Algoritmik ticaret - sayfa 8

 

Rama Cont ve Francesco Capponi: "Hisse Senedi Piyasalarında Çapraz Etki"



Rama Cont ve Francesco Capponi: "Hisse Senedi Piyasalarında Çapraz Etki"

Rama Cont ve Francesco Capponi, sipariş akışı ve fiyat verilerini analiz ederek hisse senedi piyasalarında çapraz etki kavramını derinlemesine araştırıyor. Çapraz etkinin, bir varlığın fiyatının yalnızca kendi sipariş akışından değil, aynı zamanda diğer varlıkların sipariş akışından da etkilendiğini ifade ettiğini iddia ediyorlar. Önceki teorik çalışmalar, çapraz etki etkilerinin sonuçlarını türetmeye ve tek varlık optimal ticaret yürütme modellerini birden çok varlığa genişletmeye çalışırken, Cont ve Capponi, varlık getirileri ile sipariş akışı arasındaki korelasyonları açıklamak için daha modern bir yaklaşım önermektedir.

Bu korelasyonları hesaba katmak için kapsamlı bir fiyat etki katsayıları matrisinin gerekli olmadığını savunuyorlar. Bunun yerine, gözlemlenen korelasyonların, piyasa katılımcılarının genellikle birden çok varlığın alım satımıyla uğraştığı ve böylece varlıklar arasında ilişkili sipariş akışı dengesizlikleri yarattığı gerçeğine atfedilebileceğini iddia ediyorlar. Sunum yapan kişiler, çapraz etki katsayılarının önemini ve uygulama maliyetlerinin ana etmenlerini belirlemek için getirilerin ve sipariş akışı dengesizliklerinin korelasyon matrisleri üzerinde bir temel bileşen analizi (PCA) kullanmayı önermektedir.

Cont ve Capponi, bir hisse senedinin kendi sipariş akışı dengesine ve sipariş akışı dengesizliklerinin korelasyonuna odaklanarak hisse senedi piyasalarında çapraz etki için cimri bir model önermektedir. Sipariş akış dengesizliği için tek faktörlü bir modelin, getirilerin çapraz korelasyonlarını açıklamak için yeterli olduğunu bulmuşlardır. Bu model, portföy yürütme ve işlem maliyeti analizi için kullanılabilir; sunum yapan kişiler, varlıklar genelinde sipariş akışında ortak faktörler için iyi bir modelle birlikte tek varlık etkisi için güvenilir bir modelin kullanılmasını önerir.

Konuşmacılar denklem için nedensel bir model kurmanın ve yorumlamanın önemini vurguluyor. Bu araştırma alanındaki anlayışı ilerletmeye olan bağlılıklarını vurgulayarak, ek materyalleri ve güncellemeleri paylaşmaya hazır olduklarını ifade ederler.

  • 00:00:00 Videonun bu bölümünde, Rama Cont ve Francesco Capponi hisse senedi piyasalarında çapraz etki kavramını tartışıyorlar. Hisse senedi piyasalarından emir akışı ve fiyat verilerini analiz ederek bu kavramı araştırıyorlar ve piyasa etkisinin veya bir varlığın fiyatını hareket ettiren işlemlerin yürütülmesinin yürütme maliyetine katkıda bulunduğunu açıklıyorlar. Ayrıca, fiyat hareketlerinin arz ve talep arasındaki toplam dengesizlikten kaynaklandığını gösterirler ve sipariş akışı dengesizliği kavramını etki modelleri oluşturmak için yararlı bir araç olarak tanımlarlar.

  • 00:05:00 Bu bölümde Rama Cont ve Francesco Capponi, merkezi sipariş defteri piyasalarındaki sipariş akışı dengesizliğinin doğrusal etkisini tartışıyor. Arz ve talep arasındaki bu toplam dengesizlik, zıt likidite kavramını yansıtan etki katsayısına sahip bir regresyon modeli olarak görülebilen fiyatı yönlendiren şeydir. Katsayı, sipariş defterinin derinliği ile oldukça ilişkili bir ters ilişkiye sahiptir ve etki katsayısının çıkarılması, bir kovaryans hesaplaması yoluyla yapılabilir. Çalışma daha önce tek hisse senetleri için yapılmış olsa da, piyasa katılımcıları birden fazla varlık arasındaki korelasyonlarla da ilgileniyor ve sipariş akışı dengesizliği ile farklı menkul kıymetlerin getirileri arasında pozitif korelasyonlar bulundu.

  • 00:10:00 Bu bölümde, Rama Cont ve Francesco Capponi çapraz etki kavramını ve onun teorik ve ampirik çalışmalarını tartışıyorlar. Çapraz etkinin, bir varlığın fiyatının yalnızca kendi sipariş akışından değil, aynı zamanda diğer varlıkların sipariş akışından da etkilenmesi gerçeğini ifade ettiğini açıklıyorlar. Ampirik çalışmalar, en azından homojen varlık sınıfında, bir varlığın sipariş akışı ile başka bir varlığın fiyat hareketleri arasında pozitif bir korelasyon olduğunu belgelemiştir. Teorik çalışmalar, bu tür çapraz etki etkilerinin sonuçlarını türetmeye çalışmış ve tek varlıkla optimum ticaret gerçekleştirme modelini, modelin çapraz etki etkilerini içerdiği birden fazla varlığa genişletmiştir. Ancak bu, tahmin edilmesi gereken çok sayıda çapraz etki katsayısına yol açar.

  • 00:15:00 Bu bölümde sunum yapan kişiler, çapraz etki kavramını ve bunun gözlemlenebilir piyasa olaylarını açıklamadaki önemini tartışıyor. Bir piyasadaki varlık getirileri ile sipariş akışı arasındaki korelasyonları açıklamak için tam bir fiyat etki katsayıları matrisinin gerekli olup olmadığını ve daha cimri bir yaklaşımın mümkün olup olmadığını sorguluyorlar. Ayrıca fizikte uzaktan eyleme benzetmeler yapıyorlar ve nedensel etki oluşturmak için varlıkları birbirine bağlayan temel bir mekanizmaya olan ihtiyacı tartışıyorlar. Amaç, yalnızca gerekli katsayıları içeren ve gereksiz karmaşıklıktan kaçınan çok varlıklı bir etki modeli tasarlamaktır.

  • 00:20:00 Bu bölümde konuşmacılar, çapraz etki kavramının, hisse senedi piyasalarında gözlenen fiyat hareketlerindeki ortak değişkenlikleri ve sipariş akışı dengesizliğini açıklamak için gereksiz olduğunu savunuyorlar. Gözlemlenen korelasyonlar, piyasa katılımcılarının genellikle birden fazla varlıkta ticaret yaparak varlıklar arasında ilişkili sipariş akışı dengesizlikleri oluşturması ve bunun da farklı varlıkların getirilerinde korelasyonlara yol açması gerçeğiyle açıklanabilir. Konuşmacılar, bir varlığın fiyatının, varlıklar ve çok varlıklı ticaret stratejileri tarafından üretilen tüm alış ve satış emirlerinin cebirsel toplamı olan sipariş akışı dengesizliği tarafından yönlendirildiğini gösteren bir nedensel model diyagramı sunar. Tek varlık etki modelinin bu korelasyonları açıklamak için yeterli olduğunu ve ek çapraz etki modeline gerek olmadığını savunuyorlar.

  • 00:25:00 Bu bölümde, her varlığın fiyatını yönlendiren ve sipariş akış dengesinde korelasyonlar yaratan geleneksel arz ve talep görüşü, bir hisse senedinin getirisini etkileyen bir mekanizmayı öne süren çapraz etki modeliyle karşılaştırılır. mesafeden. Bu varsayımlar, diyagramdaki değişkenler üzerinde koşullandırma ve koşullu regresyonlar gerçekleştirme yoluyla sipariş akışı ve getirileri hakkındaki mevcut verilerle test edilebilir. Birden fazla varlık için etki modellerinin oluşturulması ve ortaya çıkardığı içsel tanımlama sorunu tartışılmaktadır. Teta ve beta katsayılarının matrislerini oluşturmak için getiriler ve OFI olmak üzere iki değişkenli doğrusal bir model kullanılır. Bir hisse senedi için net sipariş akışı, teklif kuyruğuna giriş eksi satış kuyruğundan çıkış olarak tanımlanır.

  • 00:30:00 Bu bölümde Rama Cont ve Francesco Capponi, sipariş akış dengesizliği ile getirilerin kovaryansını ve bunun beta matrisi ve çapraz etki ile nasıl ilişkili olduğunu tartışıyor. Kovaryans, sipariş akışlarının korelasyonundan veya çapraz etki matrisinden gelebileceğinden, kovaryans matrisinde köşegen dışı öğeler elde etmek için beta'da köşegen dışı öğelere sahip olmaya gerek olmadığını vurgularlar. Sipariş akışlarında korelasyon olmayan ancak çapraz etki katsayılarına sahip iki hisse senedi örneği, çapraz etki katsayısını belirlemek için sipariş akışlarının korelasyonunu bilmenin önemini vurgulamaktadır. Kovaryans matrisi, farklı senaryolarda sayılarla gözlemlenebilen modeldeki korelasyon ve çapraz etki katsayılarından etkilenir.

  • 00:35:00 Bu bölümde Rama Cont ve Francesco Capponi, hisse senetleri arasındaki korelasyon ve sipariş akışını modellemek ile çapraz etkiyi anlamak ve bunu modellemek arasındaki farkı tartışıyor. Bir varlığın sipariş akışı ile başka bir varlığın getirisi arasında sıfır olmayan bir korelasyon gözlemlemenin, modelde sıfır olmayan bir çapraz etki katsayısına ihtiyacınız olduğu anlamına gelmediğini açıklıyorlar. Ayrıca, çapraz etkiyi yalnızca bu kovaryanslardan çıkarmanın imkansız olduğunu göstermek için düşük korelasyon ve sıralı akış, yüksek çapraz etki ve tam tersi örnekler sunarlar. Son olarak, net sipariş akışını, sipariş akışı dengesizliklerini ve iki buçuk yıl boyunca NASDAQ 100'den 67 hisse senedinin getirilerini içeren analiz ettikleri verileri tartışıyorlar ve getirileri ve sipariş akışı dengesizliklerini nasıl yeniden tanımlayıp normalleştirdiklerini açıklıyorlar.

  • 00:40:00 Videonun bu bölümünde konuşmacılar, hisse senedi getirilerinin korelasyonu ile farklı hisse senetlerinin sipariş akış dengesizlikleri arasındaki ilişkiyi inceliyorlar. Hisse senedi getirileri ile diğer hisse senetlerinin sipariş akışı dengesizlikleri arasındaki korelasyonu çizerek, konuşmacılar, hisse senedi çiftlerinin büyük çoğunluğunun eşitliğe çok yakın bir korelasyona sahip olduğunu gösteriyor ve getiriler ile sipariş akışı dengesizlikleri arasındaki korelasyonun basitçe farklı dengeler arasındaki korelasyon. Çok değişkenli bir pazar etki modelinin gerekli olup olmadığını test etmek için, konuşmacılar bir regresyon analizi kullanır ve çapraz etki katsayılarının sıfıra çok yakın olduğunu bulurlar; bu, tanımlanabilir olsalar bile toplam etki üzerinde yalnızca küçük bir etkiye sahip olduklarını gösterir.

  • 00:45:00 Bu bölümde, Rama Cont ve Francesco Capponi, çapraz etki katsayılarının önemini ve yürütme maliyetlerinin ana etmenlerini belirlemek için farklı bir yaklaşım önermektedir. Getirilerin ve sipariş akış dengesinin korelasyon matrisleri üzerinde bir temel bileşen analizi (PCA) kullanmayı ve sipariş akışı dengesizliği için bir faktör modeli kullanmayı önerirler. Faktör modelinin ilk ana bileşeni, herhangi bir geçiş etkisi katsayısının kalan önemini test etmek için kullanılır ve regresyonun kalıntısı, yalnızca o stoktaki eylemden kaynaklanan kendine özgü sıralı akış olarak yorumlanır. Yaklaşım, bir hisse senedinin kendi sipariş akışının kendine özgü bileşeninin katkısını çapraz ticaret nedeniyle ortak bileşenden ayırmayı amaçlamaktadır.

  • 00:50:00 Videonun bu bölümünde, Rama Cont ve Francesco Capponi, Nasdaq 100 ve S&P 500'ü izleyen ETF'lerin getirilerinin ilk ana bileşenleri ile sipariş akış dengeleri arasındaki ilişkiyi tartışıyorlar. getiriler, Nasdaq 100'ü izleyen ETF'deki genel getiri ile %91'lik bir korelasyona sahiptir. Benzer şekilde, sipariş akış dengesinin ilk ana bileşeni, aynı endeksi izleyen ETF QQQ'daki sipariş akış dengesi ile %82'lik bir korelasyona sahiptir. . Ayrıca, hem getirilerin hem de sipariş akışı dengesizliğinin ilk ana bileşenlerinin genel piyasa hareketiyle ilişkili olduğunu gözlemliyorlar. Bu, sipariş akışındaki ortak noktaları ortadan kaldırmak ve getirileri artırmak için iki adımlı yaklaşımlarını açıklamalarına yol açar.

  • 00:55:00 Bu bölümde, Rama Cont ve Francesco Capponi, hisse senedi piyasalarındaki çapraz etkiyi tartışıyorlar; bu, bir hisse senedinin kendi sipariş akışı dengesizliği ile hisse senetleri arasındaki sipariş akışının ortak olmasının bir hisse senedinin getirisini nasıl etkilediğine atıfta bulunuyor. Kendi kendine etki katsayısının bir hisse senedi getirisinin ana belirleyicisi olduğunu, çapraz etki katsayısının ise çok küçük olduğunu ve ana bileşeni hesaba kattığınızda neredeyse tamamının negatif olduğunu gösteriyorlar. Daha sonra, çapraz etki terimlerinin iadelerin yürütme maliyetini açıklamaya ne kadar katkıda bulunduğunu test ederler ve bunların istatistiksel ve ekonomik açıdan anlamlı olup olmadıklarını değerlendirirken aynı zamanda zaman içindeki istikrarlarını da sorgularlar.

  • 01:00:00 Bu bölümde, Rama Cont ve Francesco Capponi çapraz etkinin etkisini ve hisse senedi piyasalarındaki önemini tartışıyor. İstatistikler ekonomik olarak önemli olabilse de, büyüklüğün küçük olduğu ve regresyona diğer tüm sıralı akış dengesizlikleri dahil edildiğinde açıklama gücünde hemen hemen hiçbir ayırt edilebilir fark olmadığı sonucuna varırlar. Etkiyi modellemenin daha cimri bir yolunu savunuyorlar ve etkiyi modellemek için yalnızca bir hisse senedinin kendi sipariş akış dengesini ve sipariş akış dengesizliklerinin korelasyonunu kullanmayı öneriyorlar. Ayrıca, zaman içinde kararlılığın önemini vurgularlar ve çapraz etki katsayılarının kararlı olduğundan emin olmak için alt örnekleri analiz ederler.

  • 01:05:00 Bu bölümde, Rama Cont ve Francesco Capponi hisse senedi piyasalarındaki çapraz etki modellerine ilişkin bulgularını özetliyor. Getiriler arasındaki pozitif kovaryasyon olgusunun ve farklı hisse senetleri arasındaki sipariş akış dengesi olgusunun, birçok katsayılı yüksek boyutlu modeller tanıtılmadan açıklanabileceğini savunuyorlar. Dengesizlikteki sipariş akışı için basit bir tek faktörlü model, getirilerin bu çapraz korelasyon modellerini açıklamaya yeterlidir. Çok varlıklı etki modelleri oluşturmak için daha iyi bir yaklaşımın, sipariş akışının doğrusal faktör modeli veya temel bileşen analizi gibi sipariş akışındaki ortak faktörlerin modellerini oluşturmaya odaklanmak olduğunu öne sürüyorlar. Emir akışını kendi getirisiyle ilişkilendiren tek varlıklı bir etki modelinin uygulanması, portföy uygulamasında yürütme maliyetinin büyüklüğünü açıklamak için yeterlidir.

  • 01:10:00 Bu bölümde, Rama Cont ve Francesco Capponi, modellerinin pratik uygulamalarını, özellikle portföy yürütme ve işlem maliyeti analizi (TCA) bağlamında tartışıyorlar. Model, varlıklar arasındaki sipariş akışlarındaki ortaklığı hesaba katarak uygulama maliyetlerinin ölçülmesine izin verir. Tek bir varlık ile bir portföy arasındaki yürütme maliyetlerindeki fark, ortaklık faktörü ile bağlantılıdır. Model, portföy düzeyinde yürütme maliyetlerini ölçmek için kullanılabilir ve alım satım portföylerinin etkisinin daha iyi anlaşılmasına yardımcı olur. Varlıklar arasında sipariş akışında ortak faktörler için iyi bir modelle birlikte tek bir varlık etkisi için iyi bir model kullanılmasını önerirler.

  • 01:15:00 Bu bölümde konuşmacılar, denklem 12'deki getirilerin ilk temel bileşeninin kullanımını tartışıyorlar. OFI'nin temel bileşenini kullanmakla getirileri kullanmak arasında yüksek bir korelasyon olduğunu belirtiyorlar, ancak bunu istediklerini savunuyorlar. dengesizliklerin getirileri açıklaması için nedensel analizlerini takip etmek ve ortaklığı modellemek. Denklem için nedensel bir modele ve yoruma sahip olmanın önemini vurgularlar. Konuşmacılar dinleyicilere ilgileri için teşekkür eder ve daha fazla materyal ve güncelleme paylaşma isteklerini ifade eder.
Rama Cont and Francesco Capponi: "Cross-Impact in Equity Markets"
Rama Cont and Francesco Capponi: "Cross-Impact in Equity Markets"
  • 2020.10.13
  • www.youtube.com
Title: "Cross-Impact in Equity Markets" Joint Work with Francesco CapponiAbstract: The empirical finding that market movements in stock prices may be correl...
 

Adam Grealish: "Kişisel Yatırıma Algoritmik Bir Yaklaşım"



Adam Grealish: "Kişisel Yatırıma Algoritmik Bir Yaklaşım"

Betterment'te Yatırım Direktörü Adam Grealish, şirketin kişisel yatırıma algoritmik yaklaşımı ve hedefe dayalı stratejisi hakkında bilgi veriyor. Betterment, müşterilerine yatırım tavsiyesi ve yönetimi sunmak için algoritmalardan ve minimum insan müdahalesinden yararlanan bir robo-danışmanlık modeli kullanır.

Greish, yatırım sonuçlarını belirleyen üç temel faktörün altını çiziyor: maliyetleri düşük tutma, vergi optimizasyonu ve akıllı ticaret. Tüm faktörler önemli olmakla birlikte, İyileştirme ilk üçe güçlü bir vurgu yapmaktadır. Şirket, küresel olarak çeşitlendirilmiş portföyler oluşturmak için Black Litterman optimizasyon tekniğini kullanıyor ve yarım milyon kişiden oluşan geniş müşteri tabanında hedef ağırlıkları sürekli olarak izliyor. Vergi zararı hasadı, varlık konumu ve lot tasnif gibi stratejiler dahil olmak üzere vergi optimizasyonu, piyasadan daha iyi performans gösterme fırsatları sunar.

Tartışmasının ikinci bölümünde Grealish, Betterment'in yaklaşımını geleneksel otomatik finansal danışmanlardan ayırıyor. Geleneksel robo-danışmanların "herkese uyan tek" yaklaşımının aksine Betterment'in algoritmik yaklaşımı, hedefler, zaman ufku ve risk toleransı gibi bireysel faktörleri dikkate alır. Bu özelleştirme, her bir yatırımcının benzersiz durumuna göre kişiselleştirilmiş portföylere izin verir. Betterment, vergi verimliliğini en üst düzeye çıkarmak ve getirileri artırmak için vergi zararı toplama ve vergi koordineli portföyler gibi ek özellikler de sunar.

Grealish, Betterment'in yatırım stratejilerinin ayrıntılarını daha da derinlemesine araştırıyor. Şirket, hedef tahsise doğru ilerlemek için portföyleri yılda yalnızca bir kez ayarlayarak uzun vadeli tahsis istikrarını teşvik eder. Hedef tahsisinden sapmayı yönetmek ve riskleri en aza indirmek için tetik tabanlı yeniden dengeleme algoritmalarını kullanırlar. Betterment'in portföyleri, ilgili risk primleriyle riskli varlık sınıflarına maruz kalmayı optimize eden geniş piyasa değerine dayalı ETF'ler kullanılarak oluşturulur.

Maliyet optimizasyonu, Betterment'in yatırım felsefesinin önemli bir yönüdür. Şirket, ETF'lerin tüm evrenini üç ayda bir gözden geçirerek, ETF'lerdeki ücretleri düşürme eğiliminden yararlanıyor. Seçim süreci, Betterment müşterileri için düşük maliyetli portföylerle sonuçlanan izleme hatası ve işlem maliyetleri dahil olmak üzere gider oranının ötesindeki faktörleri göz önünde bulundurur.

Vergi optimizasyonu, Betterment'in stratejisinin bir başka önemli unsurudur. Grealish, vergi yönetiminin önemini açıklıyor ve üç etkili stratejinin ana hatlarını çiziyor: vergi kaybı hasadı, varlık yeri ve parti tasnifi. Vergi zararı hasadı, vergi amaçlı sermaye kayıplarını gerçekleştirmek için menkul kıymetlerin zararına satılmasını içerirken, varlık konumu, varlıkları hesaplar arasında stratejik olarak dağıtarak vergi sonrası getirileri en üst düzeye çıkarır. Parti sıralaması, vergi avantajlarını optimize etmek için önce en büyük zarara sahip partileri satmayı gerektirir.

Grealish, yatırımcı davranışının yatırım sonuçları üzerindeki etkisini kabul ediyor. İyileştirme, akıllı varsayılanları uygulayarak, otomasyonu kullanarak ve hedefe dayalı yatırımı teşvik ederek olumsuz davranışlarla mücadele eder. Şirket, kullanıcıları finansal hedeflerinden saptıklarında harekete geçmeye teşvik etmek için kasıtlı tasarım ve veri analizi kullanır.

Gelecekteki gelişmeler açısından Grealish, yapay zekanın fintech alanındaki potansiyel kullanımlarını tartışıyor. Betterment, robo-danışmanlık ve nakit yönetimi gibi finansal görevleri otomatikleştirmede yapay zeka uygulamalarını araştırıyor. Şirket, daha önce varlıklı kişi ve kurumlarla sınırlı olan finansal hizmetleri daha geniş bir kitleye ulaştırmayı hedeflemektedir. Bununla birlikte, vergi hazırlığının bireyselleştirilmesinin karmaşıklığı bu alanda zorluklar doğurmaktadır.

Genel olarak Adam Grealish, Betterment'in kişisel yatırıma yönelik algoritmik yaklaşımı hakkında, hedefe dayalı stratejileri, maliyet optimizasyonunu, vergi yönetimini ve davranış azaltmayı vurgulayarak değerli bilgiler sağlıyor.

