Algoritmik ticaret - sayfa 6

 

Ernest Chan (Predictnow.ai) - "Optimizasyon için Makine Öğrenimi Nasıl Kullanılır"



Ernest Chan (Predictnow.ai) - "Optimizasyon için Makine Öğrenimi Nasıl Kullanılır"

Predictnow.ai'nin kurucu ortağı Ernest Chan, piyasalardaki rejim değişiklikleriyle uğraşırken geleneksel portföy optimizasyon yöntemlerinin karşılaştığı zorlukları araştırıyor. Makine öğreniminin bu soruna bir çözüm sağlayabileceğini öne sürüyor. Chan, volatilite, fiyatlar ve faiz oranları gibi çeşitli finansal yönleri ölçen zaman serisi özelliklerini dahil etmeye odaklanarak ekibinin makine öğrenimi tekniklerini portföy optimizasyonuna nasıl uyguladığını açıklıyor. Çiftçi-Fransız Üç Faktör modelini, sıralamanın tahminden daha önemli olduğu anlayışıyla birleştirerek, optimum portföy optimizasyonuna ulaşmayı hedefliyorlar.

Chan, CBO modelinin performansının somut sonuçlarını paylaşmaya devam ediyor ve bu yaklaşımı kullanarak portföylerinin performansında iyileştirmeler yaşayan müşterilerden örnekler veriyor. Makine öğrenimi modellerinin rejim değişikliklerine uyum sağlama yeteneğine sahip olduğunu ve gelişen piyasa koşullarına etkili bir şekilde yanıt vermelerini sağladığını vurguluyor. Ek olarak, S&P 500 Endeksi ve bileşenlerinin getirilerinin, zaman serisi özelliklerini kullanan bir makine öğrenimi algoritması kullanılarak nasıl hesaplanabileceğini tartışıyor.

Ayrıca Chan, ekibi tarafından optimizasyon ve spekülasyon için kullanılan topluluk yaklaşımının altını çiziyor. Kapsamlı hesaplama gücüne olan ihtiyacı ortadan kaldıran "gizli sosundan" bahsediyor. Rejimleri tahmin etme ve getiri dağılımlarına koşullandırma gibi iki aşamalı bir süreci takip etmek yerine, portföyün performansını doğrudan tahmin etmek için görsel faktörleri kullanırlar. Ayrıca Chan, eğitim örneğinin önemli bir bölümünü algoritmalarına dahil ederek, beklenen geri dönüşün geçmiş sonuçlarla uyumlu olduğunu açıklıyor.

Dr. Ernest Chan, rejim değişikliklerinin varlığında geleneksel portföy optimizasyon yöntemlerinin karşılaştığı zorlukları açıklıyor ve bu sorunun ele alınmasında makine öğreniminin rolünü vurguluyor. Makine öğrenimi tekniklerinin uygulanmasını, zaman serisi özelliklerinin önemini ve optimum portföy optimizasyonuna ulaşmada sıralamanın önemini tartışıyor. Makine öğrenimi modellerinin değişen pazar koşullarına uyarlanabilirliğini vurgulayarak belirli sonuçları ve müşteri başarı öykülerini paylaşıyor. Chan ayrıca, makine öğrenimi algoritmalarını kullanarak geri dönüşlerin hesaplanmasına ilişkin içgörüler sağlıyor ve bunların topluluk yaklaşımına ve benzersiz metodolojisine ışık tutuyor.

  • 00:00:00 Bu bölümde Ernest Chan, geleneksel portföy optimizasyon yöntemlerini ve geçmişte optimal olan bir portföyün gelecekte optimal olmayabileceği anlamına gelen piyasadaki rejim değişikliklerinin zorluklarını tartışıyor. Çoğu yöntemin geçmiş tarihsel getirileri veya bilgileri girdi olarak kullandığını ve rejim değişikliklerini dikkate almadığını açıklıyor. Makine öğreniminin, büyük verilerden ve farklı pazarlarda gözlemlenen tüm değişkenlerden yararlanarak bu sorunla başa çıkmaya yardımcı olabileceğini öne sürüyor. Makine öğrenimi, yalnızca tarihsel getirilere dayalı olmayan beklenen getiriler oluşturabilir ve bu nedenle rejim değişiklikleriyle başa çıkmak için daha uygun olabilir.

  • 00:05:00 Bu bölümde, Ernest Chan finansta rejim kavramını ve bunun optimizasyonu nasıl etkilediğini tartışıyor. Ayı veya boğa piyasası gibi uygulanabilir bazı rejimler olmakla birlikte, açıkça tanımlanamayan ve sürekli değişen gizli rejimlerin de olduğunu açıklıyor. Bu rejimleri tahmin etmek zordur ve klasik optimizasyon yöntemlerini mahveder. Bu anlayış, Dr. Chan'ı çok sayıda değişken kullanarak mevcut rejimi ölçebilen ve buna uyum sağlayabilen koşullu portföy optimizasyonu tekniğini geliştirmeye yöneltti. Bu teknik, değişen piyasa koşullarında ticaret stratejisi performansını artırabilir.

  • 00:10:00 Bu bölümde Ernest Chan, optimizasyon için makine öğreniminin kullanımını ve denetimli öğrenme kullanılarak parametrelerin nasıl uyarlanacağını tartışıyor. Denetimli öğrenmede, bir ticaret stratejisinin keskin oranı veya gelecekteki bir aylık getirisi olan optimize edilecek parametre gibi etiketli bir hedef değişken olduğunu açıklıyor. Girdi, mevcut rejimi ve tüccarın ayarlayabileceği kontrol değişkenlerini ölçen piyasa ve makroekonomik değişkenlerin bir kombinasyonudur ve büyük bir veri kümesi oluşturur. Optimize etmek için, koşullu parametre optimizasyonu olan maksimum keskin oranı bulmak için parametrelerin çeşitli kombinasyonlarının kapsamlı bir araştırması yapılır. Ernest Chan, giriş için tek bir satır oluşturmak üzere piyasa özellikleri ile kontrol özelliklerinin kombinasyonunu gösteren bir oyuncak stratejisi kullanan basit bir örnekle bitiriyor.

  • 00:15:00 Bu bölümde Ernest Chan, ekibinin makine öğrenimini portföy optimizasyonuna nasıl uyguladığını açıklıyor. Ekip, bu daha kapsamlı sorunun üstesinden gelmek için parametre optimizasyonuna uyguladıkları aynı makine öğrenimi yaklaşımını kullanıyor. Girdi özellikleri ve gizli rejimlerin üstü kapalı tahmini olarak büyük verileri kullanırlar. Girdi verileri olarak yalnızca geçmiş getirilere ve getirilerin kovaryansına dayanan klasik portföy optimizasyon yöntemlerinden farklı olarak, yöntemleri rejime uyum sağlamak ve mevcut durumda en uygun portföyü bulmak için mevcut piyasa durumunu, teknik ve temel göstergeleri ve makroekonomik göstergeleri dikkate alır. Market koşulları. Ekip, belirli bir varsayımsal sermaye tahsisi verildiğinde getirileri hesaplamak için simülasyonu değil, gerçek piyasa verilerini kullandıklarını açıklayarak Soru-Cevap bölümündeki soruları yanıtlıyor.

  • 00:20:00 Bu bölümde Ernest Chan, makine öğrenimi yoluyla portföy optimizasyonunda kullanılan özelliklerin türlerini açıklıyor. Yalnızca zaman serisi özniteliklerinin kullanıldığını ve hiçbir yatay kesit özelliğinin söz konusu olmadığını vurgulamaktadır. Bu yöntem, finans, oynaklık, fiyatlar ve faiz oranlarını ölçen faktörler gibi bir bütün olarak portföy veya piyasa rejiminin özelliklerine odaklanır. Bu garip görünse de, Chan bunu Çiftçi-Fransız Üç Faktör Modeli'nin açıklayıcı kalitesiyle ilişkilendirir. Makine öğrenimi modellerini kullanarak amaç, getirileri tahmin etmek değil, optimum portföy optimizasyonuna ulaşmak için bunları doğru bir şekilde sıralamaktır.

  • 00:25:00 Bu bölümde Ernest Chan, finansal uygulamalarda sıralamanın önemini ve bunun portföy optimizasyonuna nasıl uygulanabileceğini tartışıyor. Kesitsel getirileri tahmin etmek için makine öğrenimi modellerini kullanmanın geleneksel yöntemlerinin, geri dönüş tahminlerinin büyüklük ve işaret olarak doğru olmaması durumunda bir çöp girişi, çöp çıkışı durumuyla sonuçlanabileceğini açıklıyor. Ancak Fama-French Factor modelini ve sıralamanın tahminden daha önemli olduğu düşüncesini birleştiren CPO yöntemi ile optimal çözüm, programın herhangi bir adımındaki hatalara karşı çok daha kararlıdır. Ayrıca, bu yöntemin sıralama nedeniyle makine öğrenimi tahminindeki muazzam hataları tolere edebileceğini belirtiyor.

  • 00:30:00 Bu bölümde, Ernest Chan, davranışsal finansın etkisinin, opsiyon satın alma faaliyetlerinin net Delta'sı gibi bilinen piyasa ölçütleri kullanılarak nasıl ölçülebileceğini tartışıyor. Şirketinin bu metriği, fenomenin temel nedeninden ziyade fenomenin etkisini hesaba katan CBO modelindeki özelliklerden biri olarak kullandığını açıklıyor. Chan daha sonra CBO modelinin performansının, ortalama varyans yöntemini yenmek ve geleneksel varlıkları geride bırakmak da dahil olmak üzere somut sonuçlarını paylaşıyor. Ek olarak, CBO yönteminin, diğer yöntemlere kıyasla belirli zaman dilimlerinde büyüme stoklarına ve büyük sermayeli stoklara ağırlık tahsis etmede nasıl daha iyi performans gösterdiğine dair bir örnek sunuyor.

  • 00:35:00 Bu bölümde, konuşmacı, piyasa rejimine uyum sağlayabildiği için klasik yöntemlerden daha iyi performans gösteren CBO (Kombinatoryal Bayesian Optimization) yönteminin aksine, klasik yatırım ve ticaret yöntemlerinin nasıl sabit olduğunu ve uyarlanabilir olmadığını açıklıyor. daha iyi performans. CBO, mevcut portföyün kendisiyle ilişkili işlem maliyetlerine zaten sahip olmasına rağmen işlemleri optimize etmek ve tavsiye etmek için tasarlanmıştır. CBO, ek işlem maliyetlerine neden olmaz ve yalnızca belirli hisse senetlerinin daha fazla veya daha az satın alınmasını önerir. Konuşmacı daha sonra CBO yöntemini benimseyen ve portföylerinin performansında iyileşme gören müşterilerin örneklerini aktarır.

  • 00:40:00 Bu bölümde Ernest, her hisse senedinde yüzde sıfır ila 25'lik kısıtlamalara rağmen bir hisse senedi portföyünde pozitif getiri elde edebildikleri bir vaka çalışmasından bahsediyor. Portföy teknoloji hisselerinden oluşuyordu ve 2022'de kötü bir şekilde çökmesi bekleniyordu, ancak o dönemde yüzde 50'yi nakde ayırma yöntemleri getiri elde etmeye yardımcı oldu. Metodlarının tekrar üretilebilirliği sorulduğunda Ernest, seçeneklerin net Deltası gibi bazı özelliklerin önemli girdi özellikleri olmasına rağmen, web sitelerinde bunların üst düzey bir açıklamasını ifşa ettiklerini açıklıyor. Ayrıca, makine öğrenimi için gradyan süreç karar ağaçlarının ve diğer algoritmaların kullanılmasından bahseder ve bunların piyasa rejimini tanımlamaya yaklaşımları, yüzlerce özelliği kullanarak temsil yoluyladır.

  • 00:45:00 Bu bölümde Chan, Sharpe oranı gibi bir yanıt değişkeni oluşturarak ve her piyasa durumu için kontrol değişkeninin farklı senaryoları için bir F işlevi uydurarak makine öğreniminin optimizasyon için nasıl kullanılabileceğini açıklıyor. Denetimli öğrenme algoritmasının etiketi, Sharpe oranı gibi maksimize edilecek değişkendir ve her portföy teklifi, en iyi performans gösteren portföy bulunana kadar tahmin formülüne beslenir. Chan, sorunun karmaşıklığının portföydeki varlıkların sayısıyla doğrusal olarak ölçeklenmediğini, ancak ekibinin sorunu yönetmek için bir algoritma geliştirdiğini belirtiyor. Kullandıkları en büyük portföy evreni S&P 500'dür.

  • 00:50:00 Bu bölümde Ernest Chan, nakit tahsisini bir gösterge olarak kullanarak makine öğrenimi modelinin rejim değişikliklerine nasıl yanıt verdiğine dair bir örnek sunuyor. 2022'de ayı piyasası başladığında model çoğu zaman nakitte kaldı ve portföyü negatif getirilerden kurtardı. Ayrıca, öğrenme algoritmasının ve optimizasyon algoritmasının doğrusal olmayan doğası nedeniyle, amaç işlevinin yalnızca geleneksel maksimum keskin oran veya getiriye değil, herhangi bir şeye ayarlanabileceğinden ve ağırlıklar, ESG ve ciro gibi kısıtlamaların ayarlanabileceğinden bahseder. uygulanacak. Yazılım esnektir ve müşterinin sağladığı tüm pazar özelliklerini barındırabilir. Ek olarak Chan, portföydeki bileşenlerin eklenmesine ve silinmesine izin verdiği için modelin kısa geçmişe sahip hisse senetleri ile başa çıkabileceğinden ve modelin her yeniden dengeleme ile yeniden eğitilebileceğinden bahseder.

  • 00:55:00 Bu bölümde Chan, S&P 500 Endeksi ve bileşenleri için getiri hesaplamasını tartışıyor. Portföyün getirilerini hesaplamak için bir makine öğrenimi algoritması kullanmanın Markowitz tekniğini kullanmaktan farklı olduğunu, çünkü makine öğrenimi algoritmasının girdi olarak hisse senedi getirileri yerine zaman serisi özelliklerini kullandığını açıklıyor. Chan ayrıca, rejim değişikliğinin 180 değişken tarafından tanımlandığını ve günlük, aylık ve üç aylık ölçümlerin, portföyün geleceğini tahmin etmede yararlı olan en üst sıradaki özellikleri seçen bir makine öğrenme algoritmasına beslenen özellikler olarak kullanıldığını belirtiyor. Son olarak Chan, problemi bir regresyon problemi yerine bir sıralama problemi olarak yeniden çerçevelendirir ve aynı zamanda bir sınıflandırma problemi olarak da yeniden çerçevelenebilir.

  • 01:00:00 Bu bölümde, konuşmacı tek bir optimal portföy yerine bir portföy topluluğu kullanma olasılığını tartışıyor, ancak araştırma ekibinin bunu daha ayrıntılı incelemesi gerekiyor. Ayrıca, portföylerin bir milyon kombinasyonu varsa, modelin her gün tarihsel verilerden oluşan bir milyon kombinasyon üzerinde eğitilmesi gerektiğini de doğruluyorlar. Ancak, bu tür bir hesaplama gücüne olan ihtiyacı ortadan kaldıran "gizli sosundan" bahsediyorlar. Konuşmacı ayrıca, rejimleri tahmin etmek ve ardından bu rejimin getiri dağılımını şartlandırmak için iki aşamalı bir süreç kullanmadıklarını, bunun yerine bir portföyün performansını doğrudan tahmin etmek için görsel faktörü kullandıklarını açıklıyor. Modellerine bu eğitim örneğinin çoğunu dahil ederlerse, beklenen getirilerin geçmişte olanlara benzer olacağını söyleyerek tartışmayı sonlandırırlar.
Ernest Chan (Predictnow.ai) - "How to Use Machine Learning for Optimization"
Ernest Chan (Predictnow.ai) - "How to Use Machine Learning for Optimization"
  • 2023.03.01
  • www.youtube.com
Abstract: Conditional Portfolio Optimization is a portfolio optimization technique that adapts to market regimes via machine learning. Traditional portfolio...
 

Finansal Makine Öğrenimi - Bir Uygulayıcının Bakış Açısı, Dr. Ernest Chan



Finansal Makine Öğrenimi - Bir Uygulayıcının Bakış Açısı, Dr. Ernest Chan

Bu bilgilendirici videoda Dr. Ernest Chan, finansal makine öğrenimi alanını inceliyor, birkaç önemli yönü keşfediyor ve önemli hususlara ışık tutuyor. Aşırı uyumdan kaçınmanın önemini vurgular ve modellerde şeffaflığı savunur. Ayrıca Dr. Chan, piyasa davranışını tahmin etmek için doğrusal olmayan modeller kullanmanın faydalarını vurguluyor. Bununla birlikte, finansal piyasada makine öğreniminin yansıma ve piyasanın sürekli değişen dinamikleri gibi sınırlamalarını da tartışıyor.

Dr. Chan'ın vurguladığı çok önemli bir nokta, finansal veri biliminde alan uzmanlığının önemidir. Bir modelin sonuçlarını etkileyen temel değişkenleri daha iyi anlamak için özellik seçimine duyulan ihtiyacın altını çiziyor. Yatırımcılar ve tacirler, bu önemli girdileri tanımlayarak kayıpları hakkında fikir edinebilir ve belirli kararların neden alındığını anlayabilir.

Dr. Chan ayrıca risk yönetimi ve sermaye tahsisinde makine öğreniminin uygulanmasına da değiniyor. Bir niş pazar bulmayı ve iyi finanse edilen kuruluşlarla doğrudan rekabetten kaçınmayı öneriyor. Bunu yaparak, uygulayıcılar bu alanlarda başarı şanslarını artırabilirler.

Video boyunca Dr. Chan, farklı model ve stratejilerle ilgili avantajları ve zorlukları vurguluyor. Doğrusal modeller gibi geleneksel niceliksel stratejilerin anlaşılması kolay ve fazla uydurmaya daha az yatkın olsa da, öngörücüler arasındaki doğrusal olmayan bağımlılıkla mücadele ettiklerini belirtiyor. Buna karşılık, makine öğrenimi modelleri doğrusal olmayan ilişkilerin üstesinden gelmede mükemmeldir, ancak bunların karmaşıklığı ve opaklığı, sonuçlarının yorumlanmasında ve istatistiksel anlamlılığın değerlendirilmesinde zorluklara neden olabilir.

Dr. Chan ayrıca finansal piyasayı tahmin etmek için makine öğrenimini kullanmanın sınırlamalarını da tartışıyor. Pazarın sürekli olarak geliştiğini ve bunun da doğru tahmin yapmayı zorlaştırdığını vurguluyor. Ancak, aynı parametrelerle rekabet etmenin daha az olası olduğu ticaret stratejileri gibi özel bilgileri tahmin etmede makine öğreniminin başarılı olabileceğini öne sürüyor.

Ek olarak Dr. Chan, kategorik veriler de dahil olmak üzere temel verilerin makine öğrenimi modellerine dahil edilmesine değiniyor. Makine öğrenimi modellerinin, hem gerçek değerli hem de kategorik verileri işlemede doğrusal regresyon modellerine göre bir avantajı olduğuna dikkat çekiyor. Ancak, etkili özellikler oluşturmak ve verileri doğru bir şekilde yorumlamak için derin etki alanı uzmanlığının hala çok önemli olduğunu vurgulayarak yalnızca makine öğrenimine güvenmemek konusunda uyarıda bulunuyor.

Sermaye tahsisi alanında Dr. Chan, makine öğreniminin gelecekteki başarının tek göstergesi olarak geçmiş performansın kullanılmasına meydan okuyarak nasıl daha sofistike beklenen getiriler sağlayabileceğinin altını çiziyor. Ayrıca, klasik istatistiklerdeki statik olasılık dağılımlarının aksine, günlük olarak değişen olasılıklarla makine öğreniminin sunabileceği pazar anlayışının nüanslarını tartışıyor.

Dr. Chan, alan uzmanlığı gerektiren çeşitli kesitsel özellikler oluşturmada derin öğrenmenin sınırlamalarını ele alarak bitiriyor. Takviyeli öğrenmenin finansal modellerde uygulanabilirliği hakkındaki düşüncelerini paylaşıyor, yüksek frekanslarda potansiyel etkinliğine ancak daha uzun zaman ölçeklerinde sınırlamalarına dikkat çekiyor.

Finansal makine öğrenimini daha fazla keşfetmekle ilgilenenler için Dr. Chan, şirketi PredictNow.ai'yi kodsuz finansal makine öğrenimi uzmanlığı için değerli bir kaynak olarak öneriyor.

  • 00:00:00 daha yaygın olarak kullanılmaya başlandıkları gerçeği. Videonun bu bölümünde, Dr. Ernest Chan, makine öğrenimindeki uzun geçmişini ve bunu yakın zamana kadar yapmanın zor olduğunu kabul ettiği finansa uygulamada nasıl değer bulduğunu tartışıyor. On yıllardır kantitatif tüccarlar için iyi çalışan tek faktörlü ve doğrusal modeller gibi basit modelleri ve stratejileri savunuyor. Miktar ticaretinin artmasıyla bu modeller daha az kârlı hale geliyor ve Chan, çoğu insanın yapmadığı bir şekilde makine öğreniminden nasıl değer çıkarabildiğini açıklıyor.

  • 00:05:00 Bu bölümde, Dr. Ernest Chan, finansal makine öğrenimindeki aşırı uyumun tarihi sorununu tartışıyor; modellerin birden fazla parametreye uyması gerektiğinde, özellikle günlük finansal zaman serileri gibi düşük frekanslı finansal verilerle çalışırken aşırı uyum riski çok yüksektir. Ancak yıllar içinde makine öğrenimindeki, özellikle derin öğrenmedeki gelişmeler, fazla uydurmanın üstesinden gelmeyi mümkün kıldı. Rastgele orman, çapraz doğrulama, bırakma ve diğerleri gibi teknikler, fazla uydurmanın azaltılmasına yardımcı oldu ve algoritmalar gibi diğer araçlar, makine öğrenimini şeffaf hale getirdi. Kara kutu ticaretindeki sorun ve şeffaflığın olmaması, para kazansanız bile belirli işlemleri neden yaptığınızı açıklayamamanın kabul edilemez olmasıdır.

