Quantitative trading - страница 23
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Практическое введение в количественную торговлю | Йельская школа менеджмента
Практическое введение в количественную торговлю | Йельская школа менеджмента
На семинаре по вводному количественному трейдингу спикер углубляется в создание, оценку и развертывание торговых алгоритмов на примерах кода. Сессия начинается с представления концепции количественной торговли, которая включает использование математических и статистических моделей для определения торговых возможностей и совершения сделок. Объясняются различные типы количественных торговых стратегий, в том числе импульсная торговля, системы торговли по среднему отклонению, математические модели, высокочастотная торговля и системы торговли на основе новостей. Спикер подчеркивает, что алгоритмы используются не только для торговли, но и для создания рынка и использования неэффективности цен для получения прибыли.
Затем объясняется базовая структура количественной торговой системы. Он включает в себя сбор данных, создание торговой стратегии, тестирование на истории, исполнение и управление рисками. Ценовые, фундаментальные, экономические и новостные данные обычно используются для торговых алгоритмов. Для разработки торговых правил стратегии можно использовать технический, статистический и математический анализ. Бэктестинг включает тестирование правил на исторических данных для оценки их эффективности. Исполнение может быть ручным или автоматическим, а управление рисками имеет решающее значение для распределения капитала и установки параметров риска, таких как стоп-лосс. Спикер приводит живые примеры количественных торговых стратегий, чтобы проиллюстрировать эти концепции.
Выделена стратегия, основанная на тренде, и для разработки алгоритма используются такие технические индикаторы, как экспоненциальная скользящая средняя (EMA), параболическая SM и стохастический осциллятор. Представлена платформа Contra, которая предлагает видеоуроки, интерактивные упражнения и практические занятия без установки программного обеспечения. Модули Python импортируются для помощи в создании алгоритма, а данные импортируются из файла CSV для определения правил торговли и мониторинга эффективности стратегии. Модуль TLA Python используется для установки параметров технических индикаторов, что упрощает процесс проектирования.
Инструктор объясняет, как определять правила торговли и генерировать торговые сигналы с помощью технических индикаторов, таких как EMA, быстрый стохастический и медленный осцилляторы стохастика. Описаны пять торговых условий для генерации сигналов на покупку, а также разработаны правила торговли для коротких позиций. Следующим шагом является тестирование стратегии с использованием блокнота Python для оценки ее практической эффективности. График доходности стратегии показывает, что алгоритм изначально терпел убытки, но с 2018 года набрал обороты, в конечном итоге получив прибыль к концу периода тестирования. Представлена BlueShift, платформа, которая позволяет с легкостью исследовать, создавать и тестировать алгоритмы на истории.
Далее следует демонстрация тестирования акций Bank of America с использованием платформы BlueShift. Платформа обеспечивает обслуживание данных и простую строку кода для импорта данных в Python. Определены индикаторы и торговые правила, а сделки выполняются автоматически на основе выполнения условий для длинных и коротких позиций. Тестирование на истории проводится с января 2020 года по октябрь 2021 года с капиталом в 10 000 долларов США, а производительность сравнивается с эталоном S&P 500. Результаты показывают, что рентабельность инвестиций составляет 113%. Можно получить подробные результаты ретроспективного тестирования для анализа ежемесячных доходов, совершенных сделок и используемой маржи, что облегчает принятие более эффективных торговых решений.
Докладчик демонстрирует, как получить доступ к исчерпывающим результатам ретроспективного тестирования на платформе BlueShift, включая визуальное представление показателей производительности, таких как доходность алгоритма и тепловые карты ежемесячной доходности. Позиции, занятые алгоритмом, анализируются, и изучаются ключевые показатели, такие как общая прибыль от длинных и коротких сторон. Параметры риска и лимиты ордеров можно настроить перед развертыванием стратегии в режиме реального времени, либо посредством торговли на бумаге, либо с реальным капиталом.
Объясняется процесс выбора брокера и указания параметров капитала и алгоритма для торговли на бумаге с использованием торговой платформы BlueShift. Пользователи могут выбирать из различных вариантов, таких как Alpaca для акций США, OANDA для форекс и Master Trust для торговли на индийских рынках. Спикер демонстрирует, как с помощью BlueShift задается матрица рисков с лимитом просадки 30% и лимитами ордеров и размеров 1 000 и 10 000 соответственно. Пользователи могут выбрать автоматическое выполнение или метод подтверждения в один клик в зависимости от своих предпочтений. Как только пользователь нажимает «Подтвердить», алгоритм начинает работать, и BlueShift устанавливает соединение с торговой фракцией бумаги Alpaca. Приборная панель постоянно обновляет торговый капитал, сделки, позиции и другую соответствующую информацию в режиме реального времени.
Спикер выделяет два продукта, необходимых для количественной торговли: Conda и BlueShift. Conda используется для получения данных из различных источников, включая курсы акций, криптовалюты, новости и социальные сети. Курс объясняет, как получить доступ к фундаментальным отчетам или извлечь данные из социальных сетей в торговые системы с помощью API. BlueShift, второй продукт, используется для разработки и тестирования стратегий с использованием эконометрических моделей и анализа временных рядов. Курс содержит примеры и код для различных торговых стратегий, таких как торговые стратегии с отклонением от среднего, импульсные торговые стратегии и стратегии внутридневной торговли. Кроме того, курс охватывает «Управление портфелем с использованием иерархического несоответствия машинного обучения», чтобы облегчить управление портфелем и контроль рисков с использованием методов машинного обучения. BlueShift позволяет тестировать торговые стратегии на самых разных наборах данных.
Обсуждается доступность различных наборов данных для практики количественной торговли, включая акции США, криптовалюты, форекс, индийские акции и данные о недвижимости. Объясняются облачные и настольные развертывания, при этом облачное выполнение обрабатывается брокером. Интеграция на рабочем столе может быть достигнута с помощью программного обеспечения IBridgePy, которое подключается к таким брокерам, как Interactive Brokers или eTrade. Студентам, посетившим сессию, предлагается код на скидку 60% на все курсы, доступные на веб-сайте ContraQuant. Веб-сайт предлагает курсы, подходящие для начинающих, трейдеров среднего и продвинутого уровня, охватывающие широкий спектр понятий, таких как нейронные сети, обработка естественного языка (NLP), импульсные стратегии, опционы, фьючерсы и парная торговля.
Прогнозируйте ежедневные цены на акции и автоматизируйте стратегию дневной торговли
Прогнозируйте ежедневные цены на акции и автоматизируйте стратегию дневной торговли
На вступительном веб-семинаре ведущий представляет основную тему сессии, а именно прогнозирование ежедневных цен на акции и автоматизацию стратегии дневной торговли. Сессия включает в себя две презентации проектов. Первая презентация сделана Ренато Отто из Великобритании, который обсуждает прогнозирование ежедневных цен на акции с использованием классификатора случайного леса, технических индикаторов и данных о настроениях. Ренато Отто представлен как опытный человек, участвующий в разработке программного обеспечения и инструментов для количественного анализа и систематического выявления рыночных манипуляций на энергетическом рынке Великобритании.
Ренато Отто разделяет мотивацию завершения проекта, объясняя, что это была возможность консолидировать его знания в области программирования на Python, обработки данных и машинного обучения в комплексном проекте. Проект был направлен на улучшение его навыков и изучение возможностей машинного обучения и обработки естественного языка в трейдинге. Кроме того, цель состояла в том, чтобы создать что-то, что можно было бы использовать повторно для других в их собственном анализе или реализации стратегии. Проект включает девять шагов, начиная с определения деталей анализа в словаре и инициализации конвейера. Затем программа запускается для получения набора данных, необходимого для бэктестинга вычислений. Ведущий подчеркивает важность проверки удобства использования программы и обеспечения достоверности итоговых цифр.
Спикер объясняет методы, используемые для тестирования стратегии дневной торговли на исторических данных. Они обсуждают класс стратегии ретроспективного тестирования, который состоит из различных методов предварительной обработки данных, обучения и тестирования модели, а также анализа эффективности стратегии. Выходные данные процесса ретроспективного тестирования включают таблицы и графики, которые показывают рентабельность инвестиций, коэффициент резкости, максимальную просадку и другие соответствующие параметры. Хотя тестирование на исторических данных помогает определить потенциальную прибыльность стратегии, спикер предупреждает, что оно упрощает некоторые аспекты, которые могут оказаться неверными в реальной торговле. Спикер упоминает последнее улучшение программы, которое включает в себя обновление параметров для отражения реальных условий торговли, включая комиссию за транзакцию и размер счета.
В ходе презентации спикер также обсуждает проблемы, с которыми пришлось столкнуться при разработке программы. Одной из проблем было внедрение интерактивного меню, предлагающего пользователям вводить данные, что требовало дополнительных усилий и усилий по разработке. Однако спикер утверждает, что оно того стоило, поскольку сделало программу более удобной для пользователя. Другие проблемы включали поиск решений для расчета показателей производительности и поддержания баланса между работой и личной жизнью. Чтобы преодолеть эти трудности, докладчик рекомендует такие стратегии, как рисование диаграмм, написание комментариев в качестве трамплина к коду, перерывы, поиск в Интернете и консолидация знаний. Докладчик также рассказывает о достижениях, полученных в ходе проекта, таких как консолидация знаний в области количественных финансов и навыков программирования, обретение уверенности в управлении проектом от начала до конца и демонстрация возможностей машинного обучения в прогнозировании цен на акции.
Спикер обсуждает свои планы на будущие проекты после завершения текущего. Они упоминают о своем намерении изучать новые стратегии с различными активами, расширять свои знания через свой блог и взаимодействие с другими энтузиастами, исследовать новые стратегии и модели машинного обучения и, в конечном итоге, внедрять прибыльные стратегии в реальной торговле. Спикер делится своей контактной информацией для дальнейших вопросов или запросов о проекте. Аудитория задает несколько вопросов, в том числе о количестве ночей, проведенных в проекте, и о том, можно ли использовать программу для торговли криптовалютой.
Что касается данных, используемых для проекта, создатель поясняет, что они обучали модель на ежедневных ценах Tesla с момента основания компании в 2009 году. Процесс обучения занял пять месяцев, а тестирование модели проходило пару лет. Что касается снижения риска, создатель упоминает, что в модели машинного обучения мало что можно сделать для снижения риска, но они оценили разумное количество сделок, чтобы убедиться, что большинство из них были прибыльными. Также создатель отвечает на вопросы о сроках прогнозирования цен и необходимости мощного ПК для обучения модели.