  • 00:00:00 Adam Grealish, yatırım yönetimine hedef tabanlı bir yaklaşım kullanan çevrimiçi otomatik bir yatırım danışmanlığı platformu olan Betterment'ı tanıtıyor. Amacı, optimum yatırım stratejileri ile müşterilere yüksek getiri sağlamaktır. Betterment'in doğrudan müşteriye yönelik bir işi, finansal danışmanlar için beyaz etiketli bir teknoloji platformu ve 401 binlik bir işi var. "Roboadvisor" terimi, minimum insan müdahalesi ile yazılım tarafından yürütülen algoritmalar aracılığıyla dijital finansal tavsiye sağladığı için Betterment'ın yaklaşımını doğru bir şekilde tanımlar.

  • 00:05:00 Investing for Betterment Direktörü Adam Grealish, algoritmalara ve matematiksel modellemeye dayalı yatırım yaklaşımlarını açıklıyor. Betterment platformu, insan etkileşimine ihtiyaç duymadan tamamen uygulamalı bir yatırım yönetimi deneyimi ve isteyenler için insan danışmanlarına erişim sunar. Grealish'e göre, yatırım sonuçlarını belirleyen temel faktörler maliyetleri düşük tutma, vergi optimizasyonu, akıllıca ticaret, varlık tahsisi ve menkul kıymet seçimidir. Bununla birlikte, Betterment, varlık tahsisi ve menkul kıymet seçimine daha az önem verirken, finansal hedeflere ulaşmada en belirleyici olarak kabul edildiğinden, öncelikle ilk üçe odaklanır. Küresel olarak çeşitlendirilmiş bir portföy oluşturmak ve yatırımcıları için en uygun getiriyi elde etmek için Black Litterman optimizasyon tekniğini kullanıyorlar.

  • 00:10:00 Bu bölümde Adam Grealish, yatırımcılara belirli yatırım hedeflerine ve zaman ufuklarına göre ne kadar risk alacaklarını seçmelerine nasıl yardımcı olduklarını tartışıyor. Uygulama, zaman içinde nasıl görünebileceğine dair tahminlerle ne kadar risk alınması gerektiğine dair öneriler sunar. Daha sonra günlük izleme yoluyla hedef ağırlıkları yönetirler ve bunu günlük olarak izlenen 800.000'e kadar bireysel portföyle yarım milyon müşteride gerçekleştirirler. Yeniden dengeleme öncelikle bir risk yönetimi aracı olarak görülür ve nakit akışları ortaya çıktığında, temettüler ödendiğinde veya hesaptan ücretler alınırken vergi açısından verimli bir şekilde yapılır. Grealish, Bushi'nin (2012) bir portföyü zamanla ilişkisiz menkul kıymetlerle yeniden dengelemenin faydalarını vurgulayan bir makalesini tartışıyor. Son olarak tasfiye profillerine göre hedefleri farklılaştırırlar ve ufkun ne kadar uzun olduğuna bağlı olarak bir süzülme yolu oluştururlar.

  • 00:15:00 Adam, kişisel yatırıma yönelik algoritmik yaklaşımlarının nasıl çalıştığını tartışıyor. Yatırımcıları, hedef tahsislerine doğru ilerlemek için tahsisatlarını uzun süre muhafaza etmeye, yılda yalnızca bir kez ayarlamaya teşvik ederler. Ekip, müşterilerinin hedef tahsisini aylık bazda ayarlayarak marjinal doların potansiyel riskler içeren yeniden dengeleme ticareti yapmak zorunda kalmadan doğru risk hedefine yaklaşmasını sağlar. Portföyleri tamamen geniş piyasa değerine dayalı ETF'lere dayalıdır ve riskli varlık sınıflarına maruz kalmalarını bunlarla ilişkili bir risk primi ile optimize ederler. Ekip, bir hedef tahsisinden sapmayı ölçen tetikleyici tabanlı bir yeniden dengeleme algoritması kullanır ve çok uzaklaştığında riski yöneterek yeniden dengeler. Son olarak Grealish, finans hakkında çok şey bilenlerle kişisel finans hakkında çok şey bilen insanlar arasında büyük bir kopukluk olduğunu belirtiyor.

  • 00:20:00 Bu bölümde Adam Grealish, herhangi bir bireysel fon ailesine bağlı olmayan bağımsız bir robo-danışmanlık firması olduğu için Betterment için avantajlı olan ETF'lerdeki ücretleri düşürme eğilimini tartışıyor. Betterment, ETF'lerin tüm yatırım yapılabilir evreninin gözden geçirildiği ve yalnızca harcama oranlarına göre değil, aynı zamanda izleme hatası ve işlem maliyetleri gibi diğer faktörlere göre de sıralandığı üç aylık bir fon seçim sürecine sahiptir. İyileştirme, elde tutma maliyeti, ticaret maliyeti ve diğer faktörler tarafından belirlenen toplam yıllık sahip olma maliyetine veya "taco puanına" odaklanır. Süreç, Betterment için düşük maliyetli bir portföyle sonuçlanır.

  • 00:25:00 Videonun bu bölümünde Adam Grealish, Wealthfront'un yatırım yaklaşımının çeşitli yönlerini tartışıyor. Beklenen getirilerinin cap m'den ters optimizasyon yoluyla üretildiğini ve vergi stratejilerini test etmek için vergi lotu düzeyinde çalışan bir Monte Carlo simülasyon motoru kullandıklarını açıklıyor. Grealish ayrıca, bireysel menkul kıymetleri tutarak fon endüstrisini aracısızlaştırmanın, daha fazla vergi toplama fırsatına ve kişiselleştirmeye yol açabilecek, ancak bununla ilişkili operasyonel maliyetlere yol açabilecek ilginç bir fikir olduğuna da dikkat çekiyor. Ek olarak, Wealthfront'un toplam maliyetlerini doğru bir şekilde ölçmek için yatırımları elde tutma ve ticaret yapma maliyetlerini nasıl değerlendirdiğini açıklıyor.

  • 00:30:00 Betterment CEO'su Adam Grealish, perakende yatırımlarda vergi yönetiminin önemini tartışıyor ve etkili vergi yönetimi için üç stratejinin ana hatlarını çıkarıyor: vergi zararı toplama, varlık yeri ve lot ayırma. Vergi zararı hasadı, vergi amaçlı sermaye kayıplarını gerçekleştirmek için menkul kıymetlerin zararına satılmasını ve piyasa riskini sürdürmek için ilişkili menkul kıymetlerin satın alınmasını içerir. Betterment, bir yatırımcı bir menkul kıymeti zararına satıp 30 gün içinde büyük ölçüde aynı menkul kıymeti satın aldığında ortaya çıkan hedef risk tahsislerini korurken ve yıkama satışlarından kaçınarak hasat edilen kayıpları en üst düzeye çıkarmayı amaçlar. Grealish ayrıca, vergi yönetiminin piyasadan daha iyi performans göstermek için fırsatlar sunduğunu ve belirli durumlarda önemli ölçüde vergiden kaçınmayla sonuçlanabileceğini belirtiyor.

  • 00:35:00 Adam, vergi yükümlülüğünüzü artırmaktan kaçınmak için 30 gün sonra körü körüne birincil menkul kıymete geri dönmemenizi tavsiye ediyor, çünkü bir doları uzun vadeli kayıplarda, ardından dört doları kısa vadeli sermaye kazançlarında elde edebilirsiniz, bu da olumsuz sonuçlara yol açar vergi arbitrajı Ayrıca, nitelikli temettü indirimli vergi oranının yalnızca 60 günlük bir süreden sonra devreye girdiğini ve çok hızlı geri dönmenin vergi verimliliğinize zarar verebileceğini vurguluyor. Grealish, vergi verimliliğini sağlamak için birincil, karşılaştırılabilir ücretler ve yeterli likidite ile yüksek korelasyona sahip ikincil bir menkul kıymet seçilmesini önerir. Hasat söz konusu olduğunda, Grealish, özellikle menkul kıymetlerin yüksek volatiliteye sahip olması durumunda, opsiyon teorisi kullanılarak belirlenebilen, beklenen faydaların işlem maliyetlerinden ve fırsat maliyetlerinden daha büyük olması gereken bir eşik belirlemeyi önerir. Grealish'in geriye dönük testi, yıllık yüzde 2'ye yakın bir dengeleme gösteriyor, ancak bu stratejiyi körü körüne izlemenin her zaman optimal olmayabileceği konusunda uyarıyor.

  • 00:40:00 Bu bölümde Adam Grealish, vergi zararı hasadının faydalarını tartışıyor ve bunun kişisel bir hesapta etkili bir şekilde nasıl uygulanacağına dair tavsiyeler veriyor. Vergi zararı toplama, riski yönetmenin etkili bir yolu olabilir ve geriye dönük olarak test edilen sonuçlar, bunun vergi sonrası alfayı yönlendirdiğini gösteriyor. Ancak, kullanıcıların bu stratejiyi kişisel hesaplar için uygularken işlem maliyetlerini ve gelecekteki yıkama satışlarının fırsat maliyetini dikkate almaları gerekir. Varlık konumu, vergi sonrası getirileri maksimize edebilen başka bir stratejidir. Portföyün hedef tahsisini ve riskini korumak için varlıkları hesaplar arasında tahsis ederek, kullanıcılar vergi sonrası getirilerini artırabilir.

  • 00:45:00 Adam Grealish, farklı menkul kıymet türleri için vergi uygulamalarını tartışıyor ve kişisel yatırıma algoritmik bir yaklaşım sunuyor. Verimsiz varlıkları vergi avantajlı hesaplara ve verimli olanları vergiye tabi olanlara taşıyarak üç hesaba yatırım yapmanın nasıl optimize edileceğini açıklıyor. Bu, varlıkların büyüme oranlarını, temettü getirilerini, tasfiye vergilerini ve nitelikli temettü gelir oranlarını dikkate almayı ve problemi bir doğrusal programlama olarak kurmayı içerir. Yatırıma yönelik bu algoritmik yaklaşım, optimize edilmemiş bir stratejiye yılda yaklaşık 50 baz puan ekler.

  • 00:50:00 Bu bölümde Adam Grealish, vergi lotu yönetiminden ve Betterment'in kullanıcılarının tüm lotlarını sıralamasına ve kazançlara geçmeden önce en büyük kayıpları satmasına ve önce en küçüklerini satmasına nasıl yardımcı olduğundan bahsediyor. Ayrıca vergi amaçları için kayıpların önemini ve bunların sermaye kazançlarına karşı nasıl kullanılabileceğini, gelirden mahsup edilebileceğini veya ileriye taşınabileceğini vurgulamaktadır. Grealish daha sonra vergi oranı belirsizliği konusunu ve Betterment'in vergi sonrası performansı bir görüş olarak dahil ederek ve bunun etrafında bir güven düzeyi belirleyerek siyah çöpçü süreci aracılığıyla bu sorunu nasıl ele aldığını tartışıyor. Ardından, sermaye piyasası varsayımlarını ve stratejik varlık konumlarını yıllık bazda yeniden gözden geçirirken, sonraki getirileri üzerinde güçlü bir optimizasyon yaparlar ve bundan optimal bir portföy oluştururlar. Son olarak, daha yüksek vergi sonrası beklenen performansları nedeniyle belediye tahvillerinin vergiye tabi portföylerinde artan tahsisini detaylandırıyor.

  • 00:55:00 Adam Grealish davranış konusunu ve perakende yatırımcıları nasıl etkilediğini tartışıyor. Yatırımcıların, piyasa yükseldiğinde nasıl satın alma ve düştüğünde satma eğiliminde olduklarını, bunun da düşük performansa ve servetin azalmasına yol açtığını açıklıyor. Bununla mücadele etmek için robo-danışmanlar akıllı varsayılanlar belirler, otomasyonu kullanır ve daha iyi davranışı teşvik etmek için hedefe dayalı yatırımı teşvik eder. Adam ayrıca, tipik olarak %1-4 arasında değişen, yatırımcı davranışından kaynaklanan yıllık düşük performansı ölçen çalışmalardan da bahsediyor.

  • 01:00:00 Adam, kasıtlı tasarım ve veri analizi yoluyla Betterment'in kötü yatırım davranışıyla mücadele yaklaşımını tartışıyor. Hesaplarının yaklaşık dörtte üçünün piyasa zamanlaması ile ilgilenmediğini ve şirketin müşteri faaliyetlerini yakından izlediğini belirtiyor. Betterment, bir müşterinin mali hedefine ulaşmak için yoldan çıktığını belirtmek için renkli tasarımı kullanır ve müşteriyi tekrar yoluna devam etmek için harekete geçmeye teşvik eder. Şirket, pazarın belirsiz olduğu zamanlarda farklı mesajları ve müdahaleleri test etmek için platformuna güveniyor ve müşterileri olumsuz pazar eğilimleri hakkında bilgilendirmenin alarma neden olduğunu ve olumsuz sonuçlara yol açtığını gördü. Bunun yerine, uygulama içindeki müdahaleler ve mesajlaşma, olumsuz sonuçları azaltmada ve müşteri mevduatını artırmada daha etkili oldu.

  • 01:05:00 Bu bölümde, Betterment Baş Yatırım Sorumlusu Adam Grealish, algoritmik yatırımın ne ölçüde varlık toplama arzusu tarafından motive edildiğini ve bunun etik olup olmadığını tartışıyor. Sistemin öncelikle hedeflerinde hedef dışı olan veya doğru yolda olma marjlarında olan bireyleri etkilediğine dikkat çekiyor ve şirketin amacı buysa varlıkları elde etmenin daha iyi yolları olduğunu söylüyor. Tartıştığı diğer stratejiler arasında tasarrufları ve mevduatları değiştirmek veya kişinin hedef planını değiştirmek yer alıyor. Grealish ayrıca Betterment'in davranışsal önyargıları hafifletmeye yönelik yaklaşımını, örneğin müşterilerin potansiyel vergi yükümlülüklerini gösteren ve aceleci karar verme olasılığını azaltmada etkili olduğu kanıtlanmış "vergi etkisi önizleme" özelliği gibi açıklıyor.

  • 01:10:00 Adam, yapay zekanın fintech alanındaki potansiyel kullanımlarını tartışıyor. Yapay zekanın görüleceği ilk yerlerden bazılarının, robo-danışmanlık ve nakit yönetimi gibi ikincil finans parçalarını otomatikleştirmek olduğuna inanıyor. Örneğin Betterment, harici bir hesabı bir proxy senediyle eşleştirmek için AI kullanımını araştırıyor ve insanlara çek hesaplarında ne kadar nakit bulundurmaları gerektiği konusunda tavsiyelerde bulunmak için işlem verilerini kullanıyor. Grealish ayrıca, Betterment'in uzun vadede herkesin finansal hayatının merkezine bir finansal danışman koymayı ve vergi hazırlığı da dahil olmak üzere yalnızca ultra yüksek net değere ve kurumsal yatırımcılara açık olan şeyleri geniş çapta erişilebilir hale getirmeyi hedeflediğini öne sürüyor. Ancak, vergi hazırlığının bireyselleştirilmesi problem alanını çok daha karmaşık hale getirecektir.

  • 01:15:00 Betterment'ten Adam Grealish, eyalete özgü belediye tahvillerinin Betterment platformunda olmadığını, çünkü eyalette olmanın en iyi seçenek olduğu her zaman açık olmadığını ve biraz da menü dışı bir öğe gibi olduğunu açıklıyor. . Betterment platformu, diğer gayrimenkul varlıkları için harici hesapları bağlamanıza ve net değerinizi manuel olarak izlemenize izin verirken, diğer fonların kaynak yoğun risk-getiri değerlendirmeleri de mevcut değildir. Betterment, vergi nedenleriyle bir varlık sınıfını engellemek yerine varlık sınıfları hakkında düşünmeye odaklanır ve bağımsız bir danışman olarak yapısı ve müşterilerin günlük işlemlerine girerek daha tam hizmet veren bir finansal danışman haline gelmesi nedeniyle robo-danışmanlık alanında benzersizdir. . Şirket, henüz AWS'nin veya mevcut genel API'lerin yüksek bir kullanıcısı olmamasına rağmen, araştırma hesaplamalarının bir kısmını AWS üzerinde yürütüyor.

  • 01:20:00 Bu bölümde Adam Grealish, Betterment için ticaret sürecini tartışıyor. Müşterileri için emir akışlarının içselleştirilmesini düşünürken, alternatif bir ticaret yeri olarak sınıflandırılması nedeniyle bu seçenek nihayetinde takip edilmedi. Bunun yerine Betterment'in kendi ticaret masası vardır ve alım satımlar Apex aracılığıyla gerçekleştirilir ve bu da kendileri için temizler. Müşterilerden işlem maliyeti alınmaz, yalnızca alım satımın nadiren devam etmesine neden olan düz platform ücreti alınır. Betterment'in ETF'leri, tahvil fonlarında vergi tasarrufu sunarken hisse senetleri ve tahvillerden oluşur. Ek olarak Betterment, gerçekleşen ve beklenen getiriler olarak ayrılabileceğinden, beklenen getiriden net olarak tüm getirileri izler.
Adam Grealish: "An Algorithmic Approach to Personal Investing"
Adam Grealish: "An Algorithmic Approach to Personal Investing"
  • 2020.09.17
  • www.youtube.com
In this talk, Adam Grealish of Betterment will explore how technology can be used to improve investor outcomes. Technology and automation can play a signific...
 

Miquel Noguer i Alonso: "Finansta Derin Öğrenmede Son Gelişme"



Miquel Noguer i Alonso: "Finansta Derin Öğrenmede Son Gelişme"

Bu kapsamlı videoda Miquel Noguer i Alonso, endüstrinin doğasında var olan karmaşıklıklara ve ampirik doğasına rağmen finans alanında derin öğrenmenin potansiyelini araştırıyor. Derin öğrenme, doğrusal olmayan ilişkileri yakalamada ve özellikle yapılandırılmamış verilerde ve finansal uygulamalarda yinelenen kalıpları tanımada değerli yetenekler sunar. Bununla birlikte, aşırı uyum ve durağan olmayan durumlarda sınırlı etkinlik gibi zorluklar da sunar. Bu zorlukların üstesinden gelmek için faktörlerin entegrasyonu, duyarlılık analizi ve doğal dil işleme, çok büyük miktarda veriyle uğraşan portföy yöneticileri için değerli bilgiler sağlayabilir. Herkese uyan tek bir model olmadığına ve derin sinir ağlarının geleneksel kıyaslama modellerinin yerini almaması gerektiğine dikkat etmek önemlidir. Ek olarak Alonso, finansal metinlerdeki sayıların derinlemesine anlaşıldığını gösteren ve onu finansal veri kümeleri için özellikle değerli kılan açık kaynaklı ve oldukça verimli bir dil modeli olan BERT'nin önemini vurguluyor.

Alonso video boyunca önemli içgörüleri paylaşıyor ve finansta derin öğrenme modellerini kullanmanın çeşitli yönlerini tartışıyor. Evrişimli sinir ağlarını kullanarak analiz için finansal verileri görüntülere dönüştürmeyi, doğrusal olmayan veri sıkıştırma için otomatik kodlayıcılardan yararlanmayı ve zaman serisi analizi için bellek ağlarını uygulamayı araştırıyor. Alan uzmanları ve makine öğrenimi uygulayıcıları arasındaki işbirliğinin, derin öğrenme tekniklerini kullanarak finansla ilgili sorunları etkin bir şekilde ele almak için kritik bir faktör olduğu vurgulanıyor.

Alonso, veri üretme sürecinin dinamik doğası ve bu değişikliklere uyum sağlayabilecek modeller geliştirme ihtiyacı gibi finansta derin öğrenme ile çalışırken karşılaşılan zorlukları derinlemesine araştırıyor. En özlü temsili bulmak için bilgi teorisi, karmaşıklık ve bilgileri sıkıştırma gibi kavramların altını çiziyor. Evrensel Yaklaşım Teoremi, derin sinir ağlarının herhangi bir işlevi keyfi hassasiyetle tahmin etme yeteneğini vurgulayarak tartışılır, ancak genelleme garanti edilmez. Konuşmacı, düzenlileştirme, sinir ağlarının içsel boyutları ve aşırı parametreli sinir ağları hakkında araştırma makalelerinin daha fazla araştırılmasını tavsiye ediyor.

Konuşmacı ayrıca, derin sinir ağlarının daha küçük normlarla enterpolasyon işlevlerini tanımlayan daha büyük işlev sınıflarını ortaya çıkarabildiği bir enterpolasyon rejimi fikrine de değiniyor. Farklı katmanların değişen önemini ve zaman serileri tahminindeki rollerini vurgulayarak, derin sinir ağlarının niteliksel yönlerini tartışırlar. Bununla birlikte, doğrusal modellerin hala kıyaslama işlevi gördüğü ve derin öğrenme modellerinin sonuçlarının bunlarla karşılaştırılması gerektiği vurgulanmaktadır.

Alonso, finans alanındaki derin öğrenme modellerinin performansına ilişkin içgörüler sağlayarak, birden çok stok içeren uzun kısa süreli bellek ağlarını kullanmanın sonuçlarını sergiliyor ve bunların diğer sinir ağlarına göre üstünlüklerini gösteriyor. Derin öğrenme modellerinin, S&P 500'deki en iyi hisse senetlerini seçmede doğrusal modellerden daha iyi performans gösterdiği ve örneklem dışı daha iyi bilgi oranları sağladığı gösterilmiştir. Konuşmacı, derin öğrenmenin sürekli olarak iyi performans gösterdiğinin ve bir model seçerken güvenilir bir seçim olabileceğinin altını çiziyor.

Faktörler, finans için derin öğrenme modellerinde çok önemli bir rol oynar ve geri dönüşlerle doğrusal olmayan ilişkilerin keşfedilmesini sağlar. Doğrusal olmamanın kullanılması, bu yaklaşımı saf zaman serisi alıştırmalarından ayırır. Konuşmacı ayrıca, eğitim süresi boyunca parametre seçiminin önemini vurgular ve daha fazla veri kullanmanın her zaman gelişmiş doğruluğa yol açtığı varsayımına karşı uyarıda bulunur. Öncelikle tarihsel verilere dayalı araştırma amaçlı olduklarından, bu modellerin maliyetleri veya gerçek hayatla ilgili hususları içermediğine dikkat etmek önemlidir.

Konuşmacı, makalelerinin odak noktasını açıklığa kavuşturarak, niyetin derin sinir ağlarının üstün olduğunu iddia etmek olmadığını, bunun yerine bunların geleneksel kıyaslama modelleriyle birlikte kullanılma ihtiyacını vurgulamak olduğunu vurguluyor. Doğrusal olmayan ilişkileri yakalamanın ve yinelenen döngüleri anlamanın önemi, öğrenme penceresi gibi parametreleri dikkate alma ihtiyacı ile birlikte tartışılır. Derin sinir ağları, doğrusal modellerin gözden kaçırabileceği ikinci veya üçüncü dereceden etkileri yakalayarak belirli senaryolarda benzersiz içgörüler sağlayabilir. Ancak evrensel bir model olmadığı ve derin sinir ağlarının mevcut kıyaslama modellerini değiştirmek yerine tamamlaması gerektiği vurgulanmaktadır.

Finansta doğal dil işlemenin, özellikle duygu analizinin uygulanması da araştırılmaktadır. Piyasalarda üretilen çok miktarda bilgi göz önüne alındığında, büyük veri araçları, yüksek boyutlu alanları araştırmak ve analiz etmek için gereklidir. Makine öğrenimi, özellikle derin öğrenme, bu zorluklarla başa çıkmada değerlidir. Dil modelleri, piyasa ivmesine ilişkin içgörüler sağlayabilen duyarlılık analizi gibi görevler için kullanılabilir. İnterneti kazımanın, pazardaki kaymalara işaret edebilecek bilgi değişikliklerini tespit etmek için etkili bir yaklaşım olduğu kanıtlanmıştır. Genel olarak, doğal dil işleme, büyük hacimli verilerle uğraşan portföy yöneticileri için değerli bilgiler sunar.