  • 00:10:00 Bu bölümde Dr. Ernest Chan, tacirlerin ve yatırımcıların belirli bir makine öğrenimi modelinin sonucuna götüren önemli değişkenleri daha iyi anlamalarına yardımcı olabilecek makine öğreniminde özellik seçimi kavramını tartışıyor. Özellik seçimi, yatırımcıların neden para kaybettiklerine veya bir modelin neden bu sonuca götüren önemli girdileri belirleyerek yanlış bir karar verdiğine dair fikir edinmelerine yardımcı olabilir. Dr. Chan ayrıca, piyasa tahminleri geçmişteki kalıpları tespit etmede zorluklar yaratan yansımaya tabi olduğundan, makine öğreniminin risk yönetimi ve sermaye tahsisi için birincil sinyal oluşturucudan daha etkili bir şekilde kullanılabileceğinin altını çiziyor.

  • 00:15:00 Bu bölümde, Dr. Ernest Chan, sürekli gelişen ve kanser gibi hastalıkları tahmin etmekle kıyaslanamayan finansal piyasayı tahmin etmek için makine öğrenimini kullanmanın sınırlamalarını tartışıyor. Ancak, ticaret stratejileri gibi özel bilgileri tahmin etmek için makine öğrenimini kullanmanın başarılı bir yaklaşım olabileceğini, çünkü diğer koruma fonlarının aynı kesin parametrelerle rekabet etmediğini açıklıyor. Ayrıca, geleneksel nicel stratejileri makine öğrenimi tabanlı stratejilerle karşılaştırıyor ve makine öğreniminin doğrusal olmayan modeller aracılığıyla alternatif ve büyük veri kümelerini modellemeye yardımcı olabileceğine dikkat çekiyor.

  • 00:20:00 Bu bölümde Dr. Ernest Chan, piyasa davranışını tahmin etmek için doğrusal olmayan modeller kullanmanın faydalarını tartışıyor. Geleneksel nicelik modellerinin anlaşılması kolaydır ve doğrusaldır, bu da fazla uydurmayı zorlaştırır, ancak öngörücüler arasındaki doğrusal olmayan bağımlılığı kaldıramazlar. Öte yandan makine öğrenimi modelleri, doğrusal olmayan bağımlılığı kolaylıkla halledebilir ve karmaşıklıkları ile opaklıkları, kopyalanmalarını zorlaştırır. Ayrıca makine öğrenimi modelleri, daha bilinçli sermaye tahsisine izin vererek bir başarı olasılığı sağlar. Ancak, fazla uydurma, makine öğrenimi modelleriyle ilgili bir sorundur ve istatistiksel önemi değerlendirmek zor olabilir. Geriye dönük testleri simüle etmek kusurlu bir çözümdür ve piyasanın nüansları bir simülasyonda tam olarak yakalanamaz.

  • 00:25:00 Bu bölümde Dr. Ernest Chan, geleneksel nicel stratejiler ile makine öğrenimi tabanlı stratejiler arasındaki farkı tartışıyor. Pazarı simüle etmenin ve geleneksel stratejiler için doğru hata çubukları oluşturmanın çok daha zor olduğunu, bu da bunların etkililiğini değerlendirmeyi zorlaştırdığını açıklıyor. Öte yandan, makine öğrenimi modellerinin birden fazla geri test oluşturması kolaydır, sadece rastgele çekirdeği değiştirerek ve her geri test potansiyel olarak farklı sonuçlar verir. Bu rasgelelik, geriye dönük testlerin istatistiksel öneminin daha kolay değerlendirilmesine izin vererek, ticarette makine öğrenimini kullanmanın büyük bir avantajı olmasını sağlar. Ancak, finansal veri bilimi, bir strateji oluşturmanın en zor ve zaman alıcı adımıdır, çünkü genellikle saygın satıcılardan bile finansal verilerle ilgili çok sayıda sorun vardır.

  • 00:30:00 Bu bölümde, Dr. Ernest Chan, duyarlılık verilerinin kullanılmasıyla ilgili bazı sorunların ana hatlarını çiziyor. Haberleri işleyen şirketler geri dönüp iyi görünmek için parametreleri değiştirebildikleri için duyarlılık verilerine her zaman güvenilemeyeceğini belirtiyor. Verilere önyargıyla bakılıp bakılmadığının bilinmemesi nedeniyle, ham haber bültenlerini yeni duygulara dönüştürmek gerekir ve bu da bir risk oluşturur. Ayrıca veriler, yanıtların otomatikleştirilmesinde önemli bir zorluk teşkil eder. Finansal makine öğrenimi problemlerinde paradoksal bir konu olan alan uzmanlığı aracılığıyla insan zekası gerektirdiğinden, finansal veri bilimi adımı zordur. İkinci adım, teknoloji endüstrisinin zaten çözdüğü makine öğrenimidir. Son adım, tahmini tutarlı bir stratejide bir araya getirmeyi ve istatistiksel önemi değerlendirmeyi gerektiren ticaret stratejileri oluşturmak ve geriye dönük test etmektir.

  • 00:35:00 Bu bölümde Dr. Ernest Chan, finans ders kitaplarında bulunabilen standart bir rutini izleyerek tahminlerin bir portföye nasıl dönüştürüleceğini tartışıyor. Ancak, bu biraz alan uzmanlığı gerektirir ve tamamen otomatik değildir. Ayrıca, özellikleri durağan hale getirmek gibi finansal veri biliminin zorluklarını ve piyasayı tahmin etmek yerine bir stratejinin karlı olup olmayacağını tahmin etmek için meta etiketleme kullanmanın önemini vurguluyor. Dr. Chan, daha fazla bilgi için finansa uygulanan meta etiketleme hakkındaki blog gönderisini okumanızı önerir. Ayrıca, doğrusal olmayan durumu iyi yakaladığı ve doğru karmaşıklığa sahip olduğu için Random Forest'ın finansal makine öğrenimi için en popüler model seçimi olduğundan bahsediyor.

  • 00:40:00 Bu bölümde Dr. Ernest Chan, pazar trendlerini tahmin etmede ve kayıpları önlemede makine öğreniminin öneminden bahsediyor. Dünya ekonomisindeki terör faaliyetlerinin varlığını tespit etmek için bir makine öğrenimi modeli kullanma konusundaki kişisel deneyimini paylaşıyor ve Pfizer aşı duyurusunda olduğu gibi, onun tavsiyelerine uymamanın risklerine karşı uyarıda bulunuyor. Ayrıca, yatırımcılara kayıpları açıklamada özellik seçiminin önemini vurguluyor ve yeni başlayanlar için makine öğrenimi üzerine kendi kitabını öneriyor. Buna ek olarak, Dr. Chan, durağan olmayan bir zaman serisinin modelin doğru tahmin etme yeteneğini nasıl olumsuz etkileyebileceğine dair bir örnek paylaştığı doğru tahminler yapmada veri temizliğinin ve durağanlığın önemini vurguluyor.

  • 00:45:00 Bu bölümde Dr. Ernest Chan, temel verileri, özellikle kategorik verileri makine öğrenimi modellerine dahil etmeyi tartışıyor. Doğrusal regresyon modelleri kategorik verileri işleyemezken, makine öğrenimi modelleri hem gerçek değeri hem de kategorik verileri işleyebilir. Bununla birlikte, Dr. Chan, finansal makine öğreniminin özellikler oluşturmak ve verileri doğru bir şekilde yorumlamak için derin alan uzmanlığı gerektirdiğinden, makine öğreniminin tamamen insan tüccarların yerini alamayacağını vurguluyor. Ek olarak, derin öğrenmeye körü körüne tapınmaya karşı uyarıda bulunuyor ve yeterli ilgili veri olmadan bunun her duruma uyan tek bir çözüm olmadığını vurguluyor. Son olarak, genç uygulayıcılara niş bir pazar bulmalarını ve iyi finanse edilen kuruluşlarla doğrudan rekabet etmekten kaçınmalarını tavsiye ediyor.

  • 00:50:00 Bu bölümde Dr. Ernest Chan, sermaye tahsisini ve makine öğreniminin sermaye varlık tahsisi modeline bir girdi olarak nasıl daha sofistike bir beklenen getiri sağlayabileceğini tartışıyor. Gelecekteki başarıyı garanti etmeyen geçmiş performansı beklenen getiri olarak kullanmanın çelişkisini sorguluyor. Makine öğrenimi, yalnızca statik dağılım olasılığı sağlayan klasik istatistiklerin aksine, her gün değişen olasılıklarla piyasanın incelikli bir şekilde anlaşılmasını sağlayabilir. Tekrarlayan evrişimli sinir ağları gibi derin öğrenme yöntemleri söz konusu olduğunda, Dr. Chan bunların zaman serisi olmayan girdiler ve özellik seçimi için yararlı olmayabileceğini düşünüyor.

  • 00:55:00 Bu bölümde, Dr. Ernest Chan, alan uzmanlığı gerektiren başarılı tahminler yapmak için gerekli olan çeşitli kesit özellikleri oluşturmada derin öğrenmenin sınırlamalarını tartışıyor. Ayrıca, çeşitli zaman ölçeklerinde finansal modellerde pekiştirmeli öğrenmenin yeri hakkında da görüş bildirmektedir. Takviyeli öğrenmenin, emir defterine emir veren insanlara tepki verebileceğinden, yüksek frekanslı ticaret için çok yüksek bir frekansta çalışabileceğine inanıyor, ancak daha uzun zaman ölçeklerinde başarısız oluyor. Son olarak, kendisi gibi birinin uzmanlığıyla ilgilenenler için kodsuz finansal makine öğrenimi için harika bir kaynak olarak şirketi PredictNow.ai'yi tavsiye ediyor.
Financial Machine Learning - A Practitioner’s Perspective by Dr. Ernest Chan
Financial Machine Learning - A Practitioner’s Perspective by Dr. Ernest Chan
  • 2020.11.12
  • www.youtube.com
QUANTT and QMIND came together to offer a unique experience for those interested in Financial Machine Learning (ML). Unifying these two clubs is Dr. Ernest C...
 

Derin Takviyeli Öğrenme ile Alım Satım | Doktor Thomas Starke


Derin Takviyeli Öğrenme ile Alım Satım | Doktor Thomas Starke

Alım satım için derin takviyeli öğrenme alanında uzman olan Dr. Thomas Starke, anlayışlı bir sunum yaptı ve izleyicilerle bir Soru-Cevap oturumu gerçekleştirdi. Konuşmasının genişletilmiş bir özeti aşağıdadır:

Dr. Starke, ticaret için derin takviyeli öğrenmeyi tanıtarak başladı ve makinelerin görevleri doğrudan denetim olmadan çözmesini sağlama becerisini vurguladı. Bir bilgisayar oyunu oynamak için makine öğrenimi analojisini kullandı, burada ekranda gördüklerine göre karar vermeyi öğrendi ve karar zincirine göre başarı veya başarısızlığa ulaştı.

Daha sonra, durumların piyasa parametreleriyle ilişkilendirildiği ve eylemlerin süreci bir durumdan diğerine geçirdiği ticarette bir Markov karar süreci kavramını tartıştı. Amaç, belirli bir politika ve durum verildiğinde beklenen ödülü en üst düzeye çıkarmaktır. Piyasa parametreleri, makinenin yapılacak işlemler hakkında bilinçli kararlar vermesine yardımcı olmada çok önemlidir.

Alım satımda karar verme süreci, sistemin durumunu bildiren çeşitli göstergelere dayalı olarak alım, satım veya tutma kararlarını içerir. Dr. Starke, yanlış tahminlere yol açabileceğinden, her eyalet için yalnızca anlık kar veya zarar etiketlerine güvenmemenin önemini vurguladı. Bunun yerine, makinenin, başlangıçta ona karşı gelse bile bir ticarette ne zaman kalması gerektiğini anlaması ve işlemin çıkmadan önce ortalama çizgiye geri dönmesini beklemesi gerekir.

Bir ticaretin kâr ve zararındaki her adımı etiketlemenin zorluğuna değinmek için, Dr. Starke geriye dönük etiketlemeyi tanıttı. Bu yaklaşım, anında karla sonuçlanmasa bile her eyleme ve duruma sıfır olmayan bir değer atamak için Bellman denklemini kullanır. Bu, ortalama ve nihai kara geri dönüş olasılığını sağlar.

Derin takviye öğrenimi, gelecekteki sonuçlara dayalı olarak ticaret kararları vermeye yardımcı olabilir. Geleneksel takviyeli öğrenme yöntemleri, geçmiş deneyimlere dayanan tablolar oluşturur, ancak ticarette durumların ve etkilerin sayısı çok fazladır. Bu karmaşıklığın üstesinden gelmek için, derin takviyeli öğrenme, bu tablolara yaklaşmak için sinir ağlarını kullanır ve bu da onu çok büyük bir tablo oluşturmadan mümkün kılar. Dr. Starke, durumu tanımlamak için doğru ödül işlevini ve girdileri bulmanın önemini tartıştı ve sonuç olarak alım satım için daha iyi karar vermeyi mümkün kıldı.

Alım satımda girdilerin önemi vurgulanarak tahmin değerine sahip olmaları gerektiği vurgulandı. Starke, sistemi bilinen davranış açısından test etmenin ve seçilen ödül işlevine dayalı olarak sinir ağının uygun tipini, boyutunu ve maliyet işlevini seçmenin önemini vurguladı. Tarihsel ve cari fiyatların, teknik koruma verilerinin ve alternatif veri kaynaklarının durumu oluşturduğu ve ödülün ticaretin kar ve zararı (P&L) olduğu ticarette oyunlaştırmanın nasıl kullanıldığını anlattı. Makine, Bellman denklemini kullanarak gözlemleri geriye dönük olarak etiketler ve karar vermeyi iyileştirmek için sinir ağları tarafından yaklaşık olarak tahmin edilen tabloları sürekli olarak günceller.

Takviyeli öğrenme ile eğitim konusunda Dr. Starke, çeşitli noktalarda rasgele giriş ve çıkış dahil olmak üzere fiyat serilerini yapılandırmanın farklı yollarını tartıştı. Ayrıca, bir ödül işlevi tasarlamanın zorluğuna da değindi ve saf yüzde K&Z, tıklama başına kâr ve Sharpe oranı gibi örnekler ve ayrıca uzun mesafe sürelerini veya düşüşleri önleyecek yöntemler sağladı.

Alım satım girdileri açısından, Dr. Starke, açık-yüksek-düşük-kapanış ve hacim değerleri, mum kalıpları, göreceli güç endeksi gibi teknik göstergeler, günün/haftanın/yılın saati ve fiyatların ve teknik bilgilerin girilmesi gibi çok sayıda seçenekten bahsetti. diğer enstrümanlar için göstergeler. Duyarlılık veya uydu görüntüleri gibi alternatif veri kaynakları da düşünülebilir. Anahtar, bilgisayar oyunlarında karar vermek için girdi özelliklerinin nasıl kullanıldığına benzer şekilde, bu girdileri karmaşık bir duruma getirmektir.

Dr. Starke, takviye öğrencisinin ticaret için kullanılmadan önce geçmesi gereken test aşamasını açıkladı. Temiz sinüs dalgaları, trend eğrileri, yapısı olmayan rastgele seriler, farklı türde sıra korelasyonları, temiz test eğrilerinde gürültü ve yinelenen modeller dahil olmak üzere çeşitli testleri özetledi. Bu testler, makinenin sürekli olarak kâr sağlayıp sağlamadığını belirlemeye ve kodlamadaki kusurları belirlemeye yardımcı olur. Dr. Starke ayrıca standart, evrişimli ve uzun kısa süreli bellek (LSTM) gibi kullanılan farklı sinir ağları türlerini de tartıştı. Aşırı hesaplama çabası gerektirmeden ihtiyaçlarını karşılayan daha basit sinir ağlarını tercih ettiğini ifade etti.

Dr. Starke daha sonra ticaret için takviyeli öğrenmeyi kullanmanın zorluklarını araştırdı. Özellikle gürültülü finansal zaman serilerinde sinyal ve gürültüyü ayırt etmenin zorluğunu kabul etti. Ayrıca, yeni davranışları öğrenmeyi zorlaştıran, piyasa davranışındaki değişikliklere uyum sağlamak için pekiştirmeli öğrenme mücadelesinin altını çizdi. Ek olarak, takviyeli öğrenmenin önemli miktarda eğitim verisi gerektirmesine rağmen, piyasa verilerinin genellikle seyrek olduğunu belirtti. Takviyeli öğrenme, temel piyasa modellerine göre hareket etme eğiliminde olduğundan ve kolayca fazla giyilebildiğinden, fazla uydurma başka bir endişe kaynağıdır. Daha karmaşık sinir ağları oluşturmak bu sorunu azaltabilir, ancak bu zaman alan bir iştir. Genel olarak Dr. Starke, pekiştirmeli öğrenmenin karlı sonuçlar için garantili bir çözüm olmadığını ve ticarette başarıya ulaşmak için pazar deneyimine ve alana özgü bilgiye sahip olmanın çok önemli olduğunu vurguladı.

Soru-Cevap oturumu sırasında Dr. Starke, derin pekiştirmeli öğrenme ile ticaretle ilgili çeşitli soruları ele aldı. Bellman denkleminin ileriye dönük önyargı getirmediğini açıkladı ve dikkatli bir analizin ardından teknik göstergelerin girdi olarak potansiyel kullanımını tartıştı. Ayrıca hisse senedi fiyatlarını tahmin etmek için uydu görüntülerinden yararlanma olasılığını araştırdı ve sinir ağı hesaplama süresine bağlı olarak küçük zaman dilimlerinde takviye ticaretinin yapılabileceğini açıkladı. Takviyeli ticaret algoritmalarının piyasa anormalliklerine karşı hassas olduğu konusunda uyardı ve takviyeli öğrenmeyi kullanarak rastgele karar ağaçlarını eğitmenin neden anlamlı sonuçlar vermediğini açıkladı.

Dr. Starke, soruna uygunluklarından dolayı karar ağaçları veya destek vektör makineleri yerine ticaret için sinir ağlarının kullanılmasını önerdi. Kullanılan ödül işlevine dayalı olarak kayıp işlevini ayarlamanın önemini vurguladı. Takviyeli öğrenmeyi yüksek frekanslı ticarete uygulamak için bazı girişimlerde bulunulurken, Dr. Starke, gerçek zamanlı piyasalarda yanıt verme yeteneğinden yoksun yavaş sinir ağlarının zorluğunun altını çizdi. Finans sektöründe ticaret kariyeri yapmakla ilgilenen kişilere piyasa bilgisi edinmelerini, gerçek ticaret yapmalarını ve deneyimlerinden öğrenmelerini tavsiye etti. Son olarak, görevin karmaşıklığını kabul ederek sinir ağlarını ve opsiyon ticaretini birleştirmenin zorluklarını tartıştı.

Sonuç olarak, Dr. Thomas Starke, derin pekiştirmeli öğrenme ile ticarete ilişkin değerli bilgiler verdi. Ticarette karar verme süreci, geriye dönük etiketleme, Bellman denklemi, girdilerin önemi, test aşamaları ve ticaret için pekiştirici öğrenmeyle ilgili zorluklar gibi konuları ele aldı. Konuşması ve Soru-Cevap oturumu aracılığıyla Dr. Starke, finansal piyasalarda derin pekiştirmeli öğrenmeden yararlanmak için rehberlik ve pratik düşünceler sundu.

  • 00:00:00 Dr. Thomas Stark, birkaç yıldır ilgilendiği bir konu olan ticaret için derin pekiştirmeli öğrenmeyi tanıtıyor. Takviyeli öğrenme (RL), bir makinenin bir görevi gözetim olmadan çözmesine izin veren bir tekniktir ve olumlu sonuçlar üretmek için ne yapması gerektiğini kendi kendine öğrenir. Bilgisayar oyunu oynamayı öğrenmek isteyen bir makinenin, bir oyun senaryosunda nasıl başlayıp bir adımdan diğerine geçerek ekranda gördüklerine tepki verdiğini anlatıyor. Sonunda oyun sona erer ve makine verdiği kararlar zincirine göre başarı veya başarısızlık elde eder.

  • 00:05:00 Dr. Thomas Starke, derin pekiştirmeli öğrenme ile ticareti tartışıyor ve Markov karar süreci kavramını açıklıyor. Bu süreçte, bir durum belirli bir piyasa parametresiyle ilişkilendirilir ve bir eylem, süreci bir durumdan diğerine geçirir. Geçişe bağlı olarak, temsilci ya olumlu ya da olumsuz bir ödül alır. Amaç, belirli bir politika ve durum verildiğinde beklenen ödülü maksimize etmektir. Alım satımda, piyasa parametreleri aracının hangi durumda olduğunu belirlemek ve hangi eylemi yapacağına karar vermesine yardımcı olmak için kullanılır.

  • 00:10:00 Dr. Thomas Starke, sistemin durumunu bildiren çeşitli göstergelere dayalı olarak satın alma, satma veya elde tutma kararlarını içeren ticaretle ilgili karar verme sürecini tartışıyor. Amaç, ticaretin karı veya kaybı olan mümkün olan en iyi ödülü almaktır. Bununla birlikte, bir duruma anında kar veya zarar gibi belirli bir etiket vermeye yönelik geleneksel makine öğrenimi yaklaşımı, yakın gelecekte ticaret aleyhimize giderse yanlış etiketlere yol açabilir. Bu nedenle, makine başlangıçta bize karşı gelse bile ne zaman işlemde kalacağını anlamalı ve işlemden çıkmak için işlem ortalama çizgiye dönene kadar bekleme inancına sahip olmalıdır.