Спикер объясняет процесс обучения модели и рассказывает о преимуществах алгоритмической торговли перед дискреционными системами. Они упоминают, что можно обучить модель с помощью компьютера без графического процессора, хотя для получения рабочей модели может потребоваться несколько часов. Однако они советуют не полагаться на этот подход регулярно. Обсуждая преимущества алгоритмической торговли, спикер подчеркивает статистическую уверенность в прибыльности большинства сделок, что делает ее более прибыльной по сравнению с дискреционной торговлей. Наконец, спикер выражает свои ожидания от программы EPAC, заявляя, что она предоставила им основы для понимания алгоритмической торговли и необходимые инструменты для выбора специализации.
Затем второй спикер, Усуал Агравал из Индии, представлен как количественный трейдер и владелец бизнеса. Агравал делится своим опытом торговли на индийских рынках за последние четыре года и проблемами, с которыми они столкнулись, управляя своим бизнесом наряду с торговлей на постоянной основе. Чтобы преодолеть эти проблемы, Agrawal решил автоматизировать свои торговые настройки с помощью курса EPAT и безоговорочной поддержки со стороны команды Quantum City. В своей презентации Agrawal демонстрирует свою полностью автоматизированную торговую установку под названием «Intraday Straddles», которая сочетает в себе некоррелированные установки для получения достойной прибыли с минимальными просадками. Они обсуждают свой подход к сбору данных, ретроспективному тестированию, фронтальному тестированию, развертыванию и оценке эффективности своей торговой стратегии.
Во время презентации спикер подробно рассказывает о данных, системах и параметрах, используемых для тестирования их стратегии внутридневной торговли. Их стратегия включает в себя создание стрэддлов и стрэнглов для данных о фьючерсах и опционах Nifty и Bank Nifty с использованием минутного таймфрейма. Спикер использовал данные за два года с марта 2019 года по март 2021 года, которые охватывают как период низкой волатильности, так и пандемию COVID-19. Они объясняют различные классы, используемые для тестирования на исторических данных, и тестируемые параметры, включая изменения уровней стоп-лосса. Наконец, спикер представляет результаты процесса тестирования на исторических данных.
Докладчик переходит к обсуждению результатов их тестирования на исторических данных и переднего тестирования стратегии дневной торговли. На этапе тестирования они достигли чистой прибыли в 3,15 лакха, что эквивалентно годовой доходности 52,9%. Соотношение попаданий рассчитывалось как в обычном, так и в нормализованном виде, причем последнее обеспечивало более реалистичную картину. Коэффициент резкости был определен равным 3,78, а кривая капитала получила хорошую поддержку трехмесячной простой скользящей средней. Однако на этапе предварительного тестирования стратегия не сработала так, как ожидалось, заработав всего 70 000 рупий за 11 месяцев, что соответствует годовой доходности 25%. Кривая собственного капитала оставалась плоской, что указывает на то, что в настоящее время стратегия может работать неэффективно и требует дальнейшего анализа. Докладчик также рассказывает об основных проблемах, с которыми пришлось столкнуться, и об уроках, извлеченных в ходе реализации проекта, а также об основных трудностях, возникающих при сборе данных.
Спикер обсуждает некоторые проблемы, возникающие при разработке стратегии внутридневной торговли. Одним из основных препятствий было получение надежных данных о внутридневных опционах, что требовало их приобретения у сторонних поставщиков. Еще одной проблемой была потенциальная систематическая ошибка выборки из-за сосредоточения внимания исключительно на данных за последние два года, которые могут неточно отражать общую эффективность стратегии. Кроме того, спикер отмечает эффект переполненности рынка, когда многие трейдеры используют аналогичные стратегии. Спикер объясняет свое решение разработать стратегию самостоятельно, допуская индивидуальные корректировки. Наконец, освещаются текущие оценки стратегии и усилия по ее диверсификации для повышения эффективности.
Спикер отвечает на вопросы аудитории, в том числе о том, выполняется ли программа вручную или автоматически с использованием облачных платформ, а также о том, как они отбирали акции для продажи стрэддлов и типичное расстояние стоп-лосса относительно премии. Стратегия применяется только к индексу Nifty и индексу Bank Nifty из-за проблем с ликвидностью, и спикер очищает данные методом проб и ошибок, исправляя изменения формата и удаляя дни с ошибками данных.
Спикер отвечает на два дополнительных вопроса, связанных с их дневной торговой стратегией. Они обсуждают процент стоп-лосса, используемый для тестирования, и проблемы, с которыми они столкнулись при программировании без опыта работы в области компьютерной инженерии. Они объясняют, как они преодолели эти трудности с помощью программы EPAT и наставничества от Quadency. Кроме того, спикер дает советы начинающим аналитикам и алгоритмическим трейдерам, подчеркивая важность проявления осторожности и надлежащего управления рисками при применении любой торговой стратегии на практике.
Докладчик подчеркивает важность диверсификации торговых стратегий и то, как это может помочь преодолеть фазы просадки в одной стратегии, в то время как другие продолжают работать хорошо. Они подчеркивают необходимость тщательного тестирования и проведения времени с каждой стратегией, чтобы изучить ее нюансы и эффективно их комбинировать. Важно отметить, что информация, предоставленная во время сессии, не предназначена для использования в качестве торгового совета.
Ведущий завершает вебинар, выражая благодарность спикеру Visual за то, что он поделился своим проектом и опытом. Они информируют аудиторию о том, что запись сеанса будет доступна на их канале YouTube, и что участники получат электронное письмо, содержащее необходимые коды и ссылки на GitHub, связанные с обсуждаемыми стратегиями. Ведущий надеется на проведение более интересных сессий в ближайшие месяцы, что еще больше обогатит знания и понимание аудитории.
Вебинар предоставил ценную информацию о прогнозировании дневных цен на акции и автоматизации стратегий внутридневной торговли. Первая презентация Ренато Отто была посвящена прогнозированию цен на акции с использованием классификатора случайного леса, технических индикаторов и данных о настроениях. Вторая презентация Usual Agrawal продемонстрировала их полностью автоматизированную торговую установку «Intraday Straddles», которая сочетала некоррелированные установки для получения прибыли с минимальными просадками. Оба докладчика поделились своими проблемами, достижениями и знаниями, преподнеся ценные уроки аудитории. Вебинар послужил платформой для изучения возможностей машинного обучения и обработки естественного языка в трейдинге и позволил заглянуть в захватывающий мир алгоритмической торговли.
Внедрение модели ценообразования и динамического распределения активов: вебинар проекта Algo Trading Project
Внедрение модели ценообразования и динамического распределения активов: вебинар проекта Algo Trading Project
Во время вебинара ведущий представляет первого спикера Евгения Тешкина, старшего количественного аналитика из России. Тешкин представляет свой проект по реализации модели ценообразования с использованием фильтрации Калмана, адаптивной к рыночным режимам. Он объясняет, что проект служит образовательным примером того, как использовать количественные методы онлайн-машинного обучения при разработке стратегий.
Тешкин подчеркивает преимущества методов онлайн-обучения, которые обеспечивают более глубокую автоматизацию и торговлю в режиме реального времени, что делает его более эффективным, чем традиционное переобучение моделей. Основная цель его проекта — создать торговые стратегии, улучшающие инвестирование в простой сектор, с особым акцентом на крупный технологический сектор фондового рынка США, включая такие компании, как Facebook, Apple, Netflix, Google, Amazon и Microsoft.
Спикер продолжает обсуждение подхода, который он использовал для реализации модели ценообразования и динамического распределения активов для своего проекта алготрейдинга. Он объясняет, что использовал статистические и количественные методы только для длинных позиций, выбирая точки входа и выхода и определяя недооцененные или переоцененные цены по отношению к другим акциям в секторе.
Для этого Тешкин использовал различные модели, такие как линейная регрессия, анализ основных компонентов (PCA) и фильтр Калмана. Эти модели помогли рассчитать остатки и найти оптимальные коэффициенты для статистического линейного спреда между коррелирующими акциями внутри сектора. Он подчеркивает важность относительной стоимости и объясняет, что в подходе к онлайн-обучению использовалось окно ретроспективного анализа в один год с учетом таких исходных данных, как цена акций и индекс стоматологов.
Докладчик углубляется в различные модели, которые он использовал для решения проблем анализа данных в своем проекте алготрейдинга. Он упоминает использование таких методов, как извлечение ортонормированных некоррелированных компонентов дисперсии, фильтр Калмана и скрытые марковские модели. Он объясняет, как эти модели были включены в его подход, и предоставляет ресурсы для дальнейшего обучения. Кроме того, он обсуждает результаты своего проекта и делится некоторыми приемами, которые он использовал для увеличения потенциально прибыльных позиций.
Далее спикер обсуждает, как ему удалось победить рынок, покупая и продавая акции на основе простых котировок на конец дня и дельты. Он объясняет, что риски, связанные с этой стратегией, были преодолены за счет использования нескольких входов и выходов, определяемых онлайн-методами относительной цены. Он исследует концепцию относительного ценообразования акций для определения входов и выходов, а также использование онлайн-машинного обучения для построения автоматических моделей ценообразования в реальном времени.
Спикер призывает аудиторию изучить свой проект в Интернете, предлагая возможность скачать код и связаться с ними, чтобы задать дополнительные вопросы. Они также упоминают, что вебинар будет записан и размещен на их канале YouTube вместе с файлом презентации и соответствующими ссылками. Во время сессии спикер взаимодействует с аудиторией, отвечая на вопросы об их участии в соревнованиях по алго-трейдингу и уточняя, были ли представленные результаты результатом реальной торговли или просто тестированием на истории.
После презентации ведущий вебинара отвечает на несколько вопросов зрителей, касающихся проекта алготрейдинга. Они охватывают такие темы, как использование линейной регрессии для оптимальной корреляции, эффективность стратегии «купи и держи» по сравнению с оптимизированной торговой стратегией и включение скрытых состояний в статистическую модель. Ведущий дает проницательные ответы, подробно рассказывая о деталях проекта и объясняя принятие решений, лежащих в основе их подхода.
Затем вебинар переходит к представлению следующего проекта, посвященного динамическому размещению активов с использованием нейронных сетей. Спикер объясняет, что их проект направлен на создание автоматизированной системы для стратегии «купи сегодня, продай завтра» для банковских акций с минимальным ручным вмешательством. Они обсуждают разработку модели, реализацию стратегии и аспекты управления рисками своего проекта, подчеркивая использование моделей глубокого обучения, обученных на исторических данных для отличных банковских акций.
