50:00 Доктор Томас Старке обсуждает проблемы торговли с обучением с подкреплением, в том числе трудности различения сигнала и шума и проблему локальных минимумов. Он показывает, что обучение с подкреплением борется с зашумленными финансовыми временными рядами и динамическими финансовыми системами с меняющимися правилами и рыночными режимами. Однако он также показывает, что сглаживание кривой цены с помощью простой скользящей средней может значительно повысить производительность машины обучения с подкреплением, давая представление о том, как построить успешную систему машинного обучения, которая может принимать прибыльные торговые решения.

  • 00:55:00 Доктор Томас Старке обсуждает проблемы использования обучения с подкреплением в трейдинге. Во-первых, обучение с подкреплением с трудом адаптируется к изменениям поведения на рынке, что затрудняет изучение нового поведения. Кроме того, требуется много обучающих данных, но рыночных данных часто мало. Хотя обучение с подкреплением является эффективным, оно может легко переобучиться и действительно действует только на основные рыночные модели. Создание более сложных нейронных сетей может решить эту проблему, но это трудоемкая задача. В конечном счете, обучение с подкреплением не является серебряной пулей для получения прибыльных результатов, и важно иметь хороший рыночный опыт и знания в конкретной области для достижения успешных торговых результатов. Доктор Старке предлагает лекцию по Quant NC и призывает всех, кто интересуется кодированием этих систем, обращаться к нему через LinkedIn с четко сформулированными вопросами.

  • 01:00:00 Доктор Томас Старке отвечает на различные вопросы, связанные с трейдингом с помощью глубокого обучения с подкреплением. Он объясняет, что уравнение Беллмана не вносит предвзятости, а технические индикаторы иногда можно использовать в качестве входных данных после тщательного анализа. Спутниковые снимки могут быть полезны для прогнозирования цен на акции, а торговлю подкреплением можно проводить на небольших таймфреймах в зависимости от времени расчета нейронной сети. Он также обсуждает, насколько чувствительны алгоритмы торговли подкреплением к рыночным аномалиям, и объясняет, почему нет смысла обучать деревья случайных решений с помощью обучения с подкреплением.

  • 01:05:00 Доктор Томас Старке рекомендует использовать нейронные сети для торговли, а не деревья решений или машины опорных векторов из-за их пригодности для решения проблемы. Он объясняет, что очень важно настроить функцию потерь на основе используемой функции вознаграждения. Он упоминает, что люди пытались использовать обучение с подкреплением для высокочастотной торговли, но в итоге получили медленные нейронные сети, которым не хватало отклика на рынках в реальном времени. Он предполагает, что получение знаний о рынке значительно поможет продолжить торговую карьеру в финансовой индустрии, совершать реальные сделки и многому учиться в процессе. Наконец, он обсуждает, можно ли использовать нейронные сети для получения хороших результатов при торговле опционами, и объясняет проблемы, связанные с объединением нейронных сетей и торговли опционами.

  • 01:10:00 Д-р Томас Старке обсуждает, как можно использовать данные опционов в качестве исходных данных для торговли базовым инструментом, а не просто полагаться на технические индикаторы. Он также отвечает на вопросы об использовании нейронных сетей для определения количества лотов для покупки или продажи и о том, как включить в алгоритм спред, комиссию и проскальзывание, создав модель проскальзывания и включив эти факторы в функцию вознаграждения. Он советует проявлять осторожность при использовании нейронных сетей для определения объемов сделок и рекомендует использовать выходные значения для соответствующего определения веса портфеля. В заключение он поблагодарил аудиторию за вопросы и за то, что пришли на его выступление.
 

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.

  • 00:00:00 Докладчик представляет предысторию Контента C и вкратце рассказывает об опыте выступающего в трейдинге и банковском деле. Спикер объясняет различия между различными методологиями торговли, такими как систематическая торговля, количественная торговля, алгоритмическая торговля и высокочастотная торговля. Основное внимание в этом видео уделяется краткому обзору разработки и оптимизации торговой стратегии типичным количественным способом и сравнению дискреционной и количественной торговли.

  • 00:05:00 Спикер обсуждает важность превосходства и коэффициента попаданий в трейдинге. Чтобы добиться превосходства хотя бы в 50% акций с вероятностью 95%, трейдеры должны быть верны в своих прогнозах определенное количество раз. Число увеличивается с количеством отслеживаемых и торгуемых активов. Таким образом, систематическая торговля, которая позволяет отслеживать больше акций, имеет преимущество перед дискреционной торговлей. Тем не менее дискреционная торговля может предложить более глубокое проприетарное понимание благодаря отслеживанию меньшего количества акций. Спикер также 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.

  • 00:10:00 Спикер объясняет, что разные типы трейдеров по-разному оценивают риск и прибыль, такие как технические трейдеры, фундаментальные трейдеры и количественные расчеты. Он упоминает, что почти все эти различные типы торговли, как правило, могут быть выражены, что делает возможной систематическую торговлю. Определение торговой стратегии дается как математический набор правил, который говорит вам, когда покупать, продавать или держать, независимо от того, в какой фазе находится рынок. Цель торговой стратегии — генерировать сигнальную функцию на основе входящих данные и преобразовать их в целевую позицию для базового актива. Спикер отмечает, что торговля сложна, учитывая случайный и стохастический характер рынка, но создание стратегий, основанных на правилах, может помочь управлять рисками.

  • 00:15:00 Лектор начинает с объяснения различных функций, связанных с разработкой и реализацией торговой стратегии. Он подчеркивает, что реализованная доходность на реальном рынке находится вне вашего контроля и не может быть изменена, поэтому важно оптимизировать функцию Pi с учетом некоторых ограничений, изменив is NP или параметры s и P. Затем лекция переходит к следующему. обсудить различные этапы разработки стратегии, начиная с идеи, которая приводит к проверяемой гипотезе. Затем гипотеза проверяется путем преобразования правил в программируемые правила с последующим тестированием на исторических данных, чтобы увидеть, приносят ли правила прибыль или нет. Результатом этого этапа тестирования является оценка риска и профиля прибылей и убытков, после чего стратегия развертывается с учетом рисков, которые не были учтены на этапе тестирования. Наконец, лектор подчеркивает важность поиска следующей стратегии после развертывания.

  • 00:20:00 Спикер объясняет уравнения для возврата инвестиций в торговую стратегию, которая включает такие факторы, как альфа, бета и эпсилон. Далее он обсуждает риск и панели в стратегии и объясняет, как можно диверсифицировать идиосинкразический риск, чтобы он не был частью ожидаемой доходности. Он также объясняет концепции бета и альфа и предлагает пассивную индексацию на широкой основе, если единственным фактором является рынок, в то время как покупка таких факторов, как стоимость или импульс, может помочь в дальнейшей диверсификации. Наконец, спикер отмечает, что создание альфы — дело непростое и требует тщательного отбора или выбора времени.

  • 00:25:00 Спикер обсуждает важность альфы и рыночного тайминга в торговых стратегиях. Спикер объясняет, что эффективная торговая стратегия требует умения улавливать постоянную альфу и предсказывать изменения рыночных факторов. Если у вас нет возможности сделать это, единственным вариантом является пассивное инвестирование. Затем спикер переходит к обсуждению того, как разработать простую торговую стратегию, начав с идеи и делая наблюдения, не прибегая сразу к тестированию на истории. Вместо этого спикер рекомендует глубоко погрузиться в каждую потенциальную идею и использовать дневные цены, чтобы получить быстрое представление, прежде чем переходить к более детальному тестированию.

  • 00:30:00 Спикер демонстрирует, как оптимизировать торговую стратегию, используя ряд акций Microsoft, Apple и Google. Они используют методы кодирования и анализа данных для вычисления торговых сигналов и аппроксимации последующей распродажи стоимости на основе открытия и сегодняшнего закрытия. Спикер объясняет, что они проводят некоторый исследовательский анализ, в основном строят несколько графиков, чтобы показать разницу между сегодняшним открытием и вчерашним минимумом или максимумом, и результат, который они хотят предсказать, то есть сегодняшнее закрытие минус сегодняшнее открытие. Затем они подбирают данные с 2008 по 2013 год и строят точечный график, чтобы увидеть, как это работает.

