Algoritmik ticaret - sayfa 27

 

ADL® by Trading Technologies ile kendi algolarınızı oluşturun



ADL® by Trading Technologies ile kendi algolarınızı oluşturun

Trading Technologies'de otomatik ticaret araçları ürün müdürü Andrew Reynolds, ticaret algoritmalarının geliştirme sürecini basitleştirmek için çığır açan bir çözüm olarak ADL'yi (Algo Design Lab) sunuyor. ADL'den önce, kendi algoritmalarını oluşturmakla ilgilenen tüccarlar, zaman alan ve uzun bir geliştirme döngüsüne sahip olan kodlamayı öğrenmek zorundaydı. Bununla birlikte, ADL, tüccarların tek bir kod satırı yazmadan algoritmalar tasarlamasına ve dağıtmasına olanak tanıyan sezgisel bir grafik araç sağlayarak süreçte devrim yaratıyor. Bu, teknik yetenek açısından giriş engelini önemli ölçüde azaltır ve tacirlerin piyasa fırsatlarından hızla yararlanmalarını sağlar. ADL, tasarlanmış algoritmaları ortak konumlu yüksek performanslı sunucularda çalışan iyi test edilmiş koda dönüştürerek optimum performansı sağlar.

Reynolds, ADL'nin temel özelliklerini ve işlevlerini açıklamaya devam ediyor. ADL tuvali, farklı ticaret kavramlarını ve operasyonlarını temsil eden çok çeşitli bloklardan oluşan çalışma alanı olarak hizmet eder. Tüccarlar, algoritmalar oluşturmak için bu blokları kolayca sürükleyip bırakabilir ve her bloğun belirli özellikleri vardır ve istenen mantığı tanımlamak için diğer bloklara bağlanabilir. Grup blokları, belirli mantığı kapsüllemeye ve bunları gelecekte yeniden kullanmak üzere kitaplık blokları olarak kaydetmeye izin verir. Organizasyonu geliştirmek için yer imleri eklenebilir ve bloklar ve bölümler arasında hızlı gezinme için bir arama mekanizması mevcuttur. ADL, geliştirme sürecini daha da hızlandırarak olası blok bağlantılarını tespit etmek için tahmine dayalı teknikler içerir.

Sunum devam ederken, eğitmen ADL kullanarak adım adım algoritma oluşturmayı gösterir. Platform, verimli geliştirmeye yardımcı olmak için gerçek zamanlı geri bildirim ve kullanıcı dostu özellikler sunar. Eğitmen, bir algoritmaya giriş tarafı mantığının eklenmesini, ardından çıkış tarafı mantığının dahil edilmesini ve son olarak hem giriş hem de çıkış tarafı mantığıyla bir algoritmanın oluşturulmasını gösterir. Algoritmaların istenen işlevselliğini tanımlamak için sipariş blokları, mesaj bilgi çıkarıcıları, alan blokları ve uyarı blokları gibi çeşitli bloklar kullanılır. Gösteri boyunca eğitmen atlama blokları tarafından sağlanan okunabilirlik ve özelleştirme seçeneklerini vurgulayarak tacirlerin algoritmalarını tercihlerine göre uyarlamalarına olanak tanır.

Eğitmen daha sonra, mevcut siparişlere algoritmik mantığın uygulanmasını sağlayan, fiyatı, miktarı, durdurma fiyatını ve gerektiğinde ifşa edilen miktarı manipüle etme esnekliği sağlayan Sipariş Yönetimi Algosunu (OMA) tanıtır. Teklif saptırma stratejisinin, sipariş tamamlanana kadar aralıklarla fiyatı kademeli olarak artırarak nasıl uygulanabileceğini açıklarlar. Eğitmen, ADL'nin istenmeyen eylemleri ve sonsuz döngüleri önlemek, kullanıcı güvenliğini ve beklenen davranışı sağlamak için tasarlandığını vurgular. Ayrıca ADL, tacirlerin önceden tanımlanmış kayıp eşikleri belirlemesine izin veren ve kayıplar belirtilen miktarı aşarsa algoritmayı otomatik olarak durduran bir P&L risk bloğu özelliği içerir.

Sunum yapan kişiler, ADL kullanarak algoritmaların başlatılmasını ve izlenmesini tartışırlar. Algol başlatma, ön uç Auto Trader algo panosu, sipariş defteri veya MD Trader içindeki çeşitli pencere öğelerinden başlatılabilir. Doğrudan MD Trader merdiveninden tek tıklamayla başlatma özelliği vurgulanarak yatırımcıların araçları seçmesine ve algo parametrelerini zahmetsizce değiştirmesine olanak tanır. ADL ayrıca, araca göre ortak yerleşim tesislerini seçme yeteneği sağlar ve tüccarlar, algoritmalarının ilerlemesini doğrudan ön uçtan izleyebilir. Ek olarak platform, algoritmaları başlatırken her araç için farklı hesaplar belirlemeyi, esnekliği ve hesap yönetimi seçeneklerini geliştirmeyi destekler.

Sunum yapan kişiler, ADL ile ilgili konuları tartışmak için bir destek forumu da dahil olmak üzere Trading Technologies web sitesinde ADL hakkında daha fazla bilgi edinmek için kaynakların mevcut olduğunu vurgular. Geçmiş verilerin çıkarılmasına ve ADL içinde yerleşik çalışmaların gerçekleştirilmesine olanak tanıyan bir analitik bloğunun yakında ekleneceği konusunda izleyiciyi bilgilendirirler. Kullanıcılar, doğrudan algoritma içinde geçmiş verileri kullanarak özel çalışmalar oluşturma olanağına sahip olacak. Sunum yapan kişiler, Trading Technologies'in komisyoncu-nötr olduğunu ve platformu destekleyen herhangi bir komisyoncuya bağlantı sağladığını vurguluyor. Fiyatlandırma detaylarından da bahsediliyor ve yığınlayıcı çıktıları algoritma tipi, yaygın bir kullanım durumu olarak tanımlanıyor.

Konuşmacılar, ADL kullanarak algoritma yazmanın çok yönlülüğünü derinlemesine inceliyor ve her tacirin algoritmik ticarete kendi benzersiz "gizli sosunu" getirebileceğini vurguluyor. Popüler algoritmik stratejiler hakkında ek bilgi ve içgörü elde etmek için mükemmel bir kaynak olarak Trading Technologies topluluk forumunu tavsiye ediyorlar. Otomatik tacirlerle tek tıkla başlatmanın avantajları açıklanarak tacirlerin aynı anda birden fazla işlemi modellemesine olanak sağlanır. Ayrıca, tüccarların algoritmaları uzaktan duraklatmasına ve yeniden başlatmasına olanak tanıyan mobil uygulamalarda ADL kontrol panelinin kullanılabilirliğinden de bahsediyorlar.

Sunum, anında erişim ve platformun yeteneklerini keşfetme fırsatı sağlayan TradeTT sitesindeki ücretsiz bir demo hesabı aracılığıyla ADL platformuna erişim hakkında bir tartışma ile devam ediyor. ADL'nin, kullanıcıların farklı ticaretleri denemeleri için bir gen-pop sunucusu da dahil olmak üzere çeşitli konumlardaki tesislerde bulunan bir sunucu havuzu sunan, büyük borsalarla aynı yerde bulunduğu vurgulanmıştır. Konuşmacılar ayrıca web hizmetlerine ve API'lere değinerek TT REST API'nin piyasaya sürülmesinden ve forex ticareti için ADL platformunun faydasından bahsediyor.

Döviz ticareti seçenekleriyle ilgili olarak, konuşmacılar, forex borsalarına doğrudan bağlanmak için acil bir plan olmamasına rağmen, forex özelliklerinin CME'de mevcut olduğunu ve NYSE'nin bir spot forex sözleşmesi sunduğunu açıklıyor. Kitle üyelerini, ürün geliştirmelerini izleyen ve ele alan forumlara katılmaya teşvik ederler. Sonuç, geri programın bir önizlemesini ve katılımcılardan web semineri oturumunu sonlandırmadan önce bir anket formu doldurma talebini içerir.

  • 00:00:00 Alım satım teknolojilerinde otomatik alım satım araçları ürün müdürü olan Andrew Reynolds, alım satım yapanlar için geliştirme sürecini basitleştiren algolar oluşturmak için etkileşimli bir grafik araç olarak ADL'yi tanıtıyor. ADL'den önce, bir algo geliştirmek isteyen tüccarlar, zaman alan ve uzun bir geliştirme döngüsüne sahip olan kod yazmayı öğrenmek zorundaydı. Ancak ADL, kullanıcılara tek bir kod satırı yazmak zorunda kalmadan ticaret algoritmaları tasarlamak ve dağıtmak için sezgisel bir araç sağlar. Bu, teknik yetenek açısından giriş engelini azaltır ve tüccarların pazardaki fırsatları hızla yakalamasına olanak tanır. Ayrıca ADL, birlikte konumlandırılan yüksek performanslı sunucularda çalışan, iyi test edilmiş koda dönüşerek mümkün olan en iyi performansı sağlar.

  • 00:05:00 Algoritmalar oluşturmak için dışarı sürüklenebilen farklı ticari konseptleri veya işlemleri temsil eden çeşitli bloklardan oluşan ADL kanvasını öğreniyoruz. Her blok, işlevine özgü özelliklere sahiptir ve istenen mantığı temsil etmek için diğer bloklara bağlanabilir. Grup blokları, belirli mantığı kapsülleyebilir ve diğer algolarda yeniden kullanım için kitaplık blokları olarak kaydedilebilir. Bölümlerin bulunmasını kolaylaştırmak için yer imleri eklenebilir ve belirli blokları veya bölümleri hızlı bir şekilde bulmak için bir arama mekanizması mevcuttur. Ek olarak EDL, olası blok bağlantılarını tespit etmek için tahmine dayalı teknikler kullanır ve geliştirmeyi hızlandırır.

  • 00:10:00 Algoyu geliştiririz, hataları hızlı bir şekilde tespit edip çözebiliriz. ADL platformu ayrıca, getirilen bloğun türünü otomatik olarak algılamak gibi algonun geliştirilmesine yardımcı olan tahmine dayalı analitiklere de sahiptir. Algoların sınıflandırmaları, yani giriş tarafı mantığına, çıkış tarafı mantığına ve her iki girişe sahip olanlar da tartışılmıştır. ve çıkış yan mantığı. Bir limit emri için teklif fiyatını çıkarmak için bir emir bloğu ve bir alan bloğu kullanılarak giriş tarafı mantığıyla bir algo oluşturma örneği gösterildi. ADL platformu, algoların verimli bir şekilde geliştirilmesine yardımcı olmak için gerçek zamanlı geri bildirim ve kullanıcı dostu özellikler sağlar.

  • 00:15:00 Eğitmen, bir algoya çıkış tarafı mantığının nasıl ekleneceğini ve hem giriş hem de çıkış tarafı mantığıyla bir algo oluşturulmasını gösterir. Bir satış limiti emriyle bir emir bloğu eklenir ve ilk emrin dolum çıkış portuna bir mesaj bilgisi çıkarıcı eklenir. Bu çıkarıcı, doldurmalar gibi kendisi aracılığıyla beslenen mesajlarla ilgili bilgilerin çıkarılmasına ve doldurma fiyatı ile miktarının çıkarılmasına yardımcı olur. Koruma emrini dolum fiyatından bir kademe daha büyük olacak şekilde ayarlamak için dolum fiyatına eklenen minimum fiyat aralığı boyutunu çıkarmak için bir alan bloğu da eklenir. Bu fiyat daha sonra satış limiti emrinin fiyatı olur ve algoyu tamamlar. Algonun ilerleyişini tacire bildirmek ve birden çok algo arasında ayrım yapmalarına yardımcı olmak için uyarı blokları da eklenir.

  • 00:20:00 Konuşmacı, Trading Technologies'in ADL®'sinde atlama blokları kullanarak bir algoritmanın okunabilirliğinin nasıl geliştirileceğini gösteriyor. Bir giriş ve bir çıkış noktası ile bir tacirin tercihlerine uyacak şekilde özelleştirilmiş daha fazla varyasyon ekleyerek temel bir ölçeklendirme algoritmasını geliştirirler. Çıkış noktası için tüm giriş tarafı mantığını çıkarırlar, mevcut bir sipariş bloğunu eklerler ve bunu tek sipariş kabına eklerler. Daha sonra D çoklayıcıdan gelen dolum mesajlarını önceki mantığın dolum mesajlarına bağlayarak herhangi bir çalışma emrine uygulanabilen bir algo oluştururlar; miktar.

  • 00:25:00 Eğitmen, mevcut bir siparişe algo mantığı uygulayan ve gerektiğinde fiyatı, miktarı, stop fiyatını ve açıklanan miktarı manipüle edebilen Sipariş Yönetim Algosunu (OMA) açıklar. Bu, sipariş dolana kadar aralıklarla fiyatı artırmak için limanlara mantığın eklendiği bir teklif saptırıcı için yararlı olabilir. Eğitmen ayrıca, kullanıcıların gerektiğinde mantığı tersine çevirebileceğini not eder ve ADL'nin, miktara enstrüman veya fiyat eklemek gibi belirli eylemleri ve ayrıca sonsuz bir döngüyü önlemek için mantık kontrolünü nasıl yasakladığını açıklar. ADL, kullanıcının niyetini anlayan ve beklenmeyen davranışları önleyen bağlama özgü bir dildir.

  • 00:30:00 Konuşmacı, kayıplar önceden belirlenmiş bir miktarı aşarsa bir algoyu otomatik olarak durduran P&L risk engelleme özelliği aracılığıyla ADL'nin geliştiricilerin kendilerini P&L kayıplarına karşı korumalarına nasıl olanak tanıdığını tartışıyor. Bu özellik kullanıcı tanımlıdır ve başlatılan her bir algo örneği için ayarlanabilir. Algolar, ön uç Auto Trader algo panosundaki, sipariş defterindeki veya MD Trader'daki çeşitli widget'lardan başlatılabilir. Hoparlör, enstrümanı seçmenize ve algo parametrelerinde değişiklik yapmanıza olanak tanıyan doğrudan MD Trader merdiveninden algoların tek tıklamayla başlatılmasını vurgular. ADL aynı zamanda kullanıcıların cihaza göre ortak yerleşim tesislerini seçmesine ve algoların ilerlemesini ön uçtan izleme yeteneğine olanak tanır. Algoya göre farklı hesaplar ayarlamak da mümkündür.

  • 00:35:00 Sunucular, kullanıcıların ADL kullanarak kendi algolarını başlatırken her araç için nasıl farklı hesaplar belirtebileceklerini tartışıyor. Ayrıca ADL hakkında daha fazla bilgi edinmek için Trading Technologies'in web sitesinde bulunan kaynakların yanı sıra ADL ile ilgili her şeyi tartışmak için bir destek forumundan da bahsediyorlar. Ardından sunum, Andrew'un izleyicilerden gelen soruları yanıtladığı bir Soru-Cevap oturumuna geçer. Ortaya çıkan bir soru, sunum yapanların daha önce ele aldığı, her araç için hesapların belirtilmesiyle ilgilidir.

  • 00:40:00 Konuşmacı, kullanıcıların geçmiş verileri ayıklamasına ve ADL'de yerleşik çalışmalar gerçekleştirmesine olanak tanıyacak bir analitik bloğunun yakında eklenmesini tartışıyor. Ayrıca doğrudan algoritmaya özel çalışmalar oluşturmak için geçmiş verileri çıkarabilirler. Daha sonra aramak istediğiniz şeyleri depolamak ve istediğiniz kadar değer kaynağı sağlamak için bir değer grubu bloğu kullanabilirsiniz. Konuşmacı ayrıca komisyoncu-nötr olduklarını söylüyor, bu da platformun onu destekleyen herhangi bir komisyoncuya bağlanabileceği anlamına geliyor. Son olarak, konuşmacı fiyatlandırma hakkında bilgi verir ve yığınlayıcı çıktılarının yaygın bir algoritma türü olduğundan bahseder.