Докладчик подробно описывает стратегию, которая включает в себя объединение результатов различных моделей для определения ожидаемой доходности каждой акции. На основании этих соотношений средства распределяются по соответствующим акциям. Часть проекта по управлению рисками касается таких вопросов, как транзакционная стоимость и автоматизация. Спикер подчеркивает важность эффективного управления рисками в торговом алгоритме.
Далее спикер рассказывает о стратегии, управлении рисками и проблемах, с которыми пришлось столкнуться при разработке торгового алгоритма. Они объясняют реализацию конвергентной архитектуры как для вероятностной модели доходности, так и для модели доходности. Стратегия включает в себя расчет ожидаемой доходности для каждой акции и деление ее на волатильность доходности для получения коэффициента. Затем доступные средства распределяются пропорционально акциям с положительным коэффициентом, а портфели продаются пропорционально ожидаемым убыткам. Алгоритм постоянно обновляется, и для снижения риска применяются механизмы стоп-лосс. Докладчик признает проблемы с автоматизацией процесса обновления и упоминает об отсутствии стратегии микроструктуры рынка для определения оптимальных цен покупки или продажи.
Спикер переходит к обсуждению результатов своих усилий по тестированию на исторических данных и выбору 20-дневной комбинации как наиболее подходящей для их модели. Они также упоминают предстоящие шаги в рамках проекта, в том числе интеграцию текстовых новостей о банковских акциях и разработку решения на основе приложения для Android для дальнейшей автоматизации. У аудитории есть возможность задавать вопросы, ведущие к обсуждению таких тем, как результаты тестирования на истории и использование в модели механизмов стоп-лосс. Спикер сообщает, что результаты тестирования на исторических данных были приличными, предоставив примерно 5% шаблонов за определенный период времени. Они также упоминают фазу бета-тестирования, которая за последние шесть месяцев дала доход около 10%.
Отвечая на вопрос аудитории о реализации стоп-лосса, спикер объясняет, что они включили пятипроцентный стоп-лосс от стоимости портфеля на стоимость инвестиций для каждой акции. Когда убыток по акции достигает пяти процентов от инвестиций, она автоматически удаляется из портфеля, чтобы ограничить максимальный убыток пятью процентами. Спикер далее отвечает на вопросы, касающиеся эффективности динамического распределения активов по сравнению с простой стратегией «купи и держи». Они подчеркивают, что сравнительный анализ с Nifty Bank показал разумную производительность, доходность близка к пяти процентам. Спикер также объясняет свое решение сосредоточиться на банковском секторе из-за того, что он отражает общие рыночные условия, и упоминает, что их опыт в области машинного обучения способствовал их повышению квалификации для проекта.
После презентаций проекта участник делится своим положительным опытом с EPAT, подчеркивая его ценность с точки зрения теоретического обучения и практической реализации. Они выражают признательность за получение математического понимания ценообразования опционов и фьючерсов, а также высоко оценивают систему поддержки программы и специального менеджера по эффективности, который предоставил ценные рекомендации. Хотя курс был сложным, участник считает, что он был необходим для личного и профессионального роста. Они поощряют начинающих трейдеров исследовать и расширять свои знания за пределами своих нынешних сильных сторон, поскольку они постепенно станут экспертами в торговых операциях.
В заключительной части спикеры подчеркивают важность скорейшего применения полученных знаний в реальных сценариях. Они рекомендуют использовать курс iPad для ежедневных торговых экспериментов, способствуя непрерывному обучению и росту. Вебинар завершается благодарностью спикерам и аудитории, а также просьбой предложить темы для будущих вебинаров.
Применение машинного обучения в трейдинге, Ишан Шах и Рехит Пачанекар | Неделя алготрейдинга, день 7
Применение машинного обучения в трейдинге, Ишан Шах и Рехит Пачанекар | Неделя алготрейдинга, день 7
Ишан Шах и Рехит Пачанекар, ведущие вебинара, начинают с того, что представляют себя и выражают свое волнение по поводу последнего дня недели алготрейдинга. Они объявляют победителей конкурса алготрейдинга и высоко оценивают их достижения. Они упоминают, что в центре внимания сегодняшней презентации будет машинное обучение и его применение в трейдинге. Они также информируют аудиторию о том, что в конце презентации будет сессия вопросов и ответов.
Рехит Пачанекар начинает вебинар и погружается в основы машинного обучения. Он использует распознавание изображений в качестве примера, чтобы объяснить, как машинное обучение позволяет алгоритмам учиться на данных и принимать решения без сложного программирования. Затем он обсуждает роль машинного обучения в трейдинге и инвестициях, в частности, в создании персонализированных инвестиционных портфелей на основе различных данных, таких как зарплата, профессия и регион. Машинное обучение также помогает присваивать веса активам в портфеле и помогает в разработке торговых стратегий. Пачанекар подчеркивает скорость и возможности анализа данных машинного обучения, которые используются хедж-фондами, пенсионными фондами и взаимными фондами для принятия инвестиционных и торговых решений.
Двигаясь вперед, Ишан Шах и Рехит Пачанекар углубляются в семь шагов, связанных с созданием модели машинного обучения для торговли. Они подчеркивают, что даже отдельные розничные трейдеры могут использовать технологию машинного обучения для создания своих собственных торговых стратегий. Первым шагом, который они обсуждают, является определение постановки проблемы, которая может варьироваться от общего стремления к положительной доходности до более конкретных целей, таких как определение подходящего времени для инвестиций в определенные акции, такие как JP Morgan. Второй шаг включает в себя получение данных хорошего качества, чтобы убедиться в отсутствии пропущенных или повторяющихся значений и исключений. Выступающие подчеркивают важность качества данных для построения точной модели машинного обучения.
Шах и Пачанекар переходят к объяснению процесса выбора входных и выходных переменных для модели машинного обучения в трейдинге. Они выделяют выходную переменную или целевую переменную, которая представляет собой будущую доходность акции. Они упоминают, что сигнальной переменной присваивается значение 1, когда прогнозируется, что будущие доходы будут положительными, и 0, когда они прогнозируются как отрицательные. Входные переменные или признаки должны обладать предсказательной силой и соответствовать требованию стационарности, то есть они демонстрируют среднюю и постоянную дисперсию. Они подчеркивают, что такие переменные, как открытие, минимум, максимум и закрытие, не являются стационарными и не могут использоваться в качестве входных признаков.
Далее докладчики обсуждают выбор входных данных для своей модели машинного обучения в трейдинге. Они объясняют потребность в стационарных входных функциях и достигают этого, используя значения процентного изменения для разных периодов времени. Они также подчеркивают важность предотвращения корреляции между входными переменными и демонстрируют использование тепловой карты корреляции для выявления и устранения сильно коррелирующих функций. Окончательный выбор входных функций включает значения процентного изменения для разных периодов времени, RSI (индекс относительной силы) и корреляцию. Прежде чем использовать модель для реальной торговли, они разделили набор данных на наборы для обучения и тестирования, чтобы оценить его производительность.
Спикеры подчеркивают важность обеспечения качества и актуальности наборов данных, используемых в моделях машинного обучения. Они представляют концепцию деревьев решений и расспрашивают участников о личных процессах принятия решений, когда речь идет о покупке акций или активов, упоминая ответы, начиная от технических индикаторов и заканчивая рекомендациями друзей. Они утверждают необходимость создания ментальной модели для принятия решений, основанной на личном опыте использования таких функций. Они вводят случайные леса как способ преодоления проблем переобучения и объясняют использование байесовских деревьев в качестве основы для деревьев решений.
Шах и Пачанекар объясняют, как алгоритмы машинного обучения, в частности деревья решений, можно использовать для создания правил торговли. Эти правила, включающие технические индикаторы, такие как ADX (индекс среднего направления) и RSI, позволяют трейдерам принимать решения на основе заранее определенных условий. Чтобы гарантировать, что эти правила не основаны исключительно на удаче, ведущие вводят понятие случайного леса. Они объясняют, что случайный лес объединяет несколько деревьев решений для создания более обобщенной и надежной торговой стратегии. Случайным образом выбирая подмножество признаков для каждого дерева, случайный лес снижает вероятность переобучения и обеспечивает более точные прогнозы. Докладчики обсуждают различные параметры, необходимые для алгоритма случайного леса, включая количество оценок, максимальные признаки и максимальную глубину дерева.
Далее докладчики углубляются в реализацию классификатора случайного леса для применения машинного обучения в трейдинге. Они подчеркивают важность контроля глубины дерева решений и случайного выбора признаков, чтобы избежать переобучения и обеспечить согласованные результаты. Классификатор случайного леса изучает правила из входных признаков и ожидаемых результатов, которые затем используются для прогнозирования невидимых данных. Они также упоминают, что производительность модели можно измерить с помощью различных показателей.
Затем докладчики обсуждают важность оценки эффективности модели машинного обучения, прежде чем вкладывать реальные деньги на основе ее рекомендаций. Они вводят понятие точности, которое включает проверку того, соответствуют ли прогнозы модели реальным результатам рынка. Они подчеркивают, что точность модели обычно колеблется от 50% до 60%, и предупреждают, что высокая точность не гарантирует хороших результатов. Они предлагают использовать матрицу путаницы для сравнения фактических и прогнозируемых меток и расчета показателей производительности, таких как точность, полнота и оценка F1, для оценки производительности модели.
Подробно подробно обсуждается точность модели, и проводится опрос, чтобы установить ее точность, которая, по расчетам, составляет 60%. Однако при проверке по меткам точность для длинного сигнала падает до 33%. Это поднимает вопрос о том, приведет ли увеличение общей точности к прибыльной торговой модели. Выступающие подчеркивают, что точность является решающим фактором в определении эффективности модели при прогнозировании рынка. Они отмечают, что высокая общая точность не обязательно приводит к прибыльности и что необходимо учитывать другие факторы.
Затем Шах и Пачанекар переключают свое внимание на обсуждение различных показателей, используемых для оценки эффективности торговой модели, включая точность, полноту и оценку F1. Они отмечают, что, хотя отзыв может помочь решить проблемы с несбалансированными данными, он может быть ненадежным показателем, когда используется сам по себе. Вместо этого они рекомендуют использовать комбинацию точности и полноты для расчета оценки F1, которая обеспечивает более полную оценку производительности модели. Они подчеркивают важность тестирования модели на исторических данных, чтобы убедиться в ее эффективности в реальных сценариях торговли, и предостерегают от переобучения модели.
Докладчики обращаются к проблемам переоснащения в реальных условиях и предлагают стратегии для решения этой проблемы на основе конкретной используемой модели машинного обучения. Они подчеркивают важность понимания параметров модели, ограничения количества функций и работы с разными гиперпараметрами для каждого типа модели машинного обучения. Они подчеркивают важность использования реальных данных без манипуляций. Кроме того, они обсуждают применение машинного обучения в торговле помимо генерации сигналов, например, его потенциал в управлении рисками. Они также касаются использования алгоритмов кластеризации для выявления прибыльных возможностей на рынке.