  • 00:35:00 Спикер обсуждает процесс стандартизации, чтобы сделать значение X сопоставимым для разных акций, которые имеют разную волатильность, цены и процент волатильности. Спикер стандартизировал данные, используя стандартный нормальный способ, который находится в диапазоне от -3 до +3. Докладчик наблюдал статистический феномен, связанный с гэпом вверх и вниз в акциях с большой капитализацией на индийском рынке и в индексах S&P Top 20, что привело к определению диапазона открытия и бара закрытия. Функция сигнала помогает вычислить разрыв между диапазоном открытия и баром закрытия, а нормализация рассчитанной волатильности акции помогает определить, является ли сигнал положительным или отрицательным. Когда сигнал положительный, уровень входа становится максимумом свечи диапазона открытия, а когда сигнал отрицательным, уровнем входа является минимум этой свечи диапазона открытия, что помогает определить длинную или короткую позицию.

  • 00:40:00 Спикер рассказывает о функции позиции и о том, как оптимизировать торговую стратегию с помощью платформы BlueShift. Функция позиции основана на входе в сделки по сигналам акций и распределении одинакового капитала для всех из них. Правило входа ограничено первым часом после диапазона открытия, и вводятся только пробитые уровни входа. Правило выхода заключается в том, чтобы закрыть позиции по введенным сделкам за 30 минут до закрытия рынка. Платформа BlueShift требует знания языка программирования Python для развертывания торговых стратегий, включая технические индикаторы и количественные стратегии, для улучшения торговых стратегий.

  • 00:45:00 Спикер объясняет процесс создания вселенной для торговли с помощью платформы BlueShift и функции «символ». Затем докладчик обсудил, как вычислить сигнал для торговой стратегии, запрашивая исторические данные о ценах на акции, извлекая текущие и последние цены бара, включая волатильность, и нормализуя разрыв вверх и вниз с использованием волатильности. Также были объяснены торговые условия для бычьей, медвежьей или нейтральной фазы. Кроме того, спикер рассказал о двух небольших функциях для отключения торговли по истечении определенного периода и закрытия или закрытия позиций до закрытия рынка. Наконец, спикер описал циклический процесс создания сигналов и размещения сделок на основе бычьего, медвежьего или нейтрального настроения и прорыва диапазонов открытия.

  • 00:50:00 Спикер обсуждает процесс оптимизации торговой стратегии. Они объясняют, что перед началом процесса оптимизации важно оценить параметры стратегии, такие как порог сигнала, день расчета волатильности, функция позиции и т. д. Следующим шагом является создание целевой функции, которая определяет, что оптимизация должна основываться на том, будет ли это максимизация общей отдачи или короткое давление. Докладчик предлагает провести поиск, изменяя параметры в диапазоне, чтобы увидеть, какая комбинация дает максимальную целевую функцию. Многие платформы предлагают это как функцию, используя генетические алгоритмы или имитацию отжига для ускорения процесса оптимизации.

  • 00:55:00 Спикер объясняет научный способ разработки стратегии, который включает в себя идеи, проверку гипотез и оценку; если что-то не работает, выбросьте, а если работает, разверните. Докладчик предостерегает от использования таких инструментов, как поиск по параметрам, для максимизации целевой функции, поскольку это, по сути, оптимизирует стратегию для прошлого, а не для будущего. Вместо этого они предлагают подход, основанный на исследованиях, чтобы выяснить, что пошло не так, а что можно улучшить, хотя обобщать сложно. Наконец, спикер предлагает использовать цель тейк-профита, основанную на теории опционов и опционов, для улучшения торговой стратегии.

  • 01:00:00 Спикер рассказывает о двух улучшениях, которые он внес в торговую стратегию. Первое улучшение заключалось в реализации стратегии воротной прибыли, которая включает в себя фиксацию прибыли, когда движение от уровня входа к текущей цене больше или меньше целевого уровня прибыли. Второе улучшение заключалось в установлении верхней границы порогов генерации сигналов, что увеличило винрейт стратегии. Спикер также подчеркивает важность стабильности метрики временного ряда для получения стабильной прибыли и предполагает, что нелинейность может отрицательно сказаться на стратегии. В целом спикер демонстрирует, как включение теоретических идей может значительно повысить эффективность торговли.

  • 01:05:00 Лектор обсуждает добавление верхнего порога к нулевому порогу для входа и введение нижнего порога, чтобы избежать выхода за пределы основной области реверсии отношения сигнал-результат. Это помогает избежать нелинейности и приводит к улучшению просадки и производительности. Лектор также обсуждает использование стоп-лосса в качестве контроля риска, а не сигнального механизма, и вводит идею использования сигмовидной функции для функции позиции. Использование этой функции помогает избежать большого количества сделок в зоне, где мы не уверены, является ли сигнал положительным или отрицательным, что приводит к значительному улучшению производительности. В целом, почти каждая метрика выглядит великолепно со стабильностью временного ряда на уровне 80 процентов.

  • 01:10:00 Спикер обсуждает дальнейшие методы оптимизации торговых стратегий, такие как добавление фильтров волатильности и направления рынка, а также внедрение механизма переключения для адаптации к изменяющимся рыночным условиям. Докладчик также затрагивает важность мер по контролю риска при запуске стратегии, включая определение торговых профилей, настройку параметров контроля риска и введение ограничений на максимальное количество сделок и максимальный размер каждой сделки, чтобы избежать мошеннической торговли. Раздел заканчивается кратким обзором того, как начать работу с торговой стратегией с помощью живого обучающего портала.

  • 01:15:00 Докладчик объясняет важность применения подхода, основанного на стратегии, а не на торговле при оптимизации торговой стратегии, и подчеркивает необходимость аварийного выключателя для остановки стратегии. Он показывает, как Blueshift позволяет пользователям делать это с помощью выбираемых настроек, которые включают автоматическое отключение стратегии, когда она достигает определенного процента потерь. Спикер также подчеркивает важность обеспечения отсутствия изменений между кодом тестирования на исторических данных и кодом реальной торговли. Он резюмирует процесс перехода от 0,74 к респектабельному коэффициенту Шарпа 1,2, уделяя особое внимание этапам оптимизации, выработки идей, тестирования и развертывания. Спикер также отвечает на вопросы, связанные с функцией позиции и производными от биткойнов, и направляет пользователей к ресурсам на Github и YouTube для дальнейшего обучения.

  • 01:20:00 Спикер объясняет, что EPAT — это практическая программа, ориентированная на торговлю, что делает ее подходящей для тех, кто хочет стать трейдером или работать в брокерской компании. С другой стороны, тем, кто хочет стать специалистом по оценке рисков, следует рассмотреть другие программы, более теоретические. Когда его спрашивают о темах статистики, которые необходимо знать для трейдинга, спикер предлагает взять любую книгу по статистике на уровне колледжа и развить понимание того, как применять статистику для трейдинга. Они также рекомендуют следить за квантовыми блогами или аккаунтами в Твиттере, чтобы найти хорошие материалы. Говоря о стратегии, спикер отмечает, что даже прибыльная стратегия может по-прежнему отставать от инфляции, но они считают, что пример стратегии, обсуждавшийся в лекции, скорее всего, превзойдет инфляцию. Кроме того, спикер отмечает, что можно создать стратегию для медвежьего рынка.

  • 01:25:00 В видео обсуждаются различные аспекты оптимизации торговой стратегии. При создании стратегий основное внимание уделяется нейтральности рынка, когда стратегия имеет нулевую бета-версию и не зависит от того, находится ли рынок на медвежьем или бычьем рынке. Далее в видео объясняется, как исправить стратегию, которая может не сработать из-за неправильного предположения, например, с помощью адаптивной стратегии или небольшого фильтра. Кроме того, в видео объясняется, как эта программа помогает трейдерам определять хорошие и прибыльные стратегии, обучая их тому, как мыслить с точки зрения статистики и количественной оценки, чтобы преобразовывать мысли в код. Наконец, в видео объясняется, что можно стать успешным индивидуальным алго-трейдером в средне- и низкочастотной торговле, но для высокочастотной торговли требуется крупная организация.

  • 01:30:00 Спикер подчеркивает важность разработки стратегии и усилий, необходимых для получения прибыли в алготрейдинге. Знание программирования полезно, но не критично; люди с нулевым опытом программирования догнали обучение. Критические наборы навыков — это владение своим успехом и способность учиться. Спикер отвечает на конкретные вопросы по определению локальных минимумов и максимумов в коде, получению и использованию кода для торговли опционами и поиску примера кода. Код можно найти на Github, и спикер отмечает, что программа включает в себя части торговых стратегий, но не уверен, включен ли размер позиции.