  • 00:15:00 Dr. Thomas Starke, geriye dönük etiketlemeyi ve bir ticaretin kâr ve zararındaki her adımı etiketlemenin zorluğunu ele almak için pekiştirici öğrenmede nasıl kullanıldığını tartışıyor. Geleneksel makine öğreniminin ticaretin her adımını etiketlediğini ve ticaretin bir kayıp yaşaması halinde gelecekte kârlı hale gelip gelmeyeceğini tahmin etmeyi zorlaştırdığını açıklıyor. Geriye dönük etiketleme, anında kâr sağlamasa bile her eyleme ve duruma sıfır olmayan bir değer atamak için Bellman denklemini kullanır ve ortalama ve nihai kâra geri dönüş sağlar.

  • 00:20:00 Dr. Thomas Starke, alım satımda gecikmiş memnuniyet sorununu çözmek için pekiştirmeli öğrenmenin nasıl kullanılacağını açıklıyor. Bellman denklemi, bir eylemin ödülünü hesaplamak için kullanılır; "r" anlık ödülü ve "q" kümülatif ödülü temsil eder. Gama, önceki sonuçlara kıyasla gelecekteki sonuçlara ağırlık veren bir indirgeme faktörüdür. Takviyeli öğrenmeyi kullanarak, alım satım kararları yalnızca anlık ödüllere değil, aynı zamanda gelecekteki daha yüksek ödüller için pozisyonları tutmaya da dayalıdır. Bu, açgözlü karar vermeye kıyasla daha bilinçli karar vermeye izin verir.

  • 00:25:00 Dr. Thomas Starke, derin pekiştirmeli öğrenmenin gelecekteki sonuçlara dayalı ticaret kararları vermede nasıl yardımcı olabileceğini tartışıyor. Geleneksel takviyeli öğrenme, geçmiş deneyimlere dayanan tablolar oluşturmayı içerir, ancak ticarette bu, çok sayıda durum ve etki nedeniyle karmaşık hale gelir. Bu nedenle çözüm, çok büyük bir tablo oluşturmadan bu tablolara yaklaşmak için derin pekiştirmeli öğrenme ve sinir ağlarını kullanmaktır. Alım satımın oyunlaştırılmasını kullanmanın uygulamasını ve durumu tanımlamak için doğru ödül işlevini ve girdileri bulmayı açıklıyor. Genel olarak, derin pekiştirmeli öğrenmenin kullanılması ticaret için karar vermede yardımcı olabilir.

  • 00:30:00 Bu bölümde, Dr. Starke, ticarette girdilerin önemini ve bunların nasıl bir tür tahmin değerine sahip olmaları gerektiğini, aksi takdirde sistemin iyi ticaret kararları alamayacağını tartışıyor. Sistemi bilinen davranış için test etme ve seçilen ödül işlevine bağlı olarak sinir ağının uygun tipini, boyutunu ve maliyet işlevini seçme ihtiyacını vurgular. Ardından, durumun geçmiş ve cari fiyatlar, teknik koruma verileri ve alternatif veri kaynakları olduğu ve ödülün ticaretin P&L'si olduğu ticarette oyunlaştırmanın nasıl çalıştığını açıklıyor. Takviye öğrenen kişi, gözlemleri geriye dönük olarak etiketlemek için Bellman denklemini kullanacak ve sinir ağları tarafından yaklaşık olarak tahmin edilen tabloların sürekli güncellenmesi yoluyla, makine daha iyi ticaret kararları vermeyi öğrenecektir.

  • 00:35:00 Bu bölümde, Dr. Thomas Starke pekiştirmeli öğrenmeyi kullanarak eğitim için fiyat serisinin nasıl yapılandırılacağını tartışıyor. Fiyat serisini sırayla geçmek yerine, farklı noktalara rastgele girip çıkabileceğinizi ve hangi yöntemi seçeceğine kullanıcının karar verdiğini açıklıyor. Ayrıca, bir ödül işlevi tasarlamanın zorluğunu tartışıyor ve eğitim için kullanılabilecek bir ödül işlevini yapılandırmak için saf yüzde P&L, tıklama başına kâr, Sharpe oranı ve farklı ceza türleri gibi çeşitli örnekler ve yöntemler sunuyor. uzun mesafe sürelerinden veya düşüşlerden kaçının.

  • 00:40:00 Dr. Thomas Starke'ye göre, açık yüksek düşük kapanış ve hacim değerleri, mum formasyonları, göreli güç endeksi gibi teknik göstergeler, günün/haftanın/yılın saati, farklı zaman ayrıntıları, giriş gibi birçok seçeneğimiz var. diğer enstrümanlar için fiyatlar ve teknik göstergeler ve duyarlılık veya uydu görüntüleri gibi alternatif veriler. Bu girdiler daha sonra, bir bilgisayar oyununun karar vermek için girdi özelliklerini kullanmasına benzer şekilde, karmaşık bir duruma dönüştürülür. Nihayetinde anahtar, ticaret tarzınıza uygun doğru ödül işlevini bulmak ve sisteminizi buna göre optimize etmektir.

  • 00:45:00 Dr. Thomas Starke, takviye öğrencisinin finansal piyasalarda işlem yapmaya alışmadan önce geçmesi gereken test aşamasını açıklıyor. Makinenin tutarlı kar sağlayıp sağlamadığını belirlemek ve kodlamada kusurlar bulmak için temiz sinüs dalgaları, trend eğrileri, yapısı olmayan rastgele seriler, farklı türde sıra korelasyonları, temiz test eğrilerinde gürültü ve yinelenen modeller dahil olmak üzere bir dizi test uygular. . Ayrıca standart, evrişimli ve uzun kısa süreli bellek (LSTM) dahil olmak üzere kullandığı farklı sinir ağları türlerini ve ihtiyaçları için yeterli oldukları ve aşırı hesaplama çabası gerektirmedikleri için basit sinir ağlarını tercih ettiğini tartışıyor.

  • 00:50:00 Bu bölümde Dr. Thomas Starke, sinyal ile gürültüyü ayırt etmenin zorlukları ve yerel minimum sorunu da dahil olmak üzere takviyeli öğrenme ile ticaretin zorluklarını tartışıyor. Takviyeli öğrenmenin gürültülü finansal zaman serileriyle ve değişen kurallar ve piyasa rejimleriyle dinamik finansal sistemlerle mücadele ettiğini gösteriyor. Bununla birlikte, fiyat eğrisini basit bir hareketli ortalama ile yumuşatmanın, takviyeli öğrenme makinesinin performansını önemli ölçüde artırabileceğini ve karlı ticaret kararları verebilen başarılı bir makine öğrenimi sisteminin nasıl oluşturulacağına dair içgörü sağladığını da gösteriyor.

  • 00:55:00 Bu bölümde, Dr. Thomas Starke ticaret için takviyeli öğrenmeyi kullanmanın zorluklarını tartışıyor. İlk olarak, takviyeli öğrenme, pazar davranışındaki değişikliklere uyum sağlamakta zorlanır ve yeni davranışları öğrenmeyi zorlaştırır. Ek olarak, çok sayıda eğitim verisine ihtiyaç vardır, ancak piyasa verileri genellikle seyrektir. Takviyeli öğrenme verimli olsa da, kolayca üst üste gelebilir ve yalnızca gerçekten temel pazar modellerine göre hareket eder. Daha karmaşık sinir ağları oluşturmak bunun üstesinden gelebilir, ancak bu zaman alan bir iştir. Sonuç olarak, pekiştirmeli öğrenme, kârlı sonuçlar elde etmek için gümüş bir değnek değildir ve başarılı ticaret sonuçları elde etmek için iyi pazar deneyimine ve alana özgü bilgiye sahip olmak önemlidir. Dr. Starke bir Quant NC dersi veriyor ve bu sistemleri kodlamakla ilgilenen herkesi iyi formüle edilmiş sorularla LinkedIn'de kendisiyle iletişime geçmeye teşvik ediyor.

  • 01:00:00 Dr. Thomas Starke derin pekiştirmeli öğrenme ile ticaretle ilgili çeşitli soruları yanıtlıyor. Bellman denkleminin ileriye dönük önyargı getirmediğini ve teknik göstergelerin bazen dikkatli analizden sonra girdi olarak kullanılabileceğini açıklıyor. Uydu görüntüleri, hisse senedi fiyatlarını tahmin etmek için yararlı olabilir ve sinir ağı hesaplama süresine bağlı olarak küçük zaman dilimlerinde takviye ticareti yapılabilir. Ayrıca, takviye ticareti algoritmalarının piyasa anormalliklerine karşı ne kadar hassas olduğunu tartışıyor ve takviyeli öğrenmeyi kullanarak rastgele karar ağaçlarını eğitmenin neden mantıklı olmadığını açıklıyor.

  • 01:05:00 Bu bölümde Dr. Thomas Starke, soruna uygunlukları nedeniyle karar ağaçları veya destek vektör makineleri yerine ticaret için sinir ağlarının kullanılmasını önerir. Kullanılan ödül işlevine dayalı olarak kayıp işlevini ayarlamanın çok önemli olduğunu açıklıyor. İnsanların, yüksek frekanslı ticaret için takviyeli öğrenmeyi kullanmaya çalıştıklarından, ancak gerçek zamanlı pazarlarda yanıt verme yeteneğinden yoksun yavaş sinir ağları ile sonuçlandığından bahseder. Piyasa bilgisi edinmenin, finans endüstrisinde bir ticaret kariyeri sürdürmeye, gerçek ticaret yapmaya ve bu süreçte çok şey öğrenmeye önemli ölçüde yardımcı olacağını öne sürüyor. Son olarak, opsiyon ticaretinde iyi sonuçlar elde etmek için sinir ağlarının kullanılıp kullanılamayacağını tartışıyor ve sinir ağları ile opsiyon ticaretini birleştirmenin zorluklarını açıklıyor.

  • 01:10:00 Bu bölümde, Dr. Thomas Starke opsiyon verilerinin sadece teknik göstergelere güvenmek yerine dayanak enstrümanın ticareti için bir girdi olarak nasıl kullanılabileceğini tartışıyor. Ayrıca, alınacak veya satılacak lot sayısına karar vermek için sinir ağlarını kullanma ve kayma için bir model oluşturarak ve bu faktörleri ödül işlevine dahil ederek spread, komisyon ve kaymanın algoritmaya nasıl dahil edileceği hakkındaki soruları da yanıtlıyor. Ticaret hacimlerine karar vermek için sinir ağlarını kullanırken dikkatli olunmasını tavsiye ediyor ve buna göre portföy ağırlıklarını boyutlandırmak için çıktı değerlerinin kullanılmasını tavsiye ediyor. Dinleyicilere soruları için ve konuşmasına katıldıkları için teşekkür ederek sözlerini bitirir.
Machine Learning Trading | Trading with Deep Reinforcement Learning | Dr Thomas Starke
Machine Learning Trading | Trading with Deep Reinforcement Learning | Dr Thomas Starke
  • 2020.09.23
  • www.youtube.com
Dr. Thomas Starke Speaks on Machine Learning Trading with Deep Reinforcement Learning (DRL). In this captivating video, join Dr. Thomas Starke as he unravels...
 

Harrison Waldon (UT Austin): "Algoritmik Öğrenme Denklemleri"


Harrison Waldon (UT Austin): "Algoritmik Öğrenme Denklemleri"

UT Austin'den bir araştırmacı olan Harrison Waldon, takviyeli öğrenme (RL) algoritmalarının etkileşimi ve potansiyel gizli anlaşmalarına odaklanarak, finansal piyasalarda algoritmik gizli anlaşma üzerine çalışmasını sundu. Düzenleyicilerin otonom algoritmik ticarete ve bunun açık iletişim olmaksızın anlaşma yoluyla fiyatları şişirme potansiyeline ilişkin endişelerini ele aldı.

Waldon'ın araştırması, RL algoritmalarının finansal ortamlardaki davranışını anlamayı ve gizli anlaşmayı öğrenip öğrenemeyeceklerini belirlemeyi amaçlıyordu. Belirli koşullar altında algoritmaların gelişimine yaklaşan bir olağan diferansiyel denklemler (ODE'ler) sistemi türetmek için algoritmik öğrenme denklemlerini (ALE'ler) kullandı. Bu ALE'ler, Q-öğrenme algoritmalarındaki işbirlikçi davranışı doğrulayabildi ve işbirlikçi sonuçlar için geniş bir çekim alanı göstererek, algoritma gelişimine iyi bir yaklaşım sağladı.

Bununla birlikte, durağan dağılımın hesaplanmasında ve gerçek gizli anlaşmayı rasyonel kendini koruma davranışından ayırmada zorluklar vardır. Durağan dağılımın belirlenmesinde sayısal zorluklar ortaya çıkar ve gerçek gizli anlaşmayı kişisel çıkar tarafından yönlendirilen davranıştan ayırt etmek bir zorluk olmaya devam etmektedir.

Waldon, dinamik etkileşimlere uygulandığında statik oyun dengesinin sınırlarını vurguladı ve davranışı düzenlemeye yönelik kapsamlı bir yaklaşıma duyulan ihtiyacı vurguladı. Taraflar arasında doğrudan iletişim olmaksızın algoritmaların kolaylaştırdığı gizli anlaşmalı davranışlar, dikkatli bir değerlendirme gerektirir. Konuşma, Waldon'ın katılımcılara şükranlarını sunmasıyla sona erdi ve bahar dönemi serisinin sonu oldu.

  • 00:00:00 Bu bölümde, UT Austin'den Harrison Walden, finans endüstrisindeki algoritmik gizli anlaşmalar üzerine yaptığı son çalışmaları tartışıyor. Elektronik piyasalardaki işlemlerin çoğunun algoritmalar tarafından yürütüldüğünü ve bunların birçoğunun ticaret stratejilerini öğrenmek için pekiştirmeli öğrenme (RL) gibi makine öğrenimi tekniklerini kullandığını belirtiyor. RL, derin riskten korunma ve optimum uygulamada pratik başarı elde ederken, düzenleyiciler, açık iletişim olmadan piyasada görev anlaşmazlığına ve fiyatların şişirilmesine yol açabileceğinden, tamamen otonom algoritmik ticarete güvenen firmalarla ilgili endişelerini dile getirdiler. Walden'ın çalışması, algoritmik gizli anlaşmaları ve bunun finans sektörü üzerindeki potansiyel etkisini incelemek için araçlar sağlamayı amaçlıyor.

  • 00:05:00 Bu bölümde Harrison Waldon, finansal ortamlarda takviyeli öğrenme algoritmalarının davranışına ilişkin mevcut çalışmaların sınırlamalarını tartışıyor. Bazı deneysel kanıtlar, belirli takviyeli öğrenme algoritmalarının belirli senaryolarda karmaşık işbirlikçi stratejileri öğrenebileceğini gösterse de, bu tür deneyler teorik titizlikten yoksundur. Ek olarak, RL algoritmalarının açıklanabilir olmaması, özellikle finansal piyasalar gibi çok aracılı ve durağan olmayan ortamlarda AFM gibi kuruluşlar için bir endişe kaynağıdır. Waldon'ın çalışmasını yönlendiren ana sorular şunlardır: Etkileşimli pekiştirmeli öğrenme algoritmalarının finansal ortamlardaki davranışını nasıl anlayabiliriz ve bu algoritmalar kanıtlanabilir şekilde işbirliği yapmayı öğrenebilir mi?

  • 00:10:00 Bu bölümde, Harrison Waldon pekiştirmeli öğrenmede (RL), F işlevinin veya öğrenme kuralının eski parametre değerlerini, mevcut durumu, mevcut eylemi ve muhtemelen sonraki durumu bilgileri birleştirmek için aldığını açıklıyor. yeni bir parametre seti. Amaç, optimal politikaya yaklaşan bir dizi parametre bulmaktır. RL'deki popüler bir algoritma, her bir durum-eylem çiftiyle bir parametre değerini ilişkilendiren ve bunları eşzamansız bir şekilde güncelleyen eşzamansız tablolu Q-öğrenmedir. Q-learning, tek aracılı ortamlarda iyi çalışır, ancak pazarlarda yaygın olan çok aracılı ve durağan olmayan ortamlarda daha zorlayıcı hale gelir. Finansta durum alanı, eylem alanının satın almayı, satmayı veya tutmayı içerebileceği diğer aracıların ilan edilen fiyatlarının vektörü olarak tanımlanır.

  • 00:15:00 Bu bölümde, ekibin çalışmasındaki ilginç bir bulgunun, algoritmaların alakasız piyasa faktörlerini şartlandırmaya başlarlarsa güneş lekesi ticaretini öğrenebilecekleri olduğunu öğreniyoruz. Konuşmacı, Q öğrenmenin diğer Q öğrenenlerle etkileşim içinde nasıl davrandığını açıklıyor ve bir Markov karar sürecinin çok etmenli benzerini stokastik bir oyun olarak tanımlıyor. Temsilcilerin politikalarını zaman içinde nasıl öğrendiğini ve uyarladığını tartışarak, geçiş işlevi sabitlenmiş olsa bile durum sürecinin gerçek dinamiklerini durağan hale getirmezler. Konuşmada kullanılan ana örnek, iki rakip likidite sağlayıcısı ile stilize bir piyasa olarak yorumlanan mahkumun ikilemi.

  • 00:20:00 Algoritma donanımlı diğer oyuncularla tekrarlanan bir mahkûmun ikilemi oyununu oynamayı öğrenen algoritmaların davranışını anlama. Bunu başarmak için, durum sürecine bir durum kavramı verilmelidir ve ulaştığımız sisteme algoritmik öğrenme denklemleri denir. Bu sistemi elde etmek için, politikaların doğrudan analizine izin vererek parametrelerin gelişimini yaklaşık olarak tahmin etmek için stokastik yaklaşımdan ode yöntemini kullanırlar. Bu modelde sınırlamalar olsa da, sunulan araçlar geneldir ve bu sınırlamaları ele alabilir.

  • 00:25:00 Bu bölümde Harrison Waldon, klasik stokastik yaklaşım ve bir ODE kullanarak parametrelerin gelişimine yaklaşan algoritmik öğrenme denklemlerini tartışıyor. Durağan dağılıma göre öğrenme kuralını şartlandırarak ve sabit parametreleri uyararak, öğrenme algoritmasını taklit eden bir ODE sistemi türetirler. Bu algoritmik öğrenme denklemleri, dejenere olmayan öğrenme hızları ve parametrelerin kompaktlığı gibi belirli koşullar verildiğinde algoritmanın gelişimine yaklaşabilir. Durağan dağıtım ve politikalar Lipschitz süreklidir ve bu da çok önemlidir. Kullanılan stokastik yaklaşım, dinamikleri değişen durağan olmayan süreç nedeniyle gereklidir.

  • 00:30:00 Bu bölümde, Harrison Waldon Algoritmik Öğrenme Denklemlerini ve özelliklerini tartışıyor. Videoda tartışılan Q-learning örneği, kompakt bir kümede parametrelerin korunması, ergodik Markov zincirleri, politikalarda Lipschitz sürekliliği ve öğrenme kuralları dahil olmak üzere bu denklemlerin tüm özelliklerini karşılar. Waldon, uygun zaman ölçeklendirmesi altında, algoritmanın herhangi bir sonlu zaman ufku için yüksek olasılıkla ODE'nin çözümlerine yakın olacağını ve öğrenme oranı yeterince hızlı düşerse neredeyse kesinlikle yerel olarak asimptotik olarak kararlı çözümlere yakınsayacağını gösteriyor. Waldon, softmax eylem seçimi ile Q-öğrenmeyi kullanarak bu denklemleri tekrarlanan mahkûm ikilemine uygulayarak doğrulayarak sonuca varır.

  • 00:35:00 Bu bölümde, algoritmik öğrenme denkleminin algoritmaların evrimine yaklaşması için gerekli koşullar tartışılmaktadır. Ergodisite için durum süreç koşulu, yalnızca bir durum olduğu için bu senaryo için hemen karşılanır. Öğrenme algoritmasının yörüngeleri, hem büyük hem de küçük öğrenme hızlarıyla simüle edilir; bu da, algoritmik öğrenme denklemiyle yapılan yaklaşımın küçük öğrenme hızlarında iyi olduğunu gösterir. ALE'ler ayrıca, böyle bir sonuca yol açan büyük bir Çekim Havzası ile işbirlikçi bir sonuç elde etme olasılığını analiz etmede de yararlıdır. Videonun bir sonraki bölümünde, her temsilciye kendi spread'lerini rakibinin önceki periyottaki spread'lerine göre koşullandırma yeteneği veriliyor.

  • 00:40:00 Videonun bu bölümünde Harrison Waldon, analiz ettikleri simülasyonlardaki belirli bir eylemi oynama olasılığını ve gürültünün kaynağını açıklıyor. Erotik durum sürecini, politikaların durağan dağılımını ve bir dizi politikanın işbirlikçi sonuca neden olma sıklığını incelemek için her bir ajanın politikalarının bileşenlerinin ceza açısından nasıl yorumlanacağını tartışıyor. Ayrıca yörünge sayısal olarak yakınsayana kadar bir dizi başlangıç koşulu için Durum bağımlı Q öğrenimi için algoritmik öğrenme denklemlerinin çizimlerini sağlar.

  • 00:45:00 Videonun bu bölümünde Harrison Waldon, stokastik oyunlarda gizli anlaşma davranışını öğrenmek için Q-öğrenmeyi Algoritmik Öğrenme Denklemleri ile kullanmanın sonuçlarını tartışıyor. Temsilciler, yüksek gizli anlaşma olasılıklarıyla başlamasalar bile, zamanın neredeyse %100'ünde gizli anlaşmalı spreadler oynamayı öğrenebildiler. Sonuçlar aynı zamanda işbirlikçi sonuç için geniş bir çekim alanı olduğunu, ancak aynı zamanda karşılıklı işbirlikçi ve karşılıklı olarak rekabetçi sonuçlar arasında gidip gelmek gibi beklenmedik davranışları da gösterdi. Bu çalışmada kullanılan metodoloji, geniş bir duruma bağlı pekiştirmeli öğrenme algoritmaları sınıfının davranışının yaklaşık olarak tahmin edilmesine izin veren minimum düzeyde kısıtlayıcı yeterli koşullar sağlamıştır. Ancak, durağan dağılımın hesaplanmasındaki sayısal zorluklar nedeniyle bazı sınırlamalar vardı. Genel olarak, Q-learning, bu stokastik oyunlarda işbirlikçi davranışları öğrenmede başarılı oldu.