Ишан Шах и Рехит Пачанекар завершают вебинар обсуждением преимуществ использования машинного обучения в трейдинге, особенно в расшифровке сложных моделей, которые людям может быть сложно идентифицировать. Они предлагают использовать машинное обучение в качестве дополнительного инструмента в процессе альфа-идентификации. Сессия заканчивается тем, что докладчики выражают благодарность спикерам и участникам Algo Trading Week и приглашают ответить на вопросы, оставшиеся без ответа, через опрос.
Искусственный интеллект в трейдинге, доктор Томас Старке | Неделя алготрейдинга, день 6
Искусственный интеллект в трейдинге, доктор Томас Старке | Неделя алготрейдинга, день 6
Доктор Томас Старке, видный спикер, во время своей презентации обсуждает, почему ИИ считается следующим важным событием в трейдинге. Он признает, что ИИ и машинное обучение существуют уже давно, но из-за ограниченной вычислительной мощности их эффективное применение было затруднительным. Однако последние достижения в области технологий значительно улучшили вычислительные возможности, позволив существенным алгоритмам эффективно работать на ноутбуках и в серверных центрах посредством облачных вычислений. Доктор Старке подчеркивает успехи ИИ в различных областях, таких как распознавание лиц, распознавание изображений и обработка естественного языка, которые способствовали убеждению в том, что ИИ также может произвести революцию в финансах.
Доктор Старке подчеркивает, что ИИ и машинное обучение — это не волшебные таблетки, а научные и математические инструменты, которые требуют глубокого понимания и применения в финансовой сфере. Хотя финансы имеют научные аспекты, они преимущественно считаются формой искусства. Следовательно, чтобы использовать потенциал ИИ в финансах, нужно понимать как инструменты, так и мастерство в этой области.
В своем выступлении доктор Старке рассказывает о роли навыков разработки программного обеспечения и программирования наряду с машинным обучением и статистическими знаниями в применении ИИ к торговле. Он подчеркивает важность сильных навыков работы с программным обеспечением, включая написание API-интерфейсов и обеспечение отказоустойчивости системы, что необходимо для эффективного использования инструментов машинного обучения на рынке. Он утверждает, что, хотя инструменты машинного обучения удобны для пользователя, навыки программирования и статистические знания имеют решающее значение для практиков в этой области. Кроме того, он рассматривает вопрос о том, необходима ли степень доктора философии для использования алгоритмов машинного обучения, и утверждает, что это не обязательно, если у людей есть конкретные цели, они проводят тщательные исследования и готовы выполнять необходимую работу.
Важность наставничества при изучении ИИ для трейдинга — еще одна тема, которую обсуждает доктор Старке. Он подчеркивает, что хороший наставник может помочь новичкам избежать распространенных ошибок и развить практические знания, а не полагаться исключительно на теоретические знания, полученные в академических учреждениях. Доктор Старке подчеркивает, что любой может изучить ИИ, но иметь наставника, который может дать надлежащее руководство, бесценно. Он также подчеркивает, что понимание основных рынков и экономики важнее, чем навыки программирования, поскольку программированию можно научиться при надлежащем наставничестве.
В своей презентации д-р Старке также подчеркивает важность изучения программирования и количественных методов в современной торговой индустрии. Он подчеркивает, что успешные трейдеры часто хорошо разбираются в математике и программировании, а те, кто интересуется трейдингом, могут относительно быстро освоить эти навыки. Он отмечает, что трейдеры, которые тратят время на изучение количественных методов и машинного обучения, имеют больше шансов на выживание, когда происходит переход от экранной торговли к алгоритмической торговле. Тем не менее, он подчеркивает, что экономическое и рыночное преимущество имеет решающее значение и превосходит преимущество, полученное только за счет программирования и математических навыков. Он также упоминает, что глубокое обучение требует, чтобы компании и отдельные лица объясняли свои доходы, а столкновение с отрицательными доходами в течение года может создать серьезные проблемы.
Объяснение алгоритмов ИИ и методов управления рисками также обсуждается доктором Старке. Он подчеркивает важность умения объяснять алгоритмы ИИ, поскольку невыполнение этого требования может привести к проблемам или даже выводу средств. Он упоминает, что, несмотря на использование ИИ и машинного обучения, методы управления рисками остаются в основном неизменными, но необходимо изучить новые способы управления рисками, особенно с окончанием бычьего роста акций и облигаций. Доктор Старке подчеркивает, что машинное обучение повсеместно используется в трейдинге с различными приложениями, такими как генерация входных сигналов и управление рисками моделей машинного обучения.
Доктор Старк погружается в различные модели и технологии, используемые в трейдинге, такие как анализ основных компонентов (PCA), деревья решений, xgboost, глубокое обучение и обучение с подкреплением. Он обсуждает их применение в анализе данных сигналов, управлении портфельным риском и совершении сделок. Он также подчеркивает важность систем управления рисками для увеличения геометрической доходности и тиражирования успешных стратегий на других рынках. Доктор Старке предполагает, что хорошие системы управления рисками могут даже генерировать альфу и рассматриваться как стратегии длинной волатильности.
Кроме того, доктор Старке исследует, как можно использовать ИИ для хеджирования и управления рисками коротких стратегий волатильности в торговле, потенциально увеличивая альфу, генерируемую такими стратегиями. Он подчеркивает важность любопытства и здоровой оценки риска при постоянном изучении и разработке новых торговых стратегий. Он советует не полагаться на готовые торговые платформы и вместо этого поощряет разработку стратегий с нуля, чтобы получить преимущество глубокого обучения.
Д-р Старке участвует в обсуждении ценовых движений, основанных на времени, и рыночных движений, основанных на ценах. Он объясняет, что движения цен, основанные на времени, могут быть математически решены путем расчета индикаторов, в то время как движения рынка, основанные на ценах, определяются базовой экономикой рынка. Доктор Старке подчеркивает важность рассмотрения лежащих в основе экономических соображений торговой стратегии, а не исключительно полагаться на математические методы, чтобы превзойти рынки. Он рекомендует книги Маркуса Лопеса, Гриннелла и Кана тем, кто заинтересован в сочетании ИИ с количественными моделями на финансовых рынках.
Во время презентации доктор Старке подчеркивает важность понимания принципов факторного моделирования, которые, по его мнению, аналогичны принципам машинного обучения. Он предполагает, что понимание этих принципов поможет трейдерам эффективно применять машинное обучение в своих системах. Доктор Старке также подчеркивает важность определения того, что составляет хорошую торговую стратегию, поскольку она не всегда может быть самой прибыльной. Он ссылается на книги Ральфа Винса, Андреаса Кленова и мистера Трендфула, в которых содержится ценная информация о торговых стратегиях и психологии торговли.
Доктор Старке обсуждает, как ИИ и машинное обучение могут фиксировать нелинейности в поведенческих финансах, таких как кейнсианский конкурс красоты. Он объясняет, что эту нелинейную динамику можно эффективно зафиксировать с помощью машинного обучения, в отличие от моделей линейной регрессии. Тем не менее, он подчеркивает, что экономическое обоснование торговых стратегий по-прежнему важно, даже если фундаментальные данные не используются явно.
Кроме того, д-р Старке исследует использование некоторых факторов неэффективности рынка, которые не обязательно являются фундаментальными. Он упоминает такие факторы, как ограничения на короткие позиции в одночасье и конкретные даты, такие как тройное достижение или четырехкратное колдовство, которые могут создавать экономические эффекты на рынке, на которых можно заработать. Он также упоминает неэффективность рынка, возникающую в результате повседневной экономической деятельности или незаконных рыночных манипуляций. Доктор Старке выражает заинтересованность в возможном сотрудничестве в будущем, но в настоящее время не имеет конкретных планов.
В ответ на вопрос зрителя о том, почему мечты часто не сбываются, доктор Старке делится своим личным мнением. Он объясняет, что сны изначально начинаются как концепции и что его жизнь во сне вращается не вокруг простого лежания на пляже, а скорее включает в себя исследования, ведение собственного бизнеса и самоуправление. Он подчеркивает, что крайне важно согласовать свои истинные стремления и цели с практическими результатами. Презентация завершается тем, что ведущий информирует зрителей об ограниченной по времени скидке на курсы Contra и упоминает заключительную сессию по применению машинного обучения в трейдинге, запланированную на следующий день.
Современные тенденции в области квантового финансирования [Панельная дискуссия] | Неделя алготрейдинга, день 5
Современные тенденции в области квантового финансирования [Панельная дискуссия] | Неделя алготрейдинга, день 5
Дамы и господа, добро пожаловать на сегодняшнюю панельную дискуссию, посвященную текущим тенденциям в области квантовых финансов. Сегодня к нам присоединились три выдающихся эксперта в предметной области, чтобы поделиться своими знаниями и опытом. Давайте представим наших участников:
Во-первых, у нас есть Дэвид Джессап, руководитель отдела инвестиционных рисков в регионе EMEA в Columbia Thread Needle Investments. Имея большой опыт в количественных исследованиях, анализе рисков и построении портфеля, Дэвид специализируется на инвестировании в различные активы и машинном обучении в управлении инвестициями. Его глубокое понимание количественных стратегий и управления рисками даст ценную информацию о тенденциях, формирующих отрасль.
Затем у нас есть доктор Девашес Гуава, директор по машинному обучению и председатель Центра исследований в области технологического бизнеса в SP Gen School of Global Management. Доктор Гуава специализируется на применении искусственного интеллекта в экономике и финансах. Его исследования и знания в этой области прольют свет на пересечение ИИ и финансов, а также на последствия для количественных финансов.
Наконец, у нас есть Ричард Ротенберг, исполнительный директор Global AI Corporation. Ричард обладает богатым опытом работы в многомиллиардных хедж-фондах и глобальных инвестиционных банках. Обладая обширным опытом в области количественного управления портфелем и исследований, он предоставит ценную информацию о практической реализации количественных стратегий в финансовой отрасли.
Теперь давайте углубимся в обсуждение последних тенденций, которые сформировали количественные финансы. Наши участники дискуссии единодушно согласны с тем, что доступность и качество данных сыграли важную роль в продвижении отрасли вперед. Кроме того, достижения в области вычислительной мощности позволили создавать и анализировать сложные модели, которые были невозможны десять лет назад.