  • 01:35:00 Спикер обсуждает использование алготрейдинга в простых опционных стратегиях, таких как железные кондоры, заявляя, что исполнение важнее, чем реальная стратегия в высокочастотной торговле из-за важности скорости. Для среднесрочных и долгосрочных стратегий альфа-источники важнее скорости, но алготрейдинг все же может быть полезен для мониторинга нескольких опционов на разные акции, чтобы избежать пропуска сделок. Спикер также обсуждает использование альтернативных данных, выражая смешанные чувства по поводу их эффективности и заявляя, что одни альтернативные данные полезны, а другие нет. Использование выбросов в торговых стратегиях зависит от торгового профиля и профиля риска стратегии. Наконец, спикер упоминает адаптивные стратегии, которые могут оптимизировать себя в зависимости от рыночных условий и различные методы создания этих стратегий.

  • 01:40:00 Спикер обсуждает возможность построения торговых стратегий на основе различных типов графиков, но предупреждает, что бесплатных обедов на рынке не бывает и для успеха необходимо наличие определенных правил. Спикер также упоминает, что поддержка доступна для тех, кто хочет начать свою собственную торговую задачу, но успех алгоритма на неликвидных рынках зависит от используемой стратегии. Спикер сообщает, что ни один класс активов по своей сути не лучше других, и предостерегает, что интуиция не должна быть основой для торговых решений.

  • 01:45:00 В видео обсуждается, как программа EPAT может помочь трейдерам оптимизировать свою торговую стратегию посредством изучения различных парадигм стратегии. Программа предлагает десять или более различных парадигм для повышения успеха и безопасности торговли. Зрителям предлагается задавать любые вопросы, которые могут у них возникнуть о программе и ее потенциальных преимуществах для их карьеры и бизнеса. В видео также упоминается, что заинтересованные лица могут связаться с консультантами программы по поводу гибкости приема и оплаты через предоставленный форум.
 

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.

  • 00:00:00 Сунил Лани, помощник вице-президента NCDEX, обсуждает алгоритмическую торговлю на товарных рынках, в частности на сельскохозяйственных товарах. NCDEX является крупнейшей сельскохозяйственной биржей в Индии и предлагает около 20 товаров для торговли. Лани объясняет, что существует три популярных стиля торговли сырьевыми товарами: хеджирование, арбитраж и направленная торговля. Хеджирование — это инвестиция для снижения риска, связанного с первичными инвестициями, и в NCDEX фермеры хеджируют свои собственные базовые активы, чтобы минимизировать риск.

  • 00:05:00 Спикер обсуждает два типа торговых стратегий на товарном рынке: хеджирование и арбитраж. Спикер подчеркивает важность высококоррелированных базовых активов в хеджировании. Между тем, в арбитраже спикер углубляется в два способа торговли: календарный спред и парную торговлю, причем последняя аналогична хеджированию. Спикер подчеркивает, что товары, выбранные для парной торговли, должны быть сильно коррелированы и коинтегрированы, и рекомендует для этого применять тест Т. Фуллера. Кроме того, спикер представляет обзор различных этапов алгоритмической торговли, включая идентификацию и фильтрацию сценариев или инструментов для применения торговой концепции, визуализацию модели, тестирование на исторических данных, оптимизацию параметров или модели, бумажную торговлю и торговлю в реальном времени.

  • 00:10:00 Спикер обсуждает начальные этапы алгоритмической торговли, начиная с идей мозгового штурма и заканчивая идеей торговой логики. Они упоминают о необходимости определить частоту сделок, какой сегмент использовать для торговли и периоды тестирования на исторических данных. Затем спикер представляет данные о валовом внутреннем производстве (ВВП) различных секторов Индии, чтобы продемонстрировать сложность понимания данных для торговых стратегий. Они преобразуют данные в графическое представление, чтобы дать лучшее понимание, и предлагают посмотреть на корреляции с ценой. Затем докладчик представляет визуальные представления сельскохозяйственных данных с течением времени, чтобы продемонстрировать, как данные можно интерпретировать по-разному, и важность их анализа несколькими способами.

  • 00:15:00 Спикер рассказывает о ресурсах, необходимых для алгоритмической торговли на товарных рынках. Он делит торговые стратегии на две основные области, которые включают арбитраж и моментум, с такими методами, как парная торговля, корреляция, скользящие средние и распределение вероятностей. Одним из наиболее важных аспектов алгоритмической торговли является инфраструктура, включая подключение к брокеру через API и размещение алгоритма в облаке или локально. Кроме того, для визуализации данных и применения технических индикаторов можно использовать такие инструменты, как Excel, Tableau, Power BI и TradingView.

  • 00:20:00 Спикер рассказывает о различных инструментах и платформах, которые можно использовать для алгоритмической торговли на товарных рынках. Для непрограммистов или полупрограммистов популярными вариантами являются Metatrader и Interactive Brokers, а Python является ведущим языком программирования для чистых инструментов программирования. В частности, подробно обсуждаются алгоритмические торговые платформы на основе Python, такие как Quantopian, Blueshift, QuanTX и Zerodha. Докладчик также рассказывает о популярных библиотеках обработки данных и обратного тестирования, таких как Pandas, Numpy, Beautifulsoup и Backtrader, и библиотеках анализа настроений, таких как Stream Python, Feedparser, Peopie и NLP.

  • 00:25:00 Спикер объясняет, как придумать торговую идею и разработать модель на примере сельскохозяйственных товаров, которые относительно менее волатильны, чем акции и Forex. Идея состоит в том, чтобы применить стратегию возврата к среднему, используя индикатор, называемый полосами Боллинджера, установленный на два стандартных отклонения от среднего ценового диапазона. Критерии фильтрации включают выбор ликвидного товара объемом не менее 1080, по которому спикер предлагает торговать Яной на NCDX. Модель можно визуализировать с помощью investing.com, нарисовав полосы Боллинджера с разными уровнями, указывающими точки покупки и продажи.

  • 00:30:00 Спикер рассказывает о процессе тестирования алгоритмической модели торговли на товарных рынках. Тестирование на исторических данных важно для проверки логики с использованием исторических данных и предотвращения потери денег, если модель плохо работает в реальной среде. При тестировании на исторических данных необходимо учитывать различные параметры, такие как доходность, максимальная просадка, максимальная прибыль и стоп-лосс. Спикер также объясняет шаги, связанные с тестированием на истории, включая загрузку данных с открытого портала, импорт библиотек, написание вспомогательных функций, генерацию сигналов покупки и продажи, визуализацию результатов и оценку прибыли, генерируемой стратегией. Спикер также упоминает об использовании собственных функций тестирования на истории вместо библиотек с Github.

  • 00:35:00 Докладчик объясняет различные параметры, которые функция принимает для возврата сигналов покупки и продажи на основе фреймов данных, типов стратегий, критериев входа и выхода и позиционного потока. Функция позволяет трейдерам настраивать цену открытия или закрытия для своих расчетов, а также стоп-лосс и целевые проценты. Спикер также обсуждает функцию, которая генерирует статистические отчеты, и функцию, которая создает уровни, используя стандартное отклонение для выбранного индикатора. Наконец, основная функция вызывает другие функции, чтобы возвращать сигналы покупки и продажи на основе выбранной стратегии и генерировать сводку.

  • 00:40:00 Докладчик показывает, как генерировать отчеты о тестировании торговли на истории, используя BV для практики позиционного мастерства. Выходные данные включают в себя фрейм данных со всеми сделками, транзакционными сборами и скользящими краями. Вызывается функция обратного тестирования и создаются отчеты. Отчеты включают статистику и графическое представление выходных данных, которые показывают процент возврата, транзакцию и совокупный доход за определенный период времени. Спикер анализирует отчет и советует ставить стоп-лосс в районе -1,5, чтобы не понести убытки в -2% и -3%. Максимальная полученная прибыль составила 8%, что означает, что стоп-лосс может быть установлен максимум на 8% или 9%.

  • 00:45:00 Спикер обсуждает процесс оптимизации алгоритма. Они объясняют, что одним из способов оптимизации алгоритма является создание другого алгоритма, который будет многократно запускать исходный алгоритм с использованием разных наборов параметров. Спикер приводит пример этого процесса, в котором они оптимизируют период ретроспективного анализа для периода отката. Они создают список различных значений для ретроспективного периода и используют комбинированную функцию для создания полного списка всех наборов параметров. Спикер подчеркивает важность оптимизации алгоритмов для повышения их эффективности на товарных рынках.