  • 00:50:00 Bu bölümde Harrison Waldon, durağan dağılımla uğraşma ihtiyacı nedeniyle zor olan bir Lyapunov fonksiyonunun varlığını göstererek algoritmik öğrenme denklemlerinin algoritmanın asimptotik davranışına yaklaştığını nasıl garanti edeceğini açıklıyor. Bu sorunu ele almak için Waldon, Klasik hayali oyunun bir genellemesi olan Duruma Bağlı Düzgün Kurgusal Oyun adlı yeni bir algoritma sunar. Bu algoritma, bir sistemdeki tüm aktörlerin durağan politikalara göre oynadığını ve bu stratejilerin inançlarının ampirik oyun sıklığı aracılığıyla oluşturulduğunu varsayar. Algoritma, sisteme bir miktar rastgelelik ekler ve deterministik öğrenme kuralları sorunlarını aşmak için esnek maksimum dağılımına göre eylemler gerçekleştirir.

  • 00:55:00 Bu bölümde, Harrison Waldon, algoritmik öğrenme denklemlerinin sürekli bir zaman sistemini analiz etmek için kullanılabileceğini ve düzgün hayali oyun algoritmasının sistemin dinlenme noktalarına yakınsayacağını garanti ettiğini açıklıyor; bunlardan bazıları işbirlikçi stratejiler olabilir. . İndirgeme faktörü büyüdükçe, işbirlikçi sonuçları öğrenme olasılığı artar. Waldon ayrıca daha gerçekçi piyasa dinamiklerine olan ihtiyacı ve denge ve fiyatları incelemek için algoritmik öğrenme denklemlerini derin pekiştirmeli öğrenme algoritmalarına uygulama olasılığını tartışıyor. Son olarak, gizli anlaşmayı tespit etmenin zorluğunu ve gerçek gizli anlaşma ile rasyonel kendini koruma davranışı arasında ayrım yapmanın zorluğunu kabul ediyor.

  • 01:00:00 Bu bölümde Harrison Waldon, durağan bir oyunun dengesinin, insanlar arasındaki dinamik etkileşim gerçeğinin dar bir yansıması olduğunu tartışıyor. Hangi denge davranışının düzenleneceğini düşünürken, özellikle rasyonel olarak görülebilecek ve taraflar arasında doğrudan iletişim olmaksızın algoritmalar yoluyla gelen işbirlikçi davranış açısından bütüncül bir yaklaşıma duyulan ihtiyacı vurgular. Oturum, Waldon'ın katılımcılara teşekkür etmesi ve bahar dönemi serisini bitirmesiyle sona erer.
Harrison Waldon (UT Austin): "The Algorithmic Learning Equations"
Harrison Waldon (UT Austin): "The Algorithmic Learning Equations"
  • 2023.04.26
  • www.youtube.com
Abstract: Recently there has been concern among regulators and legal theorists about the possibility that pricing algorithms can learn to collude with one a...
 

Irene Aldridge (AbleBlox ve AbleMarkets): "Kripto Ekosistemi ve AMM Tasarımı"



Irene Aldridge (AbleBlox ve AbleMarkets): "Kripto Ekosistemi ve AMM Tasarımı"

AbleMarkets'in Kurucusu ve Genel Müdürü Irene Aldridge, blockchain teknolojisinin, otomatik piyasa yapımının (AMM) ve geleneksel pazarların AMM dünyasıyla yakınlaşmasının çeşitli yönlerini araştırıyor. Finansta bu konuların önemini vurguluyor ve bunlarla ilgili potansiyel zorlukları ve çözümleri araştırıyor.

Aldridge, finans sektöründeki geçmişine ve piyasa operasyonlarını anlamaya odaklanan mikro yapıdaki uzmanlığına genel bir bakış sunarak başlıyor. Başlangıçta kripto pazarında öne çıkan ancak şimdi geleneksel pazarlara yayılan otomatik piyasa oluşturma modellerinin artan şekilde benimsendiğini vurguluyor. Giriş blok zinciri kavramlarını, finans ve programlamada blok zincirinin uygulanmasını ve piyasa yapımına ve bunun geleneksel piyasalar üzerindeki etkisine ilişkin gerçek dünya vaka incelemelerini kapsayan sunumunun yapısını özetliyor.

Blockchain teknolojisini keşfeden Aldridge, bunu, her satırın bir önceki satırın kriptografik bir özetini taşıdığı ve veri bütünlüğünü sağlayan gelişmiş bir veritabanı olarak tanımlıyor. Önerilen içeriğin doğrulandığı ve zincire eklendiği, evrak işlerinde ve ödeme sistemlerinde daha fazla şeffaflık ve merkezsizleşmeye yol açan blok zincirinde yer alan madencilik sürecini açıklıyor.

Aldridge, kripto ekosisteminde ademi merkeziyetçiliğe doğru geçişi tartışarak, gizlilik ile sunucularda veritabanının birden çok kopyasına sahip olmanın sağlamlığı arasındaki dengeyi vurguluyor. Blokları tanımlamak ve kriptografik imzalar oluşturmaktan, bilgisayar korsanlığı girişimlerine karşı güvenlik sağlayan iş kanıtı ve madenciliğin temel yeniliklerine kadar blok zinciri sürecini açıklıyor.

Ancak Aldridge, artan madencilik maliyeti, azalan madenci sayısı ve potansiyel güvenlik açıkları dahil olmak üzere iş kanıtı madenciliği sistemiyle ilgili zorlukları kabul ediyor. Ethereum'un blok toplaması ve Coinbase'in madencilik için bilmeceleri ortadan kaldırması gibi alternatif çözümleri vurguluyor.

Konuşmacı, paydaşların ağın operasyonlarını desteklemek için fonlarını taahhüt ettiği kripto ekosistemindeki staking'i keşfetmeye devam ediyor. Piyasayı manipüle eden kripto oligarklarının potansiyel sorununu kabul ediyor ve bu soruna karşı zincir dışı doğrulama ve otomatik piyasa yapımının nasıl uygulandığını açıklıyor. Aldridge, kripto piyasasında manipülasyonu önlemede otomatik piyasa yapımının önemini kavramak için bu kavramları anlamanın önemini vurguluyor.

Aldridge, Otomatik Piyasa Yapıcılarının (AMM'ler) arkasındaki ilkeleri derinlemesine inceliyor ve bunların kripto para ticareti üzerindeki devrim niteliğindeki etkilerini vurguluyor. Likidite ile ilgili değişmezler tarafından şekillendirilen AMM eğrilerinin, likidite havuzunda kalan envantere dayalı olarak fiyatları nasıl belirlediğini açıklıyor. 7/24 likidite, formüle dayalı kayma tahmini ve dışbükey eğriler aracılığıyla gerçeğe uygun değer belirleme dahil olmak üzere AMM'lerin faydalarını vurgulamaktadır. Bununla birlikte, AMM'lerin değişken koşullarda kayıplarla karşı karşıya kalabileceğinden ve bunun da işlem ücretlerinin getirilmesine yol açabileceğinden bahsediyor.

AMM'leri geleneksel piyasalarla karşılaştıran Aldridge, sürekli likidite, öngörülebilir kayma ve rayiç değer belirleme gibi otomatik piyasa yapıcılığının avantajlarını tartışıyor. UniSwap tarafından kullanılan sürekli ürün piyasası oluşturma yöntemini açıklayarak, yürütme komisyoncularının parametreleştirilmiş verilere dayalı olarak likidite ve yürütme için platformları nasıl seçebileceklerini gösteriyor.

Konuşmacı, hacim değişikliklerinin hesaplanmasını ve kamu ve özel likidite havuzları arasındaki farkı tartışıyor. Farklı borsalardan Bitcoin ve Ethereum kullanarak ampirik örnekler sunuyor, eğrilerindeki farklılıklara işaret ediyor ve belirli platformlarla ilgili olası endişeleri öne sürüyor.

Aldridge, piyasa istikrarını sağlamak için dışbükey şekiller kullanarak AMM eğrileri tasarlamanın önemini vurguluyor. Likidite sağlayıcıların ve tacirlerin sistemdeki rollerini ve işlem ücretlerinden nasıl faydalandıklarını açıklıyor. Ayrıca, AMM sistemlerinin geleneksel pazarlarda kullanılma olasılığını gündeme getirerek, bunların IBM hisse senedi gibi varlıklara uygulanmasının değerlendirilmesini teşvik ediyor.

Aldridge, geleneksel piyasa yapıcıların halihazırda benzer sistemler uyguladığına dikkat çekerek, otomatik piyasa yapımı ile geleneksel piyasaların yakınsamasını araştırıyor. Piyasa etkileşimlerinde, ticaret stratejilerinde, yürütme yöntemlerinde ve şeffaflıkta beklenen değişiklikleri vurguluyor. Otomatik piyasa yapıcıların piyasalardaki mikro yapı üzerindeki etkisi de tartışılmaktadır.

Kripto piyasası gibi 7/24 ticaret ortamlarında otomatik likidite uygulamanın fizibilitesine değinen Aldridge, otomatik piyasa yapımının geleneksel piyasa yapıcılığı yöntemleriyle ilişkili riskleri ortadan kaldırabileceğini ve teknolojinin hazır olduğunu açıklıyor. Bununla birlikte, risk yönetimi ve dışsallıkları ele almak için araştırma ihtiyacını vurgulayarak, tüm kripto borsalarının otomatik piyasa yapımını kullanmadığına dikkat çekiyor. Aldridge, otomatikleştirilmiş piyasa yapma teknolojisinin, 2002'de Bitcoin gibi kripto para birimleriyle yaklaşık aynı zamanda ortaya çıktığına dikkat çekiyor.

Aldridge, otomatik piyasa yapıcı satıcıların özel bilgilere erişiminin potansiyel haksız avantajı hakkında sorgulandığında, bunun bir sorun teşkil ettiğini kabul ediyor. Ancak, farklı platformlarda alışveriş yapmanın ve otomatik piyasa yapma eğrisini ölçmenin bu sorunu hafifletmeye yardımcı olabileceğini öne sürüyor. Madencilerin, sipariş bloklarına erişme ve doğrulamadan yararlananlar oldukları için işlerine devam etmeleri için teşvik edildiğini belirtiyor. Bununla birlikte, özel bir teşvik olmadıkça, bu alanda kar elde etmek giderek zorlaşmakta ve bu da oligopollerin oluşumuna yol açmaktadır. Aldridge, sigortanın madencilerin neredeyse bedavaya çalışmaları için doğal bir teşvik işlevi görebileceğini öne sürüyor. Ancak sigorta şirketleri, blockchain'i sektörleri için büyük bir tehdit olarak algılamakta ve bu da bu tür sistem tasarımlarına dirençle sonuçlanmaktadır. Ayrıca, IBM eğrisindeki potansiyel manipülasyonu vurgulayarak dolandırıcılık planları olasılığını da ele alıyor.

Aldridge, merkezileştirilmiş limit emir defterleri bağlamında, piyasa katılımcılarının AMM'ler gibi uygun maliyetli ve otomatikleştirilmiş bir şekilde likidite sağlayan ve potansiyel olarak karla sonuçlanan otomatik piyasa yapıcılığı modellerini nasıl kullandıklarını açıklıyor. Bununla birlikte, AMM'leri kullanan tacirler ile manuel olarak limit emirler verenler arasında ayrım yapmak hala bir sorun olmaya devam ediyor. Aldridge, kötü niyetli kullanıcıları mikroyapısal veri analizi yoluyla belirlemenin potansiyel bir çözüm sunabileceğini öne sürüyor. AMM'lerin pazara hakim olmaya devam etmesi durumunda daha verimli ve modern bir modelin ortaya çıkacağına inanıyor.

Özetle, Irene Aldridge'in tartışması, blockchain teknolojisinin çeşitli yönlerini, otomatik piyasa yapımını ve geleneksel pazarların AMM dünyasıyla yakınsamasını kapsar. Blok zincirinin temellerini araştırıyor, çalışma kanıtı madenciliği sistemleriyle ilgili zorlukları ve olası çözümleri tartışıyor ve AMM'lerin geleneksel pazarlara göre faydalarını vurguluyor. Aldridge ayrıca, otomatik likidite uygulamasının fizibilitesi, özel bilgilere erişimi olan otomatik piyasa yapıcı aracılar sorunu ve madenciler için bir teşvik olarak sigortanın potansiyel rolü ile ilgili endişeleri de ele alıyor. İçgörüleri sayesinde, finans ve otomatikleştirilmiş piyasa yapıcılığı dünyasında mevcut manzara ve gelecekteki olasılıklar hakkında değerli bakış açıları sağlıyor.

  • 00:00:00 Bu bölümde, Irene Aldridge finans sektöründeki geçmişini ve piyasaların nasıl işlediğine odaklanan mikro yapıya olan ilgisini tartışıyor. Daha sonra otomatik piyasa oluşturma konusunu ve bunun nasıl kripto pazarından kaynaklandığını, ancak şimdi geleneksel pazarlarda kullanıldığını anlatıyor. Bir blockchain 101 tanıtımı, finans, programlama alanındaki blockchain uygulamaları ve pratikte piyasa yapımına ve bunun geleneksel pazarlara olan yansımalarına ilişkin vaka incelemelerini içeren sunum için bir taslak sunuyor. Aldridge'in elektrik mühendisliği geçmişi vardır ve finans sektöründe ticaret, risk yönetimi ve araştırma dahil olmak üzere çeşitli alanlarda çalışmıştır.

  • 00:05:00 Bu bölümde, Irene Aldridge blockchain teknolojisinin temellerini açıklıyor. Bunu, her satırın bir önceki satırın kriptografik bir özetini taşıdığı, önceki verileri değiştirmeyi hesaplama açısından zorlaştıran süslü bir veritabanı olarak tanımlıyor. Ek olarak, blok zincirinin madencilik sürecini ve bunun bir bloğun önerilen içeriğini incelemeyi ve onu belleğe kaydetmeyi nasıl içerdiğini tartışıyor. Aldridge, blockchain'in evrak işlerini ve ödemeleri blockchain'e taşımaya yardımcı olabileceğine inanıyor ve bu da daha fazla şeffaflık ve ademi merkeziyetçilik sağlıyor.

  • 00:10:00 Bu bölümde Irene Aldridge, kripto ekosisteminde işlemlerin halka açık olduğu ve bir Oracle sunucusunda merkezileştirilmek yerine birden çok sunucuda depolandığı merkezi olmayan bir modele doğru geçişi tartışıyor. Bu, gizliliğin feda edildiği anlamına gelse de, sunucularda veritabanının birden çok kopyasına sahip olmanın artan sağlamlığı adil bir değiş tokuş olarak görülüyor. Aldridge, bir blok tanımlama ve daha sonra bir sonraki bloğa kodlanan bir kripto imzası veya hash oluşturma ile başlayan blok zinciri sürecinin nispeten basit olduğunu açıklıyor. Ardından, zinciri yeniden hesaplamanın hesaplama karmaşıklığını çok büyük hale getirerek bilgisayar korsanlığı girişimlerine karşı güvenliği sağlamak amacıyla çalışma kanıtı ve madencilik prosedürlerinin temel yenilikleri tartışılıyor.

  • 00:15:00 Bu bölümde, Irene Aldridge kripto para biriminde iş kanıtı madenciliği sistemini rahatsız eden sorunları tartışıyor. Madenciliğin maliyetinin çoğu insan için çok pahalı hale geldiğini, bunun da yalnızca belirli bir grup bireyin maliyetleri karşılayabildiği ve geri kalanının madencilik yapamadığı bir dengeye yol açtığını açıklıyor. Ek olarak, madencilerin sayısı zamanla azalıyor ve bu da sistemi olası saldırılara karşı savunmasız hale getiriyor. Dağıtılmış modelin gücü, en uzun zincirin çekirdek motor tarafından otomatik olarak seçilmesi, işbirlikçilerin yakalanmasını ve sisteme saldırıya uğramış bloklar eklemesini önlemesidir. Ancak, ticaret yapan ve madencilik yapan madenciler arasındaki ilgi sorunları ve blokları kazmak için geçen süre dahil olmak üzere, çalışma kanıtı sistemi hakkında artan endişeler var. Artık Ethereum'un her 12 saniyede bir blok toplaması ve Coinbase'in insanların benim için bilmeceleri çözmesini gerektirmeyi bırakma kararı gibi geliştirilmekte olan yeni çözümler var.

  • 00:20:00 Bu bölümde konuşmacı, madencilik için sisteme para koymayı içeren kripto ekosisteminde staking sürecini tartışıyor. Menfaat sahipleri, hisselerini veya teminatlarını belirli bir süre için bloke edebilirler ve hileli bir faaliyet varsa bunu hisseleri ile öderler. Ancak bu, piyasayı manipüle eden kripto oligarklarından oluşan bir oligopol yaratır. Bununla mücadele etmek için zincir dışı doğrulama ve otomatikleştirilmiş pazar oluşturma kullanılmıştır. İkincisi, kripto ekosisteminde daha popüler hale geldi ve herkesin erişebileceği, anlaşılmasını kolaylaştıran çeşitli açık kaynaklı ürünlere sahip. Konuşmacı, staking ve zincir dışı doğrulama gibi arka plan bilgilerinin anlaşılmasının, otomatik piyasa yapımının önemini ve kripto pazarında manipülasyonu önlemek için nasıl çalıştığını anlamak için gerekli olduğunu vurguluyor.

  • 00:25:00 bu bölümde Irene Aldridge, kripto para ticareti dünyasında devrim yaratan farklı Otomatik Piyasa Yapıcılarının (AMM'ler) arkasındaki ilkeleri tartışıyor. Eğrilik ve dengeleme açısından farklılık gösteren AMM eğrilerinin likidite ile ilgili bir değişmez tarafından şekillendirildiğini ve fiyatın likidite havuzunda kalan envanterin işlevi olduğunu açıklıyor. AMM'lerin bir avantajı, alış-satış spreadleri olmadığından 7/24 spread olmadan işlem yapabilmeleri ve değişen piyasa koşullarına otomatik olarak uyum sağlayabilmeleridir. Ancak, AMM'ler değişken koşullarda para kaybedebilir, bu nedenle geleneksel piyasalarda olmayan işlem ücretlerini koyarlar.

  • 00:30:00 Bu bölümde, Irene Aldridge otomatikleştirilmiş piyasa yapıcılığı (AMM) ve bunun 7/24 kesintisiz likidite, önceden tahmin edilebilen formül kayması ve piyasa değeri gibi geleneksel piyasalara kıyasla faydalarını tartışıyor. dışbükey bir eğri. Aldridge, popüler sistem UniSwap tarafından kullanılan ve birinci miktar ile ikinci miktar arasında dışbükey bir eğri izleyen sabit ürün Piyasa yapıcılığı yöntemini açıklıyor. Aldridge, farklı borsalardan veri toplayarak ve bu sabit ürün yöntemine dayalı olarak parametreleştirerek, yürütme aracılarının likidite ve yürütme için hangi platformları seçeceklerini nasıl belirleyebileceğini vurguluyor.

  • 00:35:00 Bu bölümde, Irene Aldridge hacim ve para birimindeki ilgili değişikliklerin hesaplanmasını tartışıyor ve hacmin bir alış mı yoksa satış mı olduğunu belirlemek için mikro yapıdan gelen kız tik kuralını kullanarak çok basit bir simülasyonu simüle ediyor. Ayrıca, kamu ve özel olmak üzere iki tür likidite havuzunu ve aralarında geçen arbitrajı açıklıyor ve yeterince likit platformlarda aralarında hiçbir fark olmaması gerektiğini vurguluyor. Aldridge daha sonra Bitfinex ve Bitstamp gibi çeşitli borsalardan Bitcoin ve Ethereum kullanarak ampirik örnekler sunar ve FTX'in otomatikleştirilmiş bir Piyasa Yapıcılığı perspektifinden beklediğimize hiç benzemediğini belirterek eğrilerini vurgular ve bunun bir Ponzi olabileceğini öne sürer. baştan sona plan.

  • 00:40:00 Bu bölümde, Irene Aldridge otomatik piyasa yapıcılığı (AMM) eğrilerinin tasarımını tartışıyor ve bunları çeşitli kripto para borsalarından örneklerle karşılaştırıyor. Pazar istikrarını sağlamak ve envanter satın alındığında ciddi fiyat artışlarından kaçınmak için AMM tasarımında dışbükey eğriler kullanmanın önemini vurguluyor. Ayrıca, likidite sağlayıcıların ve tacirlerin sistemdeki rollerini ve işlem ücretlerinden nasıl faydalandıklarını açıklıyor. Aldridge ayrıca AMM sistemlerinin geleneksel pazarlarda kullanıldığına dair söylentilerden bahsediyor ve bu tasarımın IBM hisse senedi gibi ürünler için nasıl çalışacağının değerlendirilmesi gerektiğini vurguluyor.

  • 00:45:00 Bu bölümde, Irene Aldridge, geleneksel pazar yapıcıların zaten benzer sistemler kullandığı otomatikleştirilmiş pazar oluşturma dünyası ile geleneksel pazarların yakınsamasını tartışıyor. Bireylerin piyasalarla nasıl etkileşime girdiği, eğitim stratejilerinin nasıl oluşturulduğu, yürütmenin nasıl yürütüldüğü ve her şeyin ne kadar şeffaf hale geldiği konusunda pek çok değişiklik beklendiğine dikkat çekiyor. Ayrıca, otomatikleştirilmiş piyasa yapıcıların etkisiyle piyasalardaki mikro yapının değiştiğini belirtiyor. Irene, günlük IBM verilerinin AMM eğrilerini tahmin etmek için nasıl kullanıldığına ve daha ayrıntılı verilerin daha net tahminler elde etmeyi nasıl kolaylaştıracağına dair temel bir anlayış sağlar.