  • 00:45:00 Konuşmacı, herkesin "gizli sos" versiyonuna sahip olduğunu vurgulayarak, ADL kullanılarak algoların yazılabileceği çeşitli yolları tartışıyor. Trading Technologies topluluk forumu, "yığınlayıcı" gibi popüler hata türleri hakkında ek bilgi almak için harika bir kaynaktır. Basit bir sipariş türü oluşturmanın birçok farklı yolu vardır ve forum, öğrenmek için harika bir yerdir. Konuşmacı ayrıca, otomatik tacirlerle tek tıkla başlatma kullanmanın avantajlarını ve aynı anda birden fazla işlemi modellemeyi nasıl kolaylaştırdığını açıklıyor. Ek olarak, ADL panosunun telefon uygulamalarında mevcut olduğunu ve tacirlerin masalarından uzaktayken algoları duraklatıp yeniden başlatmalarına izin verdiğini belirtiyorlar.

  • 00:50:00 Konuşmacı, ADL platformuna TradeTT sitesindeki ücretsiz bir demo hesabı aracılığıyla nasıl erişilebileceğini ve kullanıcıların platformu hemen kullanmaya ve demosunu yapmaya başlamalarına olanak tanıyacağını tartışıyor. Konuşmacı ayrıca, ADL platformunun büyük borsalarla ortak konumlandırıldığından ve her konumdaki tesislerde bulunan bir sunucu havuzu ve farklı işlemleri denemek isteyen kullanıcılar için bir gen-pop sunucusu sunduğundan bahseder. Ayrıca konuşmacı, ADL'nin gelecek yılın ilk yarısında piyasaya süreceği, geçmiş verileri ve bu veriler üzerinde çalışma yapma olanağı sağlayacak olan yeni Analitik Bloğu'ndan bahsediyor. Son olarak, konuşmacı web hizmetleri ve API'lerin yanı sıra 1 Aralık'ta TT REST API'nin piyasaya sürülmesine ve ADL platformunun forex ticareti için nasıl kullanılabileceğine değiniyor.

  • 00:55:00 Konuşmacı, Trading Technologies platformunda döviz ticareti seçeneklerinin mevcudiyetini tartışıyor ve CME'de forex özellikleri mevcut olmasına ve bir spot forex sözleşmesi yapılıyor olmasına rağmen şu anda forex borsalarına doğrudan bağlanmak için acil bir plan olmadığını belirtiyor. NYSE tarafından sunulmaktadır. Konuşmacı ayrıca izleyicileri, ürün geliştirmelerinin izlendiği ve yanıtlandığı forumlarda soru sormaya teşvik eder. Seyirci, Trading Technologies platformunun ücretsiz bir demosu için tryTTnow.com'u ziyaret etmeye yönlendirilir. Sonuç, geri programın bir önizlemesini ve katılımcıların web semineri oturumundan çıkmadan önce bir anket formu doldurma talebini içerir.
Build your own algos with ADL® by Trading Technologies
Build your own algos with ADL® by Trading Technologies
  • 2017.10.28
  • www.youtube.com
Thursday 26th October 20177:30 PM IST | 10:00 AM EST | 10:00 PM SGTLearn how to build, deploy, and launch basic algo using ADLThe webinar covers:- What is AD...
 

Kantitatif Finans | Makine Öğrenimine Giriş | Quantiac'lar | kaydeden Eric Hamer



Kantitatif Finans | Makine Öğrenimine Giriş | Quantiac'lar | kaydeden Eric Hamer

Quantiacs'ın CTO'su Eric Hamer, riskten korunma fonu endüstrisini demokratikleştirmeyi amaçlayan Quantiacs ve Quantinsti arasındaki ortaklığı tanıtıyor. Bu işbirliği, Quantiacs'ın açık kaynak araçlarını ve verilerini kullanarak öğrencileri pratik becerilerle donatan eğitim oturumları sağlar. Quantiacs, algoritma geliştiren kantitatif analistleri sermaye ile birleştiren, kitle kaynaklı bir hedge fon işlevi görürken, Quantinsti algoritmik ticaret kursları sunuyor. Hamer, katılan quantların, yatırım sermayesi ve kardan pay alma fırsatına sahip oldukları Quantiacs yarışmalarında rekabet edebileceklerinin altını çiziyor.

Hamer, Quantiacs'ın kodlayıcıların algoritmalarını sermaye piyasalarına nasıl bağladığını araştırıyor ve stratejiler başarılı olursa hem niceliğe hem de Quantiacs'a fayda sağlıyor. Quantiacs, MATLAB ve Python için indirilebilir masaüstü araçları, örnek ticaret stratejileri ve 1990'dan kalma ücretsiz gün sonu vadeli işlem verileri sunarak niceliksel ticareti teşvik etmeye çalışır. Ayrıca, müşterilerin algoritmalarını geliştirmelerine yardımcı olmak için makroekonomik göstergeler de dahil etmişlerdir. Ayrıca Quantiacs, kullanıcıların algoritmalarını ücretsiz olarak sunabilecekleri ve değerlendirebilecekleri çevrimiçi bir platform sağlar. Şu anda vadeli işlemlere odaklanan Quantiacs, gelecekte hisse senedi piyasaları için potansiyel olarak karşılaştırılabilir veriler sağlamayı hedefliyor.

Konuşmacı, Quantiacs platformundaki ticaret stratejilerinin iki temel işlevini açıklıyor: maliyet işlevi ve ticaret sistemi. Maliyet fonksiyonu, belirli bir günün en yüksek ve en düşük fiyatları arasındaki farkın %5'ini kullanarak işlem maliyetlerini ve komisyonları hesaplar. Öte yandan, alım satım sistemi, kullanıcıların fiyat bilgisi talep etmesine ve portföy dağılımını belirleyen bir ağırlık vektörü veya matris sağlamasına olanak tanır. Quantiacs, global değişkenlerin kullanılmasını önermez ve gerekli durum bilgilerini korumak için bir ayar parametresi sunar. Hamer, yıllık %2,5 getiri sağlayan basit bir ticaret stratejisi örneği sunuyor. Stratejinin çıktısı, bir hisse senedi eğrisini, uzun ve kısa pozisyonların performansını ve bireysel vadeli işlem performansını içerir. Quantiacs, stratejileri pozitif performans, düşük oynaklık ve riske göre ayarlanmış getirileri ölçen Sharpe oranına göre değerlendirir.

Makine öğrenimi kavramı ve kantitatif finanstaki uygulamaları Hamer tarafından tanıtıldı. Amerikan borsalarındaki işlemlerin önemli bir bölümünün, yaklaşık %85 ila %90'ının bilgisayar tarafından oluşturulduğunun altını çiziyor. Regresyon, sınıflandırma ve kümeleme gibi makine öğrenimi teknikleri bu alanda giderek daha yaygın hale geliyor. Hamer, aşırı alım satım yapmadan riske göre ayarlanmış getirileri en üst düzeye çıkarmanın önemini vurgulayarak makine öğrenimiyle ilgili bazı tuzakları tartışıyor. Sinir ağları mükemmel sonuçlar verebilirken, yürütme süreleri uzun olabilir ve geleneksel CPU mimarisi optimal olmayabilir. Ancak, yürütme süresini önemli ölçüde azaltan yüksek performanslı GPU'lar mevcuttur. Python ve MATLAB gibi açık kaynaklı kitaplıklar mevcut olsa da, bir makine öğrenimi algoritması kurmak ve eğitmek, çaba ve özveri gerektiren karmaşık bir süreç olabilir.

Hamer, sorun bildirimini belirlemek ve makine öğrenimi sorununun türünü belirlemekle başlayarak makine öğrenimi sürecini derinlemesine araştırıyor. Makine öğreniminde sayısal verilerin gerekliliğini açıklıyor ve sırasıyla model eğitimi ve değerlendirmesi için verilerin eğitim ve test kümelerine bölünmesini tartışıyor. Hamer, Quantiacs Python API'sinin mini S&P 500 vadeli işlem sözleşmesi hakkında tahminler yapmak için nasıl kullanılabileceğini gösteren bir örnek sunuyor ve sonuçları Keras sinir ağı API'sini kullanarak gösteriyor.

Gelecekteki hisse senedi fiyatlarını tahmin etmek için oluşturulan makine öğrenimi modelinin sınırlamaları Hamer tarafından tartışılmaktadır. Model başlangıçta fiyatları doğru bir şekilde tahmin ediyor gibi görünse de, daha yakından incelendiğinde, yalnızca bugünün verilerini yarının verileri için bir vekil olarak kullandığı ortaya çıkıyor. Aynı algoritmayı ham veri getirilerine uygularken, modelin tahminleri gerçek değerlerle aynı büyüklükte olmasa da benzer bir şekil izler. Hamer, ticaret verilerine uygulandığında modelin zayıf performansını gösteriyor ve iyileştirme için potansiyel yolları araştırıyor. Ayrıca ticaret sistemi işlevinde kullanılan kaynak koduna kısa bir genel bakış sağlar.

Hamer, S&P 500 vadeli getirilerini tahmin etmek için sıralı bir Keras modelinin yaratılışını göstermeye devam ediyor. Model, temel bir yapıyla başlar ve belirli katmanları içerir. Hamer, modeli gerçek fiyat verilerini içeren eğitim verilerini kullanarak eğitirken, y değerleri tahmin edilecek dönüş verilerini temsil eder. Eğitildikten sonra Hamer, modeli ayarlardan çıkarabilir ve en son verilere dayalı getirileri tahmin etmek için kullanabilir. Basit S&P 500 mini modeli iyi performans göstermese de Hamer, gradyan iniş ve artırma gibi uygun tekniklerin ve optimizasyonların sorunu çözebileceğini açıklıyor.

Kantitatif finansta bir makine öğrenimi algoritmasının geçerliliğini artırma teknikleri Hamer tarafından tartışılmaktadır. Öngörü elde etmek için algoritmayı verilerin birden çok alt kümesinde çalıştırmayı içeren önyükleme toplama tekniğini kullanmayı önerir. Stratejileri basit tutmak, fikir birliğine varmak için birden fazla tahmin kullanmak ve fazla uydurma, veri temizleme ve eksik verileri ve rastgele değişkenleri ele alma konusunda dikkatli olmak da önerilir. Hamer, makine öğrenimi ve yapay zekanın finansal piyasaları tahmin etmek için çok önemli araçlar olmaya devam edeceğine inanıyor.

Konuşmacı, her ikisi de makine öğrenimi üzerine özel oturumlar sunan EpAT ve ConTA kurslarını tanıtıyor. EpAT, algo veya kantitatif ticaret alanında büyümek isteyen profesyonellere hitap ederken, ConTA, Python ile makine öğrenimini kullanarak regresyon tekniklerini uygulamaya yönelik kendi hızınızda bir kurs sağlar. Hamer, makine öğrenimi için R ve Python arasındaki seçimle ilgili soruları yanıtlıyor ve alternatif veri kümelerini test ederken aşırı uydurmadan kaçınma konusunda tavsiyeler veriyor. Modeli hem eğitim hem de test verileri üzerinde eğitmeyi ve fazla uydurmayı önlemek için iki küme arasındaki hata farkını incelemeyi önerir.

Hamer, algo ticareti için makine öğreniminde aşırı uydurmanın tehlikelerini vurguluyor ve doğruluk testi için bir veri kümesini daha küçük alt kümelere bölmek için önyükleme toplama veya torbalama tekniğinin kullanılmasını öneriyor. Finansal verilerdeki gürültü ve dalgalanmalar nedeniyle, doğruluğun %50'nin üzerinde olması iyi kabul edilebilir.

Son olarak Hamer, ticaret stratejilerini otomatikleştirmek için teknolojiyi anlamanın önemini vurguluyor. Algoritmik bir tüccar olarak başarılı olmak için gereken çeşitli becerilerde eğitim sağlayan eğitim programlarına duyulan ihtiyacı vurguluyor.

  • 00:00:00 Quantiacs'ın CTO'su Eric Hamer, öğrencilerin Quantiacs'ın açık kaynak araçlarını ve verilerini kullanarak pratik beceriler kazanmalarına olanak tanıyan eğitim oturumları sağlayarak hedge fon endüstrisini demokratikleştirmeyi amaçlayan Quantiacs ve Quantinsti arasındaki ortaklığı tanıtıyor. Quantiacs, algoritma geliştiren niceleri sermayeyle birleştiren, kitle kaynaklı bir hedge fonuyken, Quantinsti algoritmik ticaret kursları sunuyor. Hamer ayrıca Quants'ın yatırım sermayesi ve karın bir kısmını kazanmak için Quantiacs yarışmalarına nasıl katılabileceğinin altını çiziyor.

  • 00:05:00 Quantiacs'tan Eric Hamer, stratejilerin başarılı olması durumunda hem nicel hem de Quantiacs'ın yararlanarak kodlayıcıların algoritmalarını sermaye piyasalarına nasıl bağladıklarını tartışıyor. Quantiacs, MATLAB ve Python için indirilebilir masaüstü araç kitleri, örnek ticaret stratejileri ve 1990 yılına kadar uzanan ücretsiz gün sonu vadeli işlem verileri sunarak kantitatif ticareti teşvik etmeyi amaçlamaktadır. algoritmalar ve kullanıcıların algoritmalarını ücretsiz olarak gönderebilecekleri ve değerlendirebilecekleri bir çevrimiçi platform. Quantiacs şu anda yalnızca vadeli işlemlerle çalışırken, gelecekte hisse senedi piyasaları için karşılaştırılabilir veriler sağlayabilir.

  • 00:10:00 Konuşmacı, Quantiacs platformundaki ticaret stratejilerinin iki ana işlevini, maliyet işlevi ve ticaret sistemini açıklıyor. Maliyet fonksiyonu, belirli bir günün en yüksek ve en düşük fiyatları arasındaki farkın %5'ini kullanarak işlem maliyetlerini ve komisyonları hesaplar. Öte yandan, ticaret sistemi, kullanıcının fiyat bilgisi talep etmesine ve portföy tahsisini belirleyen bir ağırlık vektörü veya matrisi geri vermesine olanak tanır. Platform, global değişkenlerin kullanılmasını önermez ve gerekli durum bilgilerini korumak için bir ayar parametresi sağlar. Ardından konuşmacı, yılda %2,5 getiri sağlayan ve bir hisse senedi eğrisi, uzun ve kısa pozisyonların performansı ve bireysel vadeli işlem performansını içeren basit bir ticaret stratejisinin çıktısını gösterir. Son olarak, platform stratejileri değerlendirir
    pozitif performansa, düşük oynaklığa ve riske göre ayarlanmış getirileri ölçen Sharpe oranına dayanmaktadır.

  • 00:15:00 Eric Hamer, makine öğrenimi kavramını ve niceliksel finanstaki uygulamalarını tanıtıyor. Amerikan borsalarındaki işlemlerin %85 ila %90'ının bilgisayar tarafından oluşturulduğunu ve regresyon, sınıflandırma ve kümeleme gibi makine öğrenimi tekniklerinin giderek yaygınlaştığını belirtiyor. Hamer, makine öğreniminin bazı tuzaklarını açıklıyor ve aşırı çalkantı olmadan riske göre ayarlanmış getiriyi en üst düzeye çıkarmanın önemini vurguluyor. Sinir ağlarını kullanmak son derece iyi sonuçlara yol açabilirken, yürütme süreleri uzun olabilir ve geleneksel CPU mimarisi optimal değildir. Ancak, yürütme süresini önemli ölçüde azaltabilen yüksek performanslı GPU'lar mevcuttur. Python ve MATLAB gibi mevcut açık kaynak kitaplıklarına rağmen, bir makine öğrenimi algoritması kurmak ve eğitmek çaba ve çalışma gerektiren karmaşık bir süreç olabilir.