  • 00:50:00 Спикер обсуждает процесс использования трех списков для прогона каждой пары методом локтя с разными параметрами для проверки результатов бэктестинга, сохраняя их во фрейме данных под названием DF Optimizer. Они проверяют комбинацию, которая сохраняет максимальную отдачу, и сохраняют оптимизированные переменные в оптимизированной роли. Процесс оптимизации должен быть осторожным, чтобы не подгонять данные. Они подчеркивают важность запуска тех же параметров в следующем периоде, чтобы гарантировать правильность параметров оптимизации. Наконец, спикер загружает отчет, чтобы увидеть результаты.

  • 00:55:00 Докладчик рассказывает о коде, используемом для оптимизации торговых параметров, и о полученных им статистических данных, включая доходность, среднюю доходность, максимальную просадку и соотношение выигрышей и убытков. Оптимизированные параметры привели к доходности 22,8%, что является значительным улучшением по сравнению с 9% предыдущей комбинации. Они подчеркивают важность бумажной торговли для тестирования алгоритма без вложения денег, а также необходимость диверсификации, управления портфелем и рисками при запуске. Они также отмечают, что процесс разработки алгоритмической торговли аналогичен жизненному циклу разработки программного продукта.

  • 01:00:00 Спикер объясняет, как этапы алгоритмической торговли можно сравнить с этапами разработки программного обеспечения, при этом формулирование торговой стратегии аналогично этапу планирования и требований, а бумажная торговля и симуляционная торговля сопоставлены с обеспечением качества. Спикер подчеркивает, что все этапы важны и невыполнение любого из них может привести к провалу всего 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:

  • Получение понимания основных концепций и интуиции, лежащих в основе различных индикаторов, и изучение их практического применения.
  • Работа с данными с фондовых рынков США для создания основных торговых индикаторов

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:

  • Использование искусственного интеллекта (ИИ) и языка программирования Python для прогнозирования тенденций на фондовых рынках.
  • Эффективная визуализация данных для получения информации
  • Построение торговых правил на основе будущих доходов с использованием модели дерева решений
  • Понимание переменных-предикторов и целевых переменных, понимание обоснования каждого технического индикатора и их эффективное применение
  • Изучение ряда торговых индикаторов
  • Применение изученных концепций к реальным данным с фондовых рынков США для разработки необходимых торговых индикаторов.

Чтобы получить максимальную пользу от этого вебинара, участники должны обладать:

  • Технические знания, связанные с ИИ и машинным обучением
  • Предыдущий опыт в трейдинге
  • Четкое понимание фондового рынка и его динамики

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.

  • 00:00:00 Продипта Гош, вице-президент по количественному управлению портфелем, объясняет, что не существует универсальной стратегии для торговли акциями, поскольку на финансовых рынках существует неопределенность, рынок со временем меняется, а у людей разные цели и склонность к риску. Он отмечает, что даже с идеальным видением или моделью мира было бы невозможно найти ответы на вопросы, которые задают трейдеры, поскольку контекст у всех разный. Поэтому идеальной стратегии не существует ни для кого в мире.

  • 00:05:00 Продипта Гош обсуждает четыре количественные стратегии управления портфелем, в том числе использование полос Боллинджера, стратегию пересечения простых скользящих средних, свечной паттерн дожи и индекс относительной силы (RSI). Хотя теоретически лучшей стратегией является стратегия с высоким коэффициентом Шарпа, прошлые результаты не всегда являются гарантией будущих результатов. Поэтому создание портфеля из различных стратегий и активов имеет решающее значение, чтобы избежать больших просадок и снизить риск. Равномерно распределяя капитал по всем четырем стратегиям, Гош демонстрирует, как диверсифицированный портфель может избежать значительных потерь в условиях волатильности рынка.

  • 00:10:00 Продипта Гош объясняет основы управления портфелем и чем оно отличается от инвестирования в одну акцию. Управление портфелем включает в себя создание стратегии для нескольких стратегий или активов, которая связана с рисками и неопределенностями, течением времени и контекстом. Ценность стратегии определяется базовой доходностью, умноженной на позиции. С другой стороны, стоимость портфеля — это взвешенный базовый поток доходов. Управление портфелем решает математическую задачу, определяя функцию U, которая является функцией стоимости портфеля P, и находя веса W, которые удовлетворяют условию максимизации для максимизации U. В зависимости от того, как определяется U и как выполняется оптимизация, может быть множество возможностей для стратегий оптимизации, таких как оптимизация среднего отклонения, оптимизация Келли и оптимизация штрафа за риск.

  • 00:15:00 Спикер обсуждает количественные стратегии управления портфелем и то, как на это влияют проблемы оптимизации. Он говорит о типах ограничений, которые можно указать в задаче оптимизации, таких как ограничение диапазона портфеля, и о различных типах портфелей, которые можно построить, в том числе основанных на альфа-стратегиях, факторных портфелях или наборе отдельных портфелей. акции. Цель состоит в том, чтобы определить условие максимизации, которое приводит к портфелю с максимальным значением или функцией стоимости портфеля. Спикер также затрагивает вопрос о том, имеет ли смысл портфель с одинаковым весом, который зависит от конкретных обстоятельств и может рассматриваться как задача оптимизации со штрафом на квадрате ошибок.

  • 00:20:00 Продипта Гош обсуждает концепцию риска и полезности в управлении портфелем. Он объясняет, что, хотя оценка ожидаемой доходности и рисков может показаться простой, на самом деле это может быть довольно сложно. Он вводит концепцию современной портфельной теории и квадратичной полезности, которые направлены на максимизацию доходов при минимизации риска. Он также использует пример парадокса Сент-Питтсбурга, чтобы проиллюстрировать, как люди не всегда могут принимать решения, основываясь на математических средних.

  • 00:25:00 Продипта Гош объясняет взаимосвязь между полезностью и риском и то, как они приводят к хорошему портфелю. Он демонстрирует концепцию премии за риск, которая измеряет разницу между ожидаемой выплатой или доходом от рискованных инвестиций и суммой, которую человек готов заплатить за определенный платеж. Он также объясняет, что функция полезности — это математическая функция богатства, которая говорит нам, сколько стоит один лишний доллар, и помогает определить сумму, которую нужно заплатить. Понимая взаимосвязь между полезностью и риском, инвесторы могут построить хороший портфель, который уравновешивает риск и доход.

  • 00:30:00 Спикер обсуждает концепцию неприятия риска в инвестициях, что означает, что инвесторы предпочитают определенные инвестиции изменчивым. Неприятие риска является распространенным допущением в количественном управлении портфелем, а премия за риск представляет собой значение греческой буквы Пи, которая представляет собой 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.

  • 00:35:00 Продипта Гош объясняет процесс оптимизации ожидаемой полезности портфеля путем уравновешивания среднего значения и дисперсии. Он использует Excel для моделирования доходности от различных активов и расчета ковариационной матрицы, которая затем используется для расчета доходности портфеля, дисперсии и риска на основе различных весов. Варьируя веса и вычисляя доходность портфеля и дисперсию для всех возможных случаев, можно решить задачу оптимизации. Полученный график показывает коэффициент Шарпа, который представляет собой отношение доходности к риску для каждого набора весов.

  • 00:40:00 Продипта Гош объясняет концепцию границ эффективности в современной теории портфеля. Он обсуждает, как эффективная граница — это область, в которой портфель должен находиться для получения максимальной доходности на основе заданной допустимости риска. Далее он объясняет, что если добавляется актив с кредитным риском, например безрисковый актив, концепция становится более интересной, и из тангенциального портфеля выбирается самый высокий коэффициент Шарпа. Он также описывает линию, соединяющую ноль с касательным портфелем, как рыночную линию и объясняет, как она становится выбором между покупкой рыночного портфеля и покупкой безрискового актива и определением распределения.

  • 00:45:00 Продипта Гош объясняет модель оценки капитальных активов (CAPM). CAPM изменяет концепцию риска в финансах, измеряя риск как вклад в рыночный портфель, а не как самостоятельный риск. С помощью математических уравнений САРМ определяет требуемую норму доходности для рискованного актива, которая представляет собой безрисковую ставку плюс вклад в рыночный портфель с точки зрения риска, умноженный на разницу между рыночной доходностью и безрисковой доходностью. возвращаться. Эта концепция обеспечивает теоретическую основу для стоимостного инвестирования. С помощью различных моделей, в том числе моделей дисконтированных денежных потоков и моделей сжатия, инвесторы оценивают справедливую цену с помощью CAPM и извлекают выгоду из своего лучшего понимания идиосинкразического риска.