  • 00:50:00 Bu bölümde, Irene Aldridge, geleneksel piyasa oluşturma yöntemlerinin o kadar etkili olmayabileceği kripto piyasası gibi 7/24 ticaret ortamlarında otomatik likidite uygulamanın fizibilitesini tartışıyor. Otomatik piyasa yapımının, geleneksel piyasa yapıcılığı yöntemleriyle ilişkili riskleri ortadan kaldırabileceğini ve teknolojinin yaygın olarak mevcut olduğunu açıklıyor. Bununla birlikte, tüm kripto borsalarının otomatik piyasa yapımını kullanmadığı ve risk yönetimi ve dışsallıkları ele almak için araştırmanın gerekli olduğu konusunda uyarıyor. Ayrıca, bu teknolojinin 2002'den beri var olduğunu ve Bitcoin gibi kripto para birimlerinin ortaya çıkışıyla aynı zamana denk geldiğini belirtiyor. Otomatik piyasa yapıcı satıcıların özel bilgilere erişiminin potansiyel haksız avantajı sorulduğunda, Aldridge bunun daha fazla araştırma gerektiren açık bir sorun olduğunu belirtiyor.

  • 00:55:00 Bu bölümde Irene Aldridge, AMM bayilerinin veya madeni para alan ve otomatik piyasa yapma sistemlerini (AMM'ler) kullananların sipariş akışını diğerlerinden önce nasıl gördüklerini tartışıyor, bu da bir sorun teşkil ediyor. Bununla birlikte, pek çok platform mevcut olduğundan, alışveriş yapmak ve otomatik piyasa yapıcılık eğrisini ölçmek bu sorunu hafifletmeye yardımcı olabilir. Irene ayrıca, bu sorun nedeniyle madencilerin devam etmek için motive olduklarını, çünkü emir bloklarını incelemekten ve doğrulamaktan fayda sağlayanların yalnızca onlar olduğunu belirtiyor. Ancak özel bir teşvik olmadıkça bu alanda para kazanmak giderek zorlaşmakta ve oligopollerin oluşmasına yol açmaktadır. Irene, sigortanın madencilerin yararlanması ve neredeyse bedavaya çalışması için doğal bir teşvik olabileceğini öne sürüyor. Ancak sigorta şirketleri blockchain'i varlıkları için büyük bir tehdit olarak görüyor, bu nedenle bu tür sistem tasarımına karşı bir direnç var. Son olarak, Irene bir dolandırıcılık planı olasılığına ilişkin bir soruyu ele alıyor ve IBM eğrisinde bir dolandırıcılık planı olabileceğini ve burada alt kısmın manipüle edildiğinin iddia edilebileceğini belirtiyor.

  • 01:00:00 Bu bölümde, Irene Aldridge, merkezi limit emir defterlerinde otomatik piyasa yapıcı modellerin kullanımını tartışıyor. Piyasa katılımcıları, düşük maliyetli ve otomatik olduğu için kendi AMM'lerini kullanıyor ve kar elde etme potansiyeline sahip piyasaya likidite sağlıyor. Buna rağmen, şu anda AMM kullanan tacirler ile manuel olarak limit emirler verenler arasında ayrım yapmak zordur. Aldridge, mikro yapı verileri yoluyla kötü aktörleri belirlemenin açık bir sorun olabileceğini, ancak AMM'lerin pazara hakim olmaya devam etmesi durumunda daha modern bir modelin ortaya çıkacağını öne sürüyor.
Irene Aldridge (AbleBlox and AbleMarkets): "Crypto Ecosystem and AMM Design"
Irene Aldridge (AbleBlox and AbleMarkets): "Crypto Ecosystem and AMM Design"
  • 2023.03.29
  • www.youtube.com
Abstract: Assets on blockchain trade 24x7 with very thin liquidity. This demands new fully automated processes, including Automated Market Making (AMM). We d...
 

Agostino Capponi (Columbia): "Özel İşlem Havuzları Ön İşlem Riskini Azaltıyor mu?"


Agostino Capponi (Columbia): "Özel İşlem Havuzları Ön İşlem Riskini Azaltıyor mu?"

Columbia Üniversitesi'nden bir araştırmacı olan Agostino Capponi, merkezi olmayan borsalarda ön işlem konusunu araştırıyor ve potansiyel bir çözüm olarak özel işlem havuzlarını öneriyor. Bu özel havuzlar zincir dışı ve halka açık havuzdan ayrı olarak çalışır ve önden çalıştırmaya dahil olmamayı taahhüt eden doğrulayıcıların bunlarla ilgilenmesini sağlar. Ancak Capponi, tüm doğrulayıcılar özel havuza katılmadığı için özel havuz kullanmanın bir yürütme riski taşıdığını kabul eder, bu da işlemlerin fark edilmeme ve yürütülmeden kalma olasılığı olduğu anlamına gelir. Özel havuzların benimsenmesinin, yürütme için gereken minimum öncelik ücretini mutlaka azaltmayabileceğini belirtmek önemlidir. Ayrıca Capponi, önden koşan saldırganlar arasındaki rekabetin, maksimum çıkarılabilir değer (MEV) aracılığıyla doğrulayıcılara fayda sağladığına dikkat çekiyor. Sonuç olarak, özel havuzlar önden çalıştırma riskini azaltabilirken, uygulama için gereken ücreti artırabilir ve bu da tahsiste verimsizliklere yol açabilir.

Capponi, özel havuzlar aracılığıyla yönlendirilen işlemlerin oranı ile en uygun tahsisi zorlaştıran ön çalıştırma olasılığı arasındaki ilişkiyi vurgular. Ayrıca, bastırma ve yer değiştirme saldırıları da dahil olmak üzere farklı önden yürütme saldırı türlerini araştırıyor ve önden yürütme nedeniyle oluşan önemli kayıpları gösteren veriler sunuyor. Capponi, bu riskleri ele almak için kullanıcıları işlem zamanlaması konusunda eğitmeyi ve daha adil bir sistem oluşturmak için işlem doğrulamasını daha belirleyici hale getirmeyi öneriyor.

Tartışma, özel işlem havuzlarının dinamiklerine, benimsemenin zorluklarına ve olası ödünleşimlere değiniyor. Capponi, özel havuzların önden çalıştırmaya karşı nasıl koruma sağladığını açıklıyor, ancak etkinliklerinin özel havuza katılan doğrulayıcı sayısına bağlı olduğu konusunda uyarıda bulunuyor. Ek olarak, doğrulayıcıların MEV kaybı nedeniyle özel havuzları benimsememe sorununu ele alıyor ve bunların benimsenmesini teşvik etmek için kullanıcı sübvansiyonları gibi potansiyel çözümler öneriyor.

Özel işlem havuzları önde gelen riskleri bir dereceye kadar azaltabilirken, Capponi kusursuz olmadıklarını ve optimum tahsisi sağlayamayacaklarını vurguluyor. Karmaşıklık, saldırganlar arasındaki rekabet, özel havuzlardaki doğrulayıcıların benimsenme oranı ve bunun yürütme ücretleri üzerindeki etkisi gibi faktörlerden kaynaklanır. Tartışma, blockchain topluluğu için önde gelen riskleri ele alma ve adil ve verimli bir merkezi olmayan değişim ortamı sağlama konusunda önemli hususları gündeme getiriyor.

  • 00:00:00 Bu bölümde, Agostino Capponi, merkezi olmayan borsalar konusunu ve karşılaştıkları ön işlem risklerini tanıtıyor. Blockchain mimarisinin, işlemleri bloklara ekleyen ve kullanıcılardan ücret alan doğrulayıcılar tarafından erişilen bir bellek havuzuna göndererek çalıştığını açıklıyor. Capponi, kullanıcıların daha yüksek ücretler sunarak işlemlerine öncelik verebileceğini, ancak bu sistemin önden çalışmaya yol açabileceğini belirtiyor. Bu soruna olası bir çözüm olarak özel havuz kavramını tanıtıyor ve ekibinin bu havuzların önden koşmayı azaltmadaki etkinliğini test etmek için bir oyun teorisi modelini nasıl oluşturduğunu tartışıyor.

  • 00:05:00 Bu bölümde, Agostino Capponi, kullanıcıların işlemleri görmesine ve göndermesine olanak tanıyan halka açık açık erişim blok zincirlerinde önden çalıştırma sorununu açıklıyor. Önden çalışan saldırılar, kullanıcılar bekleyen veya yürütülen işlemler hakkında işlem yapılabilir bilgilerden yararlandığında gerçekleşir. Capponi, bir saldırganın işlemi kullanıcıdan önce gerçekleştirmek için daha yüksek bir ücret koyduğu, fiyatın yükselmesine neden olduğu ve ardından kar için ters bir işlem gerçekleştirdiği sandviç saldırısını açıklıyor. Saldırganın ücreti yeterince yüksek değilse başarısız olma riski olsa da, saldırganlar genellikle başarı şanslarını artırmak için emirlerini zamanlaırlar.

  • 00:10:00 Bu bölümde, Agostino Capponi, bir saldırganın birden fazla işlem gönderdiği veya başka bir kullanıcının işlemini ilk olarak istenen işlemi gerçekleştirmek için değiştirdiği bastırma saldırıları ve yer değiştirme saldırıları dahil olmak üzere çeşitli önden çalışan saldırı türlerini tartışıyor. Capponi, cepheye koşmanın blok zinciri benimsemeyi sınırlayan maddi bir risk olup olmadığını sorguluyor ve önden koşma saldırılarının sayısını ve Mayıs 2020'den Mart 2021'e kadar bunlardan elde edilen geliri gösteren bir grafik sunuyor, bu da yaklaşık 10.000 ethereum veya 125 milyon dolarlık bir kayba işaret ediyor. iki öne koşuyor.

  • 00:15:00 Bu bölümde Agostino Capponi, Ethereum işlemlerinde ön işlem konusunu ve hem doğrudan hem de dolaylı ilgili maliyetlerini tartışıyor. Bu sorunun bir çözümünün, genel havuzdan ayrı ve yalnızca bazı doğrulayıcılar tarafından izlenebilen, esasen zincir dışı, paralel kanallar olan özel işlem havuzlarının kullanılması olduğunu açıklıyor. Bu özel havuzlara gönderilen işlemlerin, doğrulayıcılar dürüst davrandığı sürece sıfır ön işlem riski vardır ve ön işlem oldukları tespit edilirse, havuzdan çıkarılırlar. Genel olarak, özel işlem havuzları, ön işlemden endişe duyanlar ve işlemlerini ön işlem olmadan gerçekleştirmek isteyenler için iyi bir çözüm sunar.

  • 00:20:00 Bu bölümde Agostino Capponi, özel işlem havuzlarının kullanımını ve bunların ön çalıştırma riskini azaltıp azaltamayacağını tartışıyor. Capponi, özel havuzların yalnızca doğrulayıcılar tarafından görülebildiğini ve zincir dışı olduğunu, yani saldırganların bunlara erişemeyeceğini açıklıyor. Doğrulayıcılar önden çalıştırmaya girmemeyi taahhüt ettiğinden, bu, önde olma olasılığını ortadan kaldırır ve garantiler sağlar. Capponi ayrıca benimseme konusuna ve kullanıcıların işlemlerini havuza gönderip göndermeyeceklerine de değinir. Ek olarak, saldırganların nasıl hala birbirleriyle rekabet edebileceklerinden, ancak özel havuzun arbitraj botları tarafından yetersiz yatırım yapma riskini azaltabileceğinden bahsediyor. Son olarak, özel havuzların benimsenmesinin gözlemlenip gözlemlenmeyeceğini tartışmak için üç etmenli basit bir model sunuyor.

  • 00:25:00 Bu bölümde Agostino Capponi, özel işlem havuzları kavramını ve önden gelen riskleri azaltıp azaltmadıklarını tartışıyor. İşlem göndermek için iki olası yer olduğunu açıklıyor: özel havuz ve halka açık havuz. Doğrulayıcılar hangi havuzu izleyeceklerini belirledikten sonra, kullanıcılar öncelik ücretlerini geçecek ve işlemi nereye göndermek istediklerini seçecekler. Saldırganlar daha sonra fırsatları tarayacak, işlemleri gönderecek ve nereye göndereceklerine karar verecek. Capponi, fırsatları tespit etmede olasılığın önemini ve başarılı bir ön koşuya ulaşma olasılıklarını vurgular.

  • 00:30:00 Bu bölümde, konuşmacı özel işlem havuzları kavramını ve ön çalıştırma risklerini azaltıp azaltamayacaklarını açıklıyor. Özel işlem havuzları, yalnızca bloğu ekleyen doğrulayıcı işlemleri görebildiğinden, diğer hakemlerin fırsatları kullanıcıdan önce belirlemesini önlediğinden, önde gelen risklere karşı koruma sağlayabilir. Ancak, tüm doğrulayıcılar özel havuzda olmayacağından ve işlemin görünmeme ve bu nedenle yürütülmeme olasılığı olduğundan, özel bir havuz aracılığıyla gönderim yapmak bir yürütme riski taşır. Özel havuz işlemlerinin genel havuz işlemlerine göre önceliği olsa da, özel havuzu izleyen doğrulayıcıların sayısı yürütme riskini etkiler ve bu, kullanıcıların özel havuz aracılığıyla bir işlem göndermeden önce dikkate alması gereken bir mesele haline gelir.

  • 00:35:00 Bu bölümde, Agostino Capponi, özel işlem havuzlarının önceden çalışan riskleri bir dereceye kadar azaltabileceğini, ancak kusursuz olmadığını açıklıyor. Saldırganlar, emirlerinin yerine getirilmesinde öncelik elde etmek için bir silahlanma yarışına girecekler ve yürütme riskini azaltmak için hem özel hem de genel havuzları kullanabilirler, ancak yine de öncelikli yürütme alabilirler. Bu arada, front-run olabilen kullanıcılar, özel havuzdaki doğrulayıcıların benimsenme oranına ve önden çalıştırma maliyetine göre işlemlerini özel havuza mı yoksa genel havuza mı göndereceklerine karar verecekler. Benimseme oranı yüksekse, önden çalıştırmadan kaçınmak için özel havuzu kullanacaklar, ancak düşükse, önden çalıştırma riskine rağmen yürütme için çok fazla blok beklemekten kaçınmak için genel havuzu seçebilirler.

  • 00:40:00 Bu bölümde Agostino Capponi, özel işlem havuzlarının önden çalıştırma riskini potansiyel olarak nasıl azaltabileceğini açıklıyor. Bir kullanıcı özel bir havuza başvurursa ve tüm doğrulayıcılar bu havuza katılırsa, arbitraj fırsatı olmadığı için önden çalışma riski ortadan kalkar. Bununla birlikte, önden çalışma riskinin düşük olduğu durumlarda, tüm doğrulayıcılar özel havuzu benimsemeyecektir, bu da kullanıcının bunun yerine genel havuzu tercih edebileceği ve kendilerini yeniden önden çalıştırma riskine maruz bırakabileceği anlamına gelir.

  • 00:45:00 Bu bölümde Agostino Capponi, özel işlem havuzlarının önden çalıştırma riskini azaltıp azaltamayacağını ve yürütme için gereken minimum ücreti azaltıp azaltamayacağını tartışıyor. Önden kaçış riskinin yalnızca kayıp büyükse ortadan kaldırıldığı ve o zaman bile bazı önden gidiş kayıplarının ortadan kaldırılamayacağı ileri sürülmektedir. Ek olarak, önden koşan saldırganlar arasındaki rekabet, maksimum çıkarılabilir değer (MEV) aracılığıyla doğrulayıcılara veya madencilere fayda sağlar. Doğrulayıcılar yalnızca daha yüksek bir ücret kazanabilecekleri takdirde özel havuzları benimsemeye istekli olduklarından, özel havuzların benimsenmesi yürütme için gereken minimum öncelik ücretini mutlaka azaltmayabilir. Ayrıca, özel bir havuzun varlığı, blok alanı için daha fazla talebe yol açabilir ve bu da yürütme için gereken ücreti artırabilir. Sonuç olarak, özel havuzlar önden çalıştırma riskini her zaman azaltmayabilir ancak yürütme için gereken ücreti artırarak tahsis verimsizliğine yol açabilir.

  • 00:50:00 Bu bölümde konuşmacı, blokaj zincirlerinde öne çıkan risklerin neden olduğu verimsizlikleri tartışıyor. İlk verimsizlik, işlemlerin optimum olmayan bir şekilde tahsis edilmesine yol açabilen, önceden çalıştırma riski nedeniyle işlemleri göndermemeye karar verebilecek kullanıcılardan kaynaklanır. İkinci verimsizlik, bir saldırganın kurbandan önce bir işlem gerçekleştirerek bir değer aktarımıyla sonuçlandığı önden çalışan saldırılardan kaynaklanır. Bu riskleri azaltmak için, işlemlerin değerini artırabilecek ve kullanıcıların önden çalıştırma korkusu olmadan göndermelerine yardımcı olabilecek özel işlem havuzları önerilmiştir. Ancak, tüm doğrulayıcılar tarafından özel havuzların benimsenmesi, kötü MEV ve bunun sonucunda doğrulayıcılar için gelir kaybı nedeniyle her zaman elde edilemez.

  • 00:55:00 Bu bölümde, Agostino Capponi, sosyal açıdan optimal bir sonuç olsa bile doğrulayıcıların özel havuzları benimsememe sorununu tartışıyor. Bunun nedeni, MEV'lerini (Maksimum Çıkarılabilir Değer) kaybedecekleri ve kendilerine bir fayda sağlamadan geçiş yapmayacaklarıdır. Önden çalıştırılabilir kullanıcılar için çözüm, doğrulayıcılara önden çalıştırılmamakla tasarruf edeceklerine parasal olarak eşdeğer ödeme taahhüdünde bulunarak sübvanse etmeleri olacaktır. Veriler, ilk uygulayan olma rekabeti şiddetliyse, flash bot özel havuzlarının benimsenmesi nedeniyle saldırganların maliyet ve gelir oranının önemli ölçüde düşük olduğunu gösteriyor.
  • 01:00:00 Bu bölümde Agostino Capponi, özel işlem havuzları ve bunların ön çalıştırma riskini azaltıp azaltmadığı konusundaki araştırmasını tartışıyor. Özel havuzların öndeki büyük kayıplar için bir miktar hafifletme sağlayabilse de, durumlarını daha da kötüleştirebileceği için arbitraj botları çalıştıran saldırganlar için yararlı olmadığını açıklıyor. Frontrun olma olasılığı, frontrun için ödenmesi gereken fiyata kıyasla işlemin yapacağı kaymaya bakılarak tahmin edilebilir. Capponi, ön çalıştırma olasılığı ile özel havuzlar aracılığıyla yönlendirilen işlemlerin oranı arasında pozitif bir ilişki olduğuna dikkat çekiyor. Tüm doğrulayıcılar havuzu izlemediği için özel havuzların optimum tahsisi sağlayamayacağı sonucuna varır, bu da önden çalıştırma riski veya önden çalıştırılabilir bir işleme tahsis edilen blok alanı gibi verimsizliklere neden olur.

  • 01:05:00 Bu bölümde, Columbia Üniversitesi'nden Agostino Capponi, blockchain'de, özellikle Ethereum ve Polygon'da önde giden risklerden kaçınmak için özel işlem havuzlarının kullanımını tartışıyor. Ayrıca, şu anda tüm sağlayıcı ödüllerini alan tekelci bir varlık olduğunu ve Ethereum'un bunu önlemek için küçük çıkarılabilir değerin (MEV) yakılması veya yeniden dağıtılması gibi çözümleri düşündüğünü belirtiyor. Capponi ayrıca, blockchain işlemleri ve formülü anlamayanlardan anlayanlara değer aktarımı bağlamında matematik imha silahlarının tartışmalı konusunu da gündeme getiriyor.

  • 01:10:00 Bu bölümde, konuşmacılar özel işlem havuzlarında önde çalışma konusunu ve bunun aile ofisleri gibi deneyimsiz kullanıcıları nasıl etkileyebileceğini tartışıyor. Sistemi daha adil hale getirmek için, bu kullanıcıları önden çalıştırmadan kaçınmak için işlemlerini nasıl daha iyi zamanlayacakları konusunda eğitmenin bir yolu olması gerektiğini öne sürüyorlar. Ayrıca, önde çalışan botların son derece karmaşık olduğunu ve en fazla karı elde ederken işlemleri yürütmenin en iyi yolunu belirlemek için karmaşık algoritmalar kullandığını da belirtiyorlar. Konuşmacılar, işlem doğrulama süresi daha belirleyici olsaydı, kullanıcıların işlemlerini daha iyi zamanlaması ve önden çalıştırma riskini azaltması daha kolay olurdu.
Agostino Capponi (Columbia): "Do Private Transaction Pools Mitigate Frontrunning Risk?"
Agostino Capponi (Columbia): "Do Private Transaction Pools Mitigate Frontrunning Risk?"
  • 2023.01.25
  • www.youtube.com
Abstract: Blockchain users who submit transactions through private pools are guaranteed pre-trade privacy but face execution risk. We argue that private poo...
 