  • 00:20:00 Eric Hamer, sorun bildirimini belirlemek ve makine öğrenimi sorununun türünü belirlemekle başlayarak makine öğrenimi sürecini tartışıyor. Hamer, makine öğreniminde her şeyin sayısal olması gerektiğini ve veri setinin tipik olarak modeli eğitmek ve değerlendirmek için eğitim ve test verilerine bölündüğünü açıklıyor. Hamer ayrıca Quantiacs Python API'sinin mini S&P 500 vadeli işlem sözleşmesi hakkında tahminler yapmak ve Keras sinir ağı API'sini kullanarak sonuçları görüntülemek için nasıl kullanılabileceğini açıklamak için bir örnek kullanıyor.

  • 00:25:00 Eric Hamer, gelecekteki hisse senedi fiyatlarını tahmin etmek için oluşturduğu makine öğrenimi modelinin sınırlamalarını tartışıyor. Model, ilk bakışta fiyatları doğru tahmin ediyor gibi görünse de, daha yakından incelendiğinde, aslında sadece bugünün verilerini yarının verileri için bir vekil olarak kullandığı ortaya çıkıyor. Ham veri dönüşlerine aynı algoritma uygulandığında, modelin tahminleri gerçek değerlerle aynı şekli takip eder ancak aynı büyüklükte değildir. Hamer daha sonra, ticaret verilerine uygulandığında modelin zayıf performansını gösteriyor ve iyileştirme için potansiyel yolları tartışıyor. Ayrıca ticaret sistemi işlevinde kullanılan kaynak koduna kısa bir genel bakış sağlar.

  • 00:30:00 Eric Hamer, S&P 500 vadelilerinin getirilerini tahmin etmek için sıralı bir Keras modelinin nasıl oluşturulacağını gösteriyor. Model, çıplak kemik modeliyle başlar ve belirli katmanlar ekler. Eric daha sonra modelini, gerçek fiyat verileri olan eğitim verileriyle eğitir ve y değerleri, tahmin etmeyi umduğu dönüş verileridir. Model eğitildikten sonra Eric, modelini ayarlardan çıkarabilir ve en son verilere dayanarak geri dönüşlerin ne olacağını tahmin etmek için kullanabilir. Eric'in basit S&P 500 mini modeli iyi çalışmıyor, ancak eğim alçaltma ve artırma gibi uygun teknik ve optimizasyonla sorunun nasıl çözülebileceğini açıklıyor.

  • 00:35:00 Eric Hamer nicel finansa uygulanan bir makine öğrenimi algoritmasının geçerliliğini artırmak için kullanılabilecek bazı teknikleri tartışıyor. ondan ne öğrenilebileceğini görmek için. Fikir birliğine varmak için stratejileri basit tutmayı ve birden çok tahmin kullanmayı, ayrıca aşırı uydurma, verileri temizleme ve eksik verileri ve rastgele değişkenleri hesaba katma konusunda dikkatli olmayı tavsiye ediyor. Genel olarak, makine öğrenimi ve yapay zekanın finansal piyasaları tahmin etmede kilit araçlar olmaya devam edeceğine inanıyor.

  • 00:40:00 Konuşmacı, her ikisi de makine öğrenimi üzerine özel oturumlar sunan EpAT ve ConTA kurslarını tanıtır. EpAT, algo veya kantitatif ticaret alanında büyümek isteyen profesyoneller için tasarlanmıştır ve ConTA, Python ile makine öğrenimini kullanarak regresyon tekniklerini uygulamaya yönelik kendi hızınızda bir kurs sunar. Konuşmacı ayrıca, makine öğrenimi için R ve Python arasında seçim yapma ve alternatif veri kümelerini test ederken fazla uydurmanın nasıl önleneceği hakkında soruları da yanıtlıyor. Konuşmacı, modelin hem eğitim hem de test verileri üzerinde eğitilmesini ve fazla uydurmayı önlemek için ikisi arasındaki hatadaki farka bakılmasını önerir.

  • 00:45:00 Eric Hamer, algo ticareti için makine öğreniminde aşırı uydurmanın tehlikelerini tartışıyor ve doğruluğu test etmek için bir veri kümesini daha küçük alt kümelere bölmek için önyükleme toplama veya paketleme tekniğinin kullanılmasını öneriyor. Ayrıca, gürültü ve dalgalanma nedeniyle finansal verilerde %50'nin üzerindeki herhangi bir doğruluğun iyi kabul edilebileceğini belirtiyor.

  • 00:50:00 Eric Hamer, ticaret stratejilerini otomatikleştirmek için teknolojiyi anlamanın önemini vurguluyor. İnsanları başarılı bir algoritmik tüccar olmak için gereken çeşitli beceriler konusunda eğitebilecek eğitim programlarına duyulan ihtiyaçtan bahsediyor.
Quantitative Finance | Machine Learning in Trading | Quantiacs | Eric Hamer
Quantitative Finance | Machine Learning in Trading | Quantiacs | Eric Hamer
  • 2017.06.16
  • www.youtube.com
Join Eric Hamer in this engaging YouTube video as he introduces you to the fascinating world of quantitative finance and its application in machine learning ...
 

Piyasa Diplerini Tahmin Etmek İçin Karışım Modellerini Kullanabilir miyiz? yazan Brian Christopher - 25 Nisan 2017



Piyasa Diplerini Tahmin Etmek İçin Karışım Modellerini Kullanabilir miyiz? yazan Brian Christopher - 25 Nisan 2017

Kantitatif bir araştırmacı ve Python geliştiricisi olan Brian Christopher, geleneksel zaman serisi analizinin sınırlamaları hakkında kapsamlı bir sunum yapıyor ve getirileri tahmin etmek ve piyasa rejimlerini belirlemek için umut verici bir alternatif olarak karışım modellerini, özellikle gizli Markov modellerini (HMM'ler) tanıtıyor. Durağan olmayan verileri işleyebilen ve finansal tahminde gerekli olan doğrusal olmayan dağılımlara yaklaşabilen modellere olan ihtiyacı vurgulamaktadır.

Christopher, karışım modellerinin, özellikle HMM'lerin, bir varlığın en olası rejimini tahmin etmek için nasıl kullanılabileceğini ve her bir rejim için ilişkili araçlar ve varyansları araştırıyor. Hesaplama sınıfı parametreleri arasında geçiş yapmayı ve olasılık verilerini değerlendirmeyi içeren hesaplama sürecini açıklıyor. İyi bilinen bir karışım modeli olan Gauss karışım modeli (GMM), her rejimin bir Gauss dağılımı izlediğini varsayar. Christopher, yakınsamaya kadar olasılıkları ve rejim parametrelerini hesaplamak için beklenti maksimizasyonu algoritmasının nasıl kullanıldığını gösteriyor. Bunu göstermek için, bir casus ETF'nin düşük oynaklık, nötr ve yüksek oynaklık rejimlerini sınıflandırmanın bir örneğini sergiliyor.

Ardından Christopher, geleneksel zaman serisi analizinin sınırlamalarını aşarak GMM'lerin durağan olmayan ve doğrusal olmayan veri kümelerini nasıl işleyebileceğini araştırıyor. Dizi getirilerini ve parametrelerini tahmin etmek için varlık getirileri ve ABD hazinesinin on yıllık ila üç aylık dağılımı dahil olmak üzere dört faktörü kullanan bir oyuncak stratejisi sunuyor. GMM'ler, belirli rejimin ortalamasını ve varyansını belirlemek için son rejim etiketinin tahminini çıkararak sığdırmak ve tahmin etmek için kullanılır. Normal bir dağılım varsaymak yerine, Johnson su dağılımı, verilerin doğrusal olmayan doğasını açıklamak için stratejinin bir parçası olarak kullanılır.

Konuşmacı, güven aralıklarının dışındaki getirilerin aykırı değerler olduğu varsayımına dayalı olarak piyasa diplerini tahmin etmeye yönelik bir stratejiyi tartışıyor. Bin örnek üzerinden %99 güven aralığı oluşturularak, alt güven aralığının altındaki getiriler aykırı değerler olarak kabul edilir. Christopher, belirli sayıda gün için ETF'de yalnızca uzun vadeli veya satın alma pozisyonu varsayarak aykırı olaydan sonraki getirileri analiz eder. Model değişen volatiliteye uyum sağlar ve genel doğruluk %73 civarında olsa da, hisse senedi eğrisi bir al ve tut stratejisi kadar iyi performans göstermez. Sunumda kullanılan veri kümeleri GitHub'da mevcut olduğundan, Christopher dinleyicileri verileri kendileri keşfetmeye teşvik ediyor.

Christopher, çeşitli ETF'ler için piyasa diplerini tahmin etmek üzere karışım modellerini kullanma konusundaki analizini paylaşıyor. Her bir ETF için medyan getirilerin farklı geri inceleme ve elde tutma sürelerine göre dağılımını inceliyor. SPY, Triple Q ve TLT, farklı boyutlarda sürekli olarak daha iyi performans gösterirken, GLD, EFA ve EEM daha simetrik dağılımlar sergiliyor. Ayrıca, 1'den büyük değerleri başarılı olarak kabul ederek, 0'dan büyük olayların toplam getirilerini 0'dan küçük getirilere bölerek ölçen toplam oranını da değerlendirir. SPY, Triple Q ve TLT, birden çok boyutta ve yeniden inceleme dönemlerinde güçlü performans gösterir. Ancak Christopher, daha uzun elde tutma sürelerinin genel piyasa eğiliminden daha fazla etkilenebileceği konusunda uyarıyor.

Sunum yapan kişi, piyasa diplerini tahmin etmek için karışım modelleri kullanarak piyasadaki farklı varlıkların performansını tartışır. Çalışma, SPY, Triple Q, TLT ve GLD gibi varlıkların, adım sayısı veya geriye bakma süresi gibi değişkenlere bağlı olarak iyi performans gösterdiğini ortaya koyuyor. Ancak, belirli varlıkların performansı, daha uzun elde tutma süreleri ile kötüleşir. Çalışma, farklı bileşenler genelinde medyan getirileri değerlendiriyor ve EEM ve Aoife gibi varlıklar için umut verici sonuçlar belirliyor. Uygun örnekleme dağılımının önemi vurgulanır ve Johnson su dağılımının kullanımının etkili olduğu gösterilir. Genel olarak, piyasa diplerini tahmin etmek için karışım modellerini kullanan stratejinin zorlayıcı olduğu kanıtlanmıştır.

Christopher, GMM'nin SPY, Triple Q ve TLT gibi varlıklarla sürekli olarak başarı göstermesine rağmen, eşit veya daha iyi performans gösteren alternatif stratejiler olduğunu açıklıyor. Model koşucu sınıfının kodundan ve GMM bileşenlerini uygulayan model çalıştırma kolaylık işlevinden kısaca bahseder. Modelin ileriye dönük önyargıdan kaçınmak için ileriye dönük bir şekilde uygulandığını vurguluyor. Ayrıca Christopher, kullandığı verileri GitHub'da HDF5 formatında sağlıyor.

Konuşmacı, karma model stratejisinin etkinliğini değerlendirmek için çıktı alınan verilerin nasıl organize edileceğini ve analiz edileceğini açıklar. Metrikleri ve araçları değerlendirmek için çeşitli dilimleme ve gruplama teknikleri kullanılabilir. Johnson su dağılımı, getiri serisindeki değişen oynaklığa uyum sağlamak için kullanılır ve normal dağılımla karşılaştırılır. Christopher, normal dağılımın doğruluğunun zayıf olduğunu ve sadece piyasayı tutmanın daha faydalı olabileceğini öne sürüyor. Ancak, bireyleri GitHub'daki verileri keşfetmeye teşvik ediyor ve soruları yanıtlamayı veya bir web seminerine katılmayı teklif ediyor.

Soru-Cevap oturumu sırasında Christopher, pazar diplerini tahmin etmek için karışım modellerini kullanma hakkındaki web semineriyle ilgili izleyicilerin sorularını yanıtlıyor. Johnson dağılımı için şekil parametrelerini kaba bir parametre araştırması yoluyla belirlediğini ve sonuçları kapsamlı bir şekilde araştırmadığını açıklıyor. Ayrıca, modeli için yardımcı faktörleri nasıl seçtiğini tartışıyor ve modelin ABD merkezli varlık getirilerini tahmin etmedeki başarısını artırmak için ABD merkezli faizlerin veya sabit gelir ölçütlerinin dahil edildiğini vurguluyor.

Christopher, GMM'nin fiyat yerine getirilere uygulanması, fiyat kullanılırken ölçek sorunu, birden çok faktörle önyargı-varyans sorunu ve geriye dönük inceleme ile geriye dönük test arasındaki benzerliğe ilişkin ek izleyici sorularını ele alıyor. Daha geniş bir varlık yelpazesinde daha tahmin edici olan faktörlerin kombinasyonları hakkında daha fazla keşif ve araştırma yapılmasını önerir. Ayrıca aşırı uydurmayı önlemek için GMM bileşenlerinin sayısına doğal bir sınır koymanın önemini vurguluyor. Christopher, seyirciyi daha fazla soru ve ayrıntı için kendisine ulaşmaya davet ediyor.

  • 00:00:00 Nicel bir araştırmacı ve Python geliştiricisi olan Brian Christopher, durağan verilerin katı gerekliliği ve doğrusal olmayan dağılımlara yaklaşabilecek bir model ihtiyacı nedeniyle getirileri tahmin ederken veya piyasayı zamanlarken geleneksel zaman serisi analizinin sınırlamalarını tartışıyor. Daha sonra, Markov modelleri gibi çeşitli yerleşik kavramlar üzerine inşa edilen ve doğrusal olmayan dağılımlara yaklaşmak için kullanılabilen ve durağan veri gerektirmeyen karışım modellerinin, özellikle gizli Markov modellerinin (HMM'ler) kullanımını araştırıyor.

  • 00:05:00 Brian Christopher, karışım modellerini kullanmanın piyasa diplerini tahmin etmeye ve bir varlığın en olası rejimini tahmin etmeye nasıl yardımcı olabileceğini tartıştı, buna her bir rejim için ilgili araçlar ve varyanslar dahildir. Model, hesaplama sınıfı parametreleri arasında döner ve her bir rejimin ortalaması, varyansı ve bunlar arasındaki geçiş olasılığı da dahil olmak üzere her parametreye verilen olasılık verilerini değerlendirir. En iyi bilinen model, her rejimin bir Gauss süreci tarafından üretildiğini varsayan ve yakınsama veya başka bir durdurma kriteri karşılanana kadar olasılıkları ve rejim parametrelerini hesaplamak için beklenti-maksimizasyon algoritmasını kullanan Gauss karışım modelidir. Brian, bir casus ETF'nin düşük oynaklık, nötr ve yüksek oynaklık rejimlerini sınıflandırmak için modeli kullanmanın bir örneğini gösterdi.

  • 00:10:00 Brian Christopher, Gauss karışım modellerinin (GMM'ler), geleneksel zaman serisi analiz modellerinin bazı zayıflıklarının üstesinden gelerek durağan olmayan veri kümelerini ve yaklaşık doğrusal olmayan veri kümelerini nasıl işleyebileceğini açıklıyor. Christopher, getirilerin ve parametrelerin sırasını tahmin etmek için varlık getirileri, ABD hazinesinin on yıllık ila üç aylık dağılımı ve daha fazlası dahil olmak üzere dört faktörü kullanan bir oyuncak stratejisi tasarlıyor. Yaklaşım, sığdırmak ve tahmin etmek için GMM'leri kullanır; bu belirli rejim için ortalama ve varyansın model tahminini elde etmek için son rejim etiketinin tahminini çıkarır; bu, normal dağılımın bir parçası olarak Johnson su dağılımına beslenir. strateji.