Videoda konuşmacı, finansta duyarlılık analizine yönelik iki yaklaşımı derinlemesine inceliyor. Geleneksel yöntem, olumlu ve olumsuz sözcüklerin sıklığını saymayı içerirken, daha gelişmiş yaklaşım, sözcüklerin bağlamsal ve anlamsal anlamlarını kavramak için derin öğrenmeyi ve sözcük yerleştirmeleri kullanır. Konuşmacı, kelimelerin daha doğru ve verimli bir şekilde temsil edilmesini sağlayan son teknoloji bir dil modeli olan transformatörlerden (BERT) gelen çift yönlü kodlayıcı temsilinin etkinliğini vurgular. BERT'in finansal metinlerdeki sayıları anlama yeteneği, doğru finansal analiz için özellikle çok önemlidir. Çok katmanlı algılayıcılar, bellek ağları ve covnet'ler gibi diğer işlev yaklaşımlarından da finansta yararlı araçlar olarak bahsedilmektedir.

Ek olarak, konuşmacı finansal verileri görüntülere dönüştürme ve analiz için evrişimli sinir ağlarını kullanma kavramını tartışıyor. Bu yaklaşım özellikle gözetimsiz öğrenme problemlerinde faydalıdır. Doğrusal olmayan veri sıkıştırma için otomatik kodlayıcıların ve zaman serileri analizi için bellek ağlarının kullanımı tanıtıldı. Ortam yeterince kararlıysa, bellek ağları zaman serisi verilerini analiz etmek için uygun olabilir. Ayrıca, konuşmacı finansta dil işleme için dönüştürücü modellerin kullanımına değiniyor ve bunların TensorFlow kullanılarak uygulanmasına ilişkin içgörüler sunuyor.

Finansta açık kaynak derin öğrenme modellerinin uygulanmasıyla ilgili olarak, konuşmacı, finansal uygulamalar için özel eğitim gerekebileceğini, ancak mevcut açık kaynak kodunun bolluğu nedeniyle bunun ulaşılabilir bir hedef olduğunu vurguluyor. Alanda makine öğreniminden yararlanmak için çok sayıda fırsat olduğundan, alan uzmanları ve makine öğrenicileri arasındaki işbirliği, finansla ilgili sorunları çözmek için çok önemlidir. Konuşmacı, el yapımı doğal dil işleme yaklaşımlarının şu anda finansta kullanılmasına rağmen, derin öğrenme modellerinin sektörde henüz yaygın olarak benimsenmediğini belirtiyor.

Video aynı zamanda, bireylerin JP Morgan gibi varlıkları tanımlamak için sözlükleri kullanırken hiçbir yazım hatası olmamasını sağlayan, finansta el yapımı kontrolün geleneksel yöntemlerini de ele alıyor. Uzun kısa süreli bellek ağları ve BERT gibi çeşitli makine öğrenimi algoritmalarının etkinliği tartışılmaktadır. BERT, yayınlanan araştırmalarda en son teknoloji olarak kabul edilir. Kesitsel yatırımlar için makine öğreniminin potansiyeli de araştırılarak, makinelerin düz getirileri veya faktörleri yorumlamasına yardımcı olmak için faktörlerin veya getirilerin kullanılması öneriliyor.

Derin öğrenmede en uygun değerleri bulmanın zorluğuna değinen konuşmacı, bunun bir NP sorunu olabileceğini kabul ediyor. Tecrübe ve sezgiye sahip insan veri bilimcileri, uzmanlıklarına dayalı buluşsal seçimler yapmalıdır. Matematikçiler bile olağanüstü performanslarını açıklamak için denklemler formüle etmekte zorlanırken, derin sinir ağlarını anlamanın ve yorumlamanın zorluğu vurgulanıyor. Niteliksel analiz genellikle bu tür durumlarda kullanılır. Ancak, zamanla ve çeşitli veri kümeleriyle çalıştıktan sonra, veri bilimcileri belirli durumlar için en uygun parametreleri seçme konusunda bir sezgi geliştirebilirler.

  • 00:00:00 Miguel Noguer i Alonso finansta derin öğrenmenin uygulanmasını tartışıyor. Derin öğrenmenin görüntü tanıma ve dil modelleri gibi diğer alanlarda başarılı olduğunu, ancak endüstrinin ampirik ve gürültülü doğası nedeniyle finansta nasıl başarılı bir şekilde uygulanabileceğini görmenin karmaşık olduğunu belirtiyor. Karmaşıklığına rağmen, yapılandırılmamış verilerde ve finansal uygulamalarda derin öğrenmenin kullanımı için heyecan verici olanaklar vardır. Eğitim Finansmanı Enstitüsü, yapay zekanın finansta kullanımını araştırmak için üniversiteler ve firmalarla işbirliği yapıyor.

  • 00:05:00 Videonun bu bölümünde Miquel Noguer i Alonso, finansta makine öğrenimi modellerini kullanma potansiyelini ve bu alanda yürütülen araştırma eksikliğini tartışıyor. Denetimli, denetimsiz ve takviyeli öğrenme dahil olmak üzere finansta kullanılabilecek çeşitli makine öğrenimi alanlarını vurgulayarak devam ediyor. Noguer i Alonso, şu anda bu alanda sınırlı araştırma olduğundan, araştırmacıları denetimsiz öğrenme için daha fazla araç oluşturmaya odaklanmaya teşvik ediyor. Finansta, kredi kayıplarını tahmin etmek ve veri setlerini düzenlemek gibi amaçlar için makine öğreniminin kullanılamayacağı hiçbir yer olmadığını belirterek sözlerini sonlandırıyor.

  • 00:10:00 Konuşmacı, doğrusal olmayan işlevlerin kullanımı yoluyla imkansız öğrenme, gerileme sorunları ve denetimsiz öğrenme için bir motor olarak derin öğrenmeyi tanıtıyor. Sinir ağının, çok sayıda parametreye sahip doğrusal olmayan bir fonksiyon olarak açıklanması, bunun uygulanabilirliği konusunda istatistikçilerin ve mühendislerin uyarılarına yol açmıştır. Bununla birlikte, derin öğrenmenin öncüleri, onu istatistiksel beklentilere karşı çalıştıran doğru aktivasyon fonksiyonları, katman sayısı ve nöron kombinasyonlarını buldular. Konuşmacı ayrıca evrişimli sinir ağları, tekrarlayan sinir ağları ve dönüştürücüler gibi çeşitli derin öğrenme mimarisini tartışıyor.

  • 00:15:00 Konuşmacı, finansta derin öğrenmenin artılarını ve eksilerini tartışıyor. Artı tarafta, derin öğrenme modelleri doğrusal olmamayı ve veri kümelerinin anlamlı doğasını yakalamada daha iyidir ve çok değişkenli zaman serilerinde verimlilik gösterir. Ayrıca, kategorik ve sayısal veriler için en iyi tekniklerden biri olan güçlendirme ağaçları ile de rekabet halindedirler. Bununla birlikte, derin öğrenme modellerindeki çok sayıda parametre ve durağan olmayan durumlarda etkili olmamaları nedeniyle ana eksiler, zaman serileri sürekli değiştikçe finansta büyük bir sorun olan aşırı uyumdur. Konuşmacı, mevcut modellerin bu soruna iyi çözümler sağlamadığını belirtiyor.

  • 00:20:00 Miquel Noguer i Alonso, finansta derin öğrenmenin karşılaştığı zorlukları, özellikle de veri üretme sürecinin değişen doğasını ve içinde çalışabilecek modellerin nasıl oluşturulacağını açıklıyor. Önerdiği bir çözüm bilgi teorisinden geliyor; karmaşıklık ve bilgileri mümkün olan en kısa programa sıkıştırma fikri. Ayrıca Evrensel Yaklaşım Teoremini ve derin ağların herhangi bir şeye gelişigüzel bir hassasiyetle yaklaşmasını nasıl garanti ettiğini tartışıyor, ancak genelleme yapacakları garanti edilmiyor. Okuyucuları, düzenlileştirmenin genelleme için yeterli olmadığını savunan Sun tarafından yazılan bir makaleyi okumaya teşvik ediyor ve sinir ağlarının ve aşırı parametreleştirilmiş sinir ağlarının içsel boyutları hakkında makaleler öneriyor.

  • 00:25:00 Bu bölümde konuşmacı enterpolasyon rejimi adı verilen yeni bir rejimden bahsediyor. daha küçük normlarla enterpolasyon fonksiyonları. Fikir, bu sayıda özellikle daha basit şeyler bulmaktır. Ayrıca, tüm katmanların nasıl eşit yaratılmadığı ve derin sinir ağlarının zaman serisi tahminindeki rolü gibi modellerin niteliksel yönlerini de tartışıyorlar. Ancak, onlar için kıyaslama modelleri hala doğrusal modellerdir ve sonuçları kıyaslamalarla karşılaştırmaları gerekir.

  • 00:30:00 Konuşmacı, derin öğrenme modellerinin finans alanındaki performansını tartışıyor. Sadece bir yerine 30 stoklu uzun kısa süreli bellek ağları kullanmanın sonuçlarını gösteriyorlar ve mutlak hatanın diğer sinir ağlarına kıyasla daha düşük olduğuna dikkat çekiyorlar. Konuşmacı ayrıca, derin öğrenme modellerinin, S&P 500'deki en iyi hisse senetlerini seçmede doğrusal modellerden nasıl daha iyi performans gösterdiğini ve örneklem dışı daha iyi bilgi oranlarıyla sonuçlandığını gösterir. Genel olarak, derin öğrenmenin sürekli olarak en iyi modellere yakın olduğu ve körlemesine bir model seçerken iyi bir seçim olduğu bulunmuştur.

  • 00:35:00 Konuşmacı, finans için derin öğrenme modellerinde faktörlerin kullanımını tartışıyor. Kalite, değer ve momentum gibi faktörler getirilerle doğrusal olmayan ilişkileri araştırmak için kullanılır. Bu yöntem ile saf bir zaman serisi alıştırması arasındaki fark, doğrusal olmama özelliğinin kullanılmasıdır. Konuşmacı ayrıca, daha fazla veri kullanmanın daha iyi doğruluk anlamına gelmediğini belirterek, eğitim süresi parametrelerinin önemini de tartışıyor. Model, yalnızca araştırma amaçlı olduğundan ve geçmiş verilere dayandığından, maliyetleri veya gerçek hayatla ilgili hususları içermez.

  • 00:40:00 Bu bölümde, konuşmacı güncellemekte oldukları makaleyi tartışıyor ve makaledeki iddianın derin ağların daha iyi olduğu değil, daha ziyade geleneksel kıyaslama modelleriyle birlikte çalıştırılmaları gerektiği olduğunu açıklıyor. Ek olarak konuşmacı, derin ağların doğrusal olmayan ilişkileri yakalamada ve doğru döngüleri öğrenmede yararlı olduğunu açıklıyor. Ancak ağların öğrendiği pencere gibi parametrelerin de dikkate alınması gerekir. Ayrıca derin ağlar, doğrusal bir modelin gözden kaçırabileceği ikinci veya üçüncü dereceden etkilerin öğrenilmesi nedeniyle bazı onarım rejimlerinde bize farklı şeyler söylüyor olabilir. Konuşmacı ayrıca herkese uyan tek bir model olmadığını ve derin ağların geleneksel kıyaslama modellerinin yerini almaması gerektiğini vurguluyor.

  • 00:45:00 Miguel Noguer i Alonso finansta doğal dil işlemenin kullanımını, özellikle de duyarlılık analizini tartışıyor. Piyasalarda üretilen çok büyük miktarda bilgiyle, araştırmak için büyük veri araçlarına ihtiyaç duyulur ve makine öğrenimi, özellikle derin öğrenme, yüksek boyutlu alanlarla başa çıkmak için yararlı olabilir. Dil modelleri, finansta ivmenin habercisi olabilecek duygu analizi gibi görevler için kullanılabilir. İnterneti kazımanın, pazar değişimlerini gösterebilecek bilgi değişikliklerini aramanın etkili bir yolu olduğu da kanıtlanmıştır. Genel olarak, doğal dil işleme, büyük miktarda veriyle uğraşırken portföy yöneticileri için faydalı bilgiler sağlayabilir.

  • 00:50:00 Bu bölümde, konuşmacı finansta duygu analizinin kullanımını ve bunun yapılabileceği iki yolu tartışıyor: pozitif ve negatif kelimelerin sıklığını sayan geleneksel yöntem ve daha gelişmiş derinlik kullanma yöntemi kelimelerin bağlamını ve anlamını anlamak için öğrenme ve kelime yerleştirme. En gelişmiş model, kelimelerin daha verimli ve doğru bir şekilde temsil edilmesini sağlayan transformatörlerden gelen çift yönlü kodlayıcı temsilidir. Bu teknoloji, hava durumu yönetimi ve tedarik zinciri sorunları gibi konularda faydalı olabilir.

  • 00:55:00 Bu bölümde Miquel Noguer i Alonso, çift yönlü karmaşık mimariye, BERT'ye ve dil modellerinde sayıların önemine odaklanarak finansta derin öğrenmedeki en son gelişmeleri tartışıyor. BERT, finansal veri kümeleri üzerinde eğitim vermek için kullanılabilen, zamandan ve insan emeğinden tasarruf sağlayabilen, açık kaynaklı, oldukça verimli bir dil modelidir. Diğer modellerden daha iyi performans gösterir ve özellikle doğru analiz için çok önemli olan finansal metinlerdeki sayıları anlamada iyidir. Çok katmanlı algılayıcılar, bellek ağları ve covnet'ler, finansta yararlı olan diğer fonksiyon tahmincileridir.

  • 01:00:00 Miguel Noguer i Alonso, finansal verileri görüntülere dönüştürme ve bunları analiz etmek için evrişimli sinir ağlarını kullanma fikrini tartışıyor; bu, özellikle denetimsiz öğrenme sorunları için yararlı olabilir. Ayrıca, verilerin doğrusal olmayan sıkıştırılması için kullanılabilen otomatik kodlayıcı kavramını ve ortam yeterince kararlıysa zaman serisi analizi için uygun olabilecek bellek ağlarını da tanıtıyor. Son olarak Noguer i Alonso, finansta dil işleme için dönüştürücü modellerin kullanımından ve bu modellerin TensorFlow'da nasıl uygulanacağından bahsediyor.

  • 01:05:00 Videonun bu bölümünde, ESADE Business School'da Finansal İnovasyon Direktörü ve Finans Kıdemli Öğretim Üyesi Miquel Noguer i Alonso, finansta açık kaynaklı derin öğrenme modellerini uygulamanın fizibilitesini tartışıyor. Pek çok açık kaynak kodunun mevcut olduğunu ve özellikle finansal uygulamalar için eğitim gerektirse de bunun ulaşılamaz bir hedef olmadığını açıklıyor. Alonso, finans alanında makine öğrenimi için pek çok fırsat olduğundan, finansla ilgili sorunları çözmek için alan uzmanları ve makine öğrenicileri arasındaki işbirliğinin önemini de vurguluyor. Ek olarak, finansta kullanılan el yapımı NLP yaklaşımları olsa da, derin öğrenme modellerinin bu sektörde henüz yaygın olarak benimsenmediğini belirtiyor.

  • 01:10:00 Konuşmacılar, insanların JP Morgan gibi şeyleri tanımlamak için sözlükleri kullanmalarını ve yazım hatası olmamasını sağlamayı içeren, finansta el işi kontrolün geleneksel yöntemlerini tartışıyorlar. Finansta makine öğreniminin kullanımını ve kısa uzun süreli bellek ağları ve yayınlanmış araştırmalarda şu anda en son teknoloji olduğunu öne sürdükleri BERT gibi çeşitli algoritmaların etkinliğini tartışmaya devam ediyorlar. Konuşmacılar ayrıca, kesitsel yatırımlar için makine öğrenimini kullanma potansiyelini tartışıyor ve makinenin düz getirileri veya faktörleri anlamasına yardımcı olmak için faktörlerin veya getirilerin kullanılmasını öneriyor.

  • 01:15:00 Bu bölümde Noguer ve Alonso, derin öğrenmede en uygun değerleri bulmanın zorluğunu ve bunun nasıl bir insan veri bilimcisinin deneyim ve sezgiye dayalı buluşsal seçimler yapmasını gerektiren bir NP sorunu olabileceğini tartışıyor. . Matematikçiler bile derin ağların neden bu kadar iyi çalıştığını anlamak için denklemler oluşturmakta zorlandıkları ve bunun yerine nitel analize başvurmaları gerektiğinden, derin ağları anlama ve yorumlamadaki zorlukları vurguluyorlar. Bu zorluklara rağmen, birkaç veri kümesiyle çalıştıktan sonra, veri bilimcileri belirli bir durum için kullanılacak en iyi parametreler hakkında bir sezgi geliştirebilirler.
Miquel Noguer i Alonso: "Latest Development in Deep Learning in Finance"
Miquel Noguer i Alonso: "Latest Development in Deep Learning in Finance"
  • 2020.03.19
  • www.youtube.com
Title of Seminar: "Latest Developments in Deep Learning in Finance"Date of Seminar: 9/24/19Speaker Bio: Miquel Noguer i Alonso (Artificial Intelligence Finan...
 

Gordon Ritter: "Güçlendirmeli Öğrenme ve Arbitraj Fırsatlarının Keşfi"



Gordon Ritter: "Güçlendirmeli Öğrenme ve Arbitraj Fırsatlarının Keşfi"

Bu videoda Gordon Ritter, özellikle türev ticaretindeki arbitraj fırsatlarını keşfetmeye odaklanarak, finansal piyasalar bağlamında takviyeli öğrenmenin uygulamasını araştırıyor. Belirsizlikle karşı karşıya kalındığında karmaşık çok dönemli planlama ve stratejinin önemini vurguluyor. Ritter, optimal politikaların araştırılmasına rehberlik etmek için değer fonksiyonlarının kullanımını gösterir ve tek dönemlik artışı, ortalamadan sapmanın karesiyle çarpılan bir sabitle birleştiren bir ödül fonksiyonu önerir.

Ritter, makineye onu nerede bulacağına açıkça talimat vermeden bir arbitraj fırsatı içeren bir simülasyon oluşturma sürecini tartışıyor. Finansal piyasaları modellemek için stokastik simülasyonların kullanımının altını çiziyor ve yeterli veriyle takviyeli öğrenme yoluyla eğitilmiş bir temsilcinin piyasa arbitrajını belirleyebileceğini öne sürüyor. Bununla birlikte, fazla uydurma ve öngörülemeyen senaryoları ele almadaki zorluklar gibi takviyeli öğrenmenin sınırlamalarını kabul ediyor. Eğitimli aracıların yeteneklerini genişletmek için gama tarafsızlığı ticaret stratejilerini keşfetmek gibi daha ileri testler önerilmektedir.

Video, türev riskten korunmada bir temel aracıya kıyasla pekiştirmeli bir öğrenme aracısının performansının bir analizini içerir. Eğitimli temsilci, benzer bir gerçekleşen oynaklık aralığını korurken, maliyet ve risk arasında ödün verme yeteneğini sergileyerek önemli ölçüde maliyet tasarrufu gösterir. Ritter, türev fiyatlarının kendileri bir değer fonksiyonu biçimi olarak görülebildiğinden, türev ticareti için pekiştirici öğrenmede değer fonksiyonlarının alaka düzeyini tartışır.

Ritter ayrıca pekiştirmeli öğrenmede uygun durum vektörleri ve eylem uzayları oluşturmanın önemini vurgular. İlgili bilgilerin durum vektörüne dahil edilmesi ve uygun eylemlerin tanımlanması etkili karar verme için esastır. Potansiyel olarak arbitraj fırsatlarına yol açabilecek ortalamaya dönüş dinamiklerini modellemek için bir araç olarak Ornstein ve Limbik süreçlerin kullanımını sunar.

Ek olarak video, ticaret fırsatları için kısa vadeli getirileri kullanmanın zorluklarını ve sonlu durum uzaylarının sınırlamalarını tartışıyor. Ritter, bu zorlukların üstesinden gelmek ve değer fonksiyonlarının tahminini iyileştirmek için sürekli durum uzayları ve model ağaçları ve sinir ağları gibi fonksiyon yaklaşım yöntemlerinin kullanılmasını önerir.

Son olarak Ritter, pekiştirmeli öğrenmenin arbitraj fırsatlarını keşfetmede değerli bir araç olabileceğini, ancak gerçek hayattaki ticarette garantili bir yaklaşım olmadığını kabul ediyor. Takviyeli öğrenmenin stokastik sistemler yoluyla karlı alım satımları ortaya çıkarma potansiyelini vurgulayarak bitiriyor, ancak piyasada mevcut değilse arbitraj fırsatları bulmasını beklememeye dikkat çekiyor. Takviyeli öğrenmenin, aşırı uydurma ve öngörülemeyen senaryoları idare edememesi dahil olmak üzere sınırlamaları da kabul edilmektedir.

  • 00:00:00 Bu bölümde Gordon Ritter, belirsiz bir ortamda zaman içinde ödülleri optimize etmek için deneyim yoluyla öğrenme hakkında konuşuyor. Robotların bir odada nasıl hareket edebildiğine ve ceylanların bacak kaslarına sinyaller göndererek yürümeyi nasıl öğrendiğine dair örnekler veriyor. Ayrıca dünyanın en iyi Go oyuncusunun artık konuşmasının odak noktası olan pekiştirmeli öğrenme yöntemleriyle eğitilmiş bir ajan olduğundan bahsediyor. Ritter, belirsizliğin varlığında karmaşık çok dönemli planlama ve stratejinin önemini ve arbitraj fırsatlarını keşfetmek için finansta pekiştirmeli öğrenmenin nasıl uygulanabileceğini vurguluyor.

  • 00:05:00 Gordon Ritter, bir aracının çevreyle etkileşim kurması ve bir ödül sinyalini optimize etmek için harekete geçmesi süreci olan pekiştirmeli öğrenme kavramını açıklıyor. Temsilci, ortamın durumunu gözlemler ve eylemlerinin olumlu mu yoksa olumsuz bir ödülle mi sonuçlandığını belirler. Takviyeli öğrenme, uzun vadeli ödül beklentisini en üst düzeye çıkarmak için en uygun politika arayışını yapılandırmak için değer fonksiyonlarının kullanılmasını içerir. Ritter, değer fonksiyonları fikrinin, matematiksel finans geçmişi olanlara aşina olduğunu belirtiyor.