Dr. Kevin Webster: "Daha Azına Daha Fazlasını Elde Etme - Nedensel Düzenleme Yoluyla Daha İyi A/B Testi"



Dr. Kevin Webster: "Daha Azına Daha Fazlasını Elde Etme - Nedensel Düzenleme Yoluyla Daha İyi A/B Testi"

Bu videoda Dr. Kevin Webster, çeşitli temel konuları genişleterek ticaret deneyleri ve nedensel makine öğrenimi ile ilgili zorlukları derinlemesine inceliyor. Ele aldığı önemli konulardan biri, bir ticaret sırasında gözlemlenen getirinin, fiyat etkisinin ve tahmin edilen fiyat hareketinin bir kombinasyonu olduğu, ticaretteki tahmin yanlılığıdır. Bu önyargıyı azaltmak için, Dr. Webster iki yaklaşım önermektedir: rastgele ticaret verilerinin kullanımı ve nedensel düzenlileştirme uygulaması. Bir ticarete neden olan ticaret sinyalini regresyon modeline dahil ederek önyargılar ortadan kaldırılabilir.

Dr. Webster, üç değişken içeren bir nedensel grafik kavramını tanıtıyor: ticaretin alfa değeri, ticaretin boyutu ve ticaret sırasındaki getiriler. Alfayı gözlemlemeden fiyat etkisini doğru bir şekilde tahmin etmenin zor olduğunu ve geleneksel ekonometri tekniklerinin bu konuda yetersiz kaldığını iddia ediyor. Sınırlı boyut ve sürelerinden dolayı randomize ticaret deneylerinin sınırlamalarını vurgulayarak, simülatörler kullanarak dikkatli deney tasarımı ve maliyet tahmini ihtiyacını vurguluyor.

Dr. Webster, geleneksel ekonometrinin eksikliklerinin üstesinden gelmek için nedensel düzenlemeyi savunur. Amazon'dan türetilen bu yöntem, eğitim için önyargılı verileri ve test için tarafsız verileri kullanır, bu da düşük önyargılı, düşük varyanslı tahmin edicilerle sonuçlanır. Mevcut kurumsal verilerin zenginliğinden yararlanır ve önyargıları düzelterek daha doğru tahminler sağlar.

Etkisi hakkında bilgi sahibi olmadan alfayı tahmin etmek, özellikle ticari verilerin güvenilirliğinden yoksun olduğu durumlarda önemli bir zorluk teşkil eder. Dr. Webster, fiyatlandırma teknolojisine güvenmeden tarafsız veriler elde etmek için işlemlerin rastgele sunulmasının kullanılmasını önerir. Ancak bu yaklaşım, alfa üzerinde bir güven aralığı oluşturmak için işlemlerin büyük bir bölümünden vazgeçmeyi gerektirir ki bu pratik olmayabilir. Alternatif olarak, daha az veriyle benzer sonuçlara ulaşmak için nedensel makine öğreniminden yararlanmayı öneriyor. Nedensel makine öğrenimi, işlem maliyeti analizi, fiyat etki değerlendirmesi ve alfa araştırması gibi ticaret uygulamalarında özellikle değerli olduğunu kanıtlıyor ve derin, önyargılı ticaret verilerinin mevcudiyeti nedeniyle geleneksel ekonometriyi geride bırakıyor.

Konuşmacı ayrıca A/B testinde istatistiksel analizin önemine değinerek, fiyat etkisini tanımlama ve tahmin yanlılığıyla mücadele etmek için istatistiksel bir önlem ekleme ihtiyacını vurguluyor. Bu önyargıya değinilmeden, analiz öznel hale gelir ve bireysel yorumlamaya dayanır. Dr. Webster, gözlemsel kamu verilerinin ortaya çıkardığı zorlukları kabul ediyor ve girişimsel verilerden elde edilen içgörüleri vurguluyor. Hangi yaklaşımın benimseneceği sorusuna cevap vermek karmaşık olsa da, A/B testi bankacılık ve aracılık sektörlerinde yaygın bir uygulama olmaya devam ediyor.

Son olarak Dr. Webster, transfer öğrenimi ile nedensel düzenleme arasındaki ilişkiyi kısaca tartışıyor. Her ikisi de bir veri kümesi üzerinde bir model eğitmeyi ve onu diğerine uygulamayı içerirken, transfer öğrenme nedensel bir yorumdan yoksundur. İkisi arasındaki analoji, çapraz doğrulamanın çok önemli bir rol oynadığı doğrulama süreçlerinde yatmaktadır. Matematiksel benzerliklerine rağmen, Dr. Webster yaklaşımdaki nedensel yorumun yeniliğini vurgulamaktadır.

  • 00:00:00 Kevin Webster, canlı ticaret deneyleri ve nedensel makine öğrenimi hakkında konuşuyor. Bir riskten korunma fonunun, ticareti yürütmekten ve müşterinin çıkarına en iyi şekilde hareket ettiğini kanıtlarken en iyi yürütmeyi sağlamaktan sorumlu bir komisyoncu aracılığıyla işlem yaptığı bir senaryoyu anlatıyor. Aracı, müşterileri Alfa sinyallerine dayalı olarak rastgele işlem yapmadığından ve bir ticaret sırasında gözlemlenen getiri, fiyat etkisinin ve ticaretin neden olduğu tahmin edilen fiyat hareketinin bir karışımı olduğundan, zorluklarla karşılaşır. Webster, nedensel düzenleme kullanarak bu sorunu ele almayı amaçlıyor ve tahmin edilen fiyat hareketinin sipariş akışıyla nasıl ilişkili olduğunu öğrenen bir model öneriyor.

  • 00:05:00 Konuşmacı, getirilerin iki bileşeni olan alfa sinyalleri ve fiyat etkisi arasındaki farkı tartışıyor. Alfa sinyalleri, hisse senetlerinin alınıp satılmadığına bakılmaksızın gerçekleşecek fiyat hareketlerini tahmin ederken, fiyat etkisi ticaretin neden olduğu fiyat hareketlerini tanımlar. Tüccarlar, fiyatların alım satımlarına nasıl tepki vereceğini simüle etmek ve ne olursa olsun senaryolarını yanıtlamak için fiyatlandırma geri tepelerini kullanır. Bununla birlikte, tacirlerin bir fiyat hareketine neden olup olmadığını veya bunu tahmin edip etmediğini ayırt etmek zordur, bu da tahmin yanlılığına yol açar. CFM'nin tescilli verileri ve diğer teknikleri, gerilemede bir ticarete neden olan ticaret sinyalini hesaba katarak sapmaların ortadan kaldırılmasına ve tahmin yanlılığının düzeltilmesine yardımcı olabilir.

  • 00:10:00 Videonun bu bölümünde, Dr. Kevin Webster ticarette tahmin yanlılığı konusunu ve bunun hem brokerleri hem de alfa araştırmacılarını nasıl etkilediğini tartışıyor. Bir alfa araştırmacısı alfa sinyaline sahip olsa da, iyi bir fiyat etki modeline sahip olmayabileceğini ve bunun da alfanın fazla tahmin edilmesine yol açacağını açıklıyor. Tersine, aracılar alfayı bilmiyorsa, müşteri için çok yavaş işlem yapacaklardır. Dr. Webster, geleneksel ekonometriden daha iyi bir performans elde etmek için pahalı olan rastgele alım satımı veya hem rastgele alım satım verilerini hem de geçmiş verileri akıllı bir şekilde birleştiren bir yöntem olan nedensel düzenlemeyi önermektedir. Bu yöntemlerin performansını bir simülasyon kullanarak karşılaştıracağını belirterek sözlerini bitiriyor.

  • 00:15:00 Dr. Kevin Webster üç ekonometrik test yöntemini tartışıyor, nedensel çıkarımın önemini vurguluyor ve bunun teknoloji endüstrisinde, özellikle de makine öğrenimi topluluğunda halihazırda nasıl aktif olarak kullanıldığını açıklıyor. Ayrıca bu işletmelerin, ekiplerinin hızlı bir şekilde temel gerçeğe uyum sağlamasına, şaşırtıcı bulguları yeniden araştırmayı ortadan kaldırmasına, hatalı deneyleri yeniden yapmaktan kaçınmasına ve önemli kararlarda ikinci kez tahmin yürütmesine engel olmasına olanak sağlamak için nedensel makine öğreniminden nasıl yararlandığını vurguluyor. Dr. Webster'ın yöntemleri nedensel ve ekonometrik testlerin bir kombinasyonunu kullanır ve beş kat daha az veriye dayalı daha doğru tahminler sağlar.

  • 00:20:00 Yazar, çalışması için üç değişken içeren bir nedensel grafik öneriyor: ticaretin alfa'sı, ticaretin büyüklüğü ve ticaret sırasındaki getiriler. Alfa modellerinin altında yatan özelliklerin hisse senedi üzerindeki farklı temel fiyat hareketlerini yönlendirdiğini ve ticaret algoritmasının Alfa sinyallerine tepki vererek alım satımlara neden olduğunu varsayar. Ayrıca, alım satımların fiyat etkisi olarak bilinen fiyat hareketlerine neden olduğunu varsayar. Dr. Webster'a göre, tüccarlar hangi süslü regresyon tekniğini kullanırlarsa kullansınlar, Alfa'yı gözlemlemeden fiyat etkisini tahmin edemeyecekler. Tüccarlar, finans sektöründe aktif olarak kullanılan ve rasgele ticaret gideri olarak bilinen fiyat etkisini rastgele seçerek tahmin edebilirler. Bununla birlikte, bu tür randomizasyonlar pahalı olduğundan, kullanımı yalnızca önemli siparişlerle sınırlıdır.

  • 00:25:00 Konuşmacı, deneylerin sınırlı boyutu ve süresi nedeniyle gözlemsel verilerle karşılaştırıldığında randomize alım satım deneylerinin sınırlamalarını tartışır. Makul bir parametre seti için, gözlemsel veri seti, girişimsel veri setinden daha büyük olabilir ve tüccarlar, hata yapma pahasına, bunları dağıtmadan önce deneyler tasarlamalıdır. Rastgele işlemler göndermeden önce deneyin maliyet ve güven aralığını belirlemek için bir simülatör kullanılması çok önemlidir. Yanlılığı dikkate almadan, Alfa'yı yok saymak, yüksek yanlılık ve düşük varyansla sonuçlanacaktır.

  • 00:30:00 Dr. Kevin Webster, geleneksel ekonometrinin sınırlamalarını açıklıyor ve Amazon'dan gelen bir yöntem olan nedensel düzenlileştirme kavramını tanıtıyor ve meta parametrelerini ayarlamak için eğitim verileri olarak önyargı verilerini ve test verileri olarak tarafsız verileri kullanmayı içeriyor. Yöntem, yalnızca az miktarda deneysel veri kullanan geleneksel yöntemlerin aksine, düşük sapmalı, düşük varyanslı bir tahminci sağlar. Nedensel düzenleme algoritması, tüccarlar için doğru tahminler sağlamak için mevcut büyük kurumsal verilerin kullanılmasına ve herhangi bir önyargının düzeltilmesine izin verir.

  • 00:35:00 Videonun bu bölümünde Dr. Kevin Webster, ticaret verilerine güven olmadığında etkiyi bilmeden Alfa'yı tahmin etmenin zorluklarını tartışıyor. Alım satımların tarafsız veriler elde etmek için rastgele sunulmadığı, modelden bağımsız ve fiyatlandırma teknolojisi gerektirmeyen bir çözüm öneriyor. Bununla birlikte olumsuz tarafı, Alpha'da bir güven aralığı elde etmek için işlemlerin büyük bir kısmından vazgeçilmesi gerekmesidir ve bu, tacirler için pratik olmayabilir. Daha sonra bu sorunu çözmek ve aynı sonucu daha az veriyle elde etmek için bir makine öğrenimi yöntemi önerir. Nedensel makine öğrenimi, işlem maliyeti analizi, fiyat etkisi ve Alfa araştırması gibi ticaret uygulamalarına uygulanabilir ve derin, önyargılı ticaret verilerinin mevcudiyeti nedeniyle ticaret veri rejimlerinde geleneksel ekonometriden daha iyi performans gösterir.

  • 00:40:00 Konuşmacı, A/B testinde yer alan temel belirsizliği ve istatistiksel analizin, ticaretten ticarete değil, istatistiksel olarak anlamlı olan temel gerçeği bulmada nasıl önemli bir rol oynadığını tartışıyor. Fiyat etkisini tanımlamanın ve bu tanıma istatistiksel bir sayı eklemenin tahmin yanlılığıyla mücadeleye yardımcı olabileceğini vurguluyor. Bununla birlikte, tahmin önyargısıyla mücadele edecek bir şey olmadığında, analiz öznel hale gelir ve bakanın gözüne bağlıdır. Dr. Webster ayrıca gözlemsel kamu verilerinin içerdiği zorlukları ve girişimsel verilerin analize ilişkin nasıl daha fazla içgörü sağlayabileceğini tartışıyor. Cevaplaması zor bir soru olsa da, A/B testinin birçok banka ve komisyoncunun benimsediği ortak bir dönüşüm olduğunu kabul ediyor.

  • 00:45:00 Dr. Kevin Webster, transfer öğrenimi ile nedensel düzenleme arasındaki ilişkiyi kısaca tartışıyor. Her ikisi de bir veri kümesinde bir model eğitmeyi ve başka bir veri kümesinde iyi çalışmasını ummayı içerdiğinden, ikisi arasında bir analoji olduğunu belirtiyor. Transfer öğrenme nedensel bir yorumdan yoksun olsa da, transfer öğrenmenin kanıtı, nedensel düzenlileştirme için de geçerli olan çapraz doğrulama nedeniyle işe yarar. Matematiksel benzerliğe rağmen Dr. Webster, yaklaşımın nedensel yorumunun oldukça yeni olduğunu iddia ediyor.
Dr. Kevin Webster: "Getting More for Less - Better A/B Testing via Causal Regularization"
Dr. Kevin Webster: "Getting More for Less - Better A/B Testing via Causal Regularization"
  • 2022.11.09
  • www.youtube.com
Abstract: Causal regularization solves several practical problems in live trading applications: estimating price impact when alpha is unknown and estimating...
 

Yuyu Fan (Alliance Bernstein): "İçgörü Çıkarmak için Metin Madenciliğinden Yararlanma"



Yuyu Fan (Alliance Bernstein): "İçgörü Çıkarmak için Metin Madenciliğinden Yararlanma"

Alliance Bernstein'da bir araştırmacı olan Yuyu Fan, doğal dil işleme (NLP) uygulaması ve kazanç arama transkriptlerini analiz etme ve etkili ticaret stratejileri oluşturma konusunda makine öğrenimi hakkında değerli bilgiler sağlıyor.

Fan'ın ekibi, kazanç çağrısı transkriptlerinden çıkarılan 200'den fazla özelliği taramak için duyarlılık analizi, muhasebe analizi ve okunabilirlik puanlaması gibi çeşitli teknikler kullandı. CEO'ların duyarlılığını analistlerinkiyle karşılaştırarak konuşmacıların duyarlılığını değerlendirmek için BERT (Transformers'tan Çift Yönlü Kodlayıcı Temsilleri) gibi gelişmiş modeller kullandılar. İlginç bir şekilde, analist duyarlılığının daha güvenilir olma eğiliminde olduğunu buldular.

Analiz, transkriptlerin hem bireysel bölümleri hem de birleşik bölümleri üzerinde yürütüldü ve ekip, bağlama dayalı bir yaklaşımın, arka plandaki kelimelere dayalı naif bir yaklaşımdan daha iyi performans gösterdiğini keşfetti. Duyarlılık sinyali, özellikle ABD'deki küçük sermayeli şirketler için iyi performans gösterdi ve yatırım ekipleri tarafından önerildi.

Metodolojiyi açıklarken Fan, ekibinin farklı özelliklerin performansını değerlendirmek için niceliksel taramayı ve geriye dönük testi nasıl kullandığını açıklıyor. BERT kullanan bağlam tabanlı yaklaşımların yanı sıra sözlük tabanlı yaklaşımlara dayalı duygu puanlarını incelediler. Ekip ayrıca, bir metni anlama kolaylığını ölçen okunabilirlik puanlarını da araştırdı ve şirket performansıyla olası ilişkileri belirlemek için CEO yorumlarına odaklandı.

Fan, belirli bir kelimenin solundan ve sağından bağlamsal bilgileri yakalayan çift yönlü kodlayıcı temsilini vurgulayarak BERT'in çalışmasına ilişkin bilgiler sağlar. Ekip, kendi kendini etiketleme ve harici veri kümeleri yoluyla duyarlılık etiketleri ekleyerek duyarlılık analizi için BERT modelinde ince ayar yaptı. Bulguları, BERT tabanlı duyarlılık analizinin, kazanç çağrısı transkriptlerinden örneklerle gösterildiği gibi, sözlük tabanlı duyarlılık analizinden daha iyi performans gösterdiğini gösterdi.

Ayrıca Fan, duyarlılık analizi için doğruluk eşikleri belirlemenin zorluklarını tartışıyor ve pratik performansın doğruluk seviyeleri arasında önemli ölçüde farklılık göstermeyebileceğini vurguluyor. Yatırım ekipleri tarafından tavsiye edilmesine yol açan ABD küçük sermayeli şirketler üzerindeki duygu sinyalinin başarısını vurguluyor. Fan ayrıca, veri artırma yoluyla modeli geliştirmeye yönelik devam eden çabalarla, verimli ticaret stratejileri oluşturmak için nicel sinyaller olarak hizmet edebilecek NLP özelliklerini detaylandıran bir makalenin yayınlanmasından da bahseder.

Tartışma, NLP özellikleri ile geleneksel temel ve niceliksel özellikler arasındaki ilişkiyi kapsayacak şekilde genişler ve okunabilirlik ve duyarlılık muhasebesi için gözlemlenen orta düzeyde korelasyonu vurgular. Taraftar, yeniden dengelemeden önce mevcut en son bilgilere dayalı olarak şirketlerin seçimi de dahil olmak üzere iade yöntemlerine açıklık getiriyor.

Sonlara doğru Fan, CO2 arbitrajı, BERT ile FinBERT arasındaki fark ve BERT için özellikle finansla ilgili başvurular, kazançlar ve haberlere göre hazırlanmış bir finansal kullanım modelinin geliştirilmesi gibi konulara değiniyor. Ses verilerini analiz için transkriptlere dönüştürme sürecinden de transkripsiyon hizmetleri ve satıcı çözümlerinin kullanımıyla bahsedilmektedir.

Özetle, Yuyu Fan'ın araştırması, NLP'nin ve makine öğrenimi tekniklerinin kazanç çağrı dökümlerini analiz etmedeki gücünü ortaya koyuyor. Duyarlılık analizi, muhasebe analizi ve okunabilirlik puanlamasının yanı sıra BERT gibi gelişmiş modellerin kullanılması verimli ticaret stratejilerinin oluşturulmasını sağlar. Bağlama dayalı yaklaşım, naif yaklaşımlardan daha iyi performans gösteriyor ve Alliance Bernstein'ın yatırım ekipleri tarafından önerildiği gibi, özellikle ABD'deki küçük sermayeli şirketler için duyarlılık sinyali değerli olduğunu kanıtlıyor.

  • 00:00:00 Yuyu Fan, finansta kazanç çağrı dökümlerini analiz etmek için doğal dil işlemeyi (NLP) kullanmaktan bahsediyor. Şirketler, finansal ve ticari bilgileri yatırım topluluğuyla paylaşmak için kazanç çağrılarını kullanır ve analistler, şirketlerin performansını ve hisse senedi fiyatlarını etkileyebilecek bilgiler için genellikle transkriptleri analiz eder. Bununla birlikte, geniş bir şirket evreni için transkriptleri manuel olarak analiz etmek emek yoğundur ve bu noktada NLP ve makine öğrenimi teknikleri devreye girer. Bu tür tekniklerin finansal belgeleri analiz etmede ve verimli ticaret stratejileri formüle etmede etkili olduğu kanıtlanmıştır. Yuyu Fan'ın araştırması, ABD küçük sınırları ve gelişmekte olan pazarlar da dahil olmak üzere farklı evren sınırlarını içerecek şekilde ABD büyük sınırları üzerindeki tipik testlerin ötesine geçiyor. Ek olarak, analiz, transkriptlerin birleştirilmiş bölümlerinin yanı sıra bireysel bölümler üzerinde de yapılır ve sistematik bir karşılaştırma, bağlama dayalı yaklaşımın, arka plan sözcükleri naif yaklaşımından daha iyi performans gösterdiğini gösterir.

  • 00:05:00 Yuyu Fan, metin madenciliği analizleri için kullanılan verileri tartışıyor ve sunum ve Soru-Cevap bölümü olmak üzere iki bölümden oluşan kazanç görüşme dökümlerinin yapısını açıklıyor. Birleşik bölümlerin yanı sıra bu ayrı bölümlerin her birinde NLP özellikleri oluşturdular. Oluşturulan üç NLP özelliği kategorisi, duyarlılık, muhasebe ve okunabilirlik puanlarıdır. Ayrıca analizleri için basit bir geri test yöntemi sağlarlar. Duyarlılık özellikleri, biri sözlüğe ve diğeri bağlama dayalı olmak üzere iki kategoriye ayrılır.

  • 00:10:00 Alliance Bernstein'dan Yuyu Fan, sağlam ve iyi performans gösteren yatırım sinyallerini bulmak için oluşturulan 200'den fazla özelliği taramak için metin madenciliğini nasıl kullandıklarını açıklıyor. Yalnızca veri madenciliğini değil, aynı zamanda temel analiz ve ekonomik sezginin yanı sıra önceki araştırmaları da dikkate alırlar. Bileşenleri özellik değerlerine göre sıralarlar ve performansı değerlendirmek için her bir dilim için aylık getirileri izlerler. İlk kategori basit kelime sayımıdır ve özelliklerden biri, farklı davranışlara sahip gelişmekte olan pazarlar dışında genellikle önceki beklentileriyle tutarlı performans gösteren analist soru kelime sayısıdır. Yıllık getiri ve duvar gibi temel ölçütleri kullanarak performansı değerlendiriyorlar ve bu sinyalin iyi olduğunu, o kadar da iyi olmadığını görüyorlar.