  • 00:15:00 Konuşmacı, güven aralıklarının dışındaki gerçek getirilerin aykırı değerler olduğunu varsayan ve bu varsayıma dayanarak piyasa diplerini tahmin eden bir stratejiyi tartışıyor. %99 güven aralıkları oluşturmak için bin örnek alıyorlar ve daha düşük güven aralığının altındaki getirilerin aykırı değerler olduğunu varsayıyorlar. Daha sonra, yalnızca uzun süreli veya ETF'nin birkaç gün boyunca satın alındığını varsayarak, aykırı olaydan sonraki getirilere bakarlar. Model değişen oynaklığa uyum sağlar ve genel olarak modelin doğruluğu yaklaşık %73'tür, ancak özkaynak eğrisi, özellikle bir al ve tut stratejisiyle karşılaştırıldığında arzulanan bir şey bırakıyor. Konuşmacı, veri setlerini GitHub'da kullanıma sunduğu ve her bir ETF'yi ayrı ayrı veya toplu olarak değerlendirebilecekleri için insanları verilerle oynamaya teşvik ediyor.

  • 00:20:00 Brian Christopher, piyasa diplerini tahmin etmek için karışım modellerini kullanarak yaptığı ETF analizini tartışıyor. Her bir ETF için medyan getirilerin çeşitli geri inceleme ve elde tutma sürelerindeki dağılımına baktı. SPY, Triple Q ve TLT tüm boyutlarda daha iyi performans gösterirken GLD, EFA ve EEM daha simetrik bir dağılıma sahipti. Ayrıca, 0'dan büyük her olayın toplam getirisini 0'dan küçük getirilerin toplamına bölerek özetleyen toplam oranına da baktı ve 1'den büyük değerlerin başarılı kabul edildiğini buldu. SPY, Triple Q ve TLT, birden çok boyutta ve yeniden inceleme dönemlerinde daha iyi performans gösterdi. Ancak Christopher, daha uzun elde tutma sürelerinin piyasanın genel eğiliminden daha fazla etkilenebileceği konusunda uyarıyor.

  • 00:25:00 Konuşmacı, piyasa diplerini tahmin etmek için karışım modelleri kullanarak piyasadaki farklı varlıkların performansını tartışıyor. Çalışma, SPY, Triple Q, TLT ve GLD gibi varlıkların, adım sayısı veya geriye bakma süresi gibi değişkenlere bağlı olarak iyi performans gösterdiğini buldu. Belirli varlıkların performansı, daha uzun tutma süreleriyle birlikte düşer. Çalışma, farklı bileşenler genelinde medyan getirileri değerlendirdi ve EEM ve Aoife gibi varlıklar için umut verici sonuçlar buldu. Çalışma ayrıca uygun örnekleme dağılımının önemini vurgulamaktadır ve Johnson su dağılımının kullanımının etkili olduğu gösterilmiştir. Genel olarak, piyasa diplerini tahmin etmek için karışım modellerini kullanan stratejinin ikna edici olduğu görülüyor.

  • 00:30:00 Sunucu, Gauss Karışım Modeli'nin (GMM), SPY, Triple Q ve TLT ile tutarlı başarı gösteren varlık veya getiri dağılımı tahminleri için bir çerçeve olduğunu açıklıyor. Bununla birlikte, bazı stratejiler eşit derecede iyi veya daha iyi performans göstermiştir ve beklentilerin buna göre ayarlanması gerekir. Sunum yapan kişi daha sonra model koşucu sınıfı kodunun ve bileşenlerde GMM'yi uygulayan çalıştırma modeli adı verilen uygunluk işlevinin üzerinden kısaca geçer. Sunum yapan kişi, modelin ileriye dönük bir önyargı içermediğinden emin olmak için ileriye dönük bir tarzda uygulandığını vurgular. Ek olarak sunucu, kullandığı verileri Github'da HDF5 formatında kullanıma açtı.

  • 00:35:00 Konuşmacı, karma model stratejisinin etkinliğini belirlemek için çıktı verilerinin nasıl organize edileceğini ve analiz edileceğini tartışır. Veriler, metrikleri ve araçları değerlendirmek için çeşitli şekillerde dilimlenebilir ve gruplandırılabilir. Johnson su dağılımı, getiri serisindeki değişen oynaklığa uyum sağlamak için kullanılır ve normal dağılımla karşılaştırılır. Konuşmacı, normal dağılımın doğruluğunun kötü olduğunu ve sadece piyasayı tutmanın daha iyi olabileceğini öne sürüyor. Ancak konuşmacı, github'daki verilerin araştırılmasını teşvik eder ve herhangi bir soruyu yanıtlamaya veya bir web seminerine katılmaya isteklidir.

  • 00:40:00 Brian Christopher, pazar diplerini tahmin etmek için karışım modellerini kullanma konulu web semineri hakkında izleyicilerden gelen bazı soruları yanıtlıyor. Johnson dağılımı için şekil parametrelerini kaba bir parametre araştırması yoluyla belirlediğini ve sonuçları kapsamlı bir şekilde araştırmadığını açıklıyor. Christopher ayrıca, seçtiği faktörlerin modelinde yardımcı olup olmadığını nasıl belirlediğini tartışıyor ve birçok farklı faktörü denediğini ve nihayetinde ABD merkezli faizleri veya sabit gelir ölçütlerini kullanmanın, modelini ABD merkezli varlık tahmininde daha başarılı hale getirmeye yardımcı olduğunu bulduğunu açıklıyor. İadeler.

  • 00:45:00 Brian Christopher, izleyiciden neden fiyat yerine getirilere GMM uyguladığı, fiyatı kullanırken ölçek sorunu, K faktörlerinde olası yanlılık-varyans sorunu ve geri incelemeyi kullanmanın benzerliği hakkında bazı soruları yanıtlıyor geri test etmek için. Ayrıca, daha geniş bir varlık yelpazesinde daha tahmin edici olan ve fazla uydurmayı önlemek için GMM bileşenlerinin sayısına doğal bir sınır koyan faktörlerin kombinasyonları hakkında daha fazla keşif ve araştırma yapılmasını önerir. Brian Christopher, izleyicileri daha fazla soru ve ayrıntı için kendisiyle iletişime geçmeye davet ediyor.
Can we use Mixture Models to Predict Market Bottoms? by Brian Christopher - 25th April 2017
Can we use Mixture Models to Predict Market Bottoms? by Brian Christopher - 25th April 2017
  • 2017.04.26
  • www.youtube.com
Date and Time:Tuesday, April 25th, 20178:00 PM IST | 09:30 AM CST | 8:30 AM MST This session explains and illustrated the use of Mixture Models with a sample...
 

Teoriden Pratiğe Zımni Oynaklık Arnav Sheth - 7 Mart 2017



Teoriden Pratiğe Zımni Oynaklık Arnav Sheth - 7 Mart 2017

Oynaklık konusunda geniş bilgi birikimine sahip saygın bir profesör olan Arnav Sheth, "Teoriden Pratiğe Örtülü Oynaklık" başlıklı bir webinarın konuşmacısı olarak sahne alıyor. Sunucu, Sheth'i tanıtarak kitap yayımlaması ve bir danışmanlık ve analitik platform kurması da dahil olmak üzere bu alandaki uzmanlığını vurguluyor. Web semineri, katılımcılara zımni dalgalanma, farklı dalgalanma türleri, ima edilen oynaklıktan yararlanan ticaret stratejileri ve daha fazla araştırma için mevcut çevrimiçi kaynaklar ve Chicago Board Options Exchange (CBOE) endeksleri hakkında kapsamlı bir anlayış sağlamayı amaçlamaktadır.

Sheth, tarihsel ve ima edilen oynaklık gibi çeşitli oynaklıkları kapsayan, seçeneklere ilişkin kısa bir genel bakış sunarak başlar. Bir ticaret stratejisini ayrıntılı olarak ele alıyor ve birkaç CBOE endeksini tartışarak bunların uygulamalarına ilişkin pratik bilgiler sağlıyor. Tarihsel bir bağlam sağlamak için Sheth, MÖ 500 civarında kaydedilen ilk opsiyon sözleşmesine kadar uzanan opsiyonların kökenlerini paylaşıyor. Bol bir hasat sırasında tüm zeytin preslerinin münhasır haklarını güvence altına alan bir matematikçi ve filozof olan Thales'in hikayesini anlatıyor. Bu hikaye, opsiyon ticaretinin erken tezahürünü göstermektedir.

Opsiyonların modern tanımına geçiş yapan Sheth, alım opsiyonları kavramını, bunları dayanak bir varlığın geleceği hakkında spekülasyona veya riskten korunmaya izin veren sözleşmeler olarak tanımlayarak netleştiriyor. Çağrı seçeneklerinin alıcıya sözleşmeden çıkma zorunluluğu değil, hak sağladığını vurguluyor. Sheth, alım ve satım opsiyonu ticaretinin temellerini açıklamaya devam ederek, alım opsiyonunun alıcıya dayanak varlığı belirli bir fiyattan satın alma hakkı verdiğini, satım opsiyonunun ise alıcıya dayanak varlığı önceden belirlenmiş bir fiyattan satma hakkı verdiğini vurgulayarak devam ediyor. fiyat. Opsiyon ticaretinin sıfır toplamlı bir oyun olduğunun altını çiziyor, yani her kazanan için bir kaybeden var ve bu da toplam kâr ve kayıpların sıfıra eşit olduğu anlamına geliyor. Sheth, altta yatan hisse senedine sahip olmadan bir alım opsiyonu satmanın riskleri konusunda uyarıyor, ancak hisse senedine sahipse, bir alım satmanın riski azaltmaya yardımcı olabileceğini belirtiyor.

Sheth, uzun arama, kısa arama, uzun satım ve kısa satım seçeneklerini kapsayan opsiyon sözleşmelerini daha ayrıntılı olarak araştırır. Yeni başlayanlar için "çıplak opsiyon" ticareti yapmaya karşı uyarıda bulunarak potansiyel kar ve zarar sonuçlarını açıklıyor. Ayrıca, kâra karşı ödemeyi hesaplarken paranın zaman değerini hesaba katmanın önemini vurgulamaktadır. Sheth, Avrupa seçeneklerinin yalnızca vade bitiminde, Amerikan seçeneklerinin ise herhangi bir zamanda kullanılabileceğini açıklığa kavuşturarak, Avrupa ve Amerika seçenekleri arasında ayrım yapmaktadır. Bu bölümü, "kaldıraçlı hisse senedi alımına" benzettiği Black-Scholes-Merton fiyatlandırma modelini tanıtarak bitiriyor.

Daha sonra odak, Black-Scholes-Merton (BSM) modeline ve onun altında yatan varsayımlara kayar. Sheth, getirilerin oynaklığının bilindiğini ve seçeneğin ömrü boyunca sabit kaldığını belirterek bu varsayımlardan birini vurgular. Tarihsel varlık getirilerinin standart sapmasını temsil eden tarihsel oynaklığı tartışmaya devam ediyor. Sheth, bir seçeneğin potansiyel kârlılığını tahmin etmedeki önemini açıklıyor ve daha yüksek volatilitenin, varlığın "parayla sonuçlanma" olasılığının daha yüksek olması nedeniyle seçenek fiyatını artırdığını vurguluyor.

Ardından Sheth, piyasa seçeneklerini kullanarak Black-Scholes modelinden ima edilen oynaklığı ve tersine mühendislik oynaklığındaki rolünü araştırıyor. Örtülü oynaklık, piyasanın beklenen oynaklığı olarak yorumlanır ve piyasa opsiyon fiyatlarına göre hesaplanır. Sheth, zımni oynaklığı tahmin etmek için 30 günlük başabaş vade S&P 500 opsiyonlarını kullanan VIX'i sunar. VIX, opsiyonun sona erme süresi boyunca piyasanın tahmin ettiği oynaklığı ölçer. Tüccarların genellikle opsiyon fiyatlarından türetilen zımni oynaklığı opsiyonları fiyatlamak için tam tersi yerine kullandıklarını belirtiyor. Sheth, farklı ihtarların aynı dayanak varlıkla ilişkili olması durumunda, bunların zımni oynaklığının sabit kalması gerektiğini vurguluyor.

Sheth, opsiyon fiyatlamasında oynaklık çarpıklığı kavramını açıklamaya devam ediyor. Kullanım fiyatı farklılaştıkça, ima edilen oynaklığın tarihsel oynaklıktan nasıl saptığını ve oynaklığın çarpıklığına neden olduğunu gösteriyor. Sheth, çarpıklığın 1987'den sonra ortaya çıktığını ve opsiyon fiyatlarına yansıdığı için tüccarlar için bir fırsat sunduğunun altını çiziyor. Zımni ve gerçekleşen oynaklık arasındaki farkı temsil eden "oynaklık risk primi" terimini tanıtıyor. Bu prim ticaret stratejilerinde kullanılabilir. Sheth, Black-Scholes modelinin öncelikle seçenekleri fiyatlandırmak için kullanılsa da, daha yaygın olarak zımni oynaklığı elde etmek için kullanıldığını açıklıyor.

Opsiyon piyasasında ima edilen volatilitenin hesaplanması bir sonraki tartışma konusu haline gelir. Sheth, tacirlerin dayanak varlıklar üzerindeki belirli opsiyonların piyasa değerlerinden nasıl yararlandığını ve oynaklığı tersine çevirmek için bu değerleri Black-Scholes modeline nasıl girdiğini açıklıyor. Zımni oynaklık, daha sonra, genellikle 30 gün olmak üzere belirli bir süre için opsiyon piyasaları tarafından beklenen oynaklık olarak yorumlanır. Sheth, opsiyon piyasalarının gerçek oynaklığı nasıl olduğundan fazla tahmin etme eğiliminde olduğunu göstererek oynaklık risk primi kavramını tanıtıyor. Volatilite priminin frekans dağılımını sunarak bu bölümü sonlandırıyor.

Konuşmacı, ikili satış kavramına odaklanarak, zımni oynaklığa dayalı ticaret stratejilerini araştırıyor. Sheth, ima edilen volatilitenin tipik olarak gerçekleşen volatiliteden daha yüksek olduğunu ve bunun da aşırı fiyatlı seçeneklerle sonuçlandığını vurguluyor. Sonuç olarak, strateji, ikili satışları ve volatilitede açığa çıkmayı içerir. Bu stratejilerle ilişkili riskleri değerlendirmek için Sheth, riski değerlendirmek için bir çerçeve sağlayan Yunan ölçümlerini sunar. Başabaş fiyatına ikili bir hisse senedi alımını içeren örnek bir senaryo sunuyor ve altta yatan hisse senedi fiyatına dayalı olarak kar ve zarar sonuçlarını tartışıyor. Sheth, hisse senedi fiyatı önemli ölçüde dalgalanırsa, opsiyon fiyatlandırmasının artık oynaklığa duyarlı olmayabileceği konusunda uyararak sözlerini bitiriyor.

Video, hisse senedi fiyatlarındaki değişikliklere karşı bir önlem olarak opsiyonların kullanımını tartışmaya devam ediyor. Sheth, aynı anda bir alım ve satım satın alarak veya her ikisini de hisse senedi fiyatının değerine en yakın şekilde satarak delta tarafsızlığının elde edilebileceğini ancak vega'nın tam olarak korunamayacağını açıklıyor. Sheth daha sonra oynaklık priminden yararlanmanın uygun bir yolu olarak CBOE endekslerini tanıtıyor ve özellikle kapalı bir çağrı stratejisi içeren BXM (BuyWrite Monthly) endeksinden ve BFLY demir kelebek seçeneğinden bahsediyor. Sahip olunan hisse senedine kapalı çağrılar yazmanın, yalnızca dayanak hisse senedini tutmayla ilişkili riski azaltabileceğini, ancak aynı zamanda çağrılırsa hisseyi kaybetme olasılığını da taşıdığını açıklıyor. Son olarak, Sheth, S&P 500'e karşı üç vuruşla dört opsiyon alıp satmayı içeren demir kelebeğin stratejisini açıklıyor.

Web seminerinin sonuna doğru, Sheth, parası olmayan bir satış ve parası olmayan bir arama satın almayı içeren bir strateji sunar. Bu strateji, ters istiflemeye benzer kısa bir oynaklık pozisyonuyla sonuçlanır, ancak kar potansiyelini artırmak için biraz abartılı getiri sağlar.