  • 00:10:00 Videonun bu bölümünde, Gordon Ritter takviyeli öğrenme kavramını, özellikle de optimal bir politikanın değer fonksiyonunu bulmak için kullanılan Hamilton-Jacobi Bellman denklemini tartışıyor. Ancak, gerçek dünya senaryolarında bazen denklemi açıkça çözmenin mümkün olmadığını belirtiyor. Ritter daha sonra, belirli bir durumda belirli bir eylemde bulunmanın ve ardından bir politika izlemenin beklenen uzun vadeli kazancını bulmak için kullanılan eylem değeri işlevini tanıtır. Takviyeli öğrenmenin amacı, ona karşılık gelen işaret veya eylem değeri işlevini bularak en uygun politikayı bulmaktır. Ritter daha sonra yapay zekanın, teklif-teklif dağılımı ve komisyonlar gibi ticaret maliyetlerini hesaba katarak gerçekçi bir senaryoda optimal bir dinamik ticaret stratejisi keşfedip keşfedemeyeceği sorusunu soruyor. Piyasada bir arbitraj olsaydı, pekiştirmeli öğrenme ile üretilen bir aracının onu yeterli veri ile bulabileceğini ileri sürer.

  • 00:15:00 Gordon Ritter, finansal piyasalardaki arbitraj fırsatlarını keşfetmek için takviyeli öğrenmenin kullanımını tartışıyor. Ritter, tutarlı arbitrajsız fiyatlara dayanan geleneksel yöntemlerin aksine, belirli bir dinamik sistemde herhangi bir arbitraj fırsatı olup olmadığını bulmak için pekiştirmeli öğrenmenin kullanılabileceğini savunuyor. Bu yaklaşım, saf bir arbitraj değil, iyi bir ticaret stratejisi olan istatistiksel arbitrajı belirlemek için kullanılabilecek yüksek Sharpe oranlarına sahip stratejiler bulmak için algoritmayı eğitmek için kullanılabilir. Ritter, böyle bir yaklaşımın, Go oynamayı sıfır insan rehberliği ile öğrenen ve insan şampiyonları yenen AlphaGo Zero'ya benzediğini iddia ediyor.

  • 00:20:00 Gordon Ritter, servetin beklenen faydasını maksimize ederken kullanılan varsayımları ve bunun matematiksel olarak ortalama varyans karesel formunu maksimize etmeye eşdeğer olduğunu açıklıyor. İkinci dereceden bir fonksiyonun bir fayda fonksiyonu olamayacağını açıklıyor ve rasyonel aracıları von Neumann Morgenstern yatırımcıları gibi davranmaları için eğitmek için kullandığı ödül sinyalini açıklıyor. Ödül işlevi için tek bir periyottaki artışın sabit çarpı ortalamanın karesi ile birleştirilmesini önerir ve duruma ne konulacağını seçme konusunda tavsiyelerde bulunur ve aracının iyi kararlar vermesine yardımcı olan ilgili bilgileri dahil etmenin önemini vurgular.

  • 00:25:00 Gordon Ritter pekiştirmeli öğrenmede bir durum vektörü ve eylem uzayının nasıl oluşturulacağını tartışıyor. Bir temsilcinin ticaret kararı vermek için bir sinyali kullanmayı öğrenmesi için, bu sinyalin durum vektörüne dahil edilmesi gerektiğini açıklıyor. Ayrıca, eylem alanı, hangi yürütme stratejisinin kullanılacağını seçmeyi, davranışını değiştirmek için bir algoritmada bir parametre seçmeyi veya yayılmayı geçip geçmemeye veya sipariş defterinin yakın tarafındaki bir kuyruğa katılmaya karar vermeyi içermelidir. Ritter ayrıca Ornstein ve Limbic süreçlerinin, bir arbitraj fırsatına yol açabilecek ortalamaya dönüş dinamiklerini modellemek için finansta nasıl kullanılabileceğine dair bir örnek sunuyor.

  • 00:30:00 Bu bölümde, Gordon Ritter, garantili bir kâr olmasa bile, istatistiksel bir arbitraj olarak en azından yaklaşık bir arbitraj içeren bir stokastik simülasyon oluşturmayı tartışıyor. Temsilcinin her şeyi oyun oynayarak ve birkaç kez kaybederek çözmesi gerektiğini vurguluyor. Simülasyonun bir yayılma maliyeti ve doğrusal bir fiyat etki fonksiyonuna dayalı bir etki maliyeti vardır ve bazen, genel maliyetin önünde bir çarpanla oynamayı sever. Durum vektörünün oldukça basit olabileceğini ve durumun yalnızca aracının elinde tuttuğunu ve sinyali içeren fiyatı içerdiğini söylüyor. Son olarak, gerçek hayattaki ticarette çalışması garanti edilmediğinden, bunun yalnızca bir kavram kanıtı olduğunu belirtiyor.

  • 00:35:00 Gordon Ritter, makineye nerede arayacağını açıkça söylemeden arbitraj fırsatı olan bir simülasyon yaratma sürecini tartışıyor. Bir değer fonksiyonu öğrenerek ve Q-öğrenme adı verilen klasik bir yöntemle çalıştığını açıklıyor. Bununla birlikte, Q fonksiyonu modelini özellikle sevmediğini çünkü süreklilik olmadan her bir matris elemanını bağımsız olarak öğrenmesi gerektiğini kabul ediyor. Ritter ayrıca, çeşitli eylemler için fiyatın bir fonksiyonu olarak değer fonksiyonunun bir grafiğini sunar ve denge fiyatı etrafında bir ticaret yapılmayan bölgenin ortaya çıkışını gösterir.

  • 00:40:00 Bu bölümde Gordon Ritter, ticaret fırsatları için kısa vadeli getirileri kullanmanın sınırlamalarını ve sonlu bir durum uzayı kullanırken ortaya çıkan zorlukları tartışıyor. Bellman değer fonksiyonu Q'yu tahmin etmek ve eğitim verilerine uyan en iyi bilinmeyen fonksiyonu bulmak için sürekli durum uzaylarını ve model ağaçları gibi fonksiyon yaklaşım yöntemlerini kullanmayı önerir. Bu yöntem, değer işlevine yaklaşmanın ve ticaret fırsatları bulmanın daha verimli ve etkili bir yolunu sağlar.

  • 00:45:00 Gordon Ritter, uzun vadeli ve kısa vadeli ödüller biçimindeki ödülleri yaklaşık olarak tahmin etmek için takviyeli öğrenme aracılarını eğitmek için fonksiyon yaklaşımlayıcıları gibi istatistiksel makine öğrenimi tekniklerinin kullanımını tartışıyor. Bir sinir ağı gibi daha iyi bir fonksiyon yaklaşıklayıcısı kullanılarak, Bellmen değer fonksiyonu daha doğru bir şekilde tahmin edilebilir ve optimum eylemlerin daha iyi anlaşılmasına izin vererek sürekli bir fonksiyon elde edilebilir. Ritter daha sonra bu teknikleri, bankaların türevleri piyasaya sürmeden pozisyonlardaki riskleri nötralize etmek istediği türev riskten korunma örneğine uygular. Amaç, otomatik riskten korunmaya izin veren ve piyasa etkilerinden kaynaklanan maliyetleri azaltan, dinamik kopyalama stratejilerine dayalı olarak bir türev sepetini optimum şekilde alıp satabilen takviyeli öğrenme aracılarını kullanmaktır.

  • 00:50:00 Bu bölümde Gordon Ritter, dinamik bir çoğaltma portföy stratejisi sağlamak için bir Avrupa opsiyon piyasasında asgari düzeyde bulunması gereken durum değişkenlerini tartışıyor. Black-Scholes tipi bir dünyada deltayı hesaplamaya girecek durum değişkenlerinin, seçeneğin kullanım fiyatının, seçeneğin ne olduğunun tanımının bir parçası olmasıyla birlikte, altta yatan fiyat ve sona erme süresi olduğunu belirtiyor. Ayrıca, devletin Yunanlılar seçeneğini içermesine gerek olmadığından ve ajanın bu doğrusal olmayan fonksiyonları kendilerinin öğrenmesinin beklendiğinden bahseder. Makinenin simülasyon yoluyla büyük bir deneyim seti oluşturacağını ancak deneyimleyerek öğrenebileceğini söyleyerek sözlerini bitiriyor.

  • 00:55:00 Gordon Ritter, hacim için maliyet ticareti yapan takviyeli öğrenme aracısının çıktısını tartışıyor ve bunu Delta korumasını kullanan bir temel aracıyla karşılaştırıyor. Eğitimli aracı, Delta korumasının daha sorunsuz bir pozisyon takibini gösterirken, temel aracı, Delta koruması nedeniyle aşırı ticaret ve daha yüksek maliyetler gösterir. Eğitimli aracı, maliyet ve risk arasında bir denge kurmayı öğrendi ve Ritter, büyük bir maliyet tasarrufu için bir miktar oynaklığı kabul etmenin kabul edilebilir olduğunu belirtiyor. Piyasa, yüksek ticaret maliyetleriyle simüle edilmiş olsa da, eğitimli aracı yine de temel aracıdan daha iyi performans gösterdi.

  • 01:00:00 Bu bölümde konuşmacı, Delta aracısının performansını ve takviyeli öğrenme yöntemini karşılaştırmak için simülasyonların histogramlarını sunar. Delta aracısı yüksek oranda öngörülebilir gerçekleşmiş hacim gösterir, ancak eğitimli aracı benzer bir gerçekleşen hacim aralığını korurken önemli maliyet tasarrufları gösterir. Konuşmacı, ajan tarafından potansiyel olarak keşfedilebilecek gama tarafsızlığını sağlayan ticaret stratejilerine bakmak gibi daha fazla test yapılmasını önerir. Konuşmacı, takviyeli öğrenmede görüldüğü gibi değer fonksiyonuna dayalı yöntemlerin kullanılmasının, türev fiyatlarının kendileri bir değer fonksiyonu biçimi olduğundan, türev ticareti alanıyla iyi bir şekilde kesiştiği sonucuna varır.

  • 01:05:00 Gordon Ritter, pekiştirmeli öğrenmenin, karlı işlemler bulabilen stokastik bir sistemi eğiterek arbitraj fırsatlarını keşfetmek için kullanılabileceğini açıklıyor. Ancak milyonlarca veya milyarlarca simülasyondan sonra sistem herhangi bir fırsat bulamazsa, piyasanın arbitrajı kabul etmediğini gösterebilir. Ayrıca, fazla takma ve sonsuz ticaretin üstesinden gelememe ve ani çökmeler gibi öngörülemeyen senaryolar da dahil olmak üzere takviyeli öğrenmenin sınırlamalarını tartışıyor.
Gordon Ritter: "Reinforcement Learning and the Discovery of Arbitrage Opportunities"
Gordon Ritter: "Reinforcement Learning and the Discovery of Arbitrage Opportunities"
  • 2019.05.30
  • www.youtube.com
Seminar Date: March 20, 2019Info: Reinforcement learning is a way of training a machine to find an optimal policy for a stochastic optimal control system, ...
 

Marcos Lopez de Prado: "Makine Öğrenimi Fonlarının Başarısız Olmasının 7 Nedeni"



Marcos Lopez de Prado: "Makine Öğrenimi Fonlarının Başarısız Olmasının 7 Nedeni"

Marcos Lopez de Prado, finans endüstrisindeki çoğu makine öğrenimi fonunun başarısızlığının arkasındaki nedenleri özetleyen kapsamlı bir sunum yaptı. Bu alanda başarıya katkıda bulunan birkaç temel faktörün önemini vurguladı.

De Prado tarafından vurgulanan başlıca faktörlerden biri, takdire bağlı fonlarda iyi formüle edilmiş bir teorinin olmamasıydı. Sağlam bir teorik temelin olmaması nedeniyle birçok yatırım konuşmasının yapıcı ve soyut bir yaklaşımdan yoksun olduğunu belirtti. Karar vermeye rehberlik edecek bir teori olmadan, takdire bağlı fonlar başkalarıyla etkileşimde bulunmak ve fikirlerini test etmek için mücadele eder, bu da kötü seçimlere ve potansiyel kayıplara neden olur.

De Prado, makine öğrenimi fonları dahilinde izole edilmiş silolarda çalışmanın zararlı etkilerini de tartıştı. İşbirliği ve iletişimin başarı için gerekli olduğunu vurgulayarak, çok sayıda doktora öğrencisinin işe alınmasına ve bunların ayrı görevlere ayrılmasına karşı uyarıda bulundu. Bunun yerine, uzmanların bağımsız olarak çalıştıkları ancak birbirlerinin uzmanlıkları hakkında bilgi sahibi oldukları ve daha iyi stratejiler ve sonuçlara yol açan ekip tabanlı bir yaklaşımı savundu.

Ekip içindeki uzmanlaşma, de Prado tarafından vurgulanan bir diğer önemli husustu. Karmaşık sistemleri ve görevleri yerine getirebilecek bir uzmanlar grubu oluşturmanın önemini vurguladı. Bu uzmanlar, genel stratejiyi anlarken ve meslektaşlarının uzmanlık alanlarının farkındayken bağımsız becerilere sahip olmalıdır. Bu meta-strateji paradigması, yalnızca etkili stratejiler geliştirmek için değil, aynı zamanda işe alma, yatırım gözetimi ve durdurma kriterlerini tanımlama dahil olmak üzere belirsiz durumlarda bilinçli kararlar vermek için de değerlidir.

Finansal verilerin uygun şekilde ele alınması, de Prado tarafından tartışılan bir diğer önemli faktördü. Değerli bilgileri korurken verilerde durağanlığın sağlanması gerektiğini vurguladı. Önceki gözlemlerden gelen bellek bilgilerini korumak için verileri fraksiyona göre farklılaştırmayı önerdi ve belirli noktalarda kritik tahminler sağladı. Ek olarak, aşırı bellek kullanmadan durağan ve orijinal seriler arasında neredeyse mükemmel bir korelasyon elde etmek için belirli bir eşik kullanılmasını tavsiye etti. De Prado, çoğu senaryoda tek bir gözlemin kullanılmasını tavsiye ederek, likit vadeli sözleşmelerin olmadığı durumlarda iadelerin kullanılmasına karşı uyarıda bulundu.

Örnekleme sıklığı ve verilerin uygun şekilde etiketlenmesi de Prado tarafından ele alınmıştır. Günlük veya dakikalık gözlemler gibi geleneksel yöntemlere güvenmek yerine, örnekleme sıklığını pazar bilgilerinin gelişine dayandırmayı önerdi. İşlem hacmine göre örnekleme yapan dolar çubukları gibi teknikler kullanılarak, örneğe eşit miktarda bilginin dahil edilmesi sağlanabilir. Dokunmatik Bariyer Etiketleme yönteminin kullanılması gibi gözlemlerin uygun şekilde etiketlenmesi, fiyat dinamiklerini ve durdurulma olasılığını dikkate alarak riske duyarlı stratejilerin geliştirilmesine olanak tanır.

Bir makine öğrenme modelinin başka bir modelin tahminlerinin doğruluğunu tahmin ettiği meta-öğrenme kavramı, kesinlik ve hatırlama elde etmenin bir yolu olarak tartışıldı. İki ayrı model oluşturarak, harmonik ortalamayı kullanarak kesinlik ve geri çağırma arasındaki değiş tokuş dengelenebilir. De Prado, performansı optimize etmek için farklı görevler için farklı makine öğrenimi algoritmalarının kullanılmasını önerdi.

De Prado, makine öğrenimi algoritmalarını kullanmadan önce insan uzmanların verileri filtrelemesi gerektiğini vurgulayarak, makine öğrenimini finansta uygulamanın zorluklarını vurguladı. Finansal veriler doğası gereği dağınıktır ve belirsizdir, bu da belirli gözlemleri varlıklarla ilişkilendirmeyi zorlaştırır. Ayrıca, düzenlemeler ve kanunlar nedeniyle finansal piyasalardaki sürekli değişimler, makine öğrenimi algoritmalarının uygulanmasında dikkatli ve incelikli bir yaklaşım gerektiriyor. Finansal verileri bir makine öğrenimi modeline bağlamak, finansta başarı için yeterli değildir.

Eşsiz olmama ve fazla uydurma konularını ele almak, de Prado'nun sunumunun bir başka önemli yönüydü. Gözlemlerin benzersizliğini belirlemek için bir metodoloji önerdi ve test setiyle paylaşılandan daha eski bilgileri içeren gözlemlerin kaldırılmasını önerdi, bu süreç "temizleme" olarak bilinir. Bu, çapraz doğrulama tekniklerinin varsayımlarıyla uyum sağlayarak daha doğru makine öğrenimi modelleri oluşturmaya yardımcı olur. De Prado ayrıca, tekrar tekrar geriye dönük test stratejilerinin yanlış pozitiflere ve zamanla azalan kullanışlılığa yol açabileceğini vurgulayarak, fazla uydurmanın tehlikelerine karşı uyarıda bulundu. Stratejileri keşfetmeye dahil olan denemelerin sayısını göz önünde bulundurmak, aşırı uydurma ve yanlış pozitiflerden kaçınmak için çok önemlidir. De Prado, aşırı uyum ile ilişkili riskleri azaltmak için stratejilerin performansı için yüksek bir eşik belirlenmesini tavsiye etti.

"Sönük çilek" kavramı, fon yöneticileri kasıtlı olarak bu özellikleri hedeflememiş olsalar bile, birçok hedge fonunun negatif çarpıklık ve pozitif aşırı basıklık sergilediğini gösteren de Prado tarafından tanıtıldı. Bunun başlıca nedeni, fon yöneticilerinin Sharpe oranına göre değerlendirilmesidir ve bu istatistiksel özellikler oranı şişirebilir. De Prado, getirileri analiz ederken, bir keşfin üretilmesinde yer alan örneklem büyüklüğünü ve deneme sayısını dikkate almanın önemini vurguladı. Sıfırdan büyük gerçek bir Sharpe oranına ulaşma olasılığı düşük stratejilere yatırım yapılmaması konusunda uyarıda bulundu.

Model uyumu ile aşırı uyum arasında bir dengenin sağlanması, de Prado tarafından vurgulanmıştır. Aşırı güvene ve artan riske yol açabileceğinden, mükemmel bir uyum için çabalamamanızı tavsiye etti. Bunun yerine, istatistiksel modelleri etkili bir şekilde uygularken önemli anıları korumanın bir yolunu bulmayı önerdi. De Prado ayrıca, veri beslemeyi ve çapraz tozlaşmayı engelleyerek makine öğrenimi algoritmalarının genel etkinliğini engelleyebilecekleri için aşırı karmaşık modellerin kullanılmasına karşı uyarıda bulundu.

De Prado, sektördeki belirli özelliklerin veya ölçütlerin tercih edildiği ve stratejilerin yakınlaşmasına yol açtığı olguyu ele aldı. Bunu, insan tercihinin ve estetiğin belirli özellikleri şekillendirdiği köpeklerin yetiştirilmesiyle karşılaştırarak, Sharpe oranı ve negatif çarpıklık kombinasyonu gibi belirli ölçütlerin kullanımının, hedge fonlarda başlangıçta olmasa bile nasıl tercih edildiğini açıkladı. Hedeflenen. Belirli bir tetikleyici olay olmaksızın gerçekleştiği için bu olguyu ele almak zordur.

Ayrıca de Prado, yakın gelecek için daha büyük önem taşıdığından, tahmin yaparken son fiyat verilerini kullanmanın önemini vurguladı. Mevcut tüm verileri kullanırken numune uzunluğunu belirlemek için üstel ağırlık düşüşü kullanılmasını tavsiye etti. Ek olarak, makine öğrenimi fonlarının başarısız olmasına yol açan yaygın tuzaklar olarak deneme sayısını kontrol etmenin ve yalıtılmış çalışma ortamlarından kaçınmanın önemini vurguladı. Finansın, makine öğreniminin önemli ilerlemeler kaydettiği diğer alanlardan farklı olduğunu ve başarılı ticaret algoritmaları geliştirmek için istatistikçileri işe almanın her zaman en etkili yaklaşım olmayabileceğini belirtti.

Özetle, Marcos Lopez de Prado'nun sunumu, finans sektöründe çoğu makine öğrenimi fonunun başarısız olmasının nedenlerine ışık tutuyor. İyi formüle edilmiş bir teoriye, ekip işbirliğine, uzmanlaşmaya, finansal verilerin uygun şekilde ele alınmasına ve farklılaştırılmasına, uygun örnekleme ve etiketlemeye, benzersiz olmama ve fazla uydurma gibi zorlukların ele alınmasına ve makine öğrenimi algoritmalarının uygulanmasında insan uzmanlığının dahil edilmesine duyulan ihtiyacı vurguladı. Uygulayıcılar, bu faktörleri anlayarak ve dikkatli ve incelikli bir yaklaşım benimseyerek, finansın dinamik ve karmaşık dünyasında başarı olasılığını artırabilir.

  • 00:00:00 Marcos Lopez de Prado, isteğe bağlı fonlarla ilgili iyi formüle edilmiş bir teorinin olmamasının, insanların yatırımlar hakkında gerçekten yapıcı ve soyut bir konuşma yapmasını nasıl engellediğini tartışıyor. Yatırım konferanslarına katıldığında, çoğu konuşmanın anekdot olduğunu ve gerçek bir teorinin tartışılmadığını görüyor. Sonuç olarak, isteğe bağlı fonlar, başkalarıyla etkileşime girememe ve teorileri test edememe sorunu yaşayabilir. İyi formüle edilmiş bir teorinin olmaması, zayıf karar vermeye yol açabilir ve sonunda iş kaybına neden olabilir.

  • 00:05:00 Bu bölümde Marcos Lopez de Prado, silolarda çalışma sorununu önemli bir faktör olarak göstererek çoğu makine öğrenimi fonunun neden başarısız olduğunu tartışıyor. Herhangi bir işbirliği veya iletişim olmadan, her biri tekrar tekrar aynı görevler üzerinde çalışan 50 doktora öğrencisi işe almanın ve onları silolar halinde çalıştırmanın imkansız olduğunu açıklıyor. Bu genellikle birden fazla stratejinin denenmesine, hatalı keşiflere, başarısız uygulamalara ve sonunda fonun kapatılmasına yol açar. Lopez de Prado, strateji geliştirmenin bir takım çalışması gerektirdiğini ve başarıya ulaşmak için birçok stratejiye ihtiyaç duyulduğunu ileri sürer.

  • 00:10:00 Marcos Lopez de Prado, finansta makine öğrenimini uygulamada başarı için kilit bir faktör olarak grup içinde uzmanlaşmanın önemini vurguluyor. Endüstriyel süreçler veya makine öğrenimi stratejileri gibi karmaşık sistemleri yönetebilecek yüksek performanslı bir altyapı oluşturmak için uzmanlardan oluşan bir ekip oluşturmanın gerekli olduğunu savunuyor. Uzmanlar bağımsız olarak çalışabilmeli, ancak yine de tüm oyun planı hakkında bilgi sahibi olmalı ve birbirlerinin uzmanlık alanlarının ve bunlarla ilgili soru ve sorunların farkında olmalıdır. Bu meta-strateji paradigması yalnızca strateji geliştirmek için değil, aynı zamanda işe alma, yatırımları denetleme ve stratejiler için durdurma kriterleri dahil olmak üzere belirsizlik altında kararlar almak için de yararlıdır.

  • 00:15:00 Bu bölümde, Marcos Lopez de Prado, en değerli bilgileri korurken durağanlığa ulaşmak için finansal verileri doğru şekilde kullanmanın önemini vurguluyor. Verileri ayırt etmenin bir maliyeti vardır çünkü değerli sinyal bilgilerini siler ve herhangi bir şeyi tahmin etmeyi imkansız hale getirir. Bu nedenle, bir serinin tahmin yapmak için kritik bir noktada olup olmadığının anlaşılmasına izin veren önceki gözlemlerle ilgili bazı hafıza bilgilerini korumak için verileri fraksiyona göre farklılaştırmayı önerir. Farklılaşan ve durağan verilerin bir kombinasyonu, klasik analiz için yararlı bilgiler sağlar.