Участники дискуссии подчеркивают расширение количественного финансирования за пределы акций в другие классы активов, включая кредит, валюту и криптовалюту. Они также обращают внимание на зарождающуюся тенденцию ответственного инвестирования, которая набирает обороты в финансовой индустрии. Однако они отмечают, что качество данных в этой области все еще нуждается в улучшении. Участники дискуссии предсказывают, что ответственное инвестирование останется важным фактором в финансах в течение следующих нескольких лет.
Двигаясь дальше, панель обсуждает две основные тенденции в количественном финансировании. Во-первых, алгоритмическая торговля распространилась на все классы активов, а не только на акции. Экзотические активы теперь торгуются с использованием алгоритмических подходов. Во-вторых, значительно увеличилось количество альтернативных источников данных, таких как данные о настроениях из новостей на нескольких языках и транзакции по кредитным картам. Возможность обрабатывать и анализировать эти данные с помощью расширенной аналитики и вычислительной мощности привела к включению в оценку компаний нефинансовых факторов риска, таких как тенденции экологического и социального управления.
Тем не менее, панель также рассматривает проблемы использования машинного обучения в финансах. Учитывая низкое отношение сигнал/шум и игру с нулевой суммой на финансовых рынках, машинное обучение не всегда является идеальным инструментом для решения любой проблемы. Участники дискуссии подчеркивают важность сочетания машинного обучения с другими методологиями и понимания его ограничений. Они также разъясняют различие между машинным обучением и альтернативными данными, поскольку эти два понятия часто путают.
Кроме того, участники дискуссии обсуждают уникальные проблемы финансового машинного обучения в контексте динамики рынка как дифференциальной игры. Они подчеркивают важность учета стратегического выбора, сделанного другими участниками рынка, при разработке торговых стратегий.
Затем обсуждение переходит к важности высококачественных данных в моделях машинного обучения для алгоритмической торговли. Участники дискуссии признают сложность очистки неструктурированных данных и подчеркивают важность использования линейных моделей для понимания параметров и обеспечения качества данных. Они решают проблему шума и разреженности альтернативных данных, что усложняет их очистку и фильтрацию. Кроме того, участники дискуссии подчеркивают необходимость сравнения и использования вторичных источников данных для обеспечения точности данных.
Кроме того, участники дискуссии подчеркивают, что к торговым решениям следует подходить как к части определения стратегии в игре от конечных лиц с противоборствующими игроками, имеющими конфликтующие интересы. Традиционные методы моделирования могут не всегда применяться в этом контексте, и участники дискуссии подчеркивают важность тестирования различных стратегий для поиска наиболее эффективных решений. Они также обсуждают уникальные проблемы, связанные с альтернативными наборами данных, такими как данные об устойчивом развитии, которые требуют различных методов анализа и могут потребовать агрегирования данных с более низкой частотой для устранения разреженности. Хотя работа с разреженными наборами данных может быть сложной, участники дискуссии считают, что все еще есть возможности для обнаружения ценных сигналов.
Еще одна ключевая тема для обсуждения — важность понимания игровой структуры рынка при разработке торговых систем. Участники дискуссии подчеркивают, что, хотя более мелкие игроки могут иметь больше возможностей для принятия рисков, более крупные игроки в торговле сырьевыми товарами и криптовалютой должны подходить к торговле с осторожностью из-за крайней волатильности этих рынков. Они также подчеркивают важность диверсификации для смягчения просадок, которые в криптоактивах значительно выше.
Группа делает еще один шаг и ставит под сомнение укоренившиеся предположения в традиционной теории финансов. Они утверждают, что активы не обязательно следуют фиксированным процессам распространения с установленными предположениями о среднем значении и дисперсии. Вместо этого они подчеркивают стохастический характер волатильности и колебания средних значений во времени. Они предлагают рассмотреть скрытые марковские процессы, чтобы тактически изменить среднее значение и стандартное отклонение, что приведет к лучшим подходам к факторному инвестированию и криптоинвестированию. Эта перспектива предлагает заманчивые профили риска и доходности с возможностью простой диверсификации.
Затем в ходе обсуждения рассматриваются различные приложения машинного обучения в финансовой отрасли. Участники дискуссии упоминают использование машинного обучения для классификации полов, прогнозирования выбросов углерода и фиксации объемов на рынках с фиксированным доходом. Они также подчеркивают растущее внимание к факторам ESG и расширение целей устойчивого развития, которые учитывают влияние на общество в целом и системный риск. Они рассматривают эту расширенную таксономию рисков как важный фактор в принятии финансовых решений, который может быть интегрирован в факторную модель ESG.
Другой обсуждаемой тенденцией является использование комитетов и целевых групп для кластеризации данных на основе множества факторов. Участники дискуссии подчеркивают растущую важность обработки естественного языка для понимания настроений местных заинтересованных сторон для количественной оценки нефинансовых рисков. Эти риски, все более существенные для нематериальных аспектов баланса компании, жизненно важны для рассмотрения при анализе финансовых рынков.
Кроме того, участники дискуссии подчеркивают важность наличия сильных навыков программирования и статистических знаний в области количественных финансов. Они также предостерегают от ошибок многократного анализа одного и того же набора данных, подчеркивая необходимость адаптации и подготовки к будущему количественной торговли.
Забегая вперед, участники дискуссии обсуждают важность не отставания от новых классов активов, таких как углерод и криптовалюты. Они упоминают о потенциальном революционном влиянии квантовых вычислений, которые могут произвести революцию в алгоритмах шифрования, лежащих в основе криптовалют, хотя их практическое применение еще предстоит реализовать. Они также касаются разработки крупных нейронных сетей и таких технологий, как GPT3, которые рекламируются как путь к общему искусственному интеллекту. Экспоненциальный рост аппаратных и программных мощностей не показывает никаких признаков замедления, и участники дискуссии ожидают будущей конвергенции высокопроизводительных вычислений, квантовых вычислений и ИИ в области количественных финансов.
В заключение участники дискуссии предсказывают будущее, характеризующееся расширением возможностей аппаратного и программного обеспечения, что приведет к разработке торговых роботов общего назначения. Эти роботы будут обладать способностью извлекать и интерпретировать данные из различных источников, включая социальные сети, используя, среди прочего, понимание изображений, понимание языка и семантическое понимание. Они подчеркивают важность внедрения новых технологий и методологий, чтобы оставаться на шаг впереди и адаптироваться к развивающемуся ландшафту квантового финансирования.
Панельная дискуссия завершается тем, что участники дискуссии выражают свою благодарность аудитории и поощряют делиться любыми оставшимися без ответа вопросами. Они также объявляют, что завтрашняя сессия будет посвящена машинному обучению и торговле, и приглашают участников присоединиться и продолжить изучение этой увлекательной области.
Спасибо всем за участие в сегодняшней содержательной панельной дискуссии, посвященной текущим тенденциям в области квантовых финансов.
Использование настроений и альтернативных данных в трейдинге [Панельная дискуссия] | Неделя алготрейдинга, день 4
Использование настроений и альтернативных данных в трейдинге [Панельная дискуссия] | Неделя алготрейдинга, день 4
Дамы и господа, спасибо, что присоединились к нам сегодня для этой захватывающей панельной дискуссии об использовании настроений и альтернативных данных в торговле. Прежде чем мы начнем, я хочу сделать важное объявление.
Я рад объявить о запуске новой сертификационной программы «Сертификация по анализу настроений и альтернативным данным в финансах» (CSAF). Эта программа была специально разработана для финансовых специалистов, которые хотят продвинуться по карьерной лестнице в области торговли и принятия инвестиционных решений, используя современные методы, такие как анализ настроений в новостях и альтернативные данные.
Программа CSAF будет охватывать различные аспекты новостной аналитики, анализа настроений и альтернативных данных, необходимых в финансах. Его будут преподавать ведущие эксперты в области алгоритмического трейдинга, анализа настроений, количественного моделирования и высокочастотного трейдинга. Эти эксперты привносят в программу обширные знания и опыт, гарантируя, что участники получат первоклассное образование и обучение.
Программа будет посвящена таким темам, как понимание анализа настроений, использование альтернативных источников данных, включение данных о настроениях в модели прогнозирования и использование методов искусственного интеллекта и машинного обучения для анализа рынка. Участники получат ценную информацию о роли настроений и альтернативных данных в торговле и узнают, как раскрыть потенциал этих ресурсов для улучшения финансовых результатов.
В дополнение к программе сертификации я рад объявить, что весной 2022 года будет выпущен всеобъемлющий справочник по альтернативным данным. типы альтернативных данных и их применение в финансах.
Теперь давайте обратим внимание на сегодняшнюю панельную дискуссию. Наши уважаемые участники, в том числе доктор Кристиано Арбекс Валле, профессор Гаутам Митра, доктор Маттео Кампольми и доктор Рави Кашьяп, поделятся своим мнением об использовании настроений и альтернативных данных в торговле. Они обсудят, что такое альтернативные данные, почему они важны и как их можно эффективно использовать для принятия обоснованных торговых решений.
Как мы все знаем, новостные события часто оказывают значительное влияние на цены активов, а данные о настроениях могут играть решающую роль в прогнозировании будущих результатов. Участники дискуссии прольют свет на то, как данные о настроениях можно быстро обрабатывать и преобразовывать в числовые данные для использования в математических моделях, предоставляя ценную информацию, которая обычно не фиксируется традиционными рыночными данными.
Кроме того, наши эксперты рассмотрят проблемы и возможности, связанные с альтернативными данными. Они обсудят появление альтернативных источников данных, необходимость строгих методов обработки данных и важность предотвращения переобучения при идентификации сигналов в огромном объеме информации.
Во время панельной дискуссии мы призываем вас активно участвовать, задавая вопросы и взаимодействуя с нашими участниками. Ваш вклад и идеи высоко ценятся, и мы с нетерпением ждем возможности создать обогащающую и интерактивную сессию.
Прежде чем мы начнем, я хотел бы поблагодарить всех вас за то, что вы присоединились к нам сегодня. Ваше присутствие и энтузиазм способствуют успеху подобных мероприятий. Я также хотел бы напомнить вам следить за нами в социальных сетях и поздравить организаторов с 11-летием.
Теперь, без лишних слов, давайте начнем панельную дискуссию о настроениях и альтернативных данных в торговле. Спасибо.
Когда панельная дискуссия начинается, наши участники погружаются в тему настроений и альтернативных данных в торговле, делясь своими ценными идеями и опытом. Они подчеркивают влияние включения аналитики новостей и настроений в качестве дополнительных входных функций в модели прогнозирования, подчеркивая полученные улучшенные результаты, особенно при прогнозировании волатильности активов.