  • 00:00:00 Konuşmacı Arnav Sheth, Teoriden Pratiğe Zımni Oynaklık konulu bir web seminerine liderlik edecek bir profesör olarak tanıtıldı. Farklı volatilite türlerini, zımni volatilitenin nasıl kullanılacağını, zımni volatilitenin özelliklerinden yararlanmak için ticaret stratejilerini ve ayrıca katılımcıların başlamasına yardımcı olmak için mevcut çevrimiçi kaynakları ve Chicago Board Options Exchange endekslerini kapsar. Oturum kaydediliyor ve soru cevap penceresinden sorular sorulabiliyor. Konuşmacı, bir kitap yayınlamış ve bir danışmanlık ve analitik platform kurmuş, volatilite konusunda kapsamlı bilgiye sahip bir profesör olarak tanıtılır.

  • 00:05:00 Konuşmacı, tarihsel ve ima edilen oynaklık gibi farklı dalgalanma türleri de dahil olmak üzere seçeneklerin temellerine kısa bir genel bakış sunarak başlar. Daha sonra ayrıntılı olarak bir ticaret stratejisini ve birkaç CBOE endeksini tanıtırlar. Konuşmacı ayrıca, bereketli bir hasat sırasında tüm zeytin preslerini rezerve eden matematikçi ve filozof Thales tarafından M.Ö. Konuşmacı daha sonra, modern zamanlarda bir alım opsiyonunun ne olduğunu tanımlayarak, kişinin dayanak varlığın geleceği hakkında spekülasyon yapmasına veya riskten korunmaya izin veren, özellikle alıcıya çıkış hakkı veren ancak yükümlülük vermeyen bir sözleşme olduğunu açıklayarak devam eder.

  • 00:10:00 Konuşmacı, alım ve satım opsiyon ticaretinin temellerini açıklıyor. Alım opsiyonu, alıcıya belirli bir fiyattan hisse senedi gibi bir dayanak varlığı satın alma zorunluluğunu değil, hakkını verir; satım opsiyonu ise alıcıya dayanak varlığı belirli bir fiyattan satma yükümlülüğünü değil hakkını verir. fiyat. Konuşmacı, opsiyon ticaretinin sıfır toplamlı bir oyun olduğunu, yani her kazanan için bir kaybeden olduğunu ve toplam kâr ve kayıpların her zaman sıfıra eşit olduğunu belirtiyor. Ek olarak, dayanak hisse senedine sahip olmadan bir alım satımı yapmak çok tehlikelidir, ancak dayanak hisse senedine sahipseniz, bir alım satımı yapmak riskinizi azaltabilir.

  • 00:15:00 Arnav Sheth, uzun arama, kısa arama, uzun satım ve açığa satış dahil olmak üzere farklı opsiyon sözleşmelerini ve bunların potansiyel kar ve zarar sonuçlarını tartışıyor. "Çıplak seçeneklerle" yola çıkılmaması konusunda uyarıda bulunuyor ve kâra karşı getiriyi hesaplarken paranın zaman değerini hesaba katmanın önemini vurguluyor. Sheth ayrıca Avrupa ve Amerikan opsiyonları arasındaki farkı açıklığa kavuşturarak, Avrupa opsiyonlarının yalnızca vade bitiminde, Amerikan opsiyonlarının ise her an kullanılabileceğini belirtir. Son olarak, "kaldıraçlı hisse senedi alımı" olarak tanımladığı seçenekler için Black-Scholes-Merton fiyatlandırma modelini ele alıyor.

  • 00:20:00 Konuşmacı, Black-Scholes-Merton (BSM) modelini ve varsayımlarını tanıtıyor; bunlardan biri, getirilerin volatilitesinin bilindiği ve opsiyonun ömrü boyunca sabit olduğu. Ardından, tarihsel varlık getirilerinin standart sapması olan tarihsel oynaklığa ve bunun bir seçeneğin potansiyel karlılığını tahmin etmedeki önemine odaklanıyor. Daha yüksek oynaklık, daha yüksek bir seçenek fiyatına işaret eder çünkü varlığın para kazanma olasılığı daha yüksektir ve bu da büyük bir potansiyel getiri ile sonuçlanır.

  • 00:25:00 Konuşmacı, zımni oynaklığı ve piyasa opsiyonlarını kullanarak Black-Scholes modelindeki oynaklığı tersine çevirmek için nasıl kullanıldığını tartışıyor. Zımni oynaklık, piyasanın beklenen oynaklığı olarak yorumlanır ve piyasa opsiyon fiyatının girilmesiyle hesaplanır. 30 günlük başabaş ödemeli S&P 500 opsiyonlarından hesaplanan VIX, zımni oynaklığın en iyi tahminidir ve bir opsiyonun sona erdiği süre boyunca piyasanın beklediği oynaklığı ölçer. Tüccarlar genellikle opsiyon fiyatları aracılığıyla hesaplanan zımni volatiliteyi, diğer yoldan ziyade fiyat seçeneklerine kullanırlar. Aynı dayanak varlıktan bahsediyorlarsa, ima edilen oynaklık tüm farklı ihtarlarda sabit olmalıdır.

  • 00:30:00 Arnav Sheth, opsiyon fiyatlandırmasındaki oynaklık eğriliğini açıklıyor. Kullanım fiyatından uzaklaştıkça ima edilen oynaklığın tarihsel oynaklıktan saptığını gösteriyor ve bu oynaklık çarpıklığı olarak biliniyor. Çarpıklık ancak 1987'den sonra ortaya çıkıyor ve bu, opsiyon fiyatlarına da yansıdığı için tüccarlar için bir fırsat haline geliyor. Zımni ve gerçek volatilite arasındaki fark, ticaret stratejilerinde kullanılabilen volatilite risk primi olarak adlandırılır. Sheth, Black Scholes modelinin seçenekleri fiyatlandırmak için kullanıldığını, ancak daha çok zımni oynaklığı elde etmek için kullanıldığını açıklıyor.

  • 00:35:00 Arnav Sheth, yatırımcıların bir opsiyon piyasasında ima edilen oynaklığı nasıl hesapladıklarını açıklıyor. Tüccarlar, dayanak varlıklar üzerindeki belirli seçeneklerin piyasa değerini kullanır ve volatiliteyi tersine çevirmek için beş değerin tümünü Black Scholes modeline girer. Zımni oynaklık daha sonra opsiyon piyasalarının bir sonraki belirli dönem için, genellikle 30 gün için beklediği oynaklık olarak yorumlanır. Zımni oynaklık ile gerçek oynaklığın ne olduğu arasındaki fark olan oynaklık risk primi kavramı tanıtıldı ve genel olarak opsiyon piyasalarının gerçek oynaklığın ne olacağını abartma eğiliminde olduğu gösterildi. Bu bölüm volatilite priminin frekans dağılımı ile sona ermektedir.

  • 00:40:00 Konuşmacı, zımni oynaklığa dayalı ticaret stratejilerini ve ikili satış konseptini tartışıyor. Konuşmacı, ima edilen volatilitenin tipik olarak gerçekleşen volatiliteden daha büyük olduğunu ve bunun aşırı fiyatlandırılmış seçeneklerle sonuçlandığını açıklıyor. Bu nedenle, strateji, çift yönlü satış yapmak ve kısa volatiliteye gitmektir. Konuşmacı ayrıca bu stratejilerde yer alan riskleri değerlendirmek için Yunan ölçümleri kavramını da tanıtıyor. Konuşmacı, başa baş bir hisse senedi satın almaya ilişkin örnek bir senaryo sunar ve altta yatan hisse senedi fiyatına dayalı olarak kâr ve zarar sonuçlarını tartışır. Konuşmacı, hisse senedi fiyatı çok dalgalanırsa, opsiyon fiyatlandırmasının oynaklığa artık duyarlı olmama riskini vurgulayarak bitirir.

  • 00:45:00 Video, hisse senedi fiyatlarındaki değişikliklere karşı korunmak için seçeneklerin kullanımını tartışıyor. Eşzamanlı olarak bir alım ve satım satın alarak veya bir alım satımı ve satımı hisse senedi fiyatının değerine en yakın parayla yaparak, delta tarafsızlığını elde edebilirsiniz, ancak vegadan korunamazsınız. Video daha sonra CBOE endekslerini oynaklık priminden, özellikle BXM'den ve kapalı bir çağrıdan ve BFLY demir kelebek seçeneğinden yararlanmanın kolay bir yolu olarak açıklamaya devam ediyor. Sahip olduğunuz hisse senedine teminatlı çağrılar yazmak, yalnızca dayanak hisse senedini tutma riskini azaltabilir, ancak kişi çağrılırsa hisseyi kaybetmeye hazırlıklı olmalıdır. Son olarak video, S&P 500'e karşı üç vuruşla dört opsiyon alıp satmayı içeren demir kelebeğin stratejisini açıklıyor.

  • 00:50:00 Konuşmacı, ters istiflemeye benzer kısa bir oynaklık pozisyonuna yol açan, para koyma ve başka bir para çağrısı satın almayı içeren bir stratejiyi gösteriyor. Bununla birlikte, kârı artırmak için getiri biraz abartılmıştır.
Implied Volatility From Theory to Practice by Arnav Sheth - 7 March, 2017
Implied Volatility From Theory to Practice by Arnav Sheth - 7 March, 2017
  • 2017.03.08
  • www.youtube.com
Date and Time: Tuesday, March 7, 2017 (9:30 PM IST | 8:00 AM PST)Volatility is a cornerstone concept in options trading, and all traders have a theory of how...
 

Temel ve Kantitatif Analiz için Finansal Piyasa Verileri Nasıl Kullanılır - 21 Şubat 2017



Temel ve Kantitatif Analiz için Finansal Piyasa Verileri Nasıl Kullanılır - 21 Şubat 2017

Konuşmacılar:

  • Deepak Shenoy (Capitalmind'in Kurucusu ve CEO'su)
  • Maxime Fages (Kurucu, Altın Pusula Kantitatif Araştırma)
  • Marco Nicolás Dibo (CEO, Quanticko Trading)

Temelleri karlı bir şekilde ticaret yapmayı öğrenin, Yüksek frekanslı veri analizini çevreleyen zorlukları anlayın, Vadeli İşlemler ticaretindeki fırsatları ve kazanımları keşfedin ve en popüler ticaret stratejilerinden biri olan Çiftler ticareti hakkında adım adım öğreticinin canlı bir tanıtımını izleyin strateji!

How to Use Financial Market Data for Fundamental and Quantitative Analysis - 21st Feb 2017
How to Use Financial Market Data for Fundamental and Quantitative Analysis - 21st Feb 2017
  • 2017.02.22
  • www.youtube.com
Date and Time:Tuesday, February 21, 20177:00 PM IST | 9:30 PM SGT | 10:30 AM ARTSpeakers:- Deepak Shenoy (Founder and CEO, Capitalmind)- Maxime Fages (Found...
 

Algoritmik Alım Satım Bilgilendirme Toplantısı



Algoritmik Alım Satım Bilgilendirme Toplantısı

Algoritmik ticaret hakkındaki bilgilendirici oturumun açılışında konuşmacı, bu alana artan ilgi için şükranlarını ifade ediyor ve bunun yıllar içinde yarattığı önemli etkiyi kabul ediyor. Oturumun konuşmacısı olarak IH ve Quant Institute'un kurucu ortağı Nitesh'i takdim ederler. Nitesh, finansal piyasalarda zengin deneyime sahip olarak tanımlanıyor ve özellikle yeni başlayanlar için algoritmik ticaret, trendler ve fırsatlara genel bir bakış sağlayacak. Konuşmacı, algoritmik ticaretin artan popülaritesini ve önümüzdeki beş yıl içinde küresel olarak %10'un üzerinde öngörülen büyüme oranını gösteren son haber makalelerini vurguluyor.

Konuşmacı, dünya çapında çift haneli yüzde sayılarıyla hızlı genişlemesini vurgulayarak, algoritmik ticaretteki büyüme ve fırsatlara dalıyor. Hisse senedi ve emtia piyasalarında artan algoritmik ticaret hacimlerini sergileyerek farklı borsalardan veriler sunarlar. Algoritmik ticareti tanımlamak için, kar elde etmeyi amaçlayan yüksek hız ve sıklıkta ticaret emirleri vermek için tanımlanmış bir dizi talimatla programlanmış bilgisayarları kullanma süreci olarak açıklıyorlar. Algoritmik ticarette teknolojinin kritik rolü, özellikle bir ticaret stratejisinin kârlılığının önemli bir bölümünü (%60-70'e kadar) oluşturduğu yüksek frekanslı ticarette vurgulanmaktadır.

Algoritmik ticaretin temel yönlerine geçen konuşmacı teknoloji, altyapı ve stratejiyi tartışıyor. Teknokratlar ve teknoloji odaklı tüccarların öncülük ettiği günümüzün algoritmik ticaret dünyasında teknolojinin önemli rolünü vurguluyorlar. Altyapı, kullanılan altyapı türünün önemini vurgulayarak, bir tüccarın başarı olasılığını tanımlayan çok önemli bir faktör olarak tanımlanır. Son olarak, konuşmacı, bir tüccarın genel başarı olasılığının %30-70'ini oluşturan karlılığı ve başarıyı nihai olarak belirleyen şeyin ticaret stratejisinin kendisi olduğunu açıklıyor. Fikir oluşturma, modelleme, optimizasyon ve yürütme dahil olmak üzere strateji geliştirmenin farklı aşamalarını ana hatlarıyla belirtirler.

Optimizasyon, test etme ve yürütme gibi algoritmik ticaretin aşamaları konuşmacı tarafından açıklanmaktadır. Yürütme ile ilerlemeden önce tutarlı çıktı sağlamak için bir ticaret modelinin girdi değişkenlerini optimize etmenin önemini vurguluyorlar. Ek olarak, yürütmeyi otomatikleştirirken, konuşmacı potansiyel riskler konusunda uyarıda bulunur ve güvenliği sağlamak ve operasyonel riskleri önlemek için sağlam bir risk yönetim sistemine duyulan ihtiyacı vurgular. Bacaktaki kotasyonların istatistiksel olarak büyük kazançlara ve işlem başına daha yüksek getirilere yol açtığından bahsediyorlar.

Önemli kayıplar potansiyeli de dahil olmak üzere algoritmik ticaretin içerdiği riskler tartışılıyor ve operasyonel risk yönetiminin önemi vurgulanıyor. Konuşmacı ayrıca, daha hızlı yürütmeye izin veren yüksek hızlı hatlar ve kollokasyonlar gibi algoritmik ticaret için gereken altyapıyı vurgular. Algoritmik bir işlem masası kurmanın pratik adımları, piyasaya erişimden başlayarak, üyelik edinerek veya bir aracı kurumda hesap açarak açıklanmaktadır. Konuşmacı, lisanslama gereksinimlerinin düzenleyiciye bağlı olarak değişebileceğinden bahseder. Doğru algoritmik işlem platformunu seçmek çok önemlidir ve yürütülecek belirli stratejiye bağlıdır.

Algoritmik ticaret platformları ve strateji türüne göre seçimleri konuşmacı tarafından tartışılır. Düşük frekanslı ticaret stratejileri için, aracı kurumlar genellikle çeşitli programlama dillerinde API kodunu kullanarak otomatik ticarete izin veren ücretsiz, web tabanlı platformlar sağlar. Gecikmeye karşı daha yüksek hassasiyet için, konuşlandırılabilir platformlar ayda birkaç yüz dolarlık bir maliyetle kullanılabilir. Konuşmacı ayrıca, kullanılan altyapı türünün stratejiye bağlı olduğunu, yüksek frekanslı veri ve analizin birinci sınıf performans sunucuları gerektirdiğini vurguluyor.

Konuşmacı, çeşitli düzenlemeleri ve teknolojileri göz önünde bulundurarak, algoritmik ticaret için gerekli olan farklı erişim türleri ve altyapıları üzerinde durur. Gecikme, sipariş yönlendirme hatları ve piyasa verileri gibi faktörleri vurgulayarak ortak yerleşim ve yakın barındırma kavramını açıklarlar. Strateji optimizasyonu için güçlü bir veri tabanına ve analitiğine sahip olmanın önemi, özellikle büyük miktarlarda adım adım verilerle uğraşırken vurgulanır. Bu araçlara erişim maliyeti ve farklı ticaret stratejileri için gereken veri kullanım düzeyi araştırılmaktadır.