  • 00:20:00 Konuşmacı, durağan diziler oluşturmayı ve bunu nasıl başaracağını tartışır. Belirli bir eşik değeri kullanarak, çok fazla bellek kullanmadan, orijinal seri ile neredeyse mükemmel bir şekilde ilişkili durağan bir seri elde etmek mümkündür. Orijinal seri ile korelasyon neredeyse sıfır ise, durağanlığa ulaşmak işe yaramaz. Ek olarak, konuşmacı, iade kullanımının haklı olduğu hiçbir likit gelecek durum olmadığını gözlemliyor ve günlük verilerde bile kullanılmamasını tavsiye ediyor. Çoğu durumda tek bir gözlem kullanmanın yeterli olacağını öne sürüyor.

  • 00:25:00 Konuşmacı, örnekleme sıklığının önemini tartışıyor ve bunun günlük veya bir dakikalık gözlemler gibi kanonik yöntemler kullanmak yerine pazara gelen bilgi miktarına dayanması gerektiğini öneriyor. Numunenin yalnızca eşit miktarda zaman veya fiyat yerine eşit miktarda bilgi içerdiğinden emin olmak için işlem miktarına dayalı olarak örneklenen dolar çubuklarını kullanmanın bir örneğini verir. Konuşmacı, piyasa faaliyetini etkileyen kritik bilgiler sağladığından, numune alırken fiyatların dikkate alınmasının önemini de vurgulamaktadır.

  • 00:30:00 Marcos Lopez de Prado, finansta verileri doğru bir şekilde örneklemenin ve etiketlemenin önemini tartışıyor. Piyasaya çok fazla bilgi geldiğinde daha fazla numune almanın çok önemli olduğunu açıklıyor çünkü bunlar daha fazla bilgi içeriyor. Fiyata ne olduğunu ve belirli bir sonuca nasıl ulaştığını dikkate alarak gözlemleri doğru bir şekilde etiketlemek için Dokunmatik Bariyer Etiketleme yöntemini kullanmayı önerir. Bunu yaparak, risk seviyelerini hesaba katan bir strateji geliştirmenize olanak tanır, bu önemlidir çünkü çoğu insanın risk seviyelerini takip etmesi ve durdurulma olasılığını göz önünde bulundurması gerekir.

  • 00:35:00 Marcos López de Prado, başka bir makine öğrenimi modelinin tahmininin doğru olup olmadığını tahmin etmek için bir makine öğrenimi modelinin kullanıldığı meta-öğrenme kavramını tartışıyor. İki kararı iki farklı modelde birleştirmenin önemini ve bunun makine öğrenimi algoritmalarında kesinlik ve geri çağırma elde etmede nasıl yararlı olduğunu açıklıyor. López de Prado, kesinlik ve geri çağırma arasındaki dengeyi sağlamak için kullanılan harmonik ortalama kavramını da tanıtıyor ve çok farklı iki görevi halletmek için farklı makine öğrenimi algoritmalarının kullanılmasını öneriyor.

  • 00:40:00 Bu bölümde, Marcos Lopez de Prado, makine öğrenimini finansta kullanmanın zorluklarını açıklıyor. Finansal veriler dağınık ve belirsiz olduğundan, yani belirli bir gözlemi belirli bir hastayla veya bu durumda belirli bir varlıkla ilişkilendirmenin kolay olmadığı anlamına geldiğinden, makine öğrenimi algoritmalarını kullanmadan önce insan uzmanların verileri filtrelemesinin önemini vurguluyor. . Ayrıca, bir makine öğrenimi modelinin performansını önemli ölçüde etkileyebilecek yeni düzenlemeler ve yasalar nedeniyle finansal piyasalar sürekli değişmektedir. Bu nedenle, finansta makine öğrenimini kullanmak dikkatli ve incelikli bir yaklaşım gerektirir ve finansal verileri bir makine öğrenimi algoritmasına bağlayarak basitçe uygulanamaz.

  • 00:45:00 Marcos Lopez de Prado, gözlemlerin benzersiz olmadığı konusunu tartışıyor ve bu konuyu ele almak için bir metodoloji öneriyor. Bir çözüm elde etmek için her gözlemdeki örtüşme miktarını belirlemeyi ve bunların benzersizliğini belirlemeyi önerir. Çapraz doğrulama teknikleri, gözlemlerin bağımsız ve aynı şekilde dağıldığını varsaydığından, IID varsayımından kaçınmak için hangi gözlemlerin eğitim setinden çıkarılması gerektiğini belirlemeyi de önerir. "Temizleme" adı verilen bu süreç, test kümesiyle paylaşılandan daha eski bilgiler içeren gözlemleri kaldırarak finansta daha doğru makine öğrenimi modelleri sağlar.

  • 00:50:00 Bu bölümde, Marcos Lopez de Prado, çoğu makine öğrenimi fonunun başarısız olmasının yedinci nedenini, yani fazla uydurmayı tartışıyor. Bir stratejinin Sharpe oranı sıfır olsa bile, stratejiyi tekrar tekrar test ederek sonunda kağıt üzerinde harika bir strateji bulunabileceğini açıklıyor. Bununla birlikte, tekrar tekrar geriye dönük testler yanlış pozitif sonuçlara yol açabilir ve zamanla daha az kullanışlı hale gelir. Aşırı uydurma ve yanlış pozitiflerden kaçınmak için, kişinin akıllı olması ve keşiflerinde yer alan denemelerin sayısını hesaba katarak pratik yapması gerekir. Ne kadar çok pratik yaparsanız, uygulama için talep etmeniz gereken eşik o kadar yüksek olur.

  • 00:55:00 Marcos Lopez de Prado, fon yöneticilerinin kasıtlı olarak bu anları hedeflememesine rağmen çoğu koruma fonunun negatif çarpıklığa ve pozitif aşırı basıklığa sahip olduğu fikri olan sönmüş çilek kavramını açıklıyor. Bunun nedeni, fon yöneticilerinin Sharpe oranına göre değerlendirilmesidir ve istatistiksel olarak negatif çarpıklık ve pozitif fazla basıklık bu oranı şişirebilir. De Prado, getirileri analiz ederken bir keşfin üretilmesinde yer alan örneklem büyüklüğünü ve deneme sayısını dikkate almanın önemini vurguluyor ve sıfırdan büyük gerçek bir Sharpe oranına sahip olma olasılığı düşük olan bir stratejiye yatırım yapılmaması konusunda uyarıda bulunuyor.

  • 01:00:00 Marcos Lopez de Prado, modelinizi verilere uydurmak ile fazla uydurmadan kaçınmak arasındaki ödünleşimi dengelemenin önemini vurguluyor. Aşırı güvene ve artan riske yol açabileceği için mükemmel bir uyum sağlamaya çok fazla odaklanmamayı öneriyor. Bunun yerine, istatistiksel modelleri etkin bir şekilde satın alıp uygulayabilmeye devam ederken anıları korumanın bir yolunu bulmayı öneriyor. Lopez de Prado ayrıca çok karmaşık modellerin kullanılmasının çapraz tozlaşmayı ve veri beslemeyi zorlaştırabileceğini belirtiyor.

  • 01:05:00 Marcos Lopez de Prado, belirli özelliklerin veya metriklerin makine öğrenimi fonlarında ve koruma fonlarında nasıl tercih edilenler haline gelebileceğini ve sektörde bir yakınlaşmaya yol açabileceğini açıklıyor. İnsan tercihi ve estetiği nedeniyle belirli özelliklerin tercih edildiği üreme köpekleri örneğini kullanarak, bu olguyu, başlangıçta olmasa da hedge fonlar için tercih edilen kombinasyon haline gelen Sharpe oranı ticaret ve negatif çarpıklığın kullanımına benzetiyor. Hedeflenen. Belirli bir olay meydana gelmeden gerçekleştiği için bu fenomeni ele almanın zor olduğunu belirtiyor.

  • 01:10:00 Bu bölümde, Marcos López de Prado, yakın gelecek için daha alakalı olduğundan, tahmin yaparken son fiyat verilerini kullanmanın önemini tartışıyor. Numune uzunluğuna karar vermek için ağırlıklandırmada üstel bir azalma ile mevcut tüm verileri kullanmayı önerir. López de Prado, makine öğrenimi fonlarının başarısız olmasının yaygın nedenleri olduğundan, deneme sayısını kontrol etme ve silolarda çalışmaktan kaçınma ihtiyacını da vurguluyor. Ek olarak, finansın, makine öğreniminin önemli ilerlemeler kaydettiği diğer alanlardan farklı olduğunu ve başarılı bir ticaret algoritması geliştirmek için istatistikçileri işe almanın her zaman en iyi yaklaşım olmadığını vurguluyor.
Marcos Lopez de Prado: "The 7 Reasons Most Machine Learning Funds Fail"
Marcos Lopez de Prado: "The 7 Reasons Most Machine Learning Funds Fail"
  • 2019.05.13
  • www.youtube.com
Seminar Date: September 5, 2017For more information, please visit Marcos Lopez de Prado's website: http://www.quantresearch.org/Summary: In this popular thro...
 

Irene Aldridge: "Uzun Vadeli Portföy Optimizasyonunda Gerçek Zamanlı Risk"



Irene Aldridge: "Uzun Vadeli Portföy Optimizasyonunda Gerçek Zamanlı Risk"

Able Alpha Trading Başkanı ve Genel Müdürü Irene Aldridge, yüksek frekanslı ticaretin (HFT) uzun vadeli portföy yöneticileri üzerindeki etkisi ve piyasadaki tüm sektörü etkileyen sistemik değişiklikler hakkında kapsamlı bir tartışma sunuyor. Büyük veri ve makine öğrenimindeki gelişmelerin yönlendirdiği finansta artan otomasyonu ve bunun portföy optimizasyonu üzerindeki etkilerini araştırıyor. Ek olarak Aldridge, gün içi hacim verilerinin sunduğu zorlukları ve fırsatları araştırıyor ve büyük verileri kullanarak gerçek zamanlı risk tanımlamasını entegre eden adım adım bir yaklaşım öneriyor. Mikroyapısal faktörleri içeren ve faktörlerin savunma önlemi olarak kullanılmasını öneren daha incelikli bir portföy optimizasyonu stratejisini savunuyor. Aldridge ayrıca nicel stratejilerin üç yıllık yaşam döngüsüne, veri analizinde sanal gerçeklik ve otomasyonun potansiyeline ve portföy optimizasyonunda bir bilgisayar matrisinin uygulanmasına değiniyor.

Aldridge, sunumu boyunca, yüksek frekanslı ticaretin uzun vadeli portföy yöneticileri üzerinde hiçbir etkisi olmadığı şeklindeki yanlış kanıya meydan okuyor. Piyasadaki sistemik değişikliklerin, zaman ufkundan bağımsız olarak tüm yatırım stratejilerini etkilediğini savunuyor. Elektrik mühendisliği, yazılım geliştirme, risk yönetimi ve finans alanlarındaki uzmanlığından yararlanan Aldridge, gerçek zamanlı risk değerlendirmesi ve portföy optimizasyonu gibi yeni alanları keşfetmenin önemini vurguluyor.

Aldridge, manuel ticaretin yerini hisse senetleri, döviz, sabit gelir ve emtia ticaretinde otomatik sistemlere bıraktığına dikkat çekerek finans sektöründe otomasyona doğru önemli bir kaymanın altını çiziyor. İlgili kalabilmek için sektör katılımcıları büyük veri ve makine öğrenimi tekniklerini benimsedi. Ancak, otomasyonun uzmanlıklarını geçersiz kılacağından korkan bazı tüccarların ilk direnişini kabul ediyor.

Konuşmacı, büyük verinin gelişimini ve portföy optimizasyonundaki rolünü araştırıyor. Büyük miktarlarda yapılandırılmış ve yapılandırılmamış verilerin mevcudiyetinin finansal manzarada devrim yarattığına dikkat çekiyor. Aldridge, tekil değer ayrıştırma (SVD) gibi tekniklerin, değerli içgörüler elde etmek için büyük veri kümelerinin işlenmesini nasıl mümkün kıldığını açıklıyor. SVD, yatırım kararlarını bilgilendirmek için mümkün olduğunca fazla veriyi birleştirmek amacıyla portföy tahsisini otomatikleştirmek için giderek daha fazla kullanılmaktadır.

Aldridge, tekil değer ayrışımı kullanarak veri boyutlarını küçültme sürecini derinlemesine araştırıyor. Araştırmacılar, bu süreçte elde edilen tekil değerleri çizerek, kalan vektörleri gürültü olarak ele alırken önemli bilgiler içeren vektörleri belirleyebilir. Bu teknik, piyasa değeri, beta, fiyat ve gün içi oynaklık dahil olmak üzere çeşitli finansal veri setlerine uygulanabilir. Ortaya çıkan azaltılmış veri seti, araştırma amaçları için güvenilir rehberlik sağlar ve uzun vadeli portföy optimizasyonu için önemli faktörlerin belirlenmesine yardımcı olur.

Konuşmacı, fiyat, piyasa riski (beta), piyasa değeri ve temettü getirisi gibi portföy analistleri tarafından kullanılan ortak faktörleri tartışıyor. Kurumsal faaliyet de önemli bir faktördür ve Aldridge, onay verilerini analiz etmek ve kalıpları tespit etmek için büyük verilerin kullanıldığını vurgulamaktadır. Kurumsal faaliyetin tanınması, piyasa katılımcılarına görünür sinyaller sağlayarak artan hacme ve olumlu uygulamaya yol açar.

Aldridge, agresif ve pasif HFT stratejilerini ve bunların likidite üzerindeki etkilerini birbirinden ayırır. Emir iptalleriyle karakterize edilen agresif HFT stratejileri likiditeyi aşındırabilir ve riske katkıda bulunabilirken, piyasa yapıcılık gibi pasif HFT stratejileri likidite sağlayarak oynaklığı azaltabilir. Kurumsal yatırımcıların hacim ağırlıklı ortalama fiyatı tercih ettiğini ve hacim bilgilerinin her zaman mevcut olmayabileceği döviz gibi belirli piyasalarda zaman ağırlıklı ortalama fiyatların kullanıldığını belirtiyor.

Konuşmacı, çok sayıda borsa, daralan zaman aralıkları ve birden çok borsa arasında en iyi işi ve en iyi teklifi belirleme ihtiyacı göz önüne alındığında, gün içi hacim verilerinin ortaya çıkardığı zorlukları ele alıyor. Bu zorluklara rağmen Aldridge, gün içi hacim verilerini dilimleme ve analiz etmede inovasyon ve daha fazla araştırma için önemli fırsatlar görüyor. Birden fazla değiş tokuştan limit emirlerini toplayan, ancak farklı değişimlerdeki sorunları uzlaştırma ve çözme konusundaki devam eden zorluğu kabul eden SEC tarafından yürütülen Güvenlik Bilgi İşlemcisi'nden (SIP) bahsediyor.

Aldridge, portföy optimizasyonundaki keşfedilmemiş mikro yapısal faktörleri ve riskleri vurguluyor. Uzun vadeli portföy yöneticileri geleneksel olarak risk-getiri özelliklerine odaklanırken ve mikroyapısal faktörleri göz ardı ederken, Aldridge bunları girdi olarak dahil etmeyi ve mevcut veri zenginliğinden yararlanmayı önerir. Önceki getirilere dayalı olarak performansı tahmin etmek için tekil değer ayrıştırmasını kullanmayı ve gerçek zamanlı riskleri belirlemek ve ele almak için büyük verileri kullanmayı içeren adım adım bir yaklaşım öneriyor. Algoritmalar, insan tacirleri tarafından fark edilmeyebilecek ping emirleri gibi değiş tokuşlardaki karmaşık incelikleri belirlemeye ve bunlardan yararlanmaya yardımcı olabilir.

Geleneksel portföy optimizasyonunun sınırlamalarına meydan okuyan Aldridge, mikroyapısal faktörleri ve diğer pazar dinamiklerini entegre eden daha kapsamlı bir yaklaşım sunar. ETF'ler ve ani çökmeler gibi faktörlerin yıkıcı potansiyeline dikkat çekiyor ve korelasyon matrislerinin tek başına risk analizi için yeterli olmayabileceğini vurguluyor. Aldridge, daha geniş pazar hareketlerinin ötesine geçen bağımsız mikro yapısal faktörleri göz önünde bulundurarak, getirileri artırabilecek ve Sharpe oranlarını iyileştirebilecek incelikli bir portföy optimizasyonu stratejisini savunuyor. Yaklaşımıyla ilgili daha fazla ayrıntı kitabında bulunabilir ve izleyicilerden yüksek frekanslı ticaretle ilgili soruları memnuniyetle karşılar.

Aldridge, bir gün içinde yüksek frekanslı ticaretin kalıcılığını ve bunun uzun vadeli portföy tahsisi üzerindeki etkilerini daha da derinlemesine araştırıyor. Bunu, zaman içinde belirli bir aralıkta istikrar sergileyen Google'ın gün içi yüksek frekanslı işlem hacmi örneğiyle açıklıyor. Aldridge, daha yüksek fiyatlı hisse senetlerinde yüksek frekanslı ticaretle ilişkili düşük maliyetlerin ve kuruşluk hisse senetlerinde yüksek frekanslı ticaret hacminin daha düşük yüzdesinin altını çiziyor. Ek olarak, kodlama karmaşıklığının yüksek frekanslı tüccarları yüksek temettü hisse senetleri ile çalışmaktan genellikle caydırdığına dikkat çekiyor. Agresif yüksek frekanslı ticaret stratejileri, piyasa fiyatına yakın verilen piyasa emirlerini veya agresif limit emirlerini içerir.

Konuşmacı nicel bir stratejinin üç yıllık yaşam döngüsünü açıklayarak nicellerin başarılı stratejiler üretirken karşılaştığı zorluklara ışık tutuyor. İlk yıl tipik olarak önceki bir işten başarılı bir strateji getirmeyi ve iyi bir ikramiye kazanmayı içerir. İkinci yıl, yenilik yapma girişimleriyle işaretlenir, ancak çoğu kişi bu dönemde başarılı bir strateji geliştirmek için mücadele eder. Üçüncü yılda, başarılı bir strateji bulanlar iyi bir ikramiye kazanabilirken, diğerleri ayrılmayı ve önceki stratejilerini yeni bir firmaya taşımayı tercih edebilir. Bu, ince ayar yapılabilen veya hafifçe değiştirilebilen ve genellikle aynı anda işlemleri gerçekleştirebilen benzer yüksek frekanslı ticaret stratejilerinin yoğunlaşmasına katkıda bulunur. Aldridge, diğer otomasyon biçimleri gibi yüksek frekanslı ticaretin de faydalı olduğunu ve göz ardı edilmemesi gerektiğini vurguluyor.

Aldridge sunumunu, veri analizinde sanal gerçeklik ve otomasyonun potansiyelini tartışarak bitiriyor. Bir çift çorap satın alma ile bir Dell bilgisayar satın alma örneğini kullanarak beta tabanlı portföylerin ve faktörlerin kullanışlılığına ve betadaki değişikliklerin fiyatları nasıl farklı şekilde etkilediğine değiniyor. İş günlerinde getirileri normalleştirmenin ve rastgeleliği ele almanın önemi de vurgulanmıştır. Aldridge, faktörleri bir savunma biçimi olarak kullanmayı önerir ve faktörleri kullanmanın keyifli bir yaklaşım olabileceğini vurgular.

Bir bölümde Aldridge, bir portföydeki her hisse senedi için önem veya katsayının belirlenmesinde bir bilgisayar matrisinin uygulanmasını açıklıyor. Matris, getirileri ayarlamak ve daha kesin bir sonuç elde etmek için varyans kovaryansı ve küçültme tekniklerini birleştirir. Matris, önceki günlerin getirilerindeki kalıpları belirleyerek gelecekteki sonuçları tahmin edebilir ve portföyü optimize edebilir. Tartışılan oyuncak modeli temel bir örnek teşkil ederken, uzun vadeli portföy optimizasyonu için bir bilgisayar matrisi kullanma potansiyelini örneklemektedir.

Özetle, Irene Aldridge'in sunumu, yüksek frekanslı alım satımın uzun vadeli portföy yöneticileri üzerindeki etkisi ve finans sektörünün gelişen manzarası hakkında değerli bilgiler sağlıyor. Portföy optimizasyonunda otomasyon, büyük veri ve makine öğreniminin rolünü vurguluyor. Aldridge, gün içi hacim verilerinin sunduğu zorlukları ve fırsatları tartışıyor, mikroyapısal faktörlerin dahil edilmesini savunuyor ve gerçek zamanlı risk belirleme için adım adım bir yaklaşım öneriyor. Fikirleri, portföy optimizasyonunun daha incelikli bir şekilde anlaşılmasına katkıda bulunuyor ve veri analizi için sanal gerçeklik ve otomasyonun potansiyelini vurguluyor. Aldridge'in kapsamlı yaklaşımı, portföy yöneticilerini teknolojik gelişmeleri benimsemeye ve bilinçli yatırım kararları vermek için mevcut çok büyük miktardaki verilerden yararlanmaya teşvik eder.

Ayrıca Aldridge, geleneksel portföy optimizasyonunda genellikle gözden kaçan mikroyapısal faktörlerin dikkate alınmasının önemini vurgulamaktadır. Portföy yöneticileri, ETF'ler ve ani çökmeler gibi faktörleri analize dahil ederek, piyasa dinamikleri ve ilgili riskler hakkında daha doğru bir anlayış elde edebilir. Tek başına korelasyon matrislerinin risk analizi için yeterli olduğu fikrine meydan okuyor ve bağımsız mikroyapısal faktörleri hesaba katan daha sofistike bir yaklaşım öneriyor. Bu yaklaşım, portföy getirilerini artırma ve riske göre ayarlanmış performansı iyileştirme potansiyeline sahiptir.

Aldridge, yüksek frekanslı ticaretin karmaşık dünyasına da ışık tutuyor. Agresif ve pasif HFT stratejileri arasındaki farkı tartışarak, bunların piyasa likiditesi ve oynaklığı üzerindeki etkilerini vurguluyor. Emir iptallerini içeren agresif stratejiler likiditeyi aşındırabilir ve riski artırabilirken, limit emirlere ve piyasa oluşturmaya odaklanan pasif stratejiler likidite sağlayabilir ve oynaklığı azaltabilir. Yüksek frekanslı ticaretin dinamiklerini ve bunun portföy tahsisi üzerindeki etkilerini anlamak, uzun vadeli portföy yöneticileri için çok önemlidir.

Ayrıca Aldridge, gün içi hacim verileriyle ilgili zorlukları ve fırsatları tartışıyor. Birden çok değiş tokuş ve daralan zaman aralıkları nedeniyle, bu verileri etkili bir şekilde analiz etmek ve yorumlamak karmaşık olabilir. Ancak Aldridge, bunu yenilik ve daha fazla araştırma için bir fırsat olarak görüyor. En iyi işi ve en iyi teklifi belirlemek için çeşitli borsalardan limit emirleri toplayan, SEC tarafından işletilen Güvenlik Bilgi İşlemcisinden (SIP) bahsediyor. Ancak, farklı borsalar arasındaki sorunları uzlaştırmanın ve çözmenin hala zor olduğunu kabul ediyor.