  • 00:50:00 Продипта Гош обсуждает различные стратегии управления портфелем, уделяя особое внимание факторному инвестированию. Факторное инвестирование предполагает рассмотрение нескольких факторов риска, а не только рыночного риска при создании портфеля. Гош объясняет, что с каждым фактором связана надбавка, и это приводит к различным стилям инвестирования, включая распределение факторов, выбор времени для факторов или просто возвращение к стоимостному инвестированию и выбору акций, если все распаковать. Факторное инвестирование помогает объяснить идиосинкразический риск и дает новую интерпретацию альфа и бета, при этом альфа и бета становятся общим альфа, если дельта F в уравнении не зависит от времени и положительна вместе с бета.

  • 00:55:00 Продипта Гош обсуждает основные различия между стоимостным и факторным инвестированием, а также то, какое из них имеет больше смысла для розничного трейдера. Гош отмечает, что стоимостное инвестирование требует высокого уровня исследований отдельных компаний и обычно связано с концентрацией идиосинкразического риска, что может не подходить для мелких розничных трейдеров. С другой стороны, факторное инвестирование включает в себя исследование рыночных факторов риска и систематическое исследование их факторов для распределения инвестиций на основе ожидаемой доходности. Гхош также кратко затрагивает различия между дискреционными и количественными исследованиями, заявляя, что количественный менеджмент может предложить больше возможностей для повышения эффективности при правильном использовании.

  • 01:00:00 Продипта Гош объясняет разницу между стоимостными инвесторами и количественными стратегами. В то время как стоимостные инвесторы имеют низкую вероятность успеха, но могут генерировать мульти-бэггеры, количественные стратеги имеют высокую вероятность успеха, но приносят относительно более низкую, но стабильную прибыль. Фундаментальный закон инвестиций описывает коэффициент информации как отношение перепроизводства к риску портфеля, который равен коэффициенту информации или уровню навыков, умноженному на квадратный корень из n, где n — количество независимых ставок, которые можно сделать. В результате количественный инвестор может иметь большее число n, и именно поэтому он может оптимизировать заводской портфель. Кроме того, Гош объясняет другие методы оптимизации, такие как оптимизация KD или оптимизация паритета риска, которые пытаются максимизировать конечное богатство в течение нескольких периодов за счет накопления богатства.

  • 01:05:00 Спикер объясняет портфельную стратегию Келли и ее доминирование в долгосрочной перспективе благодаря ее ориентации на максимизацию конечного богатства. Однако он также является наиболее агрессивным с точки зрения риска, а это означает, что он не подходит для пенсионеров или людей, которые не могут позволить себе краткосрочные риски. Спикер также обсуждает стратегию паритета рисков, которая уравнивает вклады отдельных рисков и требует, чтобы сумма рисков всех активов была равна. Для этого нет теоретического обоснования, но это считается разумным распределением риска. При выборе между Келли, паритетом риска и оптимизацией средней дисперсии следует учитывать их склонность к риску и точность их моделирования, которую можно улучшить с помощью факторного моделирования. Эти стратегии связаны с балансированием риска и доходности, при этом более важным является измерение риска и управление им.

  • 01:10:00 Спикер обсуждает тему альфа-стратегий и как их комбинировать для создания хорошего портфолио. Хотя оптимизация средней дисперсии может использоваться для альфа-стратегий, у нее есть проблема, когда все распределение в портфеле идет на единственную лучшую стратегию, которая просто основана на исторических данных. Одним из способов решения этой проблемы является использование стратегий в выборке, где все стратегии имеют равный голос. 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. Одна конкретная техника называется «без сожалений» и представляет собой проблему исследования и эксплуатации, где цель состоит в том, чтобы изучить каждую альфа-стратегию и выяснить, какая из них имеет наибольший потенциал, прежде чем углубляться в нее.

  • 01:15:00 Спикер обсуждает различные подходы к оптимизации портфеля, в том числе использование экспоненциального взвешивания и скорости обучения, чтобы сбалансировать эксплуатацию и разведку. Он также упоминает, что по этой теме доступно множество ресурсов, включая Википедию и недавно запущенный курс Contra по количественному управлению портфелем. Кроме того, спикер рассказывает о нескольких возможностях для обучения и роста в отрасли с помощью программ Contra, включая их интерактивный портал для самостоятельного обучения и синюю смену, которая предлагает бесплатное тестирование на истории. В заключение он благодарит аудиторию за участие и призывает их посетить веб-сайт Contra для получения дополнительной информации.
 

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.

  • 00:00:00 В этом разделе ведущий представляет Натана, соучредителя Elle Foam Advisory, который будет обсуждать алгоритмическую торговлю. Натан начинает с определения того, что такое алгоритмическая торговля и почему она важна. Он также рассказывает о тенденциях отрасли и перспективах карьерного роста в алгоритмическом трейдинге. Наконец, Натан обсуждает, как программа Quantity может помочь людям начать или построить карьеру в алгоритмическом трейдинге. В заключение он заверяет аудиторию, что будет отвечать на их вопросы на протяжении всей презентации.

  • 00:05:00 В этом разделе спикер обсуждает определение алгоритмической торговли и ее различия в зависимости от географии и правил. В США любая систематическая торговля считается алгоритмической торговлей, тогда как в других регионах она может считаться алгоритмической только в том случае, если компьютер автоматически определяет параметры ордера. Спикер отмечает, что алгоритмическая торговля быстро развивается и способствовала росту торговли, проводимой трейдерами-самоучками. Спикер также представляет данные, которые показывают, что доля рынка алгоритмической торговли значительно выросла в Азии, США и Индии, но участие розничной торговли в алгоритмической торговле остается низким. Спикер обещает объяснить, почему это так, в следующих слайдах.

  • 00:10:00 В этом разделе спикер обсуждает рост алгоритмической торговли и ее влияние на рынок труда. Он объясняет, как алгоритмическая торговля автоматизируется и заменяет трейдеров-людей, и как фирмы теперь нанимают программистов для разработки своих стратегий и позволяют торговать машинам. Докладчик выделяет четыре основных преимущества машинной торговли по сравнению с торговлей людьми, такие как время безотказной работы, время реакции, масштабируемость и способность учиться и совершенствоваться. Он утверждает, что машины могут отслеживать риски, заключать сделки и реагировать на изменения рынка быстрее и эффективнее, чем трейдеры-люди.

  • 00:15:00 В этом разделе спикер обсуждает причины, по которым розничное участие в алгоритмическом трейдинге все еще низкое, несмотря на его растущую популярность и преимущества. Во-первых, алгоритмическая торговля требует технических знаний, таких как кодирование и статистика, в дополнение к финансам и пониманию рынка. Во-вторых, доступ к соответствующим рыночным данным для тестирования на истории и разработки стратегий имеет решающее значение. Наконец, переход от ручной торговли к алгоритмической может быть затруднен без руководства со стороны маркетолога, имеющего опыт работы в этой области. Тем не менее преимущества алгоритмической торговли, такие как масштабируемость, управление рисками и устранение человеческих ошибок, делают ее привлекательной для трейдеров.

  • 00:20:00 В этом разделе спикер обсуждает преимущества использования курса Point Densitiy EPAct для тех, кто интересуется алгоритмическим трейдингом. Они подчеркивают сложность поиска платформы, которая сочетает в себе необходимые компоненты для алгоритмической торговли, такие как рекомендации от практиков рынка, технические знания и обновленный контент. Курс EPAct призван восполнить этот пробел, предоставляя обширный контент, созданный практиками рынка и постоянно обновляемый, чтобы отражать текущие тенденции. Кроме того, курс предлагает специальную поддержку со стороны преподавателей и ориентированный на рынок подход, что делает его отличным ресурсом для тех, кто начинает с алгоритмической торговли или хочет построить карьеру в этой области.