Konuşmacı, algoritmik ticaretin, veri işleme ve model oluşturma için R veya Matlab gibi Excel'den daha gelişmiş araçlar gerektirdiğini açıklıyor. Ayrıca, küresel bir trend olan otomasyonla birlikte gelen artan uyumluluk ve denetim gerekliliklerinden de bahsediyorlar. Tüccarlara, işlemlerinin denetlenebilir olduğundan, kodlarının ve stratejilerinin uç vakalara veya kaçak vakalara karşı uygun korumaya sahip olduğundan ve yerinde görgü kurallarına sahip olduğundan emin olmaları tavsiye edilir. Analitik, teknoloji ve finansal piyasalar hakkında temel bilgilere sahip ve her üç alanda da uzmanlaşmış en az bir ekip üyesinden oluşan bir ekibe sahip olmanız da önerilir. Bu, sayıları hesaplama, örüntü tanıma, yazma hızı, finansal piyasayı anlama ve disiplin gibi beceriler gerektiren geleneksel ticari başarı tarifiyle karşılaştırılır.

Konuşmacı, algoritmik ticaret kullanarak niceliksel ticaret için başarı tarifini tartışıyor. Finansal hesaplamada yeterliliğin yanı sıra güçlü bir matematiksel ve istatistiksel anlayışa olan ihtiyacı vurgularlar. Teknolojiyi ve pazar yapısını anlamak, donanım fonksiyonlarının ve ağların ticaret başarısında nasıl bir rol oynadığına dair genel bir kavrayışın yanı sıra çok önemlidir. Finansal piyasayı anlamak da önemlidir ve bir stratejinin nasıl kodlanacağını ve modelleneceğini bilmek ek bir avantajdır. Daha yüksek frekanslı mağazalar kuranlar için bu unsurların tümü hayati önem taşır. Konuşmacı, özellikle finans sektöründeki pek çok kişinin başarı için gerekli teknoloji anlayışından yoksun olması nedeniyle, ticaret dünyasına giren bireyler için EPAT'ın önemini vurgulamaktadır.

Konuşmacı, ticaret için gerekli nicel analiz araçları arasında teknolojideki anlayış eksikliğinin ele alınmasından bahsediyor. Algoritmik ticarette uzmanlık kazanmak isteyen çalışan profesyoneller için ePACT'ın (Algoritmik Ticarette Yönetici Programı) oluşturulmasından bahsediyorlar. ePACT programı, dört ila dört buçuk aylık hafta sonu derslerini ve ardından bir buçuk ila iki aylık ek bir proje çalışmasını içeren altı aylık entegre bir çevrimiçi programdır. Proje çalışması, katılımcıların seçtikleri alanda uzmanlaşmalarını sağlar. Program, kapsanan materyalin endüstri ihtiyaçları ve eğilimleri ile uyumlu olmasını sağlamak için endüstri uygulayıcıları tarafından öğretilen dokuz farklı modülden oluşmaktadır.

ePACT programının çeşitli modülleri, finans piyasasına giriş, temel istatistikler, türevler ve risk, ileri istatistikler ve kantitatif ticaret stratejisi ile başlayarak tartışılır. Kantitatif ticaret stratejisi modülü, çeşitli ticaret stratejilerini kapsar ve ayrıca algoritmik bir ticaret masası kurma ve ilgili iş yönlerini dikkate alma ile ilgili konuları içerir. Program ayrıca Python kullanılarak algoritmik ticaret platformlarının uygulanmasını, Python'un temelleri ve ticaret stratejilerinin farklı platformlarda nasıl uygulanacağı hakkında talimatlar sağlar. Katılımcılara, seçtikleri alanda bir uzmanlık görevi gören proje çalışmalarını denetlemesi için bir akıl hocası atanır.

Konuşmacı, kariyer hizmetleri ekibi tarafından algoritmik ticaret programının katılımcıları ve mezunlarına sağlanan destek hizmetlerini tartışıyor. Yaparak öğrenmenin, canlı derslerin ve kayıtlı derslere erişimin önemini vurguluyorlar. Konuşmacı, endüstri gereksinimlerini ve şirketlerin başvuru sahiplerinde aradığı profilleri gösteren bir grafik sunarak programın ilgili konuları kapsamasını sağlar. Programın farklı ülkelerden eğitmenler olarak endüstri liderlerine sahip olduğundan ve mezunlarının dünya çapında 30'dan fazla ülkede bulunduğundan bahsediyorlar. Enstitü tarafından algoritmik ticaret farkındalığını artırmak için düzenlenen çeşitli etkinlikler ve programlar da vurgulanmaktadır.

Konuşmacı, izleyicilerden gelen algoritmik ticaretle ilgili çeşitli soruları yanıtlamaya devam ediyor. ABD vatandaşlarının Hindistan'da ticaret hesapları açabileceğini, ancak bir emanetçiden geçmesi ve bir takas komisyoncusu ile hesap açmak için belirli bir süreci izlemesi gerektiğini doğruluyorlar. Konuşmacı, algoritmik bir ticaret masası kurmak veya algo ticareti ile başlamak isteyenler için Dr. Ap Chan ve Larry Harris'in kitaplarını tavsiye ediyor. Ayrıca, diğerleri arasında Symphony Fintech, Automated Trading ve YouTrade gibi algoritmik ticaret için Hindistan'da bulunan çeşitli platformlardan da bahsediyorlar. Gerçek teknik veriler, doğrudan borsadan veya kişinin aracısı aracılığıyla elde edilebilir. Ek olarak, öğrencilerin kursta geliştirdikleri stratejinin aynısını alıp canlı ticarette uygulayabileceklerini onaylarlar.

Konuşmacı, izleyicilerden algoritmik ticaretle ilgili çeşitli soruları yanıtlamaya devam ediyor. Farklı araçlar kullanarak bir stratejiyi kodlamanın ve geriye dönük test etmenin mümkün olduğunu ve canlı ticarete taşımanın zor olmadığını açıklıyorlar. Hindistan pazarında ticaret yapmak için düzenlemeler, uygunluk ve lisanslama ile ilgili sorular da ele alınmaktadır. Konuşmacı, uygun otomatik ticaret stratejileri için borsadan izin alınması gerektiğini ve bir demonun gerekli olduğunu açıklıyor. Ayrıca momentum tabanlı, istatistiksel arbitraj ve makine öğrenimi tabanlı stratejiler gibi popüler ticaret stratejilerini de tartışıyorlar.

Konuşmacı, kursta ele alınan ticaret stratejileri türlerini tartışır ve yeni stratejilerin nasıl geliştirileceğini, test edildiğini ve yürütüldüğünü öğrenmenin önemini vurgular. Kurs mezunları için iş beklentileri, sunulan ortalama maaşlar ve şamdan modellerini analiz etmek için gereken programlama becerileri hakkındaki soruları yanıtlıyorlar. Kursu alan çalışan profesyoneller için bilgi düzeyi ve zaman taahhüdü ile Hindistan'da algoritmik bir ticaret masası kurmayla ilgili maliyetlerle ilgili endişeler de ele alınmaktadır. Konuşmacı, programın değerini en üst düzeye çıkarmak için programa başlamadan önce temel kavramlara ilişkin temel bir anlayışa sahip olmanın önemini vurgular.

Konuşmacı, algoritmik ticaretle ilgili çeşitli soruları yanıtlayarak, hisse senedi piyasaları hakkında sınırlı bilgisi olan kişilerin kursa devam etmeden önce bu alanlarda temel bir anlayış kazanmak için bir satış uzmanıyla iletişime geçebileceğini öne sürüyor. Algoritmik ticaretin, ticaretlerinde disiplin sağlamak ve stratejilerini birden fazla enstrüman içerecek şekilde ölçeklendirmek isteyen bireysel tüccarlar için yararlı olduğunu açıklıyorlar. Konuşmacı ayrıca bir kurstan diğerine geçiş ve Hindistan'da algo ticareti hizmetleri sunan komisyoncularla ilgili endişeleri de ele alıyor. Son olarak, bir borsada sunucu barındırmanın algoritmik tüccarlara gereksiz bir avantaj sağlamadığını, ancak daha sıkı teklif sorma marjları sağlayarak perakende tüccarlara fayda sağladığını açıklıyorlar.

Konuşmacı, perakende tüccarlar için algoritmik ticaretin faydalarını ve teknolojinin kayıpları en aza indirmeye nasıl yardımcı olabileceğini tartışıyor. Algoritmik ticaret için Python öğrenen programcı olmayanlar ve Hindistan sakinlerinin küresel pazarlarda ticaret yapıp yapamayacakları hakkındaki soruları ele alıyorlar. Firmalarının aracılık veya algoritmik ticaret platformları sağlamak yerine öncelikle eğitime odaklandığını açıklıyorlar. Konuşmacı, programlarının 30'dan fazla ülkeden yüzlerce katılımcıya yardımcı olduğunu vurguluyor ve ilgili kişileri daha fazla bilgi için iş geliştirme ve satış ekipleriyle iletişime geçmeye teşvik ediyor.

Konuşmacı, tüm stratejilerin borsa tarafından onaylanması gerekip gerekmediği ve bir stratejinin nasıl korunacağı da dahil olmak üzere izleyicilerden gelen birkaç soruyu ele alıyor. Algo sağlayıcılarının bir tüccarın stratejisini göremediğini ve borsaların öncelikle stratejilerin piyasada tahribat yaratmamasını sağlamakla ilgilendiğini açıklıyorlar. Program için bir öğrenci indiriminden bahsediyorlar ve Hindistan'daki emtia piyasalarında algo ticaretinin mevcudiyetini tartışıyorlar. Ayrıca, role bağlı olarak HFT profillerinde doğrusal cebir ve olasılık dağılımının önemini vurguluyorlar ve algo ticaretinin dünya çapında opsiyonlar ve forex dahil herhangi bir ticaret aracına uygulanabileceğini vurguluyorlar.

Konuşmacılar kodlama stratejilerini, yeniden kullanılabilir kod sağlamayı ve Python ile R öğrenmenin gerekliliğini tartışıyorlar. Ayrıca stratejilerin doğrulanması, potansiyel yatırım getirisi ve makul sayıda tacir için gerekli altyapı ile ilgili soruları yanıtlıyorlar. Konuşmacılar, stratejileri başkalarıyla paylaşmamaya dikkat çekiyor ve en iyi uygulamaları öğrenmeye ve benzersiz ticaret stratejisi fikirleri geliştirmeye odaklanmayı öneriyor.

Konuşmacılar, bir stratejiyi geriye dönük test etmek için ideal zaman çerçevesi, orta hacimli ticaret için gereken minimum internet bant genişliği ve aracılık elde etmenin nasıl atlanacağı da dahil olmak üzere, algoritmik ticaretle ilgili çeşitli soruları yanıtlıyor. Ayrıca Hindistan'da algoritmik ticaret için en iyi satıcıları ve Elliot dalga teorisi gibi isteğe bağlı ticaret stratejilerinin programlanıp programlanamayacağını tartışıyorlar. Konuşmacılar, kişinin programlama konusunda rahat olması ve akılda net kuralları olması durumunda herhangi bir stratejinin kodlanabileceğini öne sürüyor. Tüccarlara, bireysel gereksinimlerine ve her bir satıcının artılarına ve eksilerine göre satıcıları seçmelerini tavsiye ediyorlar.

Sonuç olarak, konuşmacı katılımcılara teşekkür eder ve daha fazla yardım önerir. Zaman kısıtlamaları nedeniyle tüm soruları yanıtlayamasalar da, konuşmacı dinleyicileri sorularını göndermeye teşvik eder ve Quant Institute ekibi için iletişim bilgilerini sağlar. Algoritmik ticarete olan ilgiden dolayı takdirlerini ifade ediyorlar ve bu alanda sürekli öğrenmenin ve uygulamanın önemini vurguluyorlar.

  • 00:00:00 Konuşmacı, algoritmik ticaret hakkında bilgilendirici oturumu başlatır ve izleyicileri karşılar. Algoritmik ticaret segmentine artan ilgiye ve bunun yıllar içinde yarattığı etkiye şükranlarını ifade ediyorlar. Konuşmacı, oturumda konuşma yapacak olan IH ve Quant Institute kurucu ortağı Nitesh'i takdim ediyor. Nitesh, finansal piyasalarda zengin deneyime sahiptir ve yeni başlayanlar için algoritmik ticaret, trendler ve fırsatlar hakkında genel bir bakış sağlayacaktır. Konuşmacı ayrıca, algoritmik ticaretin artan popülaritesini ve önümüzdeki beş yıl içinde küresel olarak %10'un üzerinde beklenen büyüme oranını gösteren son haber makalelerini de vurguluyor.

  • 00:05:00 Konuşmacı, dünya genelinde çift haneli yüzde sayılarıyla hızla genişleyen bir alan olan algoritmik ticaretteki büyümeyi ve fırsatları tartışıyor. Konuşmacı, hem hisse senedi hem de emtia piyasalarında artan algoritmik ticaret hacimlerini vurgulayan farklı borsalardan veriler sunuyor. Algoritmik ticaretin tanımı, yüksek hız ve sıklıkta kar elde etmek için ticaret emirleri vermek için tanımlanmış bir dizi talimatı takip edecek şekilde programlanmış bilgisayarları kullanma süreci olarak sağlanır. Teknolojinin dahil edilmesi, algoritmik ticaretin kritik bir yönü olarak vurgulanır, özellikle bir ticaret stratejisinin para kazanma nedeninin %60-70'ini oluşturan yüksek frekanslı ticarette.

  • 00:10:00 Konuşmacı, teknoloji, altyapı ve stratejiyi içeren algoritmik ticaretin temel yönlerini tartışıyor. Algoritmik ticarette teknolojinin rolü, günümüz dünyasında teknokratlar ve teknoloji odaklı tüccarların başı çekmesiyle öne çıkıyor. Altyapı büyük bir rol oynar ve kullanılan altyapı türü bir tüccarın başarı olasılığını tanımlar. Son olarak, ticaret stratejisi para kazandıran şeydir ve bir tüccarın başarı olasılığının %30-70'ini oluşturur. Konuşmacı, fikir oluşturmadan modellemeye ve optimizasyondan uygulamaya kadar strateji geliştirmenin farklı aşamalarını açıklıyor.

  • 00:15:00 Konuşmacı, algoritmik ticaretin optimizasyon, test ve yürütme aşamalarını anlatıyor. Yürütmeye geçmeden önce tutarlı çıktı sağlamak için bir modelin girdi değişkenlerini optimize etmenin önemini vurgularlar. Ek olarak, yürütmeyi otomatikleştirirken, konuşmacı potansiyel riskler konusunda uyarır ve güvenliği sağlamak ve operasyonel riski önlemek için bir risk yönetim sistemine duyulan ihtiyacı vurgular. İstatistiksel olarak büyük kazançlara ve işlem başına daha yüksek getiriye yol açan bacakta kotasyonlar önerirler.

  • 00:20:00 Büyük kayıp potansiyeli ve operasyonel risk yönetiminin önemi gibi algoritmik alım satımın içerdiği riskler tartışılır. Yüksek hızlı hatlar ve kollokasyonlar da dahil olmak üzere algoritmik ticaret için gereken altyapı da vurgulanmıştır. Algoritmik bir ticaret masası kurmanın pratik adımlarına geçersek, üyelik alarak veya bir aracı kurumda hesap açarak piyasaya erişim çok önemli bir ilk adımdır. Lisans gereklilikleri, düzenleyiciye bağlı olarak değişebilir. Doğru algoritmik ticaret platformunu seçmek, nihayetinde yürütülecek stratejiye bağlıdır.