Aldridge'in sunumu, portföy optimizasyonunda faktörlerin bir savunma biçimi olarak kullanılmasının önemini de vurgulamaktadır. Portföy yöneticileri, geleneksel risk-getiri özelliklerinin ötesinde çeşitli faktörleri göz önünde bulundurarak daha derin içgörüler elde edebilir ve karar verme süreçlerini geliştirebilir. Piyasa değeri, beta, fiyat ve gün içi oynaklık gibi faktörler, uzun vadeli portföyleri optimize etmek için değerli bilgiler sağlayabilir.

Son olarak Aldridge, veri analizinde sanal gerçeklik ve otomasyonun potansiyeline değiniyor. Bu teknolojik gelişmeler, karmaşık finansal verileri analiz etmek ve piyasa dinamiklerini daha iyi anlamak için yeni olanaklar sunuyor. Portföy yöneticileri, otomasyonun gücünden yararlanarak ve sanal gerçeklik araçlarından yararlanarak veri analizi yeteneklerini geliştirebilir ve daha bilinçli yatırım kararları alabilir.

Sonuç olarak, Irene Aldridge'in yüksek frekanslı ticaretin etkisi ve gelişen finansal ortam hakkındaki tartışması, uzun vadeli portföy yöneticileri için değerli bilgiler sağlıyor. Otomasyon, büyük veri ve makine öğrenimi araştırmaları, bu teknolojilerin portföy optimizasyonunda dönüştürücü potansiyelini vurguluyor. Portföy yöneticileri, mikro yapısal faktörleri dahil ederek, faktörleri bir savunma biçimi olarak kullanarak ve teknolojik gelişmeleri benimseyerek, değişen pazar dinamiklerine uyum sağlayabilir ve optimum uzun vadeli portföy performansı elde etmek için yeni fırsatların kilidini açabilir.

  • 00:00:00 Irene Aldridge, yüksek frekanslı ticaretin uzun vadeli portföy yöneticilerini etkilemediği yanılgısını tartışıyor. Birçok yönetici, varlıkları uzun süre elinde tutabileceklerini ve böylece yüksek frekanslı ticaretin etkisinden kaçınabileceklerini iddia ederken, Aldridge bunun aslında uzun vadeli portföy yöneticilerini etkilediğini savunuyor. Piyasadaki sistemik değişikliklerin ve bunların herkesi nasıl etkilediğinin, yatırım stratejileri ister uzun vadeli ister kısa vadeli olsun, portföy yöneticileri için sonuçlara yol açabileceğini açıklıyor. Aldridge, elektrik mühendisliği, yazılım geliştirme, risk yönetimi ve finans alanlarında bir geçmişe sahiptir ve işi, gerçek zamanlı risk ve portföy optimizasyonu gibi yeni alanları keşfetmeyi içerir.

  • 00:05:00 Bu bölümde, konuşmacı finans endüstrisindeki otomasyona geçişi ve on yıl önce bile çoğu ticaretin manuel olarak nasıl yapıldığını tartışıyor. Ancak, artık otomasyon sadece hisse senedi ticaretinde değil, aynı zamanda döviz, sabit getirili ve emtia ticaretinde de yaygın hale geldi. Otomasyonun amacı, insan ticaretinin yerini almaktır ve sektörde alakalı kalanlar, güncel kalmak için büyük verileri ve makine öğrenimini benimsemiştir. Bununla birlikte, bazı tüccarlar, anında otomasyona ve kendi eskimelerine yol açacağından korktukları için bilgilerini bilgisayarlarla paylaşmaya karşı çıktılar.

  • 00:10:00 Irene Aldridge, büyük verinin evrimi ve portföy optimizasyonunda nasıl kullanıldığı hakkında konuşuyor. Sadece birkaç yıl önce, çoğu finans kurumunun büyük miktarda veriye erişiminin olmadığını, ancak bunun değiştiğini ve artık yararlı içgörüler elde etmek için farklı şekillerde işlenebilen yapılandırılmış ve yapılandırılmamış veri veritabanlarının bulunduğunu belirtiyor. Böyle bir yöntem, çok büyük miktarda veriyi daha yönetilebilir biçimlere indirgeyen tekil değer ayrıştırmasıdır (SVD). Aldridge, SVD'nin otomasyonun eşiğindeki bir endüstri olan portföy tahsisini otomatikleştirmek için nasıl kullanıldığını açıklıyor. Bazı firmalar aylık verileri analiz etmek ve bu verilere dayalı olarak yatırım kararları vermek için hala araştırmacıları kullansa da, eğilim, yatırım kararlarını bilgilendirmek için mümkün olduğunca fazla veriyi dahil etmektir.

  • 00:15:00 Irene Aldridge, tekil değer ayrıştırma yoluyla veri boyutlarını küçültme sürecini tartışıyor. Araştırmacılar, bu süreçte çıkarılan tekil değerleri çizerek, hangi vektörlerin önemli bilgiler içerdiğini belirleyebilir ve geri kalanını gürültü olarak kabul ederken bu vektörleri korumaya odaklanabilir. Bu teknik, piyasa değeri, beta, fiyat ve gün içi oynaklık gibi finansal veriler dahil olmak üzere çeşitli veri kümelerine uygulanabilir. Ortaya çıkan azaltılmış veri seti, araştırma amaçları için güvenilir rehberlik sağlar ve uzun vadeli portföy optimizasyonu için önemli faktörlerin belirlenmesine yardımcı olur.

  • 00:20:00 Bu bölümde Irene Aldridge, fiyat ve piyasa riski veya beta gibi portföy analistleri tarafından yaygın olarak kullanılan faktörleri tartışıyor. Piyasa kapitalizasyonu ve temettü getirisi de MSCI, Barra ve diğerleri gibi şirketler tarafından kullanılan çerçeveye dahil olan portföy optimizasyonunda kullanılan faktörlerdir. Aldridge, onay verilerinde büyük verileri kullanarak ve verilerde belirli kalıpları arayarak kurumsal etkinliği nasıl tahmin ettiklerini açıklıyor. Kurumsal faaliyet önemlidir, çünkü piyasa katılımcıları için görünür bir sinyaldir, bu da diğer piyasa katılımcılarının harekete geçmesine neden olarak emrin hacminin artmasına ve emrin olumlu bir şekilde yerine getirilmesine yol açabilir.

  • 00:25:00 Irene Aldridge, her ikisi de likiditeyi etkileyen agresif ve pasif HFT stratejileri arasındaki farkı tartışıyor. Agresif HFT stratejileri alfa güdümlü olabilir ve likiditeyi aşındıran ve riske katkıda bulunan çok sayıda sipariş iptali içerebilirken, piyasa oluşturma gibi tamamen limit emirleri içeren pasif HFT stratejileri daha fazla likidite sağlayarak oynaklığı azaltabilir. Kurumsal yatırımcılar hacim ağırlıklı bir ortalama fiyatı tercih ederken, döviz gibi hacmin her zaman mevcut olmadığı bazı pazarlarda zaman ağırlıklı ortalama fiyatlar hala kullanılmaktadır. Genel olarak, HFT hem faydaları hem de riskleri olan karmaşık bir konudur.

  • 00:30:00 Bu bölümde, Irene Aldridge veri sütunlarının yapısını ve çok sayıda değiş tokuş, küçülen değişim zaman aralıkları ve en iyi iş bulma konusu göz önüne alındığında gün içi hacim verileriyle gelen zorlukları tartışıyor ve birden çok borsa arasında en iyi teklif. Zorluklara rağmen, gün içi hacim verilerinin birçok farklı şekilde parçalara ayrılabileceğine ve yenilik ve daha fazla araştırma için bir fırsat sunduğuna inanıyor. Ayrıca, SEC tarafından yürütülen ve birden fazla değiş tokuştan gelen limit emirlerini toplayan ve en iyi işi ve en iyi teklifi belirleyen Güvenlik Bilgi İşlemcisinden (SIP) bahsediyor, ancak farklı değişimler arasındaki sorunları uzlaştırmanın ve çözmenin hala bir zorluk olduğunu belirtiyor.

  • 00:35:00 Konuşmacı, uzun vadeli portföy yöneticilerinin öncelikle risk-getiri özellikleriyle ilgilenip uygulamayla ilgilenmemesine karşın, girdi olarak kullanılabilecek, tamamen keşfedilmemiş birçok mikro yapı ve risk faktörü olduğunu açıklıyor: yanı sıra yeni bilgiler ve içgörüler sağlayabilecek birçok veri. Önceki getirilere dayalı performansı tahmin etmek için tekil değer ayrıştırmasını kullanmayı ve gerçek zamanlı riskleri belirlemek ve ele almak için büyük verilerden yararlanmayı içeren adım adım bir yaklaşım öneriyorlar. Konuşmacı ayrıca, borsalarda insan tüccarlar için her zaman açık olmayan, ancak algoritmalar kullanılarak tanımlanıp bunlardan yararlanılabilen çok sayıda ping emri ve diğer karmaşıklıklar olduğunu belirtiyor.

  • 00:40:00 Bu bölümde, Irene Aldridge uzun vadeli yatırım için geleneksel portföy optimizasyonunun sınırlamalarını tartışıyor ve mikro yapı ile diğer piyasa faktörlerini optimizasyon sürecine entegre eden yeni bir yaklaşım sunuyor. ETF'ler ve ani çökmeler gibi faktörlerin piyasayı nasıl bozabileceğini ve korelasyon matrislerinin riski analiz etmek için nasıl yeterli olmayabileceğini açıklıyor. Aldridge, daha büyük piyasa hareketlerinden bağımsız olan mikro yapısal faktörleri dikkate alarak, getirileri ve Sharpe oranlarını iyileştirebilecek portföy optimizasyonuna daha incelikli bir yaklaşım önerir. Yaklaşımının kitabında daha ayrıntılı olarak ele alındığını belirtiyor ve izleyicilerden yüksek frekanslı ticaret hakkında sorular alıyor.

  • 00:45:00 Irene Aldridge, yüksek frekanslı ticaretin bir gün içinde devam etmesini ve bunun uzun vadeli portföy tahsisini nasıl etkilediğini açıklıyor. Gün içi yüksek frekanslı ticaret hacminin zaman içinde 0 ile 100 arasında değişebileceğini, örneğin Google için %36-42 aralığında oldukça istikrarlı olduğunu belirtiyor. Diğer hisselerde de bu istikrar devam ediyor. Yüksek frekanslı ticaret, daha yüksek fiyatlı hisse senetleri ticareti yaparken daha düşük bir maliyete sahiptir ve kuruşluk hisse senetleri için daha düşük yüksek frekanslı ticaret hacmi yüzdesi vardır. Ek olarak, yüksek frekanslı tüccarlar, kodlama karmaşıklığı nedeniyle yüksek temettü hisse senetlerinden kaçınma eğilimindedir. Agresif yüksek frekanslı ticaret, piyasa emirlerini veya piyasa fiyatına yakın agresif limit emirlerini kullanan ticarettir.

  • 00:50:00 Irene Aldridge nicel bir stratejinin üç yıllık yaşam döngüsünü açıklıyor; burada ilk yıl nicelik önceki işlerinden başarılı bir strateji getiriyor ve iyi bir ikramiye kazanıyor, ikinci yılda yenilik yapmaya çalışıyorlar ama birçok kişi başarılı bir strateji üretmek için mücadele ediyor ve üçüncü yılda iyi bir şey bulurlarsa iyi bir ikramiye kazanabilirler, aksi takdirde ayrılırlar ve önceki stratejilerini yeni bir mağazaya götürürler. Bu, ince ayar yapılabilen veya hafifçe değiştirilebilen ve genellikle neredeyse aynı anda yürütülebilen benzer yüksek frekanslı ticaret stratejilerinin yoğunlaşmasına katkıda bulunur. Aldridge, tıpkı zeminleri temizleyen robotlar veya ısıtma ve soğutmayı kontrol eden bir ev otomasyon sistemi gibi, otomasyon olduğu için yüksek frekanslı ticaretin iyi olduğuna ve mazur görülemeyeceğine inanıyor.

  • 00:55:00 Able Alpha Trading Başkanı ve Genel Müdürü Irene Aldridge, veri analizi için sanal gerçeklik ve otomasyonun potansiyelini tartışıyor. Ayrıca, bir çift çorap satın alma ile bir Dell bilgisayar satın alma örneğini ve betadaki değişikliklerin fiyatları nasıl farklı şekilde etkilediğini belirterek, beta tabanlı portföylerin ve faktörlerin kullanışlılığına da değiniyor. Getirileri normalleştirmenin önemini vurguluyor ve iş günlerinde rastgelelik konusunu ele alıyor. Son olarak Aldridge, faktörlerin bir savunma biçimi olarak kullanılmasını ele alıyor ve faktörleri kullanmanın eğlenceli olabileceğini öne sürüyor.

  • 01:00:00 Bu bölümde Aldridge, bir portföydeki her hisse senedinin önemini veya katsayısını belirlemek için bir bilgisayar matrisinin kullanımını tartışıyor. Matrisin satırları her bir hisse senedini temsil eder, ilk sıra elmaları ve diğer sıralar farklı hisse senetleri için piyasa verilerini temsil eder. Varyans kovaryansı ve küçülmeyi dahil ederek, matris getiriyi dahil edebilir ve daha spesifik bir sonuca ulaşmak için ince ayarlar yapabilir. Bu, önceki günlerin dönüşünde X-mas'ı bularak ve oradan tahmin ederek yapılır. Açıklanan oyuncak modeli sadece temel bir örnek olmakla birlikte, bir portföyü optimize etmek için bir bilgisayar matrisinin nasıl kullanılabileceğini göstermektedir.
 

Kantitatif Ticaretin Temelleri



Kantitatif Ticaretin Temelleri

Kantitatif ticaretin temellerini anlatan bu videoda, algoritmik tüccar Shaun Overton, algoritmik ticaretin içerdiği zorlukları ve fırsatları tartışıyor. Overton, veri toplama, analiz ve ticaretin algoritmik ticarette yer alan üç basit sorun olduğunu, ancak yüksek kaliteli veri ve uygun analiz bulunması nedeniyle sürecin karmaşık hale gelebileceğini açıklıyor. Tercih edilen ticaret türüne bağlı olarak en popüler platformlar MetaTrader, NinjaTrader ve TradeStation olduğundan, tüccarın hedeflerini karşılamak için iyi veri ve özelliklere sahip doğru platformu seçmek zor olabilir. Overton ayrıca, canlı piyasada işlem yaparken hesapları havaya uçurmanın ne kadar kolay olduğu ve riski yönetmenin ne kadar önemli olduğu konusundaki acı gerçeği tartışıyor. Ek olarak, niceliksel tüccarların piyasadaki aşırı genişlemiş hareketleri nasıl tahmin edebileceğini açıklıyor ve kur savaşlarının etkisini tartışıyor.

YouTube'daki "Kantitatif Ticaretin Temelleri" videosu, duygu analizi ve grafik çizgilerine dayalı uzun vadeli stratejiler dahil olmak üzere algoritmik ticaret için çeşitli stratejileri kapsar; ancak, en büyük getiriler büyük kuyruklu olaylar ve trendler sırasında elde edilir. Videonun katılımcıları, geriye dönük testler için farklı platformları, ticaret analizi için birden çok platformu entegre etmenin zorluklarını ve ticaret stratejilerini resmileştirme ve otomatikleştirmeye artan ilgiyi tartışıyor. Bazı uzun vadeli tüccarlar, uzun süredir oyunda oldukları için otomasyon ararlar ve programlama dilleri için NinjaTrader önerilir, ancak sınırlamaları vardır.

  • 00:00:00 Algoritmik tüccar Shaun Overton, algoritmik ticarette yer alan üç basit sorunu açıklıyor: veri toplama, analiz ve ticaret. Ancak, özellikle ticaret, verilerin dikkatli bir şekilde incelenmesini gerektirdiğinden, yüksek kaliteli veri bulma ve uygun analiz gibi engeller nedeniyle süreç karmaşık hale gelebilir. Verilerde yinelemeler veya boşluklar bulunabileceğinden, ücretsiz seçenekleri kullanarak işlem yapmanız önerilmez. Ek olarak, enstrüman başına binlerce dolara mal olabileceğinden, ücretli seçeneklerin kullanılması perakende tüccarların liginin dışındadır. Bununla birlikte, yazılım ve komisyoncu API'leri sunan platformlar kullanılarak ticaret basitleştirilebilir.

  • 00:05:00 Konuşmacı, verileri analiz etmek ve alım satım yapmak için mevcut farklı yazılım seçeneklerini tartışıyor. Forex ticareti için en popüler platformlar, tercih edilen ticaret türüne bağlı olarak MetaTrader, NinjaTrader ve TradeStation'dır. MetaTrader ezici bir çoğunlukla en popüler olanıdır ve dünya çapında bunu sunan binden fazla broker vardır. Konuşmacı, bu seçenekler gibi önceden oluşturulmuş bir platformun kullanılmasının alım satımı ve verileri analiz etmeyi daha basit hale getirdiğini ve alım satım zamanı geldiğinde analizi birden çok kez yeniden kodlama ihtiyacını ortadan kaldırdığını açıklıyor. Konuşmacı ayrıca her platform tarafından kullanılan farklı programlama dillerini de ele alır.

  • 00:10:00 Konuşmacı, kantitatif ticaret için farklı platformları tartışıyor ve Multicharts'ın TradeStation'ın platformunu ve dilini kopyalayarak nasıl popüler hale geldiğini açıklıyor. Ancak diller arasında farklılıklar vardır ve her zaman tam uyumlu değildir. Konuşmacı ayrıca niceliksel ticarette verilerin öneminden ve her platformla birlikte gelen zorluklardan bahsediyor. MetaTrader'ın kullanımının basit olduğunu ancak daha karmaşık analizler için yeterince karmaşık olmadığını ve sağlanan verilerin genellikle kalitesiz olduğunu belirtiyor. Genel olarak, konuşmacı, tüccarın hedeflerini karşılayan iyi verilere ve özelliklere sahip bir platformu dikkatli bir şekilde seçmenin önemini vurgulamaktadır.

  • 00:15:00 Shaun Overton niceliksel alım satım stratejileri için veri toplamanın ve saklamanın zorluklarını tartışıyor. Yıllarca süren test verilerini depolamaya çalışmanın zorluklarını ve aracıların sunucu sınırlamaları nedeniyle veri elde etmeye getirdiği sınırlamaları açıklıyor. MetaTrader'ın ücretsiz veriler sunmasına rağmen yüksek kaliteli veriler olmadığını, NinjaTrader'ın iyi veriler sağladığını ancak kurulması gereken dik bir öğrenme eğrisi olduğunu belirtiyor. Ayrıca, belirli bir komisyoncuya özgü programlama stratejilerinin tehlikeleri konusunda da uyarıda bulunur, çünkü bu, taciri belirli bir komisyoncuyla evlendirir ve tatmin olmamaları durumunda geçiş yapmayı zorlaştırır. Kötü hizmet ve kötü uygulama da dahil olmak üzere tacirlerin bir komisyoncudan rahatsız olma nedenlerini listeler.

  • 00:20:00 Shaun Overton, komisyoncuların tüccarlardan ve alım satımlarından para kazanmak için oynadıkları bazı sorunları ve oyunları açıklıyor. Komisyoncular, tüccarları bir fiyat göstererek ve ardından tüccarların daha kötü bir fiyatı kabul etmesini sağlayarak alım satımları için daha fazla ödeme yapmaya zorlamak için piyasa fiyatlarını ve alım satımları manipüle edebilir. Ek olarak, bir tacir, zayıf gecikme süresi veya yazılım hatası nedeniyle kötü işlem görebilir. Şu anda, algoritmik ticaretle ilgili en büyük sorun, kurumsallaşmış yolsuzluk ve kurumların teknolojik kazalar nedeniyle tüccarlardan nasıl para çalabileceği, ayrıca Karanlık Havuzlar ve alım satımları manipüle etmek için kendi kurallarına sahip diğer ticaret mekanlarıdır.

  • 00:25:00 Konuşmacı, kantitatif ticaret için komisyoncuya özgü platformların sınırlamalarını tartışıyor. Son derece basit stratejiler için verimli olsalar da, sınırlamaları vardır ve daha karmaşık hiçbir şeyi destekleyemezler. Konuşmacı, iyi araştırma kalitesine sahip ve özel programlama ve GUI ayarlamalarına izin veren NinjaTrader ve MultiCharts gibi kararlı platformları önerir. Ancak konuşmacı, bu platformların portföyleri yönetmek veya fonları yönetmek için uygun olmadığı konusunda uyarıyor çünkü birden fazla tabloyla konuşma yeteneğinden yoksunlar ve çok fazla el emeği gerektiriyorlar.

  • 00:30:00 Shaun Overton, hesapların %90-95'inin 6 ay veya tam bir yıl içinde kapatıldığı canlı piyasada işlem yaparken hesapları havaya uçurmanın ne kadar kolay olduğu gerçeğini tartışıyor. Komisyoncuların komisyon veya risk yoluyla para kazanmasının 2 yolu vardır ve genellikle daha popüler ve kazançlı olan yol, ticari zararları üstlenmektir. Düzenli tüccarlar volatilite düşük olduğunda para kazanır, ancak yüksek olduğunda yok olurlar. Risk yönetiminden bahsediliyor ama çoğu insan için bu sadece boş laf ve risklerini yönetmeyerek para kaybetmeye devam ediyorlar.

  • 00:35:00 Shaun, volatilitenin niceliksel ticaret stratejilerini nasıl etkilediğini ve perakende tüccarların piyasa tahminlerinde nasıl yanılma eğiliminde olduklarını tartışıyor. Müşteri hesaplarına erişimi olan brokerler tarafından uzun ve kısa pozisyonların oranının nasıl izlenebileceğini ve bu bilginin aşırı genişlemiş hareketleri tahmin etmek için nasıl kullanılabileceğini açıklıyor. Overton, MyFxBook ve OANDA gibi web sitelerinin pazar konumlandırmasına ilişkin verileri yayınlamasıyla bu bilgilerin daha geniş çapta erişilebilir hale geldiğini belirtiyor. Ancak, bu bilgilerin komisyoncular için bir altın madeni olabilmesine rağmen, düzenli nakit akışı sağlamayabileceği ve büyük kayıp dönemleriyle sonuçlanabileceği konusunda uyarıyor.

  • 00:40:00 Shaun Overton, niceliksel yatırımcıların, belirli bir yöne giden işlemlerin yüzdesine dayalı olarak uzun ve kısa stratejiler tasarlamak için büyük bankaların müşteri fonlarını inceleme potansiyelini tartışıyor. Ayrıca, borsaya katılan bireysel yatırımcıların, özellikle son çöküşten bu yana milyarlarca doların geri çekilmesine yol açan son olumsuz haberler ışığında şüpheciliği hakkında da yorum yapıyor. Overton ayrıca CNBC'de büyük fon yöneticileri ve bunların büyük şirketlerin hisseleri üzerindeki etkileriyle ilgili yakın tarihli bir haberden bahsediyor ve bu da kurumsal paranın piyasayı hareket ettirmedeki gücünü gösteriyor.