  • 00:25:00 В этом разделе спикер обсуждает курс по алгоритмической торговле и содержание курса. Курс начинается с вводного модуля, в котором учащиеся с разным опытом могут создать основу с базовой статистикой, теорией вероятностей и применением финансовых моделей. Курс переходит к основам Python и расширенной статистике, такой как модели Гаусса, которые используются для понимания более сложных стратегий. Курс также включает в себя составление резюме, настройку собственного торгового стола и проведение пробных собеседований для трудоустройства в более чем 100 партнерских компаниях. Преподаватель курса лично помогает студентам с любыми вопросами или трудностями, гарантируя, что сомнения развеяны. Спикер также упоминает эксклюзивные преимущества присоединения к глобальному сообществу алгоритмической торговли, такие как события и функции сообщества, которые будут обсуждаться в следующих разделах.

  • 00:30:00 В этом разделе спикер обсуждает различные модули, входящие в курс алгоритмического трейдинга. Курс начинается со строительных блоков и переходит к эффектам справедливости и будущим стратегиям, где студенты будут работать над созданием различных стратегий в практической среде. Также обсуждаются микроструктура рынка и реализации, после чего следует модуль по обратному тестированию идей на исторических данных с использованием различных API и брокеров. Машинное обучение также исследуется в новой области. Торговля и фронтовые операции подчеркнуты как важные, а модуль описывает, как настроить инфраструктуру алгоритмической торговли. Курс также включает модуль по торговле опционами, оптимизации портфеля и управлению рисками. Наконец, студенты работают над проектом и после сдачи экзамена получают проверенный сертификат.

  • 00:35:00 В этом разделе спикер обсуждает программу Алгоритмического трейдинга, предлагаемую QuantInsti, которая предоставляет проверенный сертификат воздействия после прохождения курса более 300 часов. Преподавательский состав включает в себя известные имена в отрасли, которые доступны и предоставляют практический опыт в различных классах активов и ролях. Курс охватывает все, от подготовки резюме до доступа к API и брокерским сетям для легкой реализации. Кроме того, команда QuantInsti помогает в сборе средств, что делает этот курс идеальным для тех, кто заинтересован в изучении алгоритмической торговли.

  • 00:40:00 В этом разделе Надин обсуждает преимущества участия в сообществе EPAT, которое включает в себя руководство на протяжении всей жизни, возможность общаться со студентами из более чем 165 стран, эксклюзивные мероприятия и сессии, бесплатный и субсидируемый доступ к брокерам, доступ к инструментам тестирования на истории, таким как BlueShift, и пожизненному доступу к самому обновленному контенту. Это также добавляет фундаментальное количественное измерение к вашему существующему набору навыков. EPAT признается в рамках схемы финансового обучения и предоставляет пособие в размере 2000 сингапурских долларов в качестве компенсации для работающих специалистов в Сингапуре.

  • 00:45:00 В этом разделе Бен Маньяно рассказывает о своем путешествии с алгоритмической торговлей, начиная с 2005 года, когда у него были проблемы с внутридневной торговлей. В конце концов он нашел QuantInsti, где его познакомили с основами количественной и алгоритмической торговли посредством тщательного обучения и обучения. Он изучил Python и смог написать свою собственную программу, позже получив сертификат количественного трейдера. Это привело к тому, что он получил возможность работать в WorldQuant в качестве консультанта по исследованиям, и он все еще работает с ними сегодня, всегда стремясь улучшить свой стиль кодирования и быть в курсе последних тенденций отрасли, таких как искусственный интеллект.

  • 00:50:00 В этом разделе спикер рассказывает об огромном росте в области алгоритмической торговли и о том, как этот метод становится все более предпочтительным для трейдеров, которые не хотят проводить свой день, присматривая за своими сделками. Спикер также отдает должное количественным аналитикам за то, что они воплотили это видение в жизнь, и выражает благодарность за отличный анализ, предоставленный докладчиками. Видео заканчивается кратким описанием ePAD, программы, предназначенной для того, чтобы участники были готовы к работе в области количественных и финансовых технологий.
 

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.

  • 00:00:00 Ведущий обсуждает вопрос вычисления обратной ковариационной матрицы для оптимизации портфеля из 2000 акций США с использованием таких методов, как оптимизация средней дисперсии или максимизация коэффициента Шарпа. Он объясняет, что если количество наблюдений во временном ряду доходности меньше, чем количество акций в портфеле, выборочная ковариационная матрица будет сингулярной и не может быть инвертирована. Даже если бы он не был сингулярным, недиагональные элементы (представляющие корреляции) были бы крайне нестабильны вне выборки, если только количество наблюдений не намного превышает количество акций в портфеле, что обычно никогда не бывает в случае реальные приложения.

  • 00:05:00 Зура Какушадзе рассказывает, чем модели риска для количественных торговых стратегий отличаются от традиционных моделей риска. С более короткими периодами владения и эфемерными альфа-значениями длительные периоды ретроспективного анализа нежелательны для этих стратегий, и необходима замена выборочной ковариационной матрицы. Обычно это делается с помощью факторной модели, которая разлагает риск на факторный риск и конкретный риск. Факторная модель имеет то преимущество, что моделирует большую матрицу с помощью гораздо меньшей факторной ковариационной матрицы, что делает ее вычислительно эффективной. Тем не менее, есть еще дьявольские детали, которые необходимо решить.

  • 00:10:00 Зура Какушадзе обсуждает вопросы расчета волатильности (сигмы) для каждой акции и объясняет, что в центре внимания моделирования должна быть выборочная корреляционная матрица, а не выборочная ковариационная матрица из-за ее сингулярности, нестабильности и других проблемы. Он предлагает учитывать искаженные дисперсии и моделировать с помощью факторной модели корреляционной матрицы, а не ковариационной матрицы. Возникает вопрос о том, какими должны быть факторы риска, и он предлагает две возможности: использование некоторых основных компонентов выборочной корреляционной матрицы или использование так называемых факторов стиля, которые представляют собой измеряемые свойства акций, такие как размер, импульс, волатильность, и т. д.

  • 00:15:00 Зура Какушадзе обсуждает различные типы факторов риска, которые можно использовать в количественном трейдинге, в том числе факторы стиля и отраслевые классификации. Он подчеркивает проблему использования факторов стиля с более длинным горизонтом в торговле с коротким горизонтом, поскольку они могут создавать шум в оптимизации и генерировать дополнительные сделки без альфы за ними. Важно сосредоточиться на факторах краткосрочного горизонта, которые важны для торговли, и исключить факторы более долгосрочного горизонта. Другой проблемой является непреднамеренная альфа-нейтрализация, когда фактор в модели риска, которому желательно быть длинным, может быть непреднамеренно нейтрализован, поэтому необходимо уделить особое внимание выбору и взвешиванию факторов риска.

  • 00:20:00 Спикер объясняет, как оптимизированные модели риска могут нейтрализовать желательный альфа-фактор, на котором количественные трейдеры хотят держать длинные позиции. Стандартизированные модели риска, приобретаемые у поставщиков, не способны удалить нежелательные факторы риска из факторной модели или ковариационной матрицы и не могут охватить соответствующие направления пространства рисков трейдера. Поэтому спикер предлагает построить собственную модель риска с нуля. Одним из способов построения пользовательской модели риска является использование статистических моделей риска, которые включают получение временного ряда доходности с ограниченным периодом ретроспективного анализа и создание факторных нагрузок на основе первых K основных компонентов выборочной корреляционной матрицы.

  • 00:25:00 Зура Какушадзе обсуждает эффективный ранг как способ определения количества основных компонентов, используемых в качестве факторов риска в матрице факторных нагрузок. Эффективный ранг определяется как эффективная размерность матрицы и может быть рассчитан с использованием спектральной энтропии для определения эффективной размерности выборочной корреляционной матрицы. Ограничение использования статистических моделей риска заключается в том, что количество факторов риска ограничено количеством наблюдений, что приводит к охвату относительно небольшой части пространства риска. Нестабильность вне выборки также связана с более высокими главными компонентами корреляционной матрицы выборки.

  • 00:30:00 Зура Какушадзе рассказывает о нестабильности вневыборочных парных корреляций и о том, как это связано с нестабильностью внедиагональных элементов корреляционной матрицы. Он объясняет, что высшие главные компоненты, которые вычисляются из этой нестабильной корреляционной матрицы, часто обновляются и являются нестабильными, в то время как первый главный компонент относительно стабилен. Какушадзе также обсуждает, как определить факторы стиля, которые имеют отношение к краткосрочным стратегиям владения, такие как рыночная капитализация и логарифм цены, и как акции, находящиеся в обращении, могут быть исключены, поскольку они имеют статистически незначительную корреляцию с альфой в стратегиях внутридневной торговли.