  • 00:25:00 Konuşmacı, algoritmik ticaret platformlarını ve kullanılan strateji türüne göre nasıl seçim yapılacağını tartışıyor. Düşük frekanslı ticaret stratejileri için, komisyoncular genellikle çeşitli programlama dilleri için API kodunu kullanarak otomatik ticarete izin veren ücretsiz, web tabanlı platformlar sağlar. Gecikmeye karşı daha yüksek duyarlılığa sahip olanlar için, ayda birkaç yüz dolara konuşlandırılabilir bir platform kullanılabilir. Konuşmacı ayrıca, kullanılan altyapı türünün, yüksek frekanslı veri ve birinci sınıf performans için bir sunucu gerektiren analiz ile konuşlandırılan stratejinin türüne bağlı olacağını belirtiyor.

  • 00:30:00 Konuşmacı, algoritmik ticaret için gereken farklı erişim ve altyapı türlerini ve bunun çeşitli düzenlemelere ve teknolojilere nasıl bağlı olabileceğini tartışıyor. Ortak yerleşim ve yakınlık barındırma kavramı, gecikme, sipariş yönlendirme hatları ve pazar verileri gibi hususlarla birlikte açıklanmaktadır. Strateji optimizasyonu için iyi bir veri tabanına ve analitiğe sahip olmanın önemi de, özellikle büyük miktarlarda adım adım verilerle uğraşırken vurgulanmaktadır. Bu araçlara erişim maliyeti ve farklı ticaret stratejileri için gerekli olan veri kullanım derecesi de araştırılmaktadır.

  • 00:35:00 Konuşmacı, algoritmik ticaretin verileri işlemek ve modeller oluşturmak için R veya Matlab gibi Excel'den daha karmaşık araçlar gerektirdiğini açıklıyor. Otomasyon ayrıca, dünya çapında bir trend olan daha fazla uyumluluk ve denetim gereksinimi getiriyor. Algoritmik tacirler, işlemlerinin denetlenebilir olduğundan ve kodlarında ve stratejilerinde herhangi bir uç durum veya kaçak durum bulunmadığından ve yerinde görgü kurallarına sahip olduğundan emin olmalıdır. Ek olarak, tacirlerin analitik, teknoloji ve finansal piyasalar hakkında temel bilgilere sahip ve her üçünde de uzmanlaşmış en az bir ekip üyesine sahip bir ekibe ihtiyacı vardır. Konuşmacı bunu, sayı hesaplamanın, örüntü tanımanın, yazma hızının, finansal piyasa anlayışının ve disiplinin gerekli olduğu geleneksel ticari başarı tarifiyle karşılaştırıyor.

  • 00:40:00 Konuşmacı, algoritmik ticaret kullanarak niceliksel ticaret için başarı tarifini tartışıyor. Finansal bilgi işlemin yanı sıra güçlü bir matematiksel ve istatistiksel anlayış gerektirir. Ticaret başarısında donanım fonksiyonlarının ve ağların nasıl devreye girdiğinin genel olarak anlaşılmasının yanı sıra teknoloji ve piyasa yapısını anlamak da gereklidir. Ek olarak, finansal piyasa bilgisi gereklidir ve stratejinizi nasıl kodlayacağınızı ve modelleyeceğinizi bilmek ek bir avantajdır. Daha yüksek frekanslı bir mağaza kuranlar için bu unsurların tümü hayati önem taşır. Konuşmacı, ticaret dünyasına girmek isteyenler için çok önemli olan EPAT'a dikkat çekiyor, özellikle finans alanındaki çoğu kişinin başarı için gerekli teknoloji anlayışından yoksun olduğu bir dönemde.

  • 00:45:00 Konuşmacı, ticaret için gerekli olan farklı kantitatif analiz araçlarının teknolojisindeki anlayış eksikliğini nasıl ele aldıklarından bahsediyor. epat yönetici programı algoritmik ticaret, algoritmik ticarette uzmanlık kazanmak isteyen çalışan profesyoneller için oluşturulmuştur. Altı aylık entegre çevrimiçi program, hafta sonları dört ila dört buçuk ay boyunca dersleri ve ek bir buçuk ila iki aylık proje çalışmasını içeriyordu. Proje çalışması, katılımcıların uzmanlıklarını geliştirmek istedikleri alanda uzmanlaşma için bir araç görevi gördü. Program dokuz farklı modülden oluşuyordu ve kapsanan materyalin endüstri ihtiyaçları ve eğilimleriyle uyumlu olmasını sağlamak için endüstrideki uygulayıcılar tarafından öğretildi.

  • 00:50:00 ePACT programının çeşitli modülleri, finans piyasasına giriş, temel istatistikler, türevler ve risk, gelişmiş istatistikler ve kantitatif ticaret stratejisi ile başlayarak tartışılır. İkincisi, çeşitli ticaret stratejilerini içerir ve ayrıca algoritmik bir ticaret masası kurmak gibi iş ortamını ve dikkate alınması gereken iş yönlerini kapsar. Python kullanan algoritmik ticaret platformu, Python'un temellerini ve Algoritmik Ticaret Platformları da dahil olmak üzere farklı ticaret platformlarında ticaret stratejilerinin uygulanmasını kapsayan programın bir modülüdür. Program, proje çalışmasını denetleyebilecek katılımcıya bir mentor atayan, uzmanlık görevi gören bir proje içerir.

  • 00:55:00 Konuşmacı, kariyer hizmetleri ekibi tarafından algoritmik ticaret programının hem katılımcılarına hem de mezunlarına sağlanan çeşitli destek hizmetlerini tartışıyor. Ayrıca yaparak öğrenmenin, canlı derslerin ve kayıtlı derslere erişimin öneminden de bahsediyorlar. Ayrıca konuşmacı, şirketlerin adaylarda aradığı sektör gereksinimlerini ve profillerini gösteren bir grafik sundu. Bu bilgiler, programın ilgili konuları kapsamasına yardımcı olur. Program, farklı ülkelerden eğitmen olarak endüstri liderlerine sahiptir ve mezunları dünya çapında 30'dan fazla ülkede yerleşiktir. Son olarak, algoritmik ticaret farkındalığını artırmak için düzenledikleri çeşitli etkinlik ve programların altını çizdiler.

  • 01:00:00 Konuşmacı, algoritmik ticaretle ilgili çeşitli soruları yanıtlıyor. ABD vatandaşlarının Hindistan'da ticaret hesapları açabileceğini, ancak bir vasi aracılığıyla gelmeleri ve takas komisyoncusu ile hesabı açmak için bir süreç izlemeleri gerektiğini onaylıyor. Konuşmacı, algo alım satım masası kurmak veya algo alım satımına başlamak isteyenlere Dr. Ap Chan ve Larry Harris'in kitaplarını tavsiye ediyor. Ayrıca, diğerleri arasında Symphony Fintech, Automated Trading ve YouTrade gibi algo ticareti için Hindistan'da bulunan çeşitli platformlardan da bahsediyor. Kullanıcıların gerçek teknik verileri doğrudan borsadan veya komisyoncuları aracılığıyla alabileceklerini bildirir. Ayrıca, öğrencilerin kursta geliştirdikleri stratejinin aynısını gerçek ticaret ortamında canlı olarak uygulayabileceklerini onaylar.

  • 01:05:00 Konuşmacı, izleyicilerden algoritmik ticaretle ilgili çeşitli soruları yanıtlıyor. Konuşmacı, farklı araçlar kullanarak bir stratejiyi kodlamanın ve geriye dönük test etmenin mümkün olduğunu ve bunu canlı ticarete taşımanın zor olmadığını açıklıyor. İzleyiciler ayrıca Hindistan pazarında ticaret yapmak için düzenleme, uyumluluk ve lisanslama hakkında sorular soruyor. Konuşmacı, herhangi bir uygun otomatik ticaret stratejisini almadan önce, demo gerekliyse borsadan izin alınması gerektiğini açıklıyor. Momentum tabanlı, istatistiksel arbitraj ve makine öğrenimi tabanlı ticaret stratejileri gibi bazı popüler ticaret stratejileri de tartışılmaktadır.

  • 01:10:00 Konuşmacı, kursta ele alınan ticaret stratejileri türlerini tartışıyor, yeni stratejilerin nasıl bulunacağını ve bunların nasıl test edilip uygulanacağını öğrenmenin önemini vurguluyor. Konuşmacı ayrıca kursu tamamlayanların iş olanakları, önerilen ortalama maaşlar ve şamdan modellerini analiz etmek için gereken programlama becerileri ile ilgili soruları da yanıtlar. Ayrıca, kursu alan çalışan profesyoneller için gerekli bilgi düzeyi ve zaman taahhüdü ve Hindistan'da algoritmik bir ticaret masası kurmayla ilgili maliyetler hakkındaki endişeleri de ele alıyorlar. Konuşmacı, programdan maksimum değeri elde etmek için programa başlamadan önce temel kavramlara ilişkin temel bir anlayışa sahip olmanın önemini vurgular.

  • 01:15:00 Konuşmacı, algoritmik ticaretle ilgili çeşitli soruları yanıtlıyor. Hisse senedi piyasalarında sınırlı bilgiye sahip olanların, bu alanlarla ilgili temel bir anlayış elde etmek ve ardından kursa devam etmek için rehberlik için bir satış uzmanıyla iletişime geçebileceğini öne sürüyorlar. Algo ticaretinin, alım satımlarında disiplin sağlamak ve stratejilerini birden fazla aracı içerecek şekilde ölçeklendirmek istiyorlarsa bireysel tüccarlar için yararlı olduğunu açıklıyorlar. Konuşmacı ayrıca bir kurstan diğerine geçiş ve Hindistan'da algo ticareti hizmetleri sunan komisyoncularla ilgili endişeleri de ele alıyor. Son olarak, bir borsada sunucu barındırmanın algoritmik tüccarlara gereksiz bir avantaj sağlamadığını ve aslında daha sıkı teklif sorma marjları sağlayarak perakende tüccarlara fayda sağladığını açıklıyorlar.

  • 01:20:00 Konuşmacı, perakende tüccarlar için algoritmik ticaretin faydalarını ve teknoloji kullanımıyla kayıpları nasıl en aza indirebileceklerini tartışıyor. Konuşmacı ayrıca, programcı olmayanların algoritmik ticaret için Python öğrenmesinin mümkün olup olmadığı ve Hintli sakinlerin küresel pazarlarda ticaret yapıp yapamayacakları da dahil olmak üzere katılımcıların sorularını yanıtlıyor. Ek olarak konuşmacı, firmalarının aracılık veya algoritmik ticaret platformları sağlamaktan ziyade öncelikle eğitime odaklandığını açıklıyor. Konuşmacı, programlarının 30'dan fazla ülkeden yüzlerce katılımcıya yardımcı olduğunu vurguluyor ve ilgili kişileri daha fazla bilgi için iş geliştirme ve satış ekipleriyle iletişime geçmeye teşvik ediyor.

  • 01:25:00 Konuşmacı, tüm stratejilerin borsa tarafından onaylanması gerekip gerekmediği ve stratejinin nasıl korunacağı da dahil olmak üzere izleyicilerden gelen birkaç soruyu ele alıyor. Algo sağlayıcılarının stratejinizi göremeyeceğini ve borsaların daha çok stratejinin piyasada tahribat yaratmamasını sağlamakla ilgilendiğini açıklıyorlar. Ayrıca program için bir öğrenci indiriminden ve Hindistan'daki emtia piyasalarında algo ticaretinin mevcudiyetinden bahsediyorlar. Ayrıca, role bağlı olarak bir HFT profilinde doğrusal cebir ve olasılık dağılımının önemini ve algo ticaretinin opsiyonlar ve forex dahil olmak üzere dünya çapında herhangi bir ticaret aracına uygulanabileceğini vurguluyorlar.

  • 01:30:00 Konuşmacılar kodlama stratejilerini, yeniden kullanılabilir kod sağlamayı ve Python ve R öğrenmenin gerekliliğini tartışıyorlar. Ayrıca stratejilerin doğrulanması, potansiyel yatırım getirisi ve makul sayıda tüccar için gerekli altyapı ile ilgili soruları yanıtlıyorlar. Konuşmacılar, stratejinizi başkalarıyla paylaşmamanız konusunda uyarıyor ve en iyi uygulamaları öğrenmeye ve kendi ticaret stratejisi fikirlerinizi bulmaya odaklanmanızı öneriyor.

  • 01:35:00 Konuşmacılar, bir stratejiyi geriye dönük test etmek için ideal zaman çerçevesi, orta hacimli ticaret için gereken minimum internet bant genişliği ve komisyonculuk elde etmenin nasıl atlanacağı da dahil olmak üzere, algoritmik ticaretle ilgili çeşitli soruları yanıtlıyor. Ayrıca Hindistan'da algoritmik ticaret için en iyi satıcıları ve Elliot dalga teorisi gibi isteğe bağlı ticaret stratejilerinin programlanıp programlanamayacağını tartışıyorlar. Konuşmacılar, programlama konusunda rahatsanız ve aklınızda net kurallar varsa, herhangi bir stratejinin kodlanabileceğini önermektedir. Tüccarlara, bireysel gereksinimlerine ve satıcının artı ve eksilerine göre satıcı seçmelerini tavsiye ediyorlar.

  • 01:40:00 Konuşmacı, katılımcılara teşekkür ederek ve daha fazla yardım sunarak algoritmik ticaret hakkında bilgilendirici oturumu sonlandırır. Zaman kısıtlamaları nedeniyle tüm soruları yanıtlayamasalar da konuşmacı, izleyicileri sorularını göndermeye teşvik eder ve programla veya genel olarak algoritmik ticaretle ilgilenenler için iletişim bilgilerini sağlar. Konuşmacı ayrıca, gelecekteki web seminerlerini planlamaya yardımcı olmak için bir anket aracılığıyla katılımcılardan geri bildirim almaya davet eder.
Informative Session on Algorithmic Trading
Informative Session on Algorithmic Trading
  • 2016.11.03
  • www.youtube.com
Know everything you wanted to know about Algorithmic Trading from the stalwart market practitioner Nitesh Khandelwal, Founder of iRage.Most Useful linksJoin ...
 

Brexit'in ve Son Piyasa Olaylarının Algoritmik Ticarete Etkisi - 19 Temmuz 2016



Brexit'in ve Son Piyasa Olaylarının Algoritmik Ticarete Etkisi - 19 Temmuz 2016

Nitesh Khandelwal, çeşitli varlık sınıflarında farklı rollerde çalışarak finansal piyasalara zengin bir deneyim getiriyor. Hindistan'da Algoritmik Ticaret teknolojisi ve strateji hizmetleri sağlama konusunda uzmanlaşmış saygın bir şirket olan iRageCapital Advisory Private Limited'in kurucu ortağıdır. Nitesh, iRageCapital ve QuantInsti'nin iş yönlerini yönlendirmede çok önemli bir rol oynadı. QuantInsti'de ayrıca türevler ve pazarlar arası çalışmalar eğitim departmanı başkanı olarak görev yaptı. Halen, Singapur'daki iRage Global Advisory Services Pte Ltd'de Direktör pozisyonundadır. Nitesh, banka hazinesinde, döviz ve faiz oranı alanlarındaki uzmanlığının yanı sıra tescilli ticaret masalarında deneyime sahip bir geçmişe sahiptir. IIT Kanpur'dan Elektrik Mühendisliği alanında lisans derecesine ve IIM Lucknow'dan İşletme alanında Yüksek Lisans derecesine sahiptir.

Brexit gibi son küresel olaylar ve bunun sonucunda döviz piyasasındaki dalgalanma, yatırımcılar arasında önemli endişelere neden oldu. Piyasa katılımcıları ticari faaliyetlerinde dikkatli olduklarından, bu tür olaylardan sonra riskten kaçınmanın artması doğaldır. Ancak, bu tür çalkantılı zamanlarda bile, otomatik tüccarlar gelişiyor. Basında çıkan haberler, algoritmik ticaret kullanan hedge fonlarının, özellikle stresli piyasa koşullarında, manuel tüccarlardan sürekli olarak daha iyi performans gösterdiğini gösteriyor.