  • 00:45:00 Özellikle forex'te kurumsal ticaretin, tüccarların ortalama hesap büyüklüğünden dolayı piyasada perakende ticaret kadar etkili olamayabileceği tartışılıyor. Bununla birlikte, daha büyük değerlendirmeler ve daha büyük miktarlarda para ticareti, daha fazla insanın fiyatları karıştırmasına neden olur ve sarhoş ticaret gibi küçük olayların bile piyasa üzerinde etkisi olabilir. Para birimlerinin ana itici gücü faiz oranlarıdır ve bu, herkesin sıfır faiz oranı istediği ve hangi ülkenin para biriminin en zayıf olduğunu belirlemeyi zorlaştıran bir kur savaşıdır. Son olarak, Japonya'nın döviz çifti Dolar Yen, tarihi açısından incelenmekte ve fiyatlarının düşmesinin doların zayıflaması ve yenin güçlenmesi ile nasıl ilişkili olabileceği irdelenmektedir.

  • 00:50:00 Shaun Overton kur savaşlarının ihracatçılar üzerindeki etkisini tartışıyor. Toyota gibi ihracatçıların faaliyet gösterdikleri para biriminin değeri arttığında nasıl büyük ölçüde etkilendiğini açıklıyor. Overton, şu anda başlıca para birimleri arasında, ülkelerin sıfır olmak için yarıştığı, ülkelerin kendilerini devalüe etmeye çalıştığı bir kur savaşı olduğunu belirtiyor. Bu nedenle, tacirlerin, bu ortamda en iyi olacakları için, bir para birimini yok etmede en kötü işi kimin yapacağı konusunda spekülasyon yapmaları gerekir. Overton, Doların şu anda bir felaket olduğunu, ancak şimdiye kadarki en iyi felaket olduğunu düşünüyor. 11 Eylül ve Fukuşima felaketi gibi ülkeye özgü sosyal riskler ve olaylar da döviz fiyatlarını etkileyebilir.

  • 00:55:00 Konuşmacılar ince piyasalarda ve egzotik para birimlerinde alım satımı tartıştı. Algoritmik ticaret için likiditeye ve ince bir spread'e ihtiyacınız olduğundan bahsedildi, bu da Güney Afrika Randı veya Türk Lirası gibi daha az popüler para birimlerinde işlem yapmayı zorlaştırıyor. Ayrıca, bu para birimlerinin spread'i, Euro'nun Dolar'a karşı alım satım maliyetinden 8 veya 9 kat daha fazla olabilir ve bu da kar etmeyi zorlaştırır. Hesaplarında 50.000'den az olanlara yönelik stratejilerle ilgili olarak, konuşmacılar, piyasa pozisyonları hakkında fikir edinmek için vadeli işlem piyasalarında Yatırımcıların Taahhütleri raporu gibi şeylere odaklanmanın öneminden bahsediyor.

  • 01:00:00 Bir grup, duygu analizi ve grafik çizgilerine dayalı basit bir uzun vadeli strateji dahil olmak üzere algoritmik ticaret için çeşitli stratejileri tartışıyor. Ticaretle ilgili zorluk, çoğu zaman sadece gürültü olduğu için getirilerin dağılımını anlamaktır. Ancak, en büyük getiriler büyük kuyruklu olaylar ve trendler sırasında elde edilir. Bu nedenle, en iyi stratejiler sürekli olarak para kazandırmaz, ancak fırsatlar ortaya çıktıkça onları yakalar. Sinyal ve eylem arzusuna rağmen, piyasanın ne yapacağını yapmasına izin vermek en iyisidir. Piyasa verilerini analiz eden bir program olan Quantopian'dan da bahsediliyor.

  • 01:05:00 Bu bölümde, "Kantitatif Ticaretin Temelleri" YouTube videosunun katılımcıları, geriye dönük test ve optimizasyon için kullandıkları farklı platformların yanı sıra ticaret analizi ve strateji geliştirme için birden fazla platformu entegre etmenin zorluklarını tartışıyor. Bazı katılımcılar Quantopian'ın bireysel analiz için bir platform sağladığını ve platform entegrasyon zorluklarını potansiyel olarak çözmek için komisyoncularla sözleşmeler müzakere ettiğini belirtirken, diğerleri NinjaTrader gibi platformların sınırlamalarını ve bunları diğer platformlarla entegre etmenin zorluklarını tartışırken, bazıları da şu gerçeği vurguluyor: manuel ticaret için veya basit geriye dönük test araçları olarak daha uygundur. Ek olarak Shaun Overton, işinin tacirlerin kendi stratejilerini resmileştirme ve otomatikleştirme üzerine kurulu olduğunu belirtiyor ve katılımcılar hem bireysel tacirlerin hem de piyasaların ticaret stratejilerini resmileştirmeye ve otomatikleştirmeye artan ilgi gösterdiğini belirtiyor.

  • 01:10:00 Kantitatif bir ticaret seminerine katılan tüccarlar, belirli ticaret stratejilerini otomatikleştirmenin faydalarını soruyor. Konuşmacı Shaun Overton, 10, 20 ve hatta 30 yıldır oyunda olan bazı tüccarların stratejilerini artık bütün gün izlemek zorunda kalmamak için otomatikleştirmek istediklerini belirtiyor. Ticarete özgü programlama dillerini tartışırken Overton, C Sharp üzerinde çalıştığı için NinjaTrader'ı onaylar, ancak içinde yapılabileceklerin sınırlamaları olduğunu not eder.
Basics of Quantitative Trading
Basics of Quantitative Trading
  • 2013.02.26
  • www.youtube.com
http://www.onestepremoved.com/ Shaun Overton speaks to the meetup group Dallas Algorithmic Traders about quantitative trading. Most members of the audience h...
 

Quant tüccarı nedir?



Quant tüccarı nedir?

"Kuantaj tüccarı nedir?" Michael Halls-Moore'un nicel ticaret dünyasını incelediği, ticaret stratejileri geliştirmek ve piyasa verimsizliklerini analiz etmek için matematik ve istatistiğin nasıl kullanıldığını açıkladığı bir video. Niceliksel fonlar öncelikle kısa vadeli stratejilere odaklanırken, konuşmacı düşük frekanslı ve otomatikleştirilmiş yaklaşımların da kullanıldığının altını çiziyor. Kurumsal tüccarlar risk yönetimine öncelik verirken, perakende tüccarlar kârla hareket eder. Etkili piyasa rejimi tespiti çok önemlidir, ancak piyasadaki rastgele olaylar nedeniyle zordur. Kuantum tüccarlarının yalnızca tek bir modele güvenmemeleri, bilinen ve bilinmeyen piyasa dinamiklerini hesaba katmak için sürekli olarak yenilerini araştırmaları ve test etmeleri önerilir. İlgili risklere rağmen, başarılı miktar tüccarları yıllık %35'lik etkileyici bir ücret getirisi elde edebilir.

Videoda, Michael Halls-Moore, "kuantum tüccarı" kavramına anlayışlı bir bakış açısı sunuyor. Quant tüccarlarının finans alanında hesaplamalı ve istatistiksel yöntemler kullanarak matematiksel ve istatistiksel teknikler kullandığını açıklıyor. Çalışmaları, ticaret yapılarını programlamaktan derinlemesine araştırma yapmaya ve sağlam ticaret stratejileri geliştirmeye kadar geniş bir faaliyet yelpazesini kapsar. Alım ve satım kuralları bir rol oynasa da tek odak noktası değildir, çünkü miktar tüccarları, sinyal oluşturucuların yalnızca bir bileşen olduğu daha büyük bir sistem içinde çalışır.

Nicel fonlar tipik olarak yüksek frekanslı ticaretle uğraşır ve piyasa varlıklarındaki teknolojiyi ve mikro yapıları optimize etmeye çalışır. Miktar ticaretinde yer alan zaman dilimleri, mikrosaniyelerden haftalara kadar büyük ölçüde değişebilir. Perakende tüccarlar, daha yüksek frekanslı stil stratejilerini benimseme konusunda önemli bir fırsata sahiptir.

Popüler inanışın aksine, miktar ticareti yalnızca yüksek frekanslı ticaret ve arbitraj odaklı değildir. Aynı zamanda düşük sıklıkta ve otomatikleştirilmiş stratejiler içerir. Bununla birlikte, sistemdeki fiziksel verimsizliklerden yararlanma konusundaki bilimsel yaklaşımları nedeniyle, niceliksel fonlar ağırlıklı olarak kısa vadeli stratejilere odaklanır. Konuşmacı, nicelik ticareti alanında gelişmek için bilimsel ve ticari geçmişlerin bir karışımına sahip olmanın önemini vurguluyor.

Bireysel ve kurumsal tüccarlar arasındaki dikkate değer bir ayrım, risk yönetimi yaklaşımlarında yatmaktadır. Bireysel tüccarlar esas olarak kâr güdüleriyle hareket ederken, kurumsal tüccarlar, potansiyel getirilerden fedakarlık etmek anlamına gelse bile risk yönetimine öncelik verir. Kurumsal tüccarlar, önce risk zihniyetini benimsiyor ve riskleri etkili bir şekilde azaltmak için durum tespiti, stres testi ve olumsuz sigorta poliçeleri uygulamaya vurgu yapıyor.

Risk yönetimi, Kelly kriteri gibi matematiksel çerçeveler kullanarak kaldıracın hesap öz sermayesine dayalı olarak ayarlanması gibi çeşitli teknikleri içerir. Daha muhafazakar tüccarlar, kontrollü bir büyüme oranı elde etmek için düşüşleri azaltmayı tercih ediyor. VIX gibi önde gelen risk göstergeleri, gelecekteki volatiliteyi ölçmek için kullanılır. Bu işlemlerde, risk yönetim sistemi giriş sisteminden daha fazla önem taşır. Durdurma kayıpları trend takibinde kullanılırken, ortalamaya döndürme stratejileri, düşüş planlaması için farklı senaryoların ve geçmiş verilerin yeniden değerlendirilmesini ve keşfedilmesini gerektirir. Alım satım algoritmalarını uygulamadan önce, risk faktörlerini etkili bir şekilde yönetmek için geriye dönük test aşamaları gerçekleştirilir.

Video, ticaret stratejilerini filtrelemenin ve bunları doğrudan üretime sokmak yerine filtrelemek için bir araç olarak geriye dönük testi kullanmanın önemine değiniyor. İleriye doğru yürüyüş sırasında daha kötü düşüşler beklemenin ve bir stratejinin uygulamaya uygunluğunu belirlemek için filtreleme mekanizmalarını kullanmanın önemini vurgulamaktadır. Konuşma daha sonra Nassim Nicholas Taleb'in büyük kuyruklara olan inancını derinlemesine inceliyor ve makine öğrenimi teknolojisinin aralık ticareti ve trend ticareti stratejilerini uygulamak için nasıl kullanılabileceğini ve piyasa rejimi tespitini mümkün kıldığını araştırıyor.

Etkili piyasa rejimi tespiti, kantitatif finansın kritik bir yönüdür. Ancak, faiz oranı düşüşleri ve piyasa eğilimleri gibi rastgele olaylara dayanması nedeniyle zorluklar doğurur. Daha sofistike firmalar, temel verileri takip eder ve pazar rejimi tespitini geliştirmek için modellerine dahil eder. Alım satım yaparken, hisse senedi veya ETF seçimi ilgili piyasaya bağlıdır ve doğru varlıkları seçmek karmaşık bir görev olabilir. Konuşmacı, matematiksel modellerin ve piyasa temellerinin bir kombinasyonunun, Siyah Kuğu olaylarına karşı etkili savunma için çok önemli olduğunu vurguluyor, çünkü önceki yüksek oynaklık dönemleri, gelecekteki oynaklığı ve piyasa değişikliklerini tahmin etme konusunda fikir verebilir.

Video, miktar ticaretiyle ilişkili potansiyel getirileri ve riskleri daha ayrıntılı olarak araştırıyor. Quant tüccarları, özellikle doktora gibi sağlam bir eğitim geçmişi ve verimli bir yönetim süreci ile birleştiğinde, yıllık %35'lik etkileyici bir ücret getirisi elde etme potansiyeline sahiptir. Ancak, yüksek frekanslı miktarlar, altta yatan donanımda veya değiş tokuşta potansiyel olarak sistem çökmelerine yol açan değişiklikler meydana geldiğinde zorluklarla karşılaşabilir.

Risklere rağmen, uzun vadede karlı fırsatları değerlendirerek %15 ila %20 arasında istikrarlı bir getiri elde etmek olumlu olarak değerlendirilmektedir. Quant tüccarları, problemlerle karşılaştıklarında tek bir sihir algoritmasına veya paniğe güvenmezler. Bunun yerine, analiz edilmesi karmaşık olabilecek ancak potansiyel zorlukların üstesinden gelmek için önceden hazırlıklı olabilecek istatistiksel özellikleri araştırırlar.

Video, kantitatif ticarette tek bir modele aşırı güvenmekten kaçınmanın önemini vurgulamaktadır. Tarihsel Wall Street çöküşlerinin ve model eksikliklerinden kaynaklanan yatırım başarısızlıklarının kanıtladığı gibi, modeller gelecekteki tüm olayları doğru bir şekilde tahmin edemez. Kantitatif tüccarlar için sürekli olarak yeni modeller araştırmak ve test etmek, performanslarını değerlendirmek çok önemlidir. Düşüş dönemleri, ticaret yolculuğunun doğal bir parçasıdır ve tüccarlar bu dönemlerde gezinmeye hazırlıklı olmalıdır.

Sonuç olarak, bazı tüccarlar modellerini mikro yönetmeye aşırı odaklanmış olsalar da, bir modelin bilinmeyen bilinmeyenler de dahil olmak üzere tüm piyasa dinamiklerini açıklayıp açıklamadığını anlamak çok önemlidir. Quant tüccarları, piyasa davranışını kapsamlı bir şekilde anlamak için matematiksel modelleri piyasa temelleriyle birleştirerek çok boyutlu bir yaklaşım benimsemelidir. Sürekli olarak stratejilerini geliştirerek ve çeşitlendirerek, miktar tüccarları sürekli gelişen bir finansal ortamda başarı şanslarını artırabilirler.

  • 00:00:00 Bu bölümde, Michael Halls-Moore, finansta matematik veya istatistiği hesaplamalı ve istatistiksel bir şekilde kullanan kişi olan "kuantum tüccarı"nın anlamını açıklıyor. Bu, ticaret yapılarının programlanmasından zorlu ticaretin araştırılmasına ve bir strateji geliştirmeye kadar değişebilir. Alış ve satış kurallarının önemi diğer yönler kadar önemli değildir ve sinyal oluşturucular daha büyük bir sistemin sadece bir parçasıdır. Nicel fonlar genellikle daha yüksek frekanslı ticaretle ilgilenir ve piyasa varlıklarındaki teknoloji ve mikro yapıları optimize etmeye odaklanır. Kantitatif alım satım yapanlar için tipik zaman çerçevesi mikrosaniyeler ile haftalar arasında değişir ve perakende alım satım yapanların en büyük fırsatı, daha yüksek frekanslı stil stratejilerinde yatmaktadır.

  • 00:05:00 Bu bölümde, aynı zamanda düşük frekanslı ve otomatikleştirilmiş stratejiler de içerdiğinden, quant ticaretinin yalnızca yüksek frekanslı ticaret ve arbitrajla ilgili olmadığını öğreniyoruz. Bununla birlikte, nicel fonlar, sistemdeki fiziksel verimsizliklerden yararlanma konusundaki bilimsel yaklaşımları nedeniyle genellikle kısa vadeli stratejilere odaklanır. Konuşmacı, hem bilim hem de ticaret geçmişinin bir karışımına sahip olmanın, nicelik ticaretinde başarılı olmak için çok önemli olduğuna inanıyor. Risk yönetimi söz konusu olduğunda, perakende ticaret ile kurumsal ticaret arasında kültürel bir farka dikkat çekiyor; burada ikincisi risk öncelikli bir zihniyete sahip ve durum tespiti, stres testi ve olumsuz sigorta poliçelerini vurguluyor.

  • 00:10:00 Bu bölümde video, bireysel ve kurumsal yatırımcılar tarafından risk yönetimi ile ilgili olarak kullanılan farklı yaklaşımları tartışıyor. Bireysel tüccarlar esas olarak kâr odaklıyken, kurumsal tüccarlar, potansiyel getiriler mümkün olanın yalnızca bir kısmı olsa bile risk yönetimine odaklanır. Video, daha muhafazakar tacirlerin daha kontrollü bir büyüme oranı elde etmek için düşüşlerini azalttıkları bir kaymayı tercih etmesiyle, hesap öz sermayesine dayalı olarak kaldıracı ayarlamanın matematiksel bir yolu olarak Kelly kriterinden bahsediyor. Ek olarak, gelecekteki oynaklığı görmek için VIX gibi öncü risk göstergeleri kullanılır. Risk yönetimi sistemi, bu işlemlerde giriş sisteminden daha önemlidir; kayıpları durdurma trend takibinde kullanılır, ancak tacirlerin düşüş planlaması için farklı senaryoları ve geçmişleri yeniden düşündüğü ve keşfettiği ortalama geri dönüşte kullanılmaz. Algo alım satım işlemlerine başlamadan önce, risk faktörlerini yönetmek için geriye dönük test aşamaları gerçekleştirilir.

  • 00:15:00 Bu bölümde, görüşmeci ve miktar tüccarı, ticaret stratejilerini filtrelemenin önemini ve geriye dönük testin stratejileri üretime sokmak yerine filtrelemek için bir araç olarak nasıl kullanılacağını tartışıyor. İleriye doğru yürüyüş sırasında daha kötü düşüşler beklemenin ve bir stratejinin uygulamaya uygun olup olmadığını belirlemek için bir filtreleme mekanizması kullanmanın önemini vurguluyorlar. Daha sonra konuşma, Taleb'in büyük kuyruklara olan inancına ve piyasa rejimi değişikliklerini belirlemek için makine öğrenimi teknolojisini kullanarak gelecekte aralık ticareti ve trend ticareti stratejilerinin nasıl uygulanacağına dönüyor.

  • 00:20:00 Bu bölümde konuşmacı, kantitatif finansta etkili piyasa rejimi tespitinin önemini vurgulamaktadır. Sorun şu ki, bunu akılda tutmak zor çünkü faiz oranlarındaki düşüş ve piyasadaki eğilimler gibi tamamen rastgele olaylara dayanıyor. Pazar rejimlerini tespit etmek zor olsa da, daha sofistike firmalar temel verileri takip edecek ve bunları modellerine dahil edecek. Alım satım yaparken, neyin alım satım yapıldığına bağlı olarak, aralarından seçim yapabileceğiniz farklı sayıda hisse senedi veya ETF vardır ve doğru olanı seçmek zor olabilir. Ek olarak, konuşmacı, Black Swan savunmasının matematik modellerin ve piyasa temellerinin karışımına bağlı olduğuna inanıyor, çünkü önceki korkunç oynaklık, kişinin gelecekteki oynaklığı ve piyasa değişikliklerini tahmin etmesini sağlayabilir.

  • 00:25:00 Bu bölümde video, quant tüccarlarının bekleyebilecekleri getirileri ve bunun onlara getirdiği riskleri açıklıyor. Bir miktar tüccarı, bir doktora ve verimli bir yönetim sürecinin yardımıyla yıllık %35 ücret getirisi elde edebilir. Bununla birlikte, yüksek frekans nicelikleri, temeldeki donanım veya değiş tokuştaki değişiklikler nedeniyle zarar görebilir ve bu da sistemlerinin çökmesine neden olabilir. Bu risklere rağmen, uzun vadede yapılması mümkün olan bir şeyden faydalanarak %15 ila %20 getiri elde etmek iyi bir getiridir. Kuantum tüccarlarının ne tek bir sihir algoritması vardır ne de sorunlarla karşılaştıklarında paniğe kapılırlar. Önceden analiz edilmesi ve hazırlanması zahmetli olan bazı istatistiksel özelliklerden geçmeleri beklenir.

  • 00:30:00 Bu bölümde, bir model gelecekteki tüm olayları doğru bir şekilde tahmin edemediğinden, tek bir modele çok fazla güvenmenin kantitatif ticarette tavsiye edilmediğini tartışıyor. Öncelikle model eksikliklerinden kaynaklanan klasik Wall Street çöküşleri ve yatırım başarısızlıklarından örnekler veriyor. Konuşmacı, sürekli olarak yeni modeller araştırmanın ve performanslarını kontrol etmenin önemini vurguluyor; ancak, düşüş dönemleri yaşanması her zaman olacaktır. Sonuç olarak, bazı tüccarlar modellerini mikro yönetme noktasına gelebilirken, modelin tüm piyasa dinamiklerini mi yoksa bilinmeyen bilinmeyenleri mi hesaba kattığını anlamak önemlidir.
What is a quant trader?
What is a quant trader?
  • 2013.12.02
  • www.youtube.com
http://www.onestepremoved.com/ Shaun Overton interviews Michael Halls-Moore, a quantitative developer. Mike jumped from postgraduate school straight into alg...
 

PyCon Canada 2015 - Karen Rubin: Niceliksel Bir Ticaret Stratejisi Oluşturma (Keynote)



PyCon Canada 2015 - Karen Rubin: Niceliksel Bir Ticaret Stratejisi Oluşturma (Keynote)

Tartışmaya devam eden Karen Rubin, Fortune 1000 şirketlerindeki kadın CEO'lar üzerine yaptığı araştırmanın bulgularını ve içgörülerini derinlemesine inceliyor. Analiz, kadın CEO'ların %68, erkek CEO'ların ise %47 getiri sağladığını ortaya koyuyor. Ancak Karen, verilerinin henüz kadın CEO'ların erkek meslektaşlarından daha iyi performans gösterdiğini göstermediğini vurguluyor. Bu çalışmayı yüksek gelirli ve yüksek piyasa değeri olan şirketlerde ilgi çekici bir kavram olarak görüyor.

Bulgularından motive olan Karen, finans ve teknoloji endüstrisinde çeşitliliğin önemini vurguluyor. Daha fazla kadını alana katılmaya ve yatırım stratejilerini şekillendirmeye katılmaya teşvik ediyor. Kadın CEO'lara yatırım yapmak gibi fikirleri dahil etmenin, çeşitli ve kapsayıcı bir fon yaratılmasına katkıda bulunabileceğine inanıyor.

Tartışmayı genişleten Karen, CEO'ların başarısını etkileyebilecek cinsiyetleri, işe alma yöntemleri (dahili veya harici) ve hatta doğum ayları gibi diğer faktörlere değiniyor. Şirketlerin, organizasyon kötü performans gösterdiğinde kadın CEO'lar atayabilecekleri ve ardından yeniden yapılanmanın faydalarından yararlanmak için onları erkek CEO'larla değiştirebilecekleri teorisini kabul ediyor. Ancak, Karen şu ana kadar bu teoriyi tahkim edemedi. Ek olarak, CEO duyurusundan sonra hisse senedi fiyatlarının genellikle düşüş yaşadığını belirtiyor, ancak bu eğilimin kadın ve erkek CEO'lar arasında farklılık gösterip göstermediğinden emin değil.

Sonuç olarak Karen, CEO'lar için niceliksel bir ticaret stratejisi oluşturmanın çeşitli faktörleri göz önünde bulundurmayı ve kapsamlı analiz yapmayı içerdiğini vurguluyor. Çalışması, kadın CEO'ların performansına ilişkin değerli içgörüler sağlarken, yönetici liderliğindeki toplumsal cinsiyet dinamikleri ve bunun yatırım sonuçları üzerindeki etkisi hakkında daha kapsamlı bir anlayış kazanmak için daha fazla araştırma ve keşif yapılması gerektiğini vurguluyor.