Один из ключевых моментов обсуждения вращается вокруг появления альтернативных данных и их значения для информирования торговых решений. Участники дискуссии подчеркивают, что альтернативные данные предоставляют новую информацию, такую как потребительские привычки, которая может дать ценную информацию для инвестиционных стратегий. Они подчеркивают важность объединения данных с моделями, используя методы искусственного интеллекта и машинного обучения для прогнозирования направлений рынка и улучшения финансовых результатов.
Жюри уделяет некоторое время тому, чтобы отметить модерацию профессора Гаутама Митры, основателя и управляющего директора OptiRisk Systems. Благодаря своему опыту он обеспечивает всестороннее изучение темы. Они углубляются в практическое применение настроений и альтернативных данных в торговле, отвечая на вопросы, касающиеся их определения, важности и использования.
Признавая, что альтернативные данные — это постоянно развивающаяся область, участники дискуссии подчеркивают динамичный характер этой области. Они обсуждают, как то, что сегодня считается альтернативными данными, может стать основным в будущем, демонстрируя непрерывный прогресс и инновации в отрасли. Их внимание по-прежнему сосредоточено на использовании альтернативных данных для получения преимущества в финансах с конечной целью максимизации прибыли.
В ходе обсуждения группа признает потенциальную предвзятость, присутствующую в данных о настроениях, полученных из источников новостей. Они предлагают потенциальные решения для смягчения этой предвзятости, такие как использование нескольких источников и применение различных методов для анализа данных. Тем самым они подчеркивают важность всестороннего и надежного анализа данных для обеспечения точных и надежных выводов.
Двигаясь вперед, участники дискуссии подчеркивают важность понимания контекста и сценариев, в которых собираются данные. Они обсуждают потребность в контекстуальной информации для предоставления подробного представления и построения эффективных алгоритмов. Участники дискуссии также затрагивают идею о том, что предубеждения не всегда могут быть негативными и иногда могут приносить пользу торговым стратегиям. Их всеобъемлющее сообщение подчеркивает важность понимания и работы с доступными данными, даже если сам источник данных не может контролироваться.
Панель дополнительно исследует параметры, которые следует учитывать при анализе данных о настроениях в торговых целях. Они проливают свет на классификацию настроений на положительные, нейтральные или отрицательные категории поставщиками новостей или настроений. Кроме того, они обсуждают актуальность рассмотрения объема новостей или твитов в качестве фактора анализа настроений. Также подчеркивается нормализация настроений на основе среднего объема новостей за определенный период времени.
Разговор углубляется по мере того, как участники дискуссии обсуждают специфичный для языка характер анализа настроений. Они подчеркивают использование ИИ и других методов для разбора и анализа текста, что позволяет глубже понять настроение. Релевантность и новизна новостных событий определяются как решающие факторы, поскольку компании получают новостные данные по подписке у поставщиков контента, что обеспечивает быструю обработку.
Завершая панельную дискуссию, участники коснулись временных рамок, используемых для индикаторов настроений. Они поясняют, что индикаторы настроений не нацелены на то, чтобы превзойти скорость новостей, достигающих рынка. Вместо этого они служат описательными индикаторами того, как поток новостей влияет на акции с течением времени. Также подчеркивается важность преобразования текста в числовые данные, признавая дополнительный уровень обработки, необходимый для текстовой информации.
Участники дискуссии также обсуждают актуальность данных о настроениях и альтернативных источников данных в торговле. Они отвечают на вопрос о том, сколько дней актуальны данные о настроениях, подчеркивая, что ответ зависит от цели модели и типа проводимой торговли. Далее обсуждение распространяется на показатели производительности для альтернативных источников данных, где рентабельность определяется как ключевой показатель. Участники дискуссии объясняют спрос на исторические данные и его потенциальное влияние на ценообразование, предупреждая, что по мере того, как альтернативные источники данных становятся все более популярными, их ценность может меняться со временем.
В завершение панельной дискуссии участники дискуссии делятся своим мнением о проблемах и важности тестирования на исторических данных. Они признают скудность исторической информации для некоторых альтернативных источников данных, что затрудняет анализ и тестирование на исторических данных. Тем не менее, они подчеркивают наличие статистических моделей и методов, которые могут помочь экстраполировать данные для целей тестирования на исторических данных. Они подчеркивают важность сравнения производительности данного источника данных с его отсутствием, что позволяет трейдерам соответствующим образом адаптировать свои стратегии. В заключение группа подчеркивает, что ценность альтернативных данных в конечном итоге зависит от их использования в конкретной модели.
Теперь мы переходим к сеансу вопросов и ответов аудитории, где участники дискуссии отвечают на два интригующих вопроса. Первый вопрос касается использования исторических данных для лучшего понимания различных исторических периодов. Группа предлагает использовать как минимум семь временных интервалов, чтобы получить полное представление о различных результатах. Второй вопрос касается поиска надежных источников альтернативных данных. Группа рекомендует иметь разведчика данных для изучения различных источников и определения лучших данных, доступных для количественных групп. Они подчеркивают сложность поиска достоверных данных и подчеркивают, что инновационные идеи часто появляются в небольших новых компаниях.
Продолжая дискуссию, участники дискуссии углубляются в потенциал небольших компаний, которые на раннем этапе идентифицируют уникальные наборы данных, которые могут быть приобретены более крупными фирмами. Они подчеркивают важность посредников в агрегировании данных и ценность производных наборов данных с использованием проприетарного моделирования. Далее разговор касается влияния наборов данных по конкретным странам, выявления региональных рисков и взаимосвязанности глобального рынка. Понимание этих факторов становится важным для принятия обоснованных торговых решений.
По мере того, как панель подходит к концу, спикеры переключают свое внимание на необходимые навыки и предпосылки для карьеры в области финансов. Они подчеркивают ценность языков программирования и четкого понимания математических концепций, поскольку эти навыки становятся все более важными в этой области. Особое внимание уделяется созданию сетей и налаживанию связей с профессионалами, а также важности оставаться открытыми для разнообразных возможностей и постоянно расширять свои знания.
В заключение спикер вновь подчеркивает важность информирования о рыночных тенденциях и сохранения объективности при принятии финансовых решений. Она подчеркивает фундаментальную роль управления финансами и призывает участников активно участвовать в финансовой индустрии.
С сердечной признательностью спикер благодарит участников дискуссии и аудиторию за их ценный вклад и завершает сессию.
Короткие продажи на бычьем рынке - мастер-класс Лорана Бернута | Неделя алготрейдинга, день 3
Короткие продажи на бычьем рынке - мастер-класс Лорана Бернута | Неделя алготрейдинга, день 3
Лоран Бернют представлен как основатель и генеральный директор Alpha Secure Capital, а также преданный продавец коротких позиций в Fidelity Investments. В видео подчеркивается, что он проведет мастер-класс на тему коротких продаж, который продлится два часа. Упоминается, что сессии вопросов и ответов в конце мастер-класса не будет, но зрителям предлагается задавать соответствующие вопросы во время самой сессии. Кроме того, спикер информирует аудиторию о курсе по коротким продажам с помощью Python, а также о дополнительной книге, в которой объясняется, как и почему короткие продажи. Книга должна быть опубликована 11 октября 2021 года и будет доступна на Amazon.com.
Мастер-класс начинается с того, что Лоран Бернут объясняет основные выводы, которые участники могут извлечь из сессии. Он утверждает, что первопроходцы обречены на банкротство, и подчеркивает, что короткие продажи — это самый ценный набор навыков для привлечения успешного фонда. Бернут также развенчивает десять классических мифов о коротких продажах, проливая свет на недостаточно изученную природу этой дисциплины. Он подробно описывает динамику коротких продаж и объясняет, почему даже успешные участники рынка борются с короткими позициями. Делясь личным опытом, Бернут подчеркивает решающую роль управления капиталом в курсе.
Двигаясь вперед, Бернут дает обзор того, как работает короткая продажа, и подчеркивает важность определения местонахождения заимствования. Он обсуждает обанкротившуюся природу выбора акций и призывает трейдеров переключить свое внимание на другие методы, такие как короткие продажи. Бернут отмечает, что отрасль часто зациклена на сборщиках акций, но эмпирические данные показывают, что большинство активных менеджеров постоянно отстают от своих контрольных показателей. Это заставило многих отказаться от выбора акций в пользу пассивного инвестирования и закрытой индексации. Тем не менее, Бернут подчеркивает актуальность коротких продаж во время медвежьего рынка и ценность, которую они приносят с точки зрения защиты от падения.
Бернут разбирает неправильные представления о коротких продавцах, опровергая представление о том, что они разрушают пенсионные фонды и компании. Он объясняет, что инвесторы ищут инструменты для длинных и коротких позиций из-за низкой волатильности, низкой корреляционной доходности и защиты от убытков, что активные менеджеры изо всех сил пытаются постоянно обеспечивать. Таким образом, длинные выборы от управляющих взаимными фондами не так актуальны для инвесторов, которые могут пассивно достичь аналогичных результатов через биржевые фонды. Бернут подчеркивает, что продажа акций на понижение обеспечивает защиту от риска падения, что делает умение продавать без покрытия очень востребованным, особенно на медвежьем рынке.
Спикер углубляется в роль коротких продавцов в рамках капитализма и ответственности руководства компании. Он утверждает, что продавцов на понижение, которые не участвуют в управлении компаниями, часто обвиняют в своих неудачах, хотя на самом деле причиной краха является плохое управление. Бернут подчеркивает различие между рыночной стоимостью и внутренней стоимостью, объясняя, что рыночная стоимость определяется субъективными суждениями, сродни конкурсу красоты. Далее он поясняет, что короткие продавцы по своей сути не являются злыми спекулянтами, но часто раскрывают парадоксы на рынке. Он признает, что регулирующие органы не одобряют коротких продавцов, которые занимаются манипулированием рынком, но их основная задача — выявить неэффективность рынка.
Видео продолжается тем, что Лоран Бернют обсуждает корпоративный пространственно-временной континуум, который представляет собой парадокс для коротких продавцов. Он обращает внимание на ситуации, когда компании вознаграждают сотрудников за участие в мошенничестве, а высшее руководство отрицает осведомленность о такой практике. Бернут советует продавцам коротких позиций придерживаться неконфликтного подхода к управлению компанией, даже если они правы, поскольку существуют альтернативные способы продажи акций. Он подчеркивает аспект управления рисками коротких продаж и предостерегает, что это следует делать осторожно.
В своем мастер-классе по Algo Trading Week Бернут подчеркивает важность обучения коротким продажам и риски, связанные с отсутствием этого навыка, особенно в ожидании медвежьего рынка. Он также затрагивает вопрос о том, как короткие продажи могут способствовать повышению волатильности рынка и потенциальному падению цен на акции.