  • 00:15:00 Konuşmacı, okunabilirlik puanları kavramını ve ekibinin CEO yorumlarını analiz etmek için bunları nasıl kullandığını açıklıyor. Okunabilirlik puanları, zor kelime sayısını ve cümle uzunluğunu dikkate alarak bir metni okumanın ve anlamanın ne kadar zor olduğunu ölçmek için kullanılan bir ölçüdür. Puanların yüksek olması metnin anlaşılmasının zor olduğu, düşük puanların ise anlaşılmasının kolay olduğu anlamına gelmektedir. Fan'ın ekibi, CEO yorumlarının okunabilirlik puanlarını hesaplamak için "metin istatistikleri" adlı açık kaynaklı bir Python paketi kullandı ve anlaşılması daha kolay yorumların şirketlerin şeffaf ve iyi performans göstermesini sağlama olasılığının daha yüksek olduğu hipoteziyle. Ekip daha sonra farklı özellikleri değerlendirmek ve en iyi performansı gösterenleri yatırım ekiplerine önermek için niceliksel taramayı kullandı.

  • 00:20:00 Alliance Bernstein'dan Yuyu Fanı, duygu analizinin CEO konuşma dökümlerinden içgörüler çıkarmak için nasıl kullanılabileceğini tartışıyor. Fan, duyarlılık puanlarının, finansal araştırmalar için özel olarak tasarlanmış jenerik veya tescilli sözlükler kullanmak gibi sözlük tabanlı yaklaşımlar kullanılarak hesaplanabileceğini açıklıyor. Sonuçlar, LM sözlüğüne dayalı duyarlılık analizinin, özellikle ABD'deki küçük sermayeli şirketler için daha fazla yatırım sinyali taşıdığını gösteriyor. Aylık yeniden dengeleme kullanılır ve şirketler sektörden bağımsız beşte birlik dilimlere göre sıralanır. Duyarlılık analizi kullanılırken her beşte birlik kesim için sonuçlar daha farklı olabilir ve bu da daha yüksek duyarlılığın daha iyi performansa yol açtığını gösterir.

  • 00:25:00 Alliance Bernstein'dan Yuyu Fan, ekiplerinin içgörü elde etmek ve konuşmacı duygularını değerlendirmek için metin madenciliğini nasıl kullandığını açıklıyor. CEO duyarlılığı ile analist duyarlılığı arasındaki farkları analiz ettiler ve CEO'ların konuşmalarına yönelik analiz sonuçlarını potansiyel olarak çarpıtması nedeniyle analist duyarlılığının daha güvenilir bir gösterge olabileceğini keşfettiler. Ayrıca, özellikle BERT adlı Transformer modelini kullanarak, doğal dil anlayışını da araştırdılar. BERT, iki yönlü kodlayıcı temsilini kullanır, yani belirli bir kelimenin anlamını bağlamı içinde daha iyi tahmin etmek için soldaki ve sağdaki çevredeki bilgileri dikkate alır.

  • 00:30:00 Yuyu Fan, BERT (Transformers'tan Çift Yönlü Kodlayıcı Temsilleri) modelinin duyarlılık analizi için nasıl çalıştığını açıklıyor. Modelin kodlayıcı kısmı yanal dil anlama (çeviriye ihtiyaç duymadan dil anlama) için kullanılmaktadır. Modelin bu bölümündeki yerleştirmeler, tüm cümleden gelen bilgileri temsil edebilir ve bir duyarlılık sınıflandırma modeli oluşturmak için ince ayar yapılabilir. Önceden eğitilmiş BERT modellerini kullanarak ve bir aşağı akış duygu sınıflandırma görevi ekleyerek, ince ayar yapmak çok daha kolay hale gelir. Duyarlılık etiketleri, kendi kendini etiketleme yoluyla eklenir ve harici veri kümeleri aracılığıyla etiketler verilir ve model, -1 ile 1 aralığında duyarlılık puanlarını tahmin edecek şekilde eğitilir. Son olarak, Fan, BERT tabanlı duyarlılık analizinin, sözlüğe dayalı duyarlılık analizinden daha iyi performans gösterdiğini gösterir. kazanç arama transkriptlerinden örneklerle duyarlılık analizi.

  • 00:35:00 Alliance Bernstein'dan Yuyu Fan, metin madenciliğini ve önceden eğitilmiş bir BERT modelinin finansal metin sınıflandırmasını iyileştirmek için belirli etiket cümleleriyle nasıl ince ayar yapılabileceğini tartışıyor. Önceden eğitilmiş modelin İngilizce belirteçlerle ilgili geniş sözcük dağarcığı, kombinasyonların yakalanmasına ve sözcüklerin üretilmesine izin verir, ancak belirli finansal dili yakalayamayabilir. Yuyu Fan, hem olumlu hem de olumsuz kelimeler içeren cümlelerdeki performans sorulduğunda, sınıflandırmanın analistin yorumuna ve beklentisine bağlı olabileceğini, ancak gelirde %10'luk bir artış bildiriyorsa cümlenin kendisinin olumlu olarak sınıflandırılabileceğini açıklıyor.

  • 00:40:00 Alliance Bernstein'dan Yuyu Fan, duyarlılık analizinde doğruluk için kesin bir eşiğe sahip olmanın zor olduğunu açıklıyor. Akademide büyük bir fark yaratabilirken, pratik uygulamalarda, ortalama veya standart sapma kullanılarak bölüm düzeyinde toplandığında %90 doğruluk ve %92 doğruluk benzer performansa yol açabileceğinden, çok fark yaratmayabilir. Fan, modellerinin tüm cümlelerde yaklaşık %90 doğruluğa sahip olduğunu ve duyarlılık sinyallerinin ABD'deki küçük sermayeli şirketlerde iyi performans gösterdiğini ve bunun yatırım ekiplerinin kullanılmasını önerdiği bir sinyal olduğunu açıklıyor. Fan ayrıca, verimli ticaret stratejileri oluşturmak için nicel sinyaller olarak kullanılabilecek NLP özellikleri hakkında daha fazla ayrıntı içeren bir makale yayınladıklarını ve şu anda modeli geliştirmek için veri artırma üzerinde çalıştıklarını paylaşıyor.

  • 00:45:00 Alliance Bernstein'da veri bilimcisi olan Yuyu Fan, NLP özelliklerinin geleneksel temel ve nicel özelliklerle nasıl ilişkili olduğunu tartışıyor. Okunabilirlik ile korelasyonların genellikle düşük olduğunu ve büyük-başlık momentumu için 0,54 civarında orta korelasyona sahip duyarlılığı açıkladığını buldular. Ayrıca, vergi istatistikleri gibi paketleri kullanarak okunabilirliği nasıl ölçtüklerini ve kullanımları için özelleştirmeler yaptıklarını açıklıyor. Fan, bir aylık getirileri izledikleri ve yalnızca yeniden dengeleme gününden önce, genellikle üç aylık kazançlar büyük sınırlar gerektirdiğinden sonra mevcut olan en son bilgilere sahip şirketleri dahil ettikleri getiri metodolojilerini daha da netleştiriyor. Son olarak, CO2 arbitrajıyla ilgili bir soruyu ele alıyor ve yöntemlerinde kullandıkları BERT ile FinBERT arasındaki farkı açıklıyor.

  • 00:50:00 Yuyu Fan, içgörü elde etmek için metin madenciliğinin kullanımını tartışıyor. BERT modelinin finansal kullanım modelinin geliştirilmesinden bahsediyor, özellikle finansla ilgili dosyalamalara, kazançlara ve haberlere odaklanıyor. Model, pozitif, negatif ve nötr çıkış olasılıkları için etiketlerle önceden eğitilmiş versiyonlar ile ince ayar yapılmış versiyonlar arasında ayrım yapar. Fan, modelin doğruluğunun farklı sektörlere göre değiştiğini ve belirli konulara yönelik duygu sınıflandırmasını iyileştirmek için veri artırmanın yollarını araştırdıklarını belirtiyor. Bu bölüm, ses verilerini analiz için transkriptlere dönüştürme süreci hakkında bir tartışma ile sona ermektedir.

  • 00:55:00 Alliance Bernstein'dan Yuyu Fan, içgörü elde etmek için metin madenciliğinin kullanımını tartışıyor. Şirket, yüksek kaliteli satıcı verileri için SMT'nin yanı sıra deşifre hizmetleri ve işbirlikleri için satıcı çözümleri kullanıyor. Ayrıca, çok dilli transkripsiyon da dahil olmak üzere ses transkripsiyonu için büyük ölçekli transformatör modelleri kullanan Open AI'dan Whisper adlı bir model üzerinde deneyler yapıyorlar. Ancak, zaman kısıtlamaları nedeniyle Soru-Cevap oturumu burada sona erer.
Yuyu Fan (Alliance Bernstein): "Leveraging Text Mining to Extract Insights"
Yuyu Fan (Alliance Bernstein): "Leveraging Text Mining to Extract Insights"
  • 2022.10.26
  • www.youtube.com
Welcome to the first of the UBS and CFEM AI, Data and Analytics Speaker Series!Yuyu Fan of Alliance Bernstein spoke about "Leveraging Text Mining to Extract ...
 

Ciamac Moallemi (Kolombiya): "Likidite Temini ve Otomatik Piyasa Yapıcılığı"



Ciamac Moallemi (Kolombiya): "Likidite Temini ve Otomatik Piyasa Yapıcılığı"

Bu kapsamlı tartışmada, Columbia Üniversitesi'nden bir profesör olan Ciamac Moallemi, çeşitli açılardan likidite sağlama ve otomatik piyasa yapımının (AMM) inceliklerini araştırıyor. AMM'lerin, blockchain platformlarının karşılaştığı hesaplama ve depolama zorluklarına ve likidite sağlayıcıları için pozitif getiri üretme yeteneklerine hitap etmedeki önemini vurguluyor. Konsepti açıklamak için Moallemi, UniSwap V2'deki volatilite için ters seçim maliyetini sunuyor ve 125 milyon $'lık bir havuzda yıllık yaklaşık 39.000 $'lık bir maliyeti ortaya koyuyor. Likidite sağlayıcı getirilerini belirlemede oynaklığın ve işlem hacminin önemini vurguluyor ve AMM'lerin arbitrajcıları ve bilgili tüccarları nasıl ele aldığını açıklıyor.

Moallemi, AMM'leri blok zincirinde kullanmanın avantajlarının altını çiziyor ve havuzlanmış değer işlevleri ile birleştirme işlevlerinin rollerini araştırıyor. Yeniden dengeleme stratejileriyle ilişkili riskleri ve maliyetleri korumanın önemini vurguluyor. Ayrıca Moallemi, likidite sağlama ve otomatikleştirilmiş piyasa yapımı için kendi modelini tanıtıyor ve bunu Ethereum blok zincirinden gelen gerçek verilerle karşılaştırıyor. Modelinin, aracılara ödenen maliyetleri azaltarak potansiyel olarak AMM'leri nasıl geliştirebileceğini tartışıyor. Moallemi, yetersiz fiyatların neden olduğu verimsizlikleri azaltmak için bir veri kaynağı olarak bir kahini kullanmak ve yetkili katılımcılara arbitraj haklarını satarak havuza karşı ücretsiz ticaret yapmalarını sağlamak gibi çeşitli yaklaşımlar önerir.

Ek olarak Moallemi, AMM'lerin geleneksel limit emir defterlerine göre avantajlarını, özellikle basitlik ve erişilebilirlik açısından açıklıyor. AMM'lerin karmaşık algoritmalara ve kapsamlı kaynaklara olan ihtiyacı ortadan kaldırarak daha az bilgili katılımcılar için oyun alanını nasıl eşitlediğini vurguluyor. Moallemi, AMM'leri doğru yönde atılmış bir adım olarak konumlandırarak, daha geniş bir katılımcı yelpazesine fayda sağlayan daha iyi yapıların potansiyeli konusunda iyimserliğini ifade ederek sözlerini bitiriyor.

  • 00:00:00 Bu bölümde, Columbia Üniversitesi'nden Ciamac Moallemi, esas olarak kripto dünyasındaki otomatikleştirilmiş piyasa yapıcılara odaklanarak likidite sağlama ve otomatik piyasa yapımını tartışıyor. Alım satım sorununun geleneksel finansta elektronik limit emir defterleri tarafından büyük ölçüde çözüldüğünü, ancak bu yapının kriptoda toptan olarak benimsenmesiyle ilgili birkaç sorun olduğunu açıklıyor. Moallemi, ticaret için blok zinciri kullanmanın hesaplama ve depolama maliyetlerini ve otomatik piyasa yapıcıların bir varlık için hem alım hem de satım fiyatlarını teklif etmek için fiyatlandırma algoritmalarını kullanarak piyasaya likidite sağlayarak bu sorunları nasıl çözebileceğini tartışıyor.

  • 00:05:00 Bu bölümde, konuşmacı yüksek güncelleme oranları ve sınırlı hesaplama ve depolama ile bir ortamda alım satım için limit emir defterlerini kullanmanın zorluklarını tartışıyor. Piyasa yapıcılığı, aktif piyasa yapıcıların katılımını gerektirir ve kripto para dünyasında, özellikle yeni belirteçler için önyükleme yapmak zor olabilir. Bu zorlukların üstesinden gelmek için insanlar, ETH ve ABD doları gibi bir varlık havuzunu bir havuza koymak için likidite sağlayıcılarını kullanan otomatikleştirilmiş piyasa yapıcılar (AMM'ler) geliştirdiler. Bu AMM'ler hesaplama açısından verimlidir ve sıralama veya karşılaştırma gerektirmez, bu da onları blok zinciri ortamları için ideal kılar. Likidite sağlayıcılara, havuza karşı işlem yapmaları için ücret ödenir ve fiyat, havuzda bulunanların bir fonksiyonu olarak belirlenir.

  • 00:10:00 Bu bölümde, Ciamac Moallemi, UniSwap gibi AMM sistemlerini kullanmanın maliyetlerini ve faydalarını özetleyerek, likidite sağlama ve otomatik piyasa yapımını (AMM) likidite sağlayıcılarının bakış açısından tartışıyor. Moallemi, pasif likidite sağlayıcıları AMM sistemleri aracılığıyla ücret kazanabilse de, ters seçim gibi piyasa oluşturmanın her zaman bir maliyeti olduğunu açıklıyor. Moallemi, UniSwap V2'den somut bir örnek kullanarak oynaklık için ters seçim maliyetinin tipik olarak üç baz puan olduğunu ve bunun da 125 milyon $ değerindeki bir havuzda yıllık yaklaşık 39 bin maliyetle sonuçlandığını gösteriyor. Maliyete rağmen Moallemi, AMM sistemlerinin likidite sağlayıcılar için olumlu bir getiri sağlayabileceğini, ancak ilgili riskleri ve maliyetleri doğru bir şekilde değerlendirmenin çok önemli olduğunu belirtiyor.

  • 00:15:00 Bu bölümde, Columbia Üniversitesi'nden Ciamac Moallemi, likidite sağlama ve otomatik piyasa yapımını tartışıyor. Moallemi, likidite sağlayıcı getirilerinin ardındaki etmenleri, özellikle oynaklık ve işlem hacminin önemini vurguluyor. Ayrıca, koruma getirisi, işlem ücretleri ve kaldıraç maliyetini içeren LP getiri ayrıştırması için bir zarfın arkası hesaplamasını açıklar. Moallemi, kaldıraç maliyetinin, fiyatların merkezi bir borsada belirlenmesinden ve AMM'lerin yanlış fiyatlarla işlem yapmasından kaynaklanan ters bir seçim maliyeti olduğunu açıklıyor. Bu, hakemlerin havuzdan kazanç sağladığı ve sıfır toplamlı bir oyunla sonuçlanan arbitraj fırsatlarına yol açar. Bilgili tüccarlar ve hakemler arasındaki farklar da tartışılmaktadır.

  • 00:20:00 Bu bölümde, Ciamac Moallemi, klasik bir ters seçim modeli kullanarak bilinçli ticareti ölçmenin zorluğunu ve volatilitenin nasıl ortaya çıktığını tartışıyor. Ayrıca, opsiyon fiyatlandırma yorumlaması ve kapalı forum formülleri kullanarak sürekli zamanda çalışmanın rahatlığı hakkında da konuşuyor. Moallemi, tahmin piyasaları ve otomatik piyasa yapıcılar gibi piyasa yapıcı dünyadaki diğer popüler konulardan bahsediyor. Ardından, blockchain'in bir bilgisayar olarak nasıl çalıştığını, geçişleri ve ödemeleri takip ettiğini ve Ethereum'un sistemin daha karmaşık ve pahalı bir versiyonu olduğunu açıklıyor. Yavaş ve maliyetli olmasına rağmen, blockchain ticaret ve tahmin piyasalarının hala hayati bir parçasıdır.

  • 00:25:00 Bu bölümde Ciamac Moallemi, özellikle küçük işlemler veya basit hesaplama görevleri gerektiren senaryolarda, yavaş bilgisayarların kullanımında finansın önemini tartışıyor. Finansla ilgili uygulamalarda Ethereum sisteminde harcanan kaynağın yüzdesini yansıtan bir grafik gösteriyor; ticaret en büyük alt kategori ve Uniswap en önemli protokol veya akıllı sözleşme. Kripto ticaretinin çoğu borsalarda gerçekleşse de, Uniswap gibi merkezi olmayan borsalar da toplamda yaklaşık bir trilyon dolarlık işlem görüyor. Moallemi, "x" ile gösterilen riskli bir varlık ve "y" ile gösterilen sayısal olarak adlandırılan ve piyasa fiyatının fiyat olduğu risksiz bir varlık olan iki varlığın ticareti için bir model olarak stokastik volatiliteye sahip sürekli zamanlı bir Black-Scholes kurulumu sunuyor. pay açısından riskli varlığın.

  • 00:30:00 Videonun bu bölümünde Ciamac Moallemi, finans sektöründe likidite sağlama ve otomatikleştirilmiş piyasa oluşturma kavramını ve bunların nasıl çalıştığını açıklıyor. Bu sürecin getirilerinin rastgele bir yürüyüş olduğundan ve bu kavramın finansta çok standart bir model olduğundan bahsediyor. Daha sonra, fonksiyonun bağlanma fonksiyonu tarafından sabit tutulduğu sabit fonksiyonlu bir piyasa yapıcı olarak otomatik piyasa yapıcı kavramını açıklamaya devam ediyor. Likidite sağlayıcılar rezervlere katkıda bulunur ve tacirler yalnızca fonksiyonu sabit tutan eğri üzerinde başka bir noktaya geçebilir. Diyagonal çizginin eğimi anlık fiyatı verir. Mekanizma, değişmezi tatmin etmek ve ticarete evet veya hayır demek için hangi envantere sahip olduğunu bilir.

  • 00:35:00 Bu bölümde Ciamac Moallemi, Binance gibi geleneksel borsaların aksine blok zincirinde otomatik piyasa oluşturma (AMM) kullanmanın faydalarını tartışıyor. Blok zincirinde olmak, geleneksel borsalarda mümkün olmayan teminatlı borç verme veya portföy optimizasyonu gibi farklı hizmetlere izin verir. Ek olarak, blok zincirinde işlem yapmak, geleneksel borsalarda bulunmayan bir özellik olan bir bilgisayar programının alt programı olabilir. AMM'ler için ücretler miktarla orantılı olsa da, likidite sağlayıcının seviyesi zaman içinde değişerek ücret dağıtımını etkileyebilir. Piyasa modeli iki tür tüccar içerir: merkezi borsayı ve dış piyasayı sürekli izleyen arbitrajcılar ve blok zincirinde olmaktan fayda sağlayan gürültü tüccarları. Analiz, sabit likidite sağlayıcılarını, ücretler için nakit ödemeleri varsayar ve blok zincirindeki ayrı zamana karşı sürekli zamanı göz ardı eder.

  • 00:40:00 Bu bölümde, Ciamac Moallemi likidite sağlama ve otomatikleştirilmiş piyasa yapıcılığı kavramlarını açıklıyor. Y için x ticareti örneğini ve en yavaş kısmı, ticaretin yapılabileceği oran olarak kullanıyor. Hiperdüzlemleri destekleyen fiyatlar olan ikili değişkenlere geçerek sorunun nasıl daha iyi tanımlandığını açıklıyor. Havuz değeri fonksiyonunun kritik bir nesne olduğunu ve fonksiyonun düzgün ve iki kez sürekli olarak türevlenebilir olduğu varsayımının yapıldığını açıklıyor. Moallemi ayrıca sabit çarpım durumunu ve hakemlerin dengelemeye teşvik edildiği bağ fonksiyonunun özelliklerini tartışıyor. Arbitrajcılar, mümkün olan en fazla parayı elde etmek için havuzda en az değeri bırakarak sürekli olarak piyasayı izliyor.

  • 00:45:00 Bu bölümde, Columbia Üniversitesi'nden Ciamac Moallemi, yeniden dengeleme stratejisi ve arbitraj kullanımı da dahil olmak üzere, likidite sağlanması ve otomatikleştirilmiş piyasa yapımı için gerekli temel bileşenleri tartışıyor. Yeniden dengeleme stratejisi, arbitrajcıların yaptığı gibi riskli varlıkları alıp satmayı, ancak adil piyasa fiyatları için merkezi borsada alım satım yapmayı içerir. Kaldıraç kaybına karşı yeniden dengeleme teoremi, süreci negatif olmayan, azalmayan ve öngörülebilir olarak nitelendirerek, havuz rezerv değerlerinin borsada işlem görmeye kıyasla sistematik olarak para kaybettiğini gösterir. Bu temel bileşenler, etkili likidite sağlama ve piyasa yapıcılık için önemlidir.