  • 00:00:00 Bu bölümde konuşmacı kendini ve piyasaya yatırım yapmak için bir algoritma yazma deneyimini tanıtıyor. Kitle kaynaklı bir hedge fonu olan Quantiacs'ta Üründen Sorumlu Başkan Yardımcısı olarak, onlar için etkili yazılımlar geliştirebilmek amacıyla kullanıcılarının ne yaptığını anlamak için bir algoritma yazması gerekiyordu. Credit Suisse cinsiyet raporunu okuduktan sonra kadın CEO'lara yatırım yapmakla ilgilenmeye başladı ve kadın CEO'ları tarihsel olarak ele alan ve artık CEO olmadıklarında satılan bir strateji oluşturup oluşturamayacağını merak etti.

  • 00:05:00 Bu bölümde Karen Rubin, niceliksel bir ticaret stratejisi oluştururken attığı ilk adımlardan bahsediyor. Zaman içinde neler olduğuna dair bir simülasyon yaratmak için belirli bir zaman dilimindeki tüm kadın CEO'ların tarihsel bir listesini alması gerekiyordu. Karen, her bir CEO'nun başlangıç ve bitiş tarihlerini ve karşılık gelen kayan yazı simgelerini manuel olarak aramak ve analiz etmek zorunda olduğundan, projenin ilk aşamalarında verileri toplamanın ve temizlemenin zamanının önemli bir kısmını aldığını açıklıyor. Ayrıca, fiyatlandırma verilerinin analiz edilmeden önce doğru ve temiz olmasını sağlamanın zorluklarından da bahsediyor. Küçük örneklem boyutuna rağmen, Karen çalışmasında ilerlemeye devam etti.

  • 00:10:00 Bu bölümde Karen Rubin, algoritmik ticarette geri test sürecini ve stratejisinde simülasyonun nasıl çalıştığını açıklıyor. Stratejisini, geçmiş verileri inceleyerek ve kadın CEO'lardan oluşan listesine dayanarak kendisi için alım satım kararları vererek gerçek piyasada işlem yapıyormuş gibi simüle ediyor. Algoritmanın ilk versiyonunu, S&P 500 olan bir kıyaslama ile karşılaştırır. Ancak daha sonra, önceki stratejisinde kaldıracı dikkate almaması nedeniyle, yerleşik miktarının yardımıyla stratejisini yeniden yazar.

  • 00:15:00 Videonun bu bölümünde Karen Rubin, tüm şirketler arasında eşit ağırlıklı bir portföy sağlamak için ticaret stratejisini nasıl yeniden dengelediğini tartışıyor. Algoritması, şirketleri alıp satıyor ve para kaybetmemesini veya gelecekte satın almak için borç para almak zorunda kalmamasını sağlamak için portföyünün değerini hesaplıyor. Ayrıca, stratejisinin Yahoo ve Alibaba'nın hisse senedi fiyatlarına bağlı olup olmadığını sorgulayan Reddit ve Hacker News topluluğundan aldığı geri bildirimleri de tartışıyor. Bu teoriyi test etmek için stratejisinden Yahoo'yu çıkardı ve genel getirileri etkilemesine rağmen, bu getirilerin tek sebebinin Yahoo olmadığını gördü.

  • 00:20:00 Bu bölümde konuşmacı, sektörden bağımsız bir portföy oluşturarak sektör yanlılığının nasıl önlenebileceğini tartışıyor. Portföy tutarı sektör sayısına bölünerek o sektördeki her şirket eşit miktarda yatırım alır. Örneğin, Sağlıkta üç şirket varsa, bunların tahsisi üçe bölünürken, yaklaşık 20 şirketi olan Tüketici Döngüsel'in her biri, sektöre tahsis edilen toplam miktarın yirmide birini alır. Konuşmacının stratejisinin sonuç getirisi yüzde 275, eşit ağırlıklı kıyaslama yüzde 251 ve S&P 500 yüzde 122 getiri sağlıyor. Bazıları, şirketleri eşit ağırlıkta olmadığı için S&P 500 gibi karşılaştırma ölçütlerinin felsefi olarak doğru olmadığını iddia ederken, RSP Guggenheim Eşit Ağırlık S&P 500 endeksi, karşılaştırma amacıyla daha iyi bir ölçüt sağlar.

  • 00:25:00 Bu bölümde Karen Rubin, kadın CEO'lara yatırım yaparken doğru kriteri bulmanın zorluklarını tartışıyor. Fortune 1000 kriteri doğru seçim gibi görünse de, tarihi bileşen listesini satın almanın maliyetli olduğunun altını çiziyor. Bunun yerine, tüm şirketleri gelire göre sıralayarak ve ilk 1000'i seçerek yeni bir ölçüt olan Quanto 1000'i yaratıyor. Algoritmasının getirilerini Quanto 1000 ve S&P 500 ile karşılaştırdığında, algoritmanın %43'lük bir oranla diğer iki ölçütten daha iyi performans gösterdiğini görüyor. fark. Ayrıca, erkek ve kadın CEO'lar arasında karşılaştırmalı stratejiler oluşturmasına olanak tanıyan CEO değişiklikleri hakkında Event Fessor'dan yeni bir veri kümesini araştırıyor. Sonuçlar, kadın CEO'lara göreve başladıkları tarihte yatırım yapan ve ayrıldıkları tarihte durduran bir stratejinin yedi yıllık bir dönemde %28 getiri sağladığını, erkek CEO'ların ise %44 getiri sağladığını gösteriyor.

  • 00:30:00 Bu bölümde Karen, Fortune 1000 şirketlerindeki kadın CEO'lar üzerine yaptığı araştırmanın sonuçlarını ayrıntılarıyla anlatıyor. Analiz, kadın CEO'ların %68 oranında, erkek CEO'ların ise %47 oranında geri döndüğünü gösterdi. Ancak Karen, verilerinin henüz kadın CEO'ların erkek meslektaşlarından daha iyi performans gösterdiğini göstermediğine inanıyor. Bu çalışmanın yüksek gelirli ve yüksek piyasa değerine sahip şirketlerdeki kadın CEO'lar hakkında ilginç bir fikir verdiğini düşünüyor. Karen, finans ve teknoloji endüstrisinde çeşitliliği teşvik etmek istiyor ve daha fazla kadını bu alana katılmaya davet ediyor. Farklı bir fon oluşturmak için kadın CEO'lara yatırım yapmak gibi fikirler getirmenin önemine inanıyor.

  • 00:35:00 Bu bölümde konuşmacı, CEO'ların başarısını etkileyebilecek cinsiyet, şirket içi veya şirket dışı işe alma ve doğum ayı gibi çeşitli faktörleri tartışıyor. Ayrıca, şirketlerin kötü performans gösterdiklerinde kadın CEO'ları işe alacakları ve ardından yeniden yapılanmanın faydalarından yararlanmak için onları erkek CEO'larla değiştirecekleri teorisini de ele alıyor. Ancak, bu teoriyi tahkim edemedi. Ek olarak, CEO duyurusundan sonra hisse senedi fiyatlarının genellikle düştüğünü belirtiyor, ancak bu eğilimin kadın CEO'lar ile erkek CEO'lar için farklı olup olmadığından emin değil. Genel olarak, CEO'lar için nicel bir ticaret stratejisi oluştururken dikkate alınması gereken birçok faktör vardır.
PyCon Canada 2015 - Karen Rubin: Building a Quantitative Trading Strategy (Keynote)
PyCon Canada 2015 - Karen Rubin: Building a Quantitative Trading Strategy (Keynote)
  • 2015.11.24
  • www.youtube.com
PyCon Canada 2015: https://2015.pycon.ca/en/schedule/67/Talk Description:Upon joining Quantopian, in order to understand her users better, Karen Rubin embark...
 

Dr. Ernie Chan ile Kantitatif Alım Satım Web Semineri için Makine Öğrenimi



Dr. Ernie Chan ile Kantitatif Alım Satım Web Semineri için Makine Öğrenimi

Finans sektörünün önde gelen isimlerinden Dr. Ernie Chan, ticarette makine öğrenimiyle ilgili görüşlerini ve deneyimlerini paylaşıyor. Makine öğrenimini ticarete uygulamaya yönelik ilk girişimlerini düşünerek başlıyor ve bunun başlangıçta başarılı sonuçlar vermediğini kabul ediyor. Dr. Chan, ticarette, özellikle verilerin yetersiz olabileceği vadeli işlemlerde ve endeks ticaretinde, makine öğreniminin sınırlamalarını anlamanın önemini vurguluyor.

Ancak, bireysel teknoloji hisse senetlerine, sipariş defteri verilerine, temel verilere veya haberler gibi geleneksel olmayan veri kaynaklarına uygulandığında karlı ticaret stratejileri oluşturmada makine öğreniminin potansiyelinin altını çiziyor. Dr. Chan, veri mevcudiyeti ve veri gözetleme yanlılığının sınırlamalarını ele almak için yüksek hızda örnekleme veya torbalama gibi yeniden örnekleme tekniklerinin kullanılmasını önerir. Bu teknikler, veri setini genişletmeye yardımcı olabilir, ancak bunları ticaret stratejileri için kullanırken zaman serisi verilerindeki seri otokorelasyonu korumak çok önemlidir.

Özellik seçimi, ticarette başarılı makine öğrenimi uygulamalarında hayati bir rol oynar. Dr. Chan, ilgili özellikleri veya öngörücüleri seçerek veri örnekleme yanlılığını azaltmanın önemini vurguluyor. Pek çok kişi ticarette daha fazla özelliğe sahip olmanın daha iyi olduğuna inanırken, zengin özelliklere sahip bir veri setinin sahte otokorelasyona ve kötü sonuçlara yol açabileceğini açıklıyor. Üç özellik seçim algoritmasını tartışıyor: ileri özellik seçimi, sınıflandırma ve regresyon ağaçları (CART) ve en tahmin değişkenlerini belirlemeye yardımcı olan rastgele orman.

Dr. Chan, gelecekteki bir günlük getirileri ve bunların olumlu veya olumsuz doğasını tahmin etmeyi amaçlayan destek vektör makineleri (SVM) sınıflandırma algoritmasını derinlemesine araştırıyor. SVM, veri noktalarını ayırmak için bir hiper düzlem bulur ve etkili ayırma için doğrusal olmayan dönüşümler gerektirebilir. Ayrıca sinir ağları gibi diğer makine öğrenimi yaklaşımlarına da değiniyor, ancak bunların ilgili özellikleri yakalamadaki sınırlamalarını ve finansal piyasaların durağan olmayan doğası nedeniyle alım satım için uygun olmadıklarını vurguluyor.

Web semineri ayrıca bir ticaret stratejisinde özelleştirilmiş bir hedef işlevinin önemini vurgulamaktadır. Dr. Chan, tahmine dayalı modeller geliştirmek için adım adım regresyon, karar ağaçları ve set bazında regresyon gibi teknikler önerir. Getirileri korumada yüksek doğruluk elde etmek için işlem sayısının karekökünü azaltmanın öneminin altını çiziyor. Sharpe oranı, strateji etkinliğini değerlendirmek için etkili bir kriter olarak sunulur ve iki veya daha büyük bir oran olumlu kabul edilir.

Dr. Chan, finans endüstrisinde makine öğreniminin uygulanmasına ilişkin değerli bilgiler vererek makinenin belirli alanlardaki potansiyelini vurgularken sınırlamalarına karşı uyarıda bulunuyor. Kantitatif ticarette başarılı makine öğrenimi uygulamaları için özellik seçiminin, verileri yeniden örneklemenin ve uygun bir hedef işlevi seçmenin önemini vurguluyor.

  • 00:00:00 Bu bölümde, Dr. Ernie Chan finans sektöründeki makine öğrenimiyle ilgili geçmişini ve deneyimlerini paylaşıyor. Alandaki uzmanlığına ve tanınmış firmalarda çalışmasına rağmen makine öğrenimini ticarete uygulamayı nasıl başaramadığını anlatıyor. Dr. Chan, konuşmanın amacının makine öğreniminin tuzaklarını ve bunun ticarette neden işe yaramadığını ve ticarette nasıl işe yarayabileceğini açıklamak olduğunu paylaşıyor. Alım satımda makine öğrenimini ilk kullanmaya başladığında, bunun günlük çubuklarda işe yarayacağını düşünme ve sonuçta başarılı sonuçlar vermeyen teknik göstergeleri girdi olarak kullanma hatasını yaptığını belirtiyor.

  • 00:05:00 Bu bölümde Dr. Ernie Chan, yetersiz veri ve veri gözetleme yanlılığı riski nedeniyle vadeli işlemlerde ve endeks ticaretinde makine öğrenimi algoritmalarını kullanmanın sınırlamalarını tartışıyor. Makine öğreniminin, bireysel teknoloji hisse senetlerine, sipariş defteri verilerine, temel verilere veya haberler gibi geleneksel olmayan verilere uygulandığında karlı ticaret stratejileri oluşturmada daha fazla potansiyele sahip olduğuna inanıyor. Yetersiz veri sınırlamasının ve veri gözetleme yanlılığının üstesinden gelmek için Dr. Chan, aşırı örnekleme veya torbalama gibi yeniden örnekleme tekniklerinin kullanılmasını önerir. Yeniden örnekleme veri setini genişletebilse de, ticaret stratejileri için bu teknikleri kullanırken zaman serisi verilerindeki seri otokorelasyonu korumak için dikkatli bir değerlendirme yapılmalıdır.

  • 00:10:00 Bu bölümde Dr. Chan, otokorelasyonu korumak için tek bir gün yerine birden çok günün girdi olarak kullanılmasına izin veren makine öğreniminde trigramların kullanımını tartışıyor. Ayrıca, özelliklerin veya öngörücülerin sayısını azaltarak gerçekleştirilebilen veri örnekleme yanlılığını azaltmanın önemini vurgulamaktadır. Pek çok kişi daha fazla özelliğe sahip olmanın daha iyi olduğunu düşünürken, ticarette durum böyle değildir çünkü zengin özelliklere sahip bir veri seti, özellikler ve hedef arasındaki sahte otokorelasyon nedeniyle bir lanettir. Bu nedenle, özellik seçimi kritik öneme sahiptir ve özellik seçimini destekleyen makine öğrenimi algoritmaları ticaret için idealdir. Dr. Chan, kademeli regresyon, rastgele ormanlar ve LASSO regresyon dahil olmak üzere bu tür üç algoritmayı vurgulamaktadır. Özellikleri seçmeyen, her şeyi alıp karıştıran sinir ağı ve derin öğrenme algoritmalarının ticaret için ideal olmadığına dikkat çekiyor.

  • 00:15:00 Bu bölümde, Dr. Ernie Chan üç farklı özellik seçme algoritmasını tartışıyor: ileri özellik seçimi, sınıflandırma ve regresyon ağaçları (CART) ve rastgele orman. İleri özellik seçimi, algoritma hangilerinin öngörülebilirliği iyileştirdiğini belirleyene kadar doğrusal regresyon modellerine birer birer özellik eklemeyi içerir. Öte yandan, CART bir karar ağacına benzer ve sınıflandırma amacıyla her yinelemede uygulanan koşullarla hiyerarşik olarak çalışır. Rastgele orman, veri ve özellikler arasında bir denge sağlamak için yüksek örnekleme verileri ve düşük örnekleme öngörücüleri içeren, torbalamayı rastgele alt uzayla birleştirerek farklı sınıflandırma algoritmalarına uygulanabilen bir tekniktir. Dr. Chan, kavramı daha iyi açıklamak için yarının dönüşünü tahmin etmek için varsayımsal özelliklere sahip örnek bir tablo sunar.

  • 00:20:00 Bu bölümde Dr. Ernie Chan, sınıflandırma regresyon ağaçları gibi sınıflandırma algoritmalarını kullanarak özellik setini azaltma sürecini tartışıyor. Bunun için yetersiz örnekleme veya karşılıklı bilgi kullanma gibi birçok teknik olduğunu açıklıyor. Ancak bu tekniklerin en basiti ve en bilineni olduğunu belirtiyor. Verilerden temsili bir örnek kullanarak, hangi teknik göstergelerin gelecekteki getirileri tahmin etmede yararlı olduğunu ve bu göstergelerin hangi değerlerinin pozitif veya negatif getiriler üreteceğini belirleyerek algoritmanın nasıl çalıştığını gösterir. Bir veri alt kümesi sınıflandırıldıktan sonra, daha iyi sınıflandırma için diğer değişkenleri belirlemek üzere süreç tekrarlanır.

  • 00:25:00 Bu bölümde Dr. Ernie Chan, makine öğrenimi algoritmalarının sınıflandırıcı için yararlı tahmin değişkenleri ve parametreleri bularak ve istatistiksel anlamlılık bulunmayana kadar yineleyerek çalıştığını açıklıyor. Makine öğrenimi algoritmaları genellikle veriler üzerinde daha fazla ayrıntı ve koşul içeren istatistiksel regresyon sistemleridir. Gelecekteki bir günlük getirileri ve bunların olumlu mu yoksa olumsuz mu olacağını tahmin etmeyi amaçlayan destek vektör makineleri sınıflandırma algoritmasını tartışmaya devam ediyor. Algoritma, verileri kesmek için bir hiper düzlem bulmaya çalışır, ancak genellikle bir ayrım bulmak için doğrusal olmayan bir dönüşüm gerekir. Bu dönüşüm, destek vektör makinesinin etkin bir şekilde çalışmasını sağlamak için kritik öneme sahiptir.

  • 00:30:00 Bu bölümde Dr. Chan, makine öğrenimi algoritmasının öğrenmesi için yeterli veri yoksa verileri yeniden örnekleme ihtiyacını tartışıyor, ancak gereken miktar kaç tane tahmin edicinin olduğuna bağlı. Destek Vektör Makinelerinin verileri sınıflandırmanın bir yolu olduğunu ve Adım Yönlü Regresyon veya Sınıflandırma Ağacından daha az özellik seçme algoritması olmasına rağmen, SVM herhangi bir boyutu kesebilen bir hiper düzlem bulur. Sinir Ağlarının doğrusal olmayan bir denklem olduğunu ve Regresyon'daki gibi doğrusal bir işlev kullanmak yerine verileri çok uzun bir doğrusal işlevle uydurduklarını ve Derin Öğrenmenin yalnızca birçok katmana sahip ancak katman başına çok az düğüm içeren bir Sinir Ağı olduğunu belirtiyor. özellikleri aşamalı olarak yakalamak daha kolaydır.

  • 00:35:00 Bu bölümde Dr. Ernie Chan, kantitatif ticaret için bir sinir ağı kullanma kavramını tartışıyor. Bir sinir ağının güçlü bir araç olduğunu açıklıyor çünkü herhangi bir doğrusal olmayan fonksiyona yaklaşabiliyor ve bugünün değişkenleri verildiğinde yarının getirisini tahmin edebiliyor. Bununla birlikte, finansal piyasalar durağan olmadığı için sinir ağının ticarette iyi çalışmadığını ve bu yaklaşımı kullanarak ilgili özellikleri yakalamanın zor olduğunu da belirtiyor. Sinir ağının tüm girdileri kullandığını ve özellikleri seçmediğini, bunun da pazar üzerinde nedensel etkisi olan değişkenleri bulmayı zorlaştırdığını vurguluyor.

  • 00:40:00 Bu bölümde Dr. Ernie Chan, makine öğreniminin tüccarlar için ne zaman yararlı olduğunu açıklıyor. Makine öğrenimi, tacirlerin verileri veya piyasa hakkında sezgileri olmadığında veya verilerinin matematiksel bir modeline sahip olmadıklarında yardımcı olur. Ek olarak, makine öğrenimi, tüccarların çok fazla özellik olduğunda veya hangi özelliklerin önemli olduğunu bilmediklerinde sezgi geliştirmelerine yardımcı olabilir. Ancak, tacirler iyi bir sezgiye ve basit bir matematiksel modele sahipse, makine öğrenimini kullanmak yerine basit modeller oluşturmaları daha iyidir. Tüccarlar ayrıca, çok az veriye sahiplerse veya piyasalarında rejim değişiklikleri olmuşsa makine öğrenimini kullanırken dikkatli olmalıdır çünkü zayıf bir piyasa modeli, bir rejim değişikliği olduğunda algoritmaların bozulmasına neden olabilir.

  • 00:45:00 Web seminerinin bu bölümünde Dr. Ernie Chan, niceliksel ticarette makine öğrenimi tekniklerini uygularken sabit verilerin kullanılmasının önemini açıklıyor. Bir veri setinin durağanlığını belirlemek için birçok istatistiksel ve teknik testin kullanılabileceğini, ancak sonuçların genellikle belirsiz olabileceğini belirtiyor. Dr. Chan ayrıca, başarılı örnek dışı çoğaltma eksikliği nedeniyle ticarette takviyeli öğrenmenin ve derin öğrenmenin etkinliğine yönelik şüphelerini tartışıyor. Ek olarak, bir ticaret stratejisinde özelleştirilmiş bir hedef işlevine olan ihtiyacı vurgular ve tahmine dayalı modelleme için set bazında regresyon veya karar ağaçları gibi tekniklerin kullanılmasını önerir.

  • 00:50:00 Bu bölümde, Dr. Ernie Chan nicel ticaret için makine öğreniminde hedef işlev seçimini tartışıyor ve verilerin mevcudiyetinin hedef işlevin seçimini belirlediğini açıklıyor. Hedef işlev bir aylık getiri ise, günlük getiriler girdi olur ve hedef değişkenin seçimi tahmin değişkeninin zaman ölçeğiyle eşleşmelidir. Dr. Chan, Adam ve derin öğrenme yöntemleri arasındaki farkı da açıklıyor ve derin öğrenmenin özellik seçiminde daha az işe yaradığını belirtiyor. Ayrıca, bölüm farklı rejimlerin tanımlanmasına ve bunların tercih edilen kriterlere göre nasıl tanımlanabileceğine dalar. Son olarak Dr. Chan, kantitatif ticarette işlem sayısının başarı için belirleyici faktör olmadığını vurguluyor.

  • 00:55:00 Bu bölümde Dr. Ernie Chan, getiriyi korumada yüksek doğruluk elde etmede n'nin karekökünü yönetilebilir bir sayıya indirmenin ne kadar önemli olduğunu tartışıyor. Hatanın, işlem sayısının kareköküyle orantılı olduğunu ve Sharpe oranının, yapısında bu kavramı içerdiği için istatistiksel anlamlılığın mükemmel bir ölçüsü olduğunu açıklıyor. Sharpe oranı iki veya daha fazla olan bir stratejinin etkili bir şekilde çalıştığı kabul edilir. Christophe'un bahsettiği son soru fazla teknik olsa da Dr. Chan, Sharpe oranının strateji etkinliği için iyi bir kıstas olduğuna inanıyor.
Machine Learning for Quantitative Trading Webinar with Dr. Ernie Chan
Machine Learning for Quantitative Trading Webinar with Dr. Ernie Chan
  • 2017.03.28
  • www.youtube.com
Quantitative trading and algorithmic trading expert Dr. Ernie Chan teaches you machine learning in quantitative finance. You will learn:1) The pros and cons ...