Видео продолжается тем, что Лоран Бернют благодарит зрителей за их участие и активность на протяжении всего мастер-класса по коротким продажам. Он выражает признательность за вопросы и комментарии, полученные во время сессии, подчеркивая важность активного участия и любознательности в процессе обучения.
Затем Лоран Бернут представляет предстоящий курс по коротким продажам с помощью Python, направленный на предоставление практических навыков реализации стратегий коротких продаж с использованием программирования. Курс будет охватывать различные темы, включая анализ данных, алгоритмическую торговлю, управление рисками и тестирование на истории. Он подчеркивает ценность сочетания количественного анализа с методами коротких продаж и то, как Python может быть мощным инструментом для этой цели.
В дополнение к курсу Лоран Бернут объявляет о выпуске дополнительной книги под названием «Разоблачение коротких продаж: полное руководство по получению прибыли на медвежьем рынке». В книге будут рассмотрены как и почему короткие продажи, даны идеи, стратегии и примеры из реальной жизни. Он направлен на то, чтобы демистифицировать дисциплину и вооружить читателей знаниями и навыками, необходимыми для успешного преодоления сложностей коротких продаж. Книга должна быть опубликована 11 октября 2021 года и будет доступна на Amazon.com.
В конце видео Лоран Бернют вновь подчеркивает важность непрерывного обучения и совершенствования в области коротких продаж. Он призывает зрителей изучить курс и книгу, чтобы углубить свое понимание и улучшить свои навыки. Он заявляет о своем стремлении помочь людям овладеть навыками коротких продаж и подчеркивает ценность информированности и способности адаптироваться к постоянно меняющимся финансовым рынкам.
С заключительной нотой благодарности и ободрения Лоран Берню прощается со зрителями, оставляя им приглашение общаться, задавать вопросы и продолжать свое путешествие в мире коротких продаж. Видео заканчивается, и зрители остаются вдохновленными и мотивированными для дальнейшего изучения возможностей и проблем, связанных с короткими продажами.
Как выбрать лучшие акции и торговать вживую, доктор Хуэй Лю | Алготрейдинговая неделя, день 2
Как выбрать лучшие акции и торговать вживую, доктор Хуэй Лю | Алготрейдинговая неделя, день 2
Во время введения в Неделю алго-трейдинга, день 2, спикер отмечает предыдущие сессии с участием экспертов в области количественной и алго-трейдинга. Они кратко упоминают ценные идеи, которыми поделились эти эксперты, готовя почву для презентации дня. Основное внимание в День 2 уделяется выбору лучших акций и участию в реальной торговле, а доктор Хуэй Лю берет на себя ведущую роль в качестве ведущего.
Спикер также рассказывает о продолжающемся соревновании по алго-трейдингу, которое включает в себя три отдельных теста, охватывающих основы количественной и алгоритмической торговли. Победители конкурса будут объявлены в сентябре, что привнесет в событие элемент предвкушения и волнения. Кроме того, спикер сообщает, что на следующий день состоится двухчасовой мастер-класс по коротким продажам под руководством Алохи Бенду. Время проведения этого класса будет скорректировано с учетом участников из разных часовых поясов.
Доктор Хуэй Лю начинает свою презентацию с обсуждения процесса создания торговой идеи, ее проверки и построения модели машинного обучения для проверки ее исторической эффективности. Он предполагает, что трейдеры могут черпать идеи, читая финансовые отчеты или отслеживая платформы социальных сетей, чтобы оценить эффективность компании. Доктор Лю также представляет SPY ETF, который отслеживает индекс S&P 500 и служит ценным источником исторических данных. Он подчеркивает важность использования статистических моделей и проведения ретроспективного тестирования для проверки торговых идей, прежде чем приступить к созданию торгового робота с использованием iBridgePi.
Затем д-р Лю объясняет основы торговли по тренду и значение покупки по низкой цене и продажи по высокой. Он подробно рассказывает о сборе исторических данных и использовании Python в Jupyter Notebook для разработки модели машинного обучения. Д-р Лю демонстрирует, как модель может быть использована для создания скрининга акций, помогающего в определении наиболее перспективных акций для торговых целей. Он подчеркивает важность проверки торговых идей с помощью тестирования на исторических данных и торговли в реальном времени.
В своем следующем сегменте д-р Лю демонстрирует практическую демонстрацию использования Python для извлечения исторических данных из Yahoo Finance API и обработки их для построения модели машинного обучения. В частности, он извлекает данные дневного бара для SPY и использует функцию «запросить исторические данные». Д-р Лю добавляет к данным дополнительные столбцы, в которых рассчитывается процентное изменение цены закрытия по сравнению с предыдущим днем по сравнению с текущим днем, а также с текущего дня на следующий день. Он объясняет, что отрицательное изменение цены закрытия со вчерашнего дня на сегодня в сочетании с положительным изменением с сегодняшнего дня на завтра означает возможность покупать акции, когда цена падает, поскольку его прогноз предполагает надвигающийся рост цены.
Затем доктор Лю подробно описывает процесс построения модели машинного обучения для прогнозирования цен на акции. Он получает данные о цене закрытия, вчерашнем изменении цены и изменении цены с сегодняшнего дня на завтрашний день. Используя модель линейной регрессии, он сопоставляет данные и анализирует результаты. Доктор Лю показывает график, на котором черная линия представляет прогнозы модели машинного обучения, а разрозненные точки данных отображают ежедневные цены акций от Yahoo Finance для S&P 500. Он объясняет, что отрицательный коэффициент означает отрицательную корреляцию, указывая на то, что когда цена падает, она может вырасти, и наоборот. Д-р Лю размышляет о возможности использования этой модели для автоматической торговли с целью потенциального получения прибыли.
Д-р Лю переходит к обсуждению процесса выбора лучших акций и участия в реальной торговле. Он рекомендует трейдерам изучить цену в конце торгового дня, чтобы определить ее восходящее или нисходящее движение, прежде чем размещать ордера ближе к закрытию рынка. Он демонстрирует создание скрининга акций, чтобы получить представление о том, как модель работает с различными акциями, и определить благоприятные акции для подражания. Д-р Лю признает, что его модель является относительно упрощенной, полагаясь на вчерашнюю цену для прогнозирования завтрашней, и поэтому рассматривает возможность использования передовых индикаторов, таких как схождение-расхождение скользящих средних (MACD), для повышения точности прогнозов и фильтрации сделок.
Доктор Лю исследует использование MACD для прогнозирования и фильтрации акций, а также сравнивает его с моделью «покупай дешево, продавай дорого». Он представляет результаты, полученные при использовании MACD 10 и 30 на SPY, показывая относительно слабый тренд. Следовательно, д-р Лю заключает, что использование MACD для будущих прогнозов может не дать таких благоприятных результатов, как раньше. Он переходит к обсуждению построения статистической модели машинного обучения и рассматривает модель «покупай дешево, продавай дорого» как потенциальное средство получения прибыли. Д-р Лю рассказывает об Average Pi, платформе Python, облегчающей тестирование на истории и торговлю в реальном времени, подчеркивая ее функцию 100% конфиденциальности, совместимость с несколькими учетными записями и гибкость в отношении поставщиков данных. Он иллюстрирует простоту и эффективность построения модели «покупай дешево, продавай дорого» в Average Pi, используя всего несколько строк кода.
Доктор Лю объясняет процесс настройки конфигурации для торговли с использованием Algo Trading Week Day 2. Он подчеркивает выполнение функции инициализации в начале для определения переменных и установки конфигурации. Например, он планирует выполнять функцию «купи дешево, продай дорого» каждый торговый день, за одну минуту до закрытия рынка, инвестируя 100% портфеля в SPY, если вчерашняя цена была ниже сегодняшней. Д-р Лю углубляется в тему тестирования на исторических данных, показывая, как можно использовать исторические данные от брокеров или сторонних поставщиков на различных временных интервалах, в том числе поминутных, часовых или дневных.
Затем доктор Лю демонстрирует процесс тестирования выбранной стратегии с использованием различных поставщиков данных и пакетов. Он советует выбрать время начала и время окончания периода обратного тестирования, а также подтвердить выбор поставщика данных для выполнения. Перейдя в демонстрационный режим, доктор Лю демонстрирует процесс, указывая на то, что поставщики данных, такие как Interactive Brokers (IB), или локальные исторические данные, могут использоваться для стратегий обратного тестирования. Он дает рекомендации по настройке установки тестирования на истории с использованием доступных исторических данных, хранящихся в локальных файлах.
Доктор Лю продолжает демонстрировать использование ретроспективного тестирования для проверки эффективности торговой стратегии с использованием исторических данных. Он признает сложность получения значимых данных дневных баров для обширных периодов тестирования на исторических данных. Чтобы преодолеть это препятствие, он вводит концепцию смоделированных данных минутного бара, где цена закрытия дневного бара может использоваться для моделирования данных. Это упрощает процесс для трейдеров, пытающихся получить доступ к точным данным, необходимым для тестирования на истории.
Доктор Лю представляет результаты ретроспективного тестирования модели «купи дешевле, продай дороже» в сравнении со стратегией «купи и держи» для S&P 500 с 2000 по 2020 год. Модель превосходит стратегию «купи и держи», в результате чего портфель стоимость 800 000 долларов по сравнению с 200 000 долларов. Он признает, что, несмотря на небольшую корреляцию, наблюдаемую с помощью простой линейной регрессии, модель по-прежнему дает положительные результаты. Затем д-р Лю переходит к теме реальной торговли, указывая, что это может быть так же просто, как изменить две строки кода, чтобы выбрать желаемую стратегию и ввести код счета для Interactive Brokers перед выполнением программы. Он завершает презентацию, приглашая участников связаться с ним по электронной почте для получения помощи в кодировании или организовать личную встречу в Сан-Хосе, штат Калифорния.
Во время сеанса вопросов и ответов задается вопрос о достоверности проверенной стратегии, обеспечивающей идентичные результаты в реальных сделках. Д-р Лю объясняет, что, хотя исторические данные представляют прошлое и модель может демонстрировать статистическую стабильность, цена сама по себе неустойчива, особенно ближе к закрытию рынка. Поэтому вариации в предсказании будущего неизбежны. Однако в течение длительного периода общая модель должна оставаться верной. Он отмечает, что использует модель линейной регрессии из-за ее простоты и легкости для понимания, но признает, что более сложные модели машинного обучения потенциально могут дать лучшие результаты. Доктор Лю также затрагивает вопрос транзакционных издержек и проскальзываний, заявляя, что их следует учитывать при реализации стратегий реальной торговли, и они могут повлиять на общую эффективность стратегии.