  • 00:35:00 Зура Какушадзе обсуждает четыре общих фактора, которые используются в моделях краткосрочной количественной торговли: направление (импульс), волатильность, ликвидность и цена. Он объясняет, как определить каждый из этих факторов и как рассчитать доходность их факторов с помощью перекрестной регрессии. Какушадзе также подчеркивает важность расчета коэффициента Шарпа в годовом исчислении для доходности каждого фактора при определении их статистической значимости и пригодности для ставок в торговой стратегии.

  • 00:40:00 Докладчик рассказывает о способах тестирования и проверки факторных нагрузок и эффективности факторов стиля в моделировании рисков. Одним из способов тестирования факторных нагрузок является проведение бэктестов на внутридневных сделках или более коротких альфа-сделок на остатках после факторизации исторической доходности с использованием факторных нагрузок. Спикер также представляет данные бэктестов, подчеркивая ценность больших секторов по сравнению с факторами стиля, даже на самом низком уровне детализации. Затем выступающий предлагает построить модели риска на основе отраслей или подотраслей с использованием фундаментальных отраслевых классификаций, таких как Bix или GICS, поскольку они охватывают большую часть пространства риска, чем факторы стиля. Эффективность этих моделей риска зависит от стабильности первого главного компонента вне выборки.

  • 00:45:00 Зура Какушадзе обсуждает построение матрицы факторных нагрузок и проблемы ее правильного расчета для большого количества подотраслей. Он предлагает иерархическую отраслевую классификацию в качестве решения, при котором проблема сводится к меньшей матрице с использованием подхода внедрения рисков в виде русской куклы. Это включает в себя сначала моделирование подотраслей, затем моделирование этих факторов риска с использованием следующего уровня детализации отраслей и так далее, пока проблема не будет сведена к меньшей матрице, которую можно правильно рассчитать.

  • 00:50:00 Зура Какушадзе обсуждает процесс поэтапного уменьшения проблем для расчета моделей риска для количественной торговли. Рассчитав матрицу факторных нагрузок 10 на 10 по выборочной ковариационной матрице, Какушадзе может построить однофакторную модель для оставшегося фактора, которым является рынок, сократив задачу с 2000 на 2000 год до одной за другой. Он предлагает включить в эту конструкцию факторы стиля, но отмечает, что их вклад может быть ограничен по сравнению с большим количеством факторов риска из различных отраслей. Кроме того, факторы стиля могут не быть хорошими заменителями для моделирования корреляций в парных корреляциях между акциями.

  • 00:55:00 Зура Какушадзе объясняет, почему перехват должен быть включен в процесс нормализации факторов стиля. Перехват необходим, потому что логарифм цены, который обычно используется в качестве фактора стиля, на самом деле является не логарифмом цены, а логарифмом цены, деленным на коэффициент нормализации. Эта нормализация является эмпирическим вопросом и может быть настроена в соответствии с предпочтениями трейдера. В то время как отраслевые факторы, как правило, являются надежными показателями для моделирования корреляций, билинейные комбинации стилевых факторов являются довольно плохими показателями. Таким образом, трейдеры должны сосредоточиться на отраслевых факторах и настроить свои модели в соответствии со своей торговой моделью и количественными торговыми альфа-каналами.

  • 01:00:00 Докладчик обсуждает концепцию гетерозиса, которая представляет собой сочетание мощных идей, таких как факторные модели, отраслевые классификации и основные компоненты, в конструкцию, которая может быть весьма эффективной при моделировании рисков. Он объясняет, что методы кластеризации также можно использовать для построения факторов риска с помощью многоуровневых схем кластеризации, которые могут заменить фундаментальные отраслевые классификации. Однако одна проблема с кластеризацией заключается в том, что она недетерминирована и может генерировать разные кластеризации при каждом запуске, что приводит к шуму в системе. Чтобы уменьшить шум, можно либо отказаться от большого количества кластеризаций, либо использовать другие методы, такие как уменьшение размерности или анализ главных компонент.

  • 01:05:00 Спикер обсуждает различные подходы к кластеризации в моделях рисков количественного трейдинга. Они объясняют, что, хотя k-средние могут быть недетерминированными, использование детерминированных альтернатив, таких как иерархическая кластеризация, может быть субъективным и медленным. Кроме того, спикер предлагает использовать для агрегирования сами модели риска, а не кластеризацию. При использовании k-средних спикер отмечает, что инициализация центров для каждого кластера обуславливает недетерминированность алгоритма, но нахождение глобального минимума не всегда необходимо. Чтобы улучшить наивный подход использования исторической доходности, спикер предлагает нормализовать доходность по отношению к исторической волатильности.

  • 01:10:00 Зура Какушадзе обсуждает нормализацию кластеров и многоуровневую кластеризацию для количественной торговли. Он предлагает, чтобы кластеризация выполнялась путем деления доходности на дисперсию, а не нормализации доходности с двумя стандартными отклонениями, чтобы оптимизировать портфели и повысить производительность. Какушадзе предлагает два способа многоуровневой кластеризации: восходящий, при котором сначала создается наиболее детализированный уровень, а затем последовательно кластеризуются кластеры, и нисходящий, при котором сначала создается наименее детализированный уровень, а затем последовательно кластеризуются тикеры. Кроме того, недетерминированные алгоритмы, такие как иерархические алгоритмы, не имеют преимуществ по производительности по сравнению с детерминированными алгоритмами, и Какушадзе предлагает использовать методы кластеризации и агрегации.

  • 01:15:00 Спикер обсуждает возможные способы фиксации количества кластеров в торговой модели. Один из вариантов — использовать эвристику, основанную на эффективном ранге, для определения необходимого количества кластеров. В качестве альтернативы можно сохранить количество кластеров в качестве гиперпараметров и оптимизировать их с помощью бэктестов вне выборки. Кроме того, обсуждается метод выравнивания кластеров, созданных различными прогонами k-средних, и кластеризации этих выровненных центров с помощью k-средних для создания выравнивания исходных прогонов k-средних в k кластеров. Этот метод может привести к меньшему количеству кластеров, чем предполагалось, но все же может предоставить полезную модель с меньшим количеством кластеров.

  • 01:20:00 Спикер обсуждает различные способы агрегирования риск-моделей в количественном трейдинге. Один из подходов состоит в том, чтобы выровнять кластеры с использованием k-средних и отбросить пустые кластеры, чтобы исключить зашумленные кластеры, что можно применять в качестве алгоритма кластеризации. Хотя сам процесс выравнивания не является детерминированным, он дает менее шумный и достаточный результат. Другой метод включает агрегирование самих моделей риска путем вычисления ковариационной матрицы модели на основе одного k-средних, что является факторной моделью. Однако соответствующая факторная ковариационная матрица может быть сингулярной из-за малых значений p и большого количества кластеров, что ограничивает охват пространства риска. Путем объединения большого количества отдельных моделей риска, основанных на k-средних, охвачено гораздо больше направлений в пространстве рисков, что приводит к нефакторизованной модели риска с более широким охватом.

  • 01:25:00 Зура Какушадзе рассказывает о различных способах моделирования рисков и о том, какой подход работает лучше. Он объясняет, что статистические модели риска, основанные на основных компонентах, являются наименее эффективными, потому что они охватывают лишь небольшую часть пространства риска. Модели риска машинного обучения, такие как кластеризация, работают значительно лучше, потому что они раскрывают отношения между доходами, которых нет на линейном уровне. Тем не менее, они по-прежнему уступают моделям гетерозисных рисков, основанным на фундаментальной отраслевой классификации. Люди по-прежнему превосходят машины в этом аспекте, потому что фундаментальные отраслевые классификации основаны на тщательном анализе многочисленных факторов, несмотря на случайные ошибочные суждения. Неизвестно, сможет ли когда-нибудь алгоритм машинного обучения превзойти людей в моделировании рисков.

  • 01:30:00 Спикер призывает зрителей погрузиться в тестирование на истории и получить практический опыт работы с торговыми стратегиями, обсуждаемыми в видео. Они содержат ссылки на документы и исходный код, которые можно использовать для оптимизации и адаптации стратегий к индивидуальным стилям торговли. Кроме того, организаторы упоминают инициативы Condensity, в том числе программу сертификации и портал для самостоятельного обучения, направленные на то, чтобы стать глобальным центром знаний и технологий в алгоритмической и количественной торговле.
 