  • 00:50:00 Bu bölümde Ciamac Moallemi, yeniden dengeleme stratejisiyle ilişkili riskleri ve maliyetleri ve bunların potansiyel olarak nasıl korunabileceğini tartışıyor. Bir portföyün değerindeki anlık değişimin iki bileşeni olduğunu açıklıyor: birinci bileşen, piyasaya açık olduğu anlamına gelen piyasa riski, ikinci bileşen ise yerel olarak risksiz ve öngörülebilir ancak sistematik bir işletme maliyetine sahip. Moallemi, anlık kaldıraç formülünü ve bunun anlık varyanstan ve mevcut fiyat düzeyinde mevcut likidite miktarından nasıl etkilendiğini daha ayrıntılı olarak açıklıyor. Ayrıca, formülün sabit ürün piyasa yapıcısına nasıl uygulanabileceğini de gösterir.

  • 00:55:00 Bu bölümde Moallemi, havuzun değerinin asla sıfıra gitmeyeceğini, ancak bir alternatiften daha az değerli hale gelebileceğini açıklıyor. Yeniden dengeleme stratejisi, fiyatlar yükseldiğinde sattığı ve fiyatlar düştüğünde satın aldığı için sistematik olarak zaman içinde para kazanabilir. Ek olarak Moallemi, modelin varsayımlarını tartışıyor ve çoğu likit havuz için bir dış pazar varsaymanın makul olduğunu, ancak uzun kuyruk için bunun iyi bir varsayım olmadığını belirtiyor. Bununla birlikte, model, tahmine dayalı bir model olarak hala kullanışlıdır ve tutarlı fiyatlandırma sağlar. Moallemi daha sonra modeli tahmine dayalı bir model olarak kullanmanın bir yolunu açıklıyor, LP toplanan ücretlere ve havuz değerindeki değişikliğe bakıyor ve finansta negatif yeniden dengeleme işlemleriyle piyasa riskini koruyor.

  • 01:00:00 Bu bölümde, Columbia Üniversitesi'nden Ciamac Moallemi, likidite sağlama ve otomatikleştirilmiş piyasa yapıcılığı modelinin ampirik sonuçlarını tartışıyor. Formülünü kullanmanın korunan kar ve zararını (P&L) Ethereum blok zincirindeki gerçek verilerle karşılaştırır ve yakın olduklarını bularak modelinin doğru olduğunu gösterir. Ardından, 200 milyon dolarlık madeni para içeren örnek bir Uniswap havuzunun günlük volatilitesine ve P&L dalgalanmalarına bakar. Kâr ve zarar dalgalanmaları piyasa riskinden kaynaklanmaktadır ve Moallemi, ticaret ve finansman maliyetleri nedeniyle mutlaka bir para kazanma stratejisi olmasa da, pozitif bir getiri ve yüksek Sharpe oranıyla sonuçlanan formülü kullanılarak bunların korunabileceğini gösteriyor. Bu aracın, aracılara ödenen maliyetleri azaltarak otomatik piyasa yapıcıları geliştirmek için kullanılabileceğini öne sürüyor.

  • 01:05:00 Bu bölümde Ciamac Moallemi, likidite sağlama ve otomatikleştirilmiş piyasa yapıcılığındaki kötü fiyatların neden olduğu verimsizlikleri azaltmanın yollarını tartışıyor. Dış fiyatları akıllı sözleşmelere dahil etmek ve piyasa dışı ticareti önlemek için Binance gibi borsalardan fiyat almak için veri kaynağı olarak bir kehanet kullanmayı öneriyor. Ek olarak Moallemi, havuza karşı ücret ödemeden işlem yapabilen yetkili katılımcılara arbitraj haklarını satma fikrini sunar ve onlara daha küçük fiyat farklılıklarından yararlanma ve para kazanma önceliği verir. Bu katılımcılar, kötü fiyatların hafifletilmesine yardımcı olmak ve hem LP'lerin hem de gürültü tüccarlarının stratejiden fayda sağlamasını sağlamak için kârlarının bir kısmını LPS'ye geri verecekti. Moallemi ayrıca Binance'te alım satım yapmak için AMM'lerin uygulanması ve kripto piyasalarında kısa devre yapmayla ilgili soruları da ele alıyor. Fon maliyetleri nedeniyle açığa satışın pahalı olabileceğini ve hacim ile oynaklığın yüksek oranda ilişkili olduğunu ve bunun da uzun hacimli ancak kısa oynaklık stratejisini riskli hale getirebileceğini belirtiyor.

  • 01:10:00 Bu bölümde Moallemi, başkalarının yanıt vermesini beklemeyi gerektirdiği için akıllı sözleşmelerdeki Fiyat Teklifi Talebi (RFQ) protokolüyle ilgili sorunları açıklıyor ve bu da akıllı sözleşmelerin atom yapısını bozuyor. Bununla birlikte, tam zamanında likidite adı verilen popüler bir dolaylı alternatif, büyük siparişleri işlenmeden önce önden çalıştırmak ve onlara likidite sağlamak için kullanılabilir. Moallemi ayrıca, geleneksel piyasa yapıcıların risklerini nasıl hedge ettiğini ve hisseleri satıştan önce kısa süreler boyunca nasıl elinde tuttuğunu, likidite sağlayıcılarının da piyasa riskini yönetmek için hedge yapması gerektiğini açıklıyor. Likidite havuzu modeli, kripto para birimlerinde en iyi şekilde çalışır çünkü yavaş bilgisayarları ve çok sayıda madeni paraları vardır.

  • 01:15:00 Bu bölümde, konuşmacı, özellikle basitlik ve erişilebilirlik açısından, otomatik piyasa yapıcıların (AMM'ler) limit emir defterlerine göre avantajlarını tartışıyor. Limit emir defterlerinin karmaşık doğasının, piyasa yapıcılar ve hatta tacirler için bunları algoritmalar ve bir doktora ordusu olmadan kullanmalarını zorlaştırdığını ve aynı zamanda algoritma kullanan kurumsal yatırımcılar için daha eşit bir oyun alanı yarattığını açıklıyorlar. Bununla birlikte, AMM'ler, ortalama katılımcıların kapsamlı bilgi veya kaynaklara ihtiyaç duymadan faydalanmasına izin vererek süreci basitleştirir. Konuşmacı, AMM'leri doğru yönde atılmış bir adım haline getiren, daha az bilgili katılımcılara fayda sağlayan daha iyi yapılar için potansiyel görüyor.
Ciamac Moallemi (Columbia): "Liquidity Provision and Automated Market Making"
Ciamac Moallemi (Columbia): "Liquidity Provision and Automated Market Making"
  • 2022.09.14
  • www.youtube.com
Abstract: In recent years, automated market makers (AMMs) and, more specifically, constant function market makers (CFMMs) such as Uniswap, have emerged as t...
 

Andreea Minca (Cornell ORIE): Heterojen Finansal Ağları Kümeleme



Andreea Minca (Cornell ORIE): Heterojen Finansal Ağları Kümeleme

Cornell ORIE'de finansal ağlar alanında tanınmış bir uzman olan Profesör Andreea Minca, araştırmasını heterojen finansal ağları kümelemenin karmaşıklıklarını keşfetmeye adamıştır. Bu ağların ortaya çıkardığı benzersiz zorlukların, özellikle de gelişigüzel bağlantı modellerine sahip aykırı değerlerin varlığının üstesinden gelmek için yenilikçi bir düzenlileştirme terimi sunuyor. Bu aykırı değerler, spektral kümeleme algoritmalarının performansını engeller ve kümelemeyi, NP-zor kombinatoryal problem olarak bilinen hesaplama açısından zorlu bir probleme dönüştürür.

Bu aykırı değerleri bağlantı modellerine göre belirlemek için Minca, stokastik blok modelini ve derece düzeltmeli stokastik blok modelini kullanır. Bu modeller, sayılarını bilmek dışında aykırı düğümler hakkında varsayımlarda bulunmadan kesin kurtarma için teorik garantiler sunar. Finansal ağların doğasında bulunan heterojenlik, yalnızca düğüm derecelerine dayalı aykırı değerlerin tespitini daha da karmaşık hale getirir.

Minca, bir bölüm matrisi ve bir düğüm permütasyonu oluşturarak ağı kümelere ve aykırı değerlere bölme sürecini derinlemesine araştırır. Bu yaklaşımı Kore bankacılık sistemini analiz etmek için uygulayarak örneklendiriyor. Ek olarak Minca, ağdaki boşlukları doldurmak için bir Gibbs örnekleyici kullanır ve örtüşen portföyleri güçlerine ve örtüşme düzeylerine göre kümeleyerek verimli risk tahsisi ve yatırımların çeşitlendirilmesini sağlar.

Çalışmasında Minca, bağlantısı olmayan kümeler yerine anlamlı bir karşılıklı bağlantı sergileyen kümeler oluşturmanın önemini vurguluyor. Finansal ağlarda çeşitlendirmeyi başarmak için kümeleme algoritmalarını kullanırken dikkatli değerlendirme ihtiyacını vurgulayarak, bir kümelenme riski parite çerçevesi altında çeşitlendirme için beş alternatif sunan bir yaklaşım önermektedir. Minca, standart yatırım kategorileri kullanılarak kümeleme algoritmalarının performansının ölçülmesini tavsiye ediyor ve bu teknikleri kullanırken bilgiye dayalı karar vermenin önemini vurguluyor.

Genel olarak, Profesör Andreea Minca'nın araştırması, heterojen finansal ağları kümelemenin inceliklerine dair değerli bilgiler sağlarken, bu ağlarla ilgili zorlukların üstesinden gelmek için yenilikçi yaklaşımlar ve pratik çözümler sunuyor. Çalışmaları, risk analizi, portföy seçimi ve finansal sistemlerin yapısal dinamiklerinin anlaşılmasına katkıda bulunmaktadır.

  • 00:00:00 Profesör Andreea Minca, finansal ağları kümelemek için algoritmalar geliştirme konusundaki çalışmalarını iki farklı örnek üzerinden tartışıyor. İlk örnek, portföy seçiminde uygulamalarla örtüşen portföy ağları üzerinedir ve ikinci örnek, sistemik risk analizi ve ağdaki risk seviyesinin anlaşılması ile ilgili riskler ağı üzerinedir. Amaç, kümeleme algoritmalarını finansal ağlarla eşleştirmek ve tek bir kurumda likidite azlığına veya temerrüde karşı savunmasız olan anlamlı kümeler oluşturmaktır. Kümeler ne kadar büyük olursa, stresin o kümedeki bir üye üzerindeki potansiyel etkisi o kadar büyük olur ve bu da finansal ağ yapılarını anlamanın önemini vurgular.

  • 00:05:00 Andreea Minca, tüm gerçek dünya ağlarında ortak olan finansal ağları kümelemenin zorluklarını tartışıyor. Kümelenme sorunu, düğümlerin grup içi bağlantının gruplar arası bağlantıdan daha büyük olduğu gruplar oluşturma eğiliminde olmasından kaynaklanmaktadır. Çeşitli kümeleme algoritmaları vardır, ancak finansal ağların dereceler, ağırlıklar ve farklı topluluklar arası bağlantı açısından heterojenlik sergilemesi nedeniyle finansal ağların heterojenliği bir zorluk teşkil etmektedir. Ek olarak, aykırı değerlerin varlığı, sıralı düğümlerle aynı bağlantı modellerine sahip olabilecekleri, ancak kendi başlarına tek bir küme olarak ele alınamayacakları için kullanıma hazır algoritmaların uygulanmasını zorlaştırır. Çeşitli sorunlar finansal ağların kümelenmesini etkileyerek mevcut algoritmaların uygulanmasını zorlaştırır.

  • 00:10:00 Cornell ORIE'den Andreea Minca, heterojen finansal ağları kümelerken karşılaşılan zorlukları ve bunların üstesinden gelmek için yeni bir düzenleme teriminin getirilmesini tartışıyor. Ana zorluklardan biri, spektral kümeleme gibi kümeleme algoritmalarının performansını engelleyen, gelişigüzel bağlantı modellerine sahip olan ve düşman gibi davranan aykırı değerlerin varlığıdır. Kümeleme probleminin kendisi, izlenebilir algoritmalara sahip yarı kesin bir program için gevşetilebilen, NP-zor kombinatoryal bir problemdir. Amaç, gerçek kümelerin kurtarılması için belirli koşulların geçerli olduğunu kanıtlamaktır ve tanıtılan düzenlileştirme terimi, olağandışı bağlantı modelleriyle aykırı değerleri cezalandırır.

  • 00:15:00 Andreea Minca, heterojen finansal ağlarda kümelenme modellerini saptamak için stokastik blok modelinin ve derece düzeltmeli stokastik blok modelinin uygulanmasını tartışıyor. Amaç, bağlantı modellerine göre aykırı değerleri tespit etmektir. Sağlanan teorik garantiler, aykırı düğümler hakkında sayılarını bilmek dışında herhangi bir varsayımda bulunmadan tam iyileşme sağlar. Yoğunluk boşluğu koşulları, kümeler arası ve küme içi kenar yoğunluğu arasındaki farka bağlıdır. Sonuçlar, aykırı değerlerin sayısından bağımsız oldukları ve yalnızca iç değerlerin sayısına bağlı oldukları için önceki literatürden daha sağlamdır. Finansal ağlardaki heterojenlik, aynı kümedeki düğümlerin yapısından dolayı düğümlerin yüksek derecelere sahip olabilmesi nedeniyle, derece bazında aykırı değerlerin tespit edilmesini zorlaştırmaktadır.

  • 00:20:00 Andreea Minca, finansal ağlardaki heterojenlik kavramını ve bunun kümeleme algoritmalarını nasıl etkilediğini açıklıyor. Aynı sektördeki bankaların ve sigorta şirketlerinin nasıl heterojenlik gösterebileceğini ve aykırı değerler olarak sınıflandırılmaması gerektiğini göstermek için Kore bankacılık sistemi örneğini kullanıyor. Minca, finansal ağlardaki yoğun derece dağılımının, bağlantı modellerine ve her bir düğümün derece aralığının sınırlarına yapılan katkılara dikkatli bir bakış gerektirdiğini belirtiyor. Ayrıca, tüm düğümler için homojen bir cezalandırma kullanılamayacağından, dereceyi açıklayan algoritmada ceza terimlerine duyulan ihtiyacı vurgulamaktadır. Son olarak Minca, her küme için heterojenlik parametrelerini ve bağlantı matrislerini belirtmeyi içeren kümeleme modelinin temellerini ana hatlarıyla belirtir.

  • 00:25:00 Andreea Minca, kullanıma hazır kümeleme yöntemlerini kullanırken aykırı değerlerin varlığında kümelemenin zorluklarını tartışıyor. Aykırı değerleri tespit etmenin amacı, kümelemenin kendisini engellemeden veya yanlışlıkla katman içi notların sınıflandırılmasını engellemeden kırmızı bir alarm vermektir. Bağlanabilirliği heterojenlik parametreleri aracılığıyla ayarlayarak, bitişiklik matrisi, gözlemlenen resimden kümelerin ve aykırı değerlerin temel yapısına eşlenen permütasyon matrisini bulmak için ilk aykırı değerin bitişiklik matrisine karşılık gelecek şekilde yazılabilir. Bu ayarlamalar, finansal ağlarda birçok modelleme seçeneğini barındırmaya yardımcı olur.

  • 00:30:00 Videonun bu bölümünde, Andreea Minca finansal ağlardaki kümelerin ve aykırı değerlerin yapısını belirlemek için bir bölümleme matrisi ve düğümlerin permütasyonunu bulma sürecini açıklıyor. Algoritma, keyfi girişler aykırı değerleri temsil ederken, hangi düğümlerin aynı kümeye ait olduğunu gösteren bir bölümleme matrisi bulmaya dayanır. Konsepti açıklamak için Minca, algoritmanın amacının ağda bulunan her sektörün doğru tanımlanmasını belirlemek olduğu bir Kore finans ağı örneğini gösteriyor.

  • 00:35:00 Cornell ORIE'de profesör olan Andreea Minca, yarı sentetik ağlar oluşturma ve algoritmaları test etme konusundaki çalışmalarını tartışıyor. Bank of Korea tarafından yayınlanan verilere dayalı olarak tüm finans kuruluşlarının varlık ve yükümlülüklerinin büyüklüğü hakkında bir ağ oluşturduğunu ve bunları herhangi bir sigorta şirketinden herhangi bir bankaya toplam akışa dayalı olarak birbirine bağladığını açıklıyor. Daha sonra, gözlemlenen bağlantı modeline dayalı olarak hangi finansal kurumların hangi sektöre ait olduğunu belirlemek için bir modülerlik maksimizasyon algoritması kullanır. Algoritma ayrıca modülerlik farkını en aza indirmek için bir ayar parametresi ve bir bölüm matrisi kısıtlaması sunar.

  • 00:40:00 Andreea Minca, heterojen finansal ağları kümelemede bölme matrislerini aramanın zorluğunu açıklıyor; bu, belirli bir kısıtlama nedeniyle içinden çıkılmaz bir sorundur. Bunun üstesinden gelmek için, matrisin girişlerinin 0 ile 1 arasında olduğu ve pozitif yarı-belirli olduğu problemin gevşetilmesi sağlanır. Sorunun heterojenliği, köşegen terimdeki bir cezanın, derecesi normal varyasyonun ötesinde olan potansiyel aykırı değerleri cezalandırdığı ceza terimleriyle ele alınır. İki ayar parametresi, köşegen cezalandırmanın gücünü kontrol eder ve düğümlerin gözlemlenen derecesi tarafından belirlenir; bu, aykırı değerlerin ve güçlü bir topluluk üyeliğine sahip olanların tanımlanmasına olanak tanır. Videoda kullanılan Kore endüstrisi örneği, Kore ağındaki teşhirlerin anlık görüntüsüdür ve zaman serisi bileşeni yoktur.

  • 00:45:00 Cornell ORIE'den Andreea Minca, heterojen finansal ağların kümelenmesini ve boşlukları doldurmak için bir Gibbs örnekleyici kullanarak toplam değerlerle tutarlı örnek ağların nasıl yeniden oluşturulacağını tartışıyor. Algoritmanın performansı, yanlış sınıflandırma oranı ve örneklem boyutu büyüdükçe belirli bir hızda bir olma eğiliminde olan kurtarma olasılığı aracılığıyla test edilebilir. Kore sektörünü örnek olarak kullanan Minca, bağlantı matrisinin farklı sektörler arasındaki bağlantı olasılığını nasıl temsil edebileceğini ve kümeleme sonuçlarının matristen nasıl elde edildiğini göstermektedir.

  • 00:50:00 Andreea Minca, bağlantı modellerine dayalı olarak bir ağdaki her kurum için doğru finans sektörünü belirlemenin zorluğunu tartışıyor. Bir algoritmanın bağlantıdaki heterojenliğe karşı dayanıklı olması gerektiğini ve yanlış sınıflandırma oranlarının bir performans kriteri olarak kullanıldığını açıklıyor. Minca, sunduğu algoritma ile diğer mevcut algoritmaların yanlış sınıflandırma oranlarını karşılaştırarak, spektral kümeleme tabanlı algoritmanın en kötü performans gösteren algoritma olduğunu vurguluyor. Bu, finansal ağların karşılaştığı sorunları hesaba katmak için mevcut algoritmalarda ince ayar yapma ihtiyacını vurguluyor. Ayrıca Minca, algoritmanın yatırım portföyü yönetimindeki uygulamalarına da kısaca değiniyor. Örtüşen portföylerden oluşan bir ağı yeniden oluşturarak, kurumların etkileşim güçleri portföy varlıklarına göre ölçülebilir ve potansiyel olarak yatırım kararı vermede yardımcı olabilir.

  • 00:55:00 Andreea Minca, kümeleme algoritmasını ve riski verimli bir şekilde dağıtmak ve yatırımları çeşitlendirmek için örtüşen finansal portföylere nasıl uygulanabileceğini tartışıyor. Algoritma, portföyleri güçlerine ve örtüşme düzeylerine göre kümeleyerek, on yıl içinde büyüyen beş kümeyi kurtarabilir ve bu da artan örtüşmeyi gösterir. Bu, mevcut diğer kümeleme yöntemlerinden daha etkili kümeler oluşturmak için bir araç sağlar. Ek olarak Minca, ek bir algoritmanın Kore örneğindeki boşlukları nasıl doldurduğunu ve hükümetin toplu verileriyle tutarlı bireysel ağlar oluşturduğunu tartışıyor.

  • 01:00:00 Andreea Minca, finansal ağlar için kümeleme algoritmaları aracılığıyla çeşitlendirme sağlama konusunu tartışıyor. Son derece yüksek kümeler arası bağlantıya sahip bir kümeye ve hiç bağlantıya sahip olmayan bir kümeye sahip olmanın çeşitlendirme sağlamayacağını gösteriyor. Bunun yerine, bir kümelenme risk eşitliği yaklaşımı altında çeşitlendirme için beş alternatif belirleyen bir yaklaşım sunar. Ayrıca çalışmasının ön baskısı, bir aracın kullanılabilirliği ve algoritmanın küme sayısına duyarlılığı hakkındaki soruları yanıtlarken, aynı zamanda kümeleme algoritmalarının performansını ölçmek için standart yatırım kategorilerinin kullanılmasını öneriyor.

  • 01:05:00 Andreea Minca, beş yatırım stratejisinden beş kümenin kurtarılması örneğini kullanarak kümeleme algoritmaları ve kümelerin kurtarılması konusunu tartışıyor. Ayrıca, iyi bir alan bilgisi veya küme sayısı hakkında varsayımlar olmadan, farklı seçimlerden elde edilen kümeleme sonuçlarını karşılaştırmanın zor olabileceğini belirtiyor. Bununla birlikte, kümeleme algoritmalarını kullanırken iyi bilgilendirilmiş kararlar vermenin önemini vurgulayan bu konuda teorik bir sonuç yoktur.
Andreea Minca (Cornell ORIE): Clustering Heterogeneous Financial Networks
Andreea Minca (Cornell ORIE): Clustering Heterogeneous Financial Networks
  • 2022.04.27
  • www.youtube.com
Abstract: For the degree corrected stochastic block model in the presence of arbitrary or even adversarial outliers, we develop a convex-optimization-based c...