Возникает еще один вопрос относительно использования других технических индикаторов в сочетании с моделью «покупай дешево, продавай дорого». В ответ доктор Лю подчеркивает гибкость платформы Average Pi, которая позволяет трейдерам включать в свои стратегии дополнительные индикаторы. Он упоминает, что индикатор схождения-расхождения скользящих средних (MACD) может быть ценным дополнением к фильтрам сделок и повышению точности прогнозов.
Участник спрашивает о значении временного интервала между торговым сигналом и закрытием рынка. Доктор Лю объясняет, что выбранный временной интервал зависит от индивидуальных предпочтений и торговых стратегий. До закрытия рынка может пройти несколько минут или даже часов, в зависимости от желаемого времени исполнения сделки. Он советует трейдерам экспериментировать с разными временными интервалами, чтобы найти то, что лучше всего подходит для их конкретных стратегий.
Отвечая на вопрос о влиянии волатильности рынка на модель «купи дешево, продай дорого», доктор Лю признает, что повышенная волатильность потенциально может создать больше возможностей для торговли. Однако он предупреждает, что более высокая волатильность также сопряжена с более высоким риском, и трейдеры должны тщательно учитывать свою толерантность к риску и соответствующим образом корректировать свои стратегии.
Участник спрашивает о потенциальных ограничениях модели «покупай дешево, продавай дорого». Доктор Лю признает, что простота модели является одновременно и силой, и недостатком. Хотя он может давать положительные результаты, он может не учитывать более сложную рыночную динамику и потенциально может упустить определенные торговые возможности. Он предлагает трейдерам, которые хотят изучить более продвинутые стратегии и модели, рассмотреть возможность более глубокого изучения количественных финансов и изучения других алгоритмов машинного обучения.
Сессия вопросов и ответов завершается тем, что доктор Лю выражает готовность помочь участникам с любыми дополнительными вопросами или помощью в кодировании, предлагая им связаться с ним по электронной почте.
Как стать успешным квантом | Доктор Эрнест Чан | Неделя алготрейдинга, день 1
Как стать успешным квантом | Доктор Эрнест Чан | Неделя алготрейдинга, день 1
Сессия вопросов и ответов с доктором Эрнестом Ченом начинается с того, что спикер представляет соревнование по алгоритмической торговле, призванное дать новичкам возможность изучить основы алгоритмической торговли, а экспертам — освежить свои знания. Конкурс предлагает призы, такие как стипендии и сертификаты достижений для трех лучших победителей. Доктор Чан, основатель и генеральный директор PredictNow.ai и QTS Capital Management, а также автор трех книг по количественному трейдингу, делится с аудиторией своим опытом.
Доктор Чан начинает с того, что подчеркивает доминирование количественной торговли за последнее десятилетие, при этом оценки показывают, что до 90% объема торгов на биржах США приходится на алгоритмическую торговлю. Хотя он не утверждает, что количественная торговля лучше дискреционной торговли, он подчеркивает важность не упускать из виду возможность автоматизации или систематизации торговых стратегий. Что касается отдельных трейдеров, конкурирующих с организациями, д-р Чен предполагает, что нишевые стратегии с ограниченными возможностями предлагают наилучшие возможности. Эти стратегии часто непривлекательны для крупных организаций и предполагают нечастую торговлю, что делает их жизнеспособными вариантами для независимых трейдеров.
Обсуждение продолжается, и д-р Чен говорит о важности поиска ниши в алгоритмическом трейдинге, где крупные организации не конкурируют друг с другом. Он советует избегать прямой конкуренции с крупными игроками и рекомендует искать области, где конкуренция практически отсутствует. Доктор Чан отвечает на вопросы о важности наличия докторской степени. в количественном и алгоритмическом трейдинге. Он подчеркивает, что иметь «шкуру на кону», то есть ставить на карту собственные деньги, крайне важно для того, чтобы стать успешным количественным расчетом. Он предлагает, чтобы трейдеры сосредоточились на развитии интуитивного понимания рынка посредством тестирования собственных торговых стратегий и чтения блогов и книг по трейдингу, а не полагались исключительно на теоретические знания.
Доктор Чан советует, чтобы успешный количественный трейдер отдавал предпочтение практическому опыту и пониманию рынка, а не доктору философии. Он отмечает, что для того, чтобы стать успешным аналитиком, требуется время, и предлагает отличиться, стремясь присоединиться к ведущему аналитическому фонду, написав оригинальное исследование в форме официального документа, сосредоточив внимание на торговой стратегии или конкретном рыночном явлении. Он предупреждает, что небольшой послужной список, такой как одна успешная сделка, недостаточен, чтобы доказать последовательность и знания. Отвечая на вопрос о включении данных о потоке ордеров в торговые стратегии, д-р Чен признает его ценность как индикатора, но подчеркивает, что его следует использовать в сочетании с другими индикаторами, поскольку ни один индикатор не является всеобъемлющим сам по себе.
Ограничения использования отдельных индикаторов для построения торговой стратегии обсуждаются доктором Ченом. Он указывает, что многие люди используют эти индикаторы, снижая их эффективность. Он предлагает включить их в качестве одной из многих функций в программу машинного обучения. Отвечая на вопрос о эйджизме в квантовой индустрии, д-р Чан подчеркивает, что если кто-то работает в качестве индивидуального предпринимателя, эйджизм не является проблемой. Он также делится своим мнением об использовании машинного обучения для создания альфы, предупреждая о риске переобучения и вместо этого рекомендуя его в качестве инструмента для управления рисками. Что касается торговли с малой задержкой, д-р Чан утверждает, что количественная торговля является необходимостью в этой области. Наконец, он советует, что помимо успешного послужного списка, управленческие навыки необходимы для любого, кто хочет создать хедж-фонд, основанный на количественных расчетах.
Доктор Чан подчеркивает, что для успешного управления фондами необходимы не только торговые навыки, но и навыки управления и развития бизнеса. Наличие лидерских качеств и опыт управления бизнесом имеют решающее значение. Когда его спросили о количественном понимании индийского рынка, он признал, что ему не хватает знаний, в первую очередь из-за нормативных требований. На вопрос о том, сколько времени нужно потратить на бумажную торговлю, прежде чем приступить к реализации стратегии, д-р Чен объясняет, что это зависит от эффективности торговли. Для высокочастотных торговых стратегий, которые совершают сделки каждую секунду, двух недель бумажной торговли может быть достаточно, чтобы начать работу. И наоборот, для холдинговых стратегий может потребоваться торговля на бумаге в течение трех месяцев, чтобы получить статистическую значимость, основанную на количестве проведенных сделок.
Доктор Чен далее обсуждает, должен ли подход временных рядов по-прежнему быть ядром альфа-портфеля, несмотря на недавние исследования, показывающие, что прибыльные альфа-каналы в основном не основаны на цене. Он предлагает посещать отраслевые конференции, общаться с профессионалами через такие платформы, как LinkedIn, и нарабатывать хороший послужной список в трейдинге, чтобы привлечь внимание опытных аналитиков. Он призывает людей искать наставников и предпринимать активные шаги по установлению контактов с потенциальными сотрудниками.
Двигаясь дальше, доктор Чан делится своими мыслями о том, как нанять и обучить успешную команду количественного трейдинга. Он советует, чтобы нанятые люди обладали доказанным опытом в конкретной функции, на которой сосредоточена команда, будь то управление рисками, ценообразование деривативов или наука о данных. Если целью команды является разработка прибыльных торговых стратегий, лучше всего нанять кого-то, у кого уже есть опыт работы в этой области. Кроме того, д-р Чан подчеркивает, что универсально идеального рынка для торговли не существует, и командам следует сосредоточиться на том, что они знают лучше всего. Он также объясняет, почему высокочастотные трейдеры имеют преимущество в предсказании краткосрочного направления рынка по сравнению со средне- и низкочастотными трейдерами.
Обсуждение продолжается, и д-р Чан углубляется в проблему точного прогнозирования движений рынка за пределами коротких периодов времени и сложности, связанные с использованием высокочастотных торговых прогнозов. Он делится своим личным подходом к трейдингу, который предполагает найм опытных трейдеров вместо того, чтобы торговать самому. Доктор Чан подчеркивает важность найма трейдеров с хорошим послужным списком, независимо от того, используют ли они дискреционные или количественные стратегии. Когда его спросили о его совокупном годовом темпе роста, он пояснил, что не может раскрывать эту информацию из-за правил SEC. Наконец, он отмечает, что количественные трейдеры обычно не используют одну и ту же стратегию для всех классов активов, что затрудняет сравнение языков программирования, таких как Python и MATLAB, для целей алгоритмической торговли.
Д-р Чен обсуждает использование MATLAB и Python в трейдинге, признавая, что, хотя лично он предпочитает MATLAB, у разных трейдеров есть свои предпочтения, и выбор языка не является самым важным фактором. Он считает, что оптимизация транзакционных издержек сложна даже для экспертов в этой области, поэтому это не должно быть первоочередной задачей для трейдеров. Что касается пересмотра или переобучения стратегий машинного обучения, он предлагает делать это только тогда, когда рыночный режим претерпевает значительные изменения. Он также рекомендует расширять возможности, изучая новые языки, такие как Python или MATLAB, для улучшения торговых навыков.
Д-р Чан завершает сессию, давая советы по карьере для тех, кто хочет стать количественным трейдером. Он предлагает изучить различные области, такие как торговля опционами, чтобы лучше понять свои сильные и слабые стороны. Он упоминает, что в настоящее время его внимание сосредоточено на том, чтобы сделать его систему управления рисками на основе машинного обучения более доступной, и поясняет, что не планирует выпускать второе издание своей книги по машинному трейдингу в ближайшем будущем. При найме трейдеров он ищет длинный и последовательный послужной список и рекомендует использовать методы временных рядов и эконометрические модели для торговли на коротких таймфреймах. Стратегии выхода должны согласовываться с конкретной торговой стратегией с соответствующими выходами по стопу или цели по прибыли.
В конце видео ведущий выражает благодарность доктору Эрнесту Чану за его ценные идеи и время, потраченное на ответы на множество вопросов, связанных с тем, чтобы стать успешным специалистом по количественному анализу. Зрителям рекомендуется отправлять по электронной почте любые оставшиеся без ответа вопросы, чтобы убедиться, что они решены. Ведущий объявляет о дополнительных сессиях на следующей неделе с другими уважаемыми гостями в области алгоритмического трейдинга, выражая признательность аудитории за поддержку и призывая их продолжать настраиваться.