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.

  • 00:00:00 Д-р Алексис Стенфорс обсуждает рынок иностранной валюты (FX) и, в частности, важность ликвидности. Он подчеркивает размер валютного рынка и его сравнительный размер с мировым фондовым рынком. Он также отмечает, что ликвидность в целом очень хорошая, даже во время кризиса или стихийных бедствий. Затем д-р Стенфорс продолжает обсуждение конкурентного характера рынка форекс в профессиональной среде и того, насколько он интернационален, что означает, что нельзя торговать одной валютной парой, не торгуя при этом чем-то другим.

  • 00:05:00 Доктор Алексис Стенфорс объясняет уникальные характеристики рынка Forex, которые отличают его от фондового рынка. Рынок Forex обладает идеальной симметрией в том смысле, что покупка одной валюты автоматически влечет за собой продажу другой, в то время как фондовый рынок склонен покупать акции. Кроме того, центральные банки могут вмешиваться в рынок Forex, регулируя стоимость валюты путем печатания денег или путем прямого вмешательства, тогда как они обычно не вмешиваются в фондовый рынок. Рынок Forex также является нерегулируемым рынком без автоматических выключателей и внебиржевым рынком, что делает его очень непрозрачным и затрудняет доступ к данным для исследовательских целей.

  • 00:10:00 Доктор Алексис Стенфорс объясняет суть ликвидности на валютном рынке и различные типы ликвидности в зависимости от цены, объема и скорости. Ликвидность на рынке основана на отношениях и соглашениях между банками, что отличается от традиционных фондовых и фондовых рынков. Маркет-мейкеры не могут назначать цены или обеспечивать ликвидность, не зная, что другая сторона готова их вернуть. На рынке валютных свопов спреды спроса и предложения для цен конкурентов, как правило, группируются вокруг определенных цифр, и интересно то, что конкуренты часто указывают точно такие же спреды, а не разные.

  • 00:15:00 Д-р Алексис Стенфорс обсуждает важность рыночных соглашений в индустрии торговли на рынке Форекс, включая соглашения, основанные на цене и объеме. Эти соглашения касаются надлежащего торгового поведения и поддержания хороших отношений между банками и клиентами. Опросы показывают, что лишь небольшой процент трейдеров следуют условностям, чтобы получить прибыль, в то время как большинство рассматривает это как средство укрепления отношений и поддержания хорошего имиджа на рынке. С появлением алгоритмической торговли эти соглашения меняются со значительным увеличением алгоритмической торговли на таких платформах, как EBS, где на нее сейчас приходится более 70% торговли.

  • 00:20:00 Доктор Алексис Стенфорс обсуждает значение алгоритмической торговли для рынка форекс. В то время как некоторые утверждают, что высокочастотная торговля может привести к более эффективному рынку с более низкими транзакционными издержками и большей ликвидностью, другие утверждают, что алгоритмы не подходят для следования соглашениям, предназначенным для человеческих отношений. Трейдеры, использующие электронные торговые платформы, могут испытать разочарование, когда рынок изменится, как только они попытаются заключить сделку, а ликвидность в настоящее время считается сложной и трудной для определения. Независимо от отношения к алгоритмам, обе стороны согласны с тем, что валютная ликвидность меняется и требует более пристального внимания. Д-р Стенфорс представляет данные с торговой платформы, которая в 2010 году состояла на 50 % из людей и на 50 % из алгоритмов.

  • 00:25:00 Доктор Алексис Стенфорс обсуждает объем и ликвидность рынка форекс на примере валютной пары евро-доллар. Он отмечает, что в течение трех торговых дней общая сумма лимитных ордеров на евро доллар составила 1,8 трлн при спреде всего 0,08%, что делает его очень ликвидным рынком с узкими спредами. Тем не менее, он продолжает обсуждать, что только менее одного процента всех лимитных ордеров фактически привели к сделке, а среднее время жизни лимитного ордера составляло всего 2,5 секунды, предполагая, что, хотя рынок кажется ликвидным, он может быть менее ликвидным, чем кажется. . Затем он задает вопрос о том, можно ли быстро получить ликвидность, и проводит тест, чтобы проверить, движется ли рынок, как только предпринимается попытка сделки.

  • 00:30:00 Д-р Алексис Стенфорс обсуждает свое исследование влияния размещения лимитных ордеров на ликвидность на валютном рынке. Он проанализировал 1,4 миллиона заявок на лимитные ордера и обнаружил, что новый лимитный ордер сразу добавляет ликвидности на другую сторону книги лимитных ордеров, что выгодно для высокочастотных трейдеров. Однако ликвидность исчезает через 0,1 секунды, и это согласуется с идеей о том, что алгоритмическая торговля хороша только для ликвидности в очень краткосрочной перспективе. Кроме того, он отмечает, что за последние десять лет готовность поддерживать ликвидность на валютном рынке значительно изменилась. Поэтому при анализе рынка важно учитывать ликвидность на основе цены, ликвидность на основе объема, ликвидность на основе сообщества и ликвидность на основе скорости.

  • 00:35:00 Доктор Алексис Стенфорс объясняет концепцию различных типов ордеров в торговле на рынке Форекс и их этические последствия. Он объясняет, что разделенные ордера используются для разбиения крупных ордеров на более мелкие, чтобы другие трейдеры не могли отменить свои ордера и скрыть ордер, богатый информацией. Однако на большинстве рынков ложные ордера незаконны, поскольку они создают ложное впечатление о состоянии рынка. Приказы Ping предназначены для извлечения скрытой информации о рынке и не считаются спорными, но их значение зависит от интерпретации. В этом разделе также говорится о консервативном определении д-ром Стенфорсом разделенных ордеров, которое привело к 15-20% для евро доллара и доллара иены в пяти изученных валютных парах.

  • 00:40:00 Д-р Алексис Стенфорс обсуждает использование разделенных ордеров и их агрессивность на валютном рынке. Вопреки распространенному мнению, крупные ордера часто бывают очень агрессивными, а разделенные ордера используются не только для маскировки больших сумм, но и для того, чтобы алгоритмические трейдеры могли размещать более агрессивные ордера. Однако реакция на разделение ордеров намного сильнее, чем на типичный человеческий порядок, и алгоритмы быстро улавливают это, что делает эти стратегии разделения ордеров менее успешными. Д-р Стенфорс также затрагивает тему спуфинга и пинга, объясняя, что, вопреки распространенному мнению, основные валютные пары, такие как евро доллар или доллар иена, чрезвычайно чувствительны к информации, что делает их очень уязвимыми для спуфинга, в то время как пинг используется для извлекайте скрытую информацию, пробуя воду приказами и наблюдая за любой реакцией.

  • 00:45:00 Доктор Алексис Стенфорс обсуждает созданный им прокси-сервер для анализа того, насколько заметен «пинг» на различных валютных рынках. Пинг-ордер — это ордер, который отменяется до того, как на рынке произойдут какие-либо изменения, что делает его потенциальным пинг-ордером. Доктор Стенфорс использовал базу данных, чтобы определить, сколько заказов может быть потенциальными пинг-заказами, и обнаружил, что это около 10% на евро-долларовых и желтых рынках, до 50% на евро-шведских и 80% на долларовых рублях. Интересным фактом здесь является то, что пинг, кажется, более заметен на менее торгуемых рынках на платформе. Это означает, что торговля рублем на платформе очень велика, но на самом деле торговля не ведется, и почти 80%, вероятно, пингуются ордерами алгоритмических трейдеров. Д-р Стенфорс предположил, что если вы изучаете ликвидность, есть много способов ее изучения, и один из важных моментов — рассмотреть различные стратегии и определить время жизни ордера как функцию создания рынка, особенно на рынке форекс. рынок, все больше и больше смещается в сторону алгоритмов.

  • 00:50:00 Д-р Алексис Стенфорс обсуждает изменяющуюся ликвидность рынка форекс и необходимость более широкого набора показателей для ее оценки. Он также подчеркивает влияние барьеров на стратегии заказов, которые могут привести к расщеплению, спуфингу и пингу. Хотя эти вопросы широко исследовались на фондовых рынках, их влияние на ликвидность на рынке форекс может быть совершенно разным, несмотря на его больший размер. Доктор Стенфорс рекомендует, чтобы трейдеры знали об этих сложностях, независимо от того, как они размещают заказы, и предоставляет ресурсы для тех, кто хочет узнать больше.