Bilgilendirme Oturumu İçerikleri:

  1. Sezonun En Büyük Ticaret Olaylarının Analizi

    • Brexit'in küresel olarak farklı piyasa katılımcıları üzerindeki etkisinin incelenmesi
    • Hindistan'da SEBI'nin STT zammı gibi işlem maliyeti artışlarının sonuçlarını anlamak
    • Algoritmik ticaret firmalarının bu olaylara nasıl tepki verdiğini keşfetmek
  2. Quant/Algo Trader Olmak için Gereksinimler

    • Bu alanda gelecek vadeden tüccarlar için endüstri gereksinimlerini belirleme
    • Başarılı olmak için gereken temel beceri ve bilgilerin vurgulanması
    • Quantinsti'nin Algoritmik Ticarette Yönetici Programının bu becerileri geliştirmedeki faydalarını açıklamak
 

Duyarlılık Analizi Kullanarak Kantitatif Alım Satım | kaydeden Rajib Ranjan Borah



Duyarlılık Analizi Kullanarak Kantitatif Alım Satım | kaydeden Rajib Ranjan Borah

Duygu Analizi. fikir madenciliği olarak da bilinir, özellikle yazarın belirli bir konuya, ürüne vb. karşı tutumunun olumlu, olumsuz veya tarafsız olup olmadığını belirlemek için bir metin parçasında ifade edilen fikirleri hesaplamalı olarak tanımlama ve kategorize etme sürecidir.

Quantitative Trading using Sentiment Analysis | By Rajib Ranjan Borah
Quantitative Trading using Sentiment Analysis | By Rajib Ranjan Borah
  • 2016.06.29
  • www.youtube.com
This session focuses on explaining Quantitative Trading using Sentiment Analysis. The video discusses how quantitative analysis of news can be used to make a...
 

Nitesh Khandelwal'dan Algoritmik Ticaret Hakkında Bilgilendirme Oturumu - 24 Mayıs 2016



Nitesh Khandelwal'dan Algoritmik Ticaret Hakkında Bilgilendirme Oturumu - 24 Mayıs 2016

Oturum İçerikleri:

  • Algoritmik Ticaret endüstrisine genel bakış
  • Mevcut pazar payı ve hacimler
  • Küresel Algoritmik Ticaretin büyümesi ve geleceği
  • Risk önlemleri ve teknolojik gelişmeler
  • nasıl başlanır
  • Suları test etmenin ücretsiz ve ucuz yolları
Informative Session about Algorithmic Trading by Nitesh Khandelwal - May 24, 2016
Informative Session about Algorithmic Trading by Nitesh Khandelwal - May 24, 2016
  • 2016.05.26
  • www.youtube.com
Date and Time:Tuesday, May 24, 201606:00 PM IST | 08:30 PM SGT | 12:30 PM GMTSession Contents:An overview of the Algorithmic Trading industry- Current market...
 

Algoritmik Ticaret Stratejileri Oluşturmak için Yapay Zekadan Yararlanma



Algoritmik Ticaret Stratejileri Oluşturmak için Yapay Zekadan Yararlanma

Bir ticaret stratejisi geliştirme şirketinin CEO'su ve kurucu ortağı, algo ticaretinde yapay zekanın ve makine öğreniminin heyecan verici potansiyelini açıklıyor. Bu araçların başarısı büyük niceliksel koruma fonları tarafından kanıtlanmıştır ve açık kaynak kitaplıkları ve güçlü matematik veya bilgisayar bilimi geçmişi gerektirmeyen kullanıcı dostu araçlar sayesinde erişilebilirlikleri önemli ölçüde artmıştır. Konuşmacı ayrıca algoritmik ticaret bağlamında yapay zeka ve makine öğrenimi ile ilgili temel terimleri de tanıtıyor. Yapay zeka, çevrelerini algılayan ve başarıyı en üst düzeye çıkarmak için harekete geçen akıllı etmenlerin incelenmesi olarak tanımlanır. Yapay zekanın bir alt kümesi olan makine öğrenimi, açık programlama olmadan öğrenebilen ve tahminler yapabilen algoritmalara odaklanır. Makine öğreniminin bir dalı olan örüntü tanıma, verilerdeki örüntüleri ortaya çıkarmayı içerirken, ilişkilendirme kuralı öğrenme, bu örüntülere dayalı olarak eğer-o zaman ifadeleri oluşturmayı içerir. Konuşmacı, dört V'si ile karakterize edilen Büyük Veri kavramından kısaca bahseder: hacim, hız, çeşitlilik ve doğruluk.

Sunum yapan kişi, büyük veri, doğruluk, yapay zeka, makine öğrenimi, örüntü tanıma ve veri madenciliği dahil olmak üzere tartışılacak terim ve kavramları ana hatlarıyla belirtir. Daha sonra algoritmik ticaret stratejileri oluştururken en iyi uygulamaları ve yaygın tuzakları araştırırlar. Bunlar, başarı için somut hedefler belirlemeyi, karmaşıklıktansa basitliğe öncelik vermeyi, tek bir modele güvenmek yerine sağlam bir süreç ve iş akışı oluşturmaya odaklanmayı ve önyargılı sonuçlardan kaçınmak için tüm süreç boyunca sağlıklı bir şüphecilik sürdürmeyi içerir.

Konuşmacı, makine öğreniminin ticaret stratejileri oluşturmak için göstergeler ve veri kümeleri seçme zorluğunu nasıl çözebileceğini tartışmaya devam ediyor. Karar ağaçları ve rasgele ormanlar, en iyi veri bölmelerini arayarak önemli göstergeleri belirleme teknikleri olarak tanıtılmaktadır. Rastgele ormanların, daha karmaşık olmasına rağmen, karar ağaçlarından daha sağlam ve güçlü olduğu belirtilmektedir. Konuşmacı ayrıca gösterge setlerini "sarmalayıcı" adı verilen bir teknik kullanarak birleştirmenin nasıl daha güçlü bir kombinasyon oluşturabileceğini araştırıyor.

Ardından, konuşmacı algoritmik ticaret stratejilerinde teknik göstergelerin kullanımını ve altta yatan kalıpları ve eğilimleri belirlemedeki faydalarını tartışıyor. Makine öğrenimine dayalı gösterge parametrelerini optimize etme sorusu gündeme gelir ve verileri analiz etmek ve farklı kalıpları ve bilgileri ortaya çıkarmak için birden çok sınıflandırıcıyı birleştiren topluluk öğrenimi kavramı tanıtılır. Makine öğreniminde özellik seçimi ve özellik çıkarımı arasındaki farktan da bahsediliyor ve birden çok sınıflandırıcı kullanılırken eğri uyumuna dikkat edilmesi gerektiği hatırlatılıyor.

Sunum yapan kişiler, ticaret stratejileri için yorumlanabilirliği korurken makine öğrenimi algoritmalarından yararlanmanın bir yolu olarak örüntü tanıma ve ilişkilendirme kuralı öğreniminin kombinasyonunu gösteriyor. Aussie USD'de üç dönemlik bir RSI ile açık fiyat ile 50 dönemlik bir SMA arasındaki fiyat farkı arasındaki ilişkiyi analiz etmek için bir destek vektör makinesi kullanan bir örnek sağlıyorlar. Net kalıplar ticaret kurallarına çevrilir. Ancak, bu yöntemin yüksek boyutlu verileri analiz etme, otomasyon zorlukları ve çıktıyı yorumlama gibi sınırlamalarını kabul ediyorlar. Konuşmacı, Trade'i bu endişeleri gidermek için olası bir çözüm olarak tanıtıyor ve tüccarların arzu ettikleri herhangi bir göstergeyle algoritmalardan yararlanmalarına izin veriyor.

Sunum yapan kişi, bulut tabanlı bir ticaret platformu kullanarak ticaret stratejilerinin nasıl oluşturulacağını göstermeye devam ediyor. Beş yıllık verileri kullanarak günlük bir grafikte Avustralya Doları ticareti yapmak için bir strateji oluşturma örneğini kullanıyorlar. Eğri uydurmayı önlemek için, algoritma yalnızca 1 Ocak 2015'e kadar eğitildi ve test için bir yıllık örnek dışı veriler kaldı. Taraflı geriye dönük testlerden kaçınmak için bu örneklem dışı verilerin israf edilmemesinin önemi vurgulanmaktadır. Gösterge analizi ve örüntü belirleme için makine öğrenimi algoritmalarının kullanılması, ticaret stratejilerini optimize etmeye yönelik esnek ve güçlü bir yaklaşım olarak sunulur.

Sunucu, Trade-Ideas'ın platformunu ve açık kaynak gösterge kitaplığı TA Lib'i kullanarak bir ticaret stratejisi oluşturma sürecini göstererek devam ediyor. Aussie USD'nin beş yıllık bir süre boyunca fiyat hareketini analiz ediyorlar, güçlü sinyallere sahip aralıkları belirliyorlar ve gösterge aralıklarını seçip ilişkilerini not ederek alım satım kurallarını rafine ediyorlar. 50 dönemlik bir SMA'ya göre fiyat için bir kural ekleyerek, güçlü sinyallere sahip iki farklı aralığı tanımlarlar. Makine öğrenimi algoritması sonuçlarının analizine ve daha net yorumlama için doğrudan histogramlardan kurallar oluşturmaya izin verdiği için Trade-Ideas kullanmanın avantajı vurgulanmıştır.

Sunum yapan kişi, güçlü kısa sinyaller bulmak için doğru göstergelerin seçilmesi ve kuralların rafine edilmesi dahil olmak üzere bir ticaret stratejisi için kısa kurallar oluşturma prosedürünü tartışıyor. En uygun stratejiyi bulmak için göstergelerle farklı kalıpları test etme ve keşfetme vurgulanır. İşlem maliyetlerinin dahil edilmesiyle MetaTrader4'te örnek dışı kod oluşturma ve stratejiyi test etme de gösterilmiştir. Sunucu, yaklaşımın algoritmik ticaretle ilgili olduğunu onaylar.

Konuşmacı, strateji oluşturma sürecinde kullanılmayan en son örnek dışı veriler üzerine inşa edilen stratejinin nasıl test edileceğini açıklar. Simülasyon, para birimleri ve hisse senetleri için popüler bir ticaret platformu olan MetaTrader kullanılarak gerçekleştirilir. Platformun aktif geliştirici topluluğu, otomatikleştirilmiş stratejiler, özel göstergeler oluşturur ve aynı veriler üzerinde test ve işlem yapmak için mükemmel bir fırsat sunar. Simülasyonun odak noktası, stratejinin örneklem dışı veriler üzerindeki performansını değerlendirmektir. Konuşmacı, aracın doğrudan aracı kurumlara beyaz etiketle ücretsiz olarak sunulmasını planlayan bir girişim tarafından geliştirildiğinden bahsediyor.

Konuşmacı, geriye dönük testlerden sonra risk ve para yönetimi tekniklerinin bir stratejiye dahil edilmesini ele alıyor. Basit kar alma ve zararı durdurma önlemleri, düşüşleri azaltmanın ve aşağı yönlü risklere karşı korunmanın yolları olarak tartışılıyor. Eğri uydurmaya karşı korunmak için konuşmacı, canlı yayına geçmeden önce geniş bin seçimlerinin, numune dışı testlerin ve demo hesapların kullanımını vurgular. Alım satım stratejilerinde kara kutu sinir ağları yerine sadelik ve şeffaflığın tercih edilmesinden de bahsedilmektedir.

Sunum sırasında konuşmacı, platformlarının Quanto Pian veya Quanto Connect gibi diğer platformlarla karşılaştırılmasına ilişkin soruları yanıtlıyor ve platformlarının mevcut stratejileri otomatikleştirmek yerine daha çok strateji keşfi ve analizine odaklandığını vurguluyor. Otomatikleştirilmiş stratejilerde teknik verilerin önemi kabul edilirken, platformlarının duyarlılık göstergeleri gibi diğer veri kümelerini de içerdiğine dikkat çekiliyor. MetaTrader 4 yararlı bir araç olarak gösteriliyor ve ticarette risk ve para yönetimi stratejilerinin önemi tartışılıyor. Konuşmacı ayrıca, otomatik ticaret stratejilerindeki en iyi uygulamaları ve yaygın tuzakları da kapsar.

Konuşmacı, ticaret stratejilerinde göstergelerin kullanımını tartışıyor ve karmaşıklık ile aşırı uyum arasındaki dengeyi vurguluyor. Yeterli bilgi içerme ile fazla uydurmadan kaçınma arasında bir denge kurmak için strateji başına üç ila beş gösterge kullanılmasını önerirler. Algoritmaya beslenen verilerin veya özelliğin önemi ve çıktının nasıl uygulandığı vurgulanır. Altta yatan algoritma, kullanılan göstergeler ve bunların uygulanmasından daha az önemli kabul edilir. MetaTrader 4'te genetik optimize edicinin kullanılması ve göstergeleri platformla hizalamanın önemi hakkında sorular da ele alınmaktadır.

Konuşmacı, değer yatırımında makine öğreniminin uygulanmasını araştırıyor. Daha önce algoritmik ticaret için tartışılan aynı süreç, değer yatırımına uygulanabilir, ancak teknik göstergeler yerine, bir şirketin doğal değerini ölçen veri kümeleri kullanılır. Örneğin piyasa değeri veya fiyat-kazanç oranı, bu veriler ile varlığın fiyat hareketi arasındaki ilişkiyi ortaya çıkarabilir. Ticaret başına getiri için optimizasyon ve bir algoritmanın piyasa ile ne zaman senkronize olmadığını belirleme de tartışılmaktadır. Python ve R, kişinin kodlama deneyimine ve geçmişine bağlı olarak uygun programlama dilleri olarak önerilir.

Son olarak, konuşmacı, finans ve teknolojiyi birleştirmeyi içeren algoritmik ticaret için gereken temel beceri ve bilgileri vurgular. Stratejileri otomatikleştirmek için pazarları, büyük veri istatistiklerini ve teknolojiyi anlamak çok önemlidir. Başarılı bir algoritmik tüccar olmak için çeşitli işlemlerde ve becerilerde gerekli eğitimi almanın bir yolu olarak niceliksel eğitim programları önerilmektedir. Python, algoritma oluşturmak için harika bir seçenek olarak önerilir.

  • 00:00:00 Bir ticaret stratejisi geliştirme şirketinin CEO'su ve kurucu ortağı, yapay zeka ve makine öğreniminin algo ticareti için neden heyecan verici araçlar olduğunu ve büyük niceliksel koruma fonları tarafından nasıl başarılı olduklarını açıklıyor. Ayrıca, güçlü bir matematik veya bilgisayar bilimi geçmişi gerektirmeyen açık kaynaklı kitaplıklar ve araçlar nedeniyle bu araçlara erişilebilirliğin önemli ölçüde arttığının altını çiziyor. Bu bölüm aynı zamanda temel terminolojiyi ve tacirler ile bu teknikleri uygulamak için en iyi uygulamaları ve ayrıca alım satım sonuçlarını iyileştirmek için özel uygulamaları kapsar.

  • 00:05:00 Konuşmacı, algoritmik ticaretle ilgili olduğu için yapay zeka ve makine öğrenimi ile ilgili temel terimlerin tanımlarını sağlar. Yapay zeka, çevrelerini algılayan ve başarı şanslarını en üst düzeye çıkarmak için harekete geçen akıllı ajanlar üzerine yapılan bir çalışma olarak tanımlanır. Yapay zekanın bir alt kümesi olan makine öğrenimi, açık programlama olmadan öğrenebilen ve tahminler yapabilen algoritmalara odaklanır. Örüntü tanıma, makine öğreniminin verilerdeki kalıpları ortaya çıkarmaya odaklanan dalıdır ve İlişkilendirme kuralı öğrenme, bu kalıpları eğer-ise ifadelerine dönüştürmeyi içerir. Son olarak, konuşmacı, Büyük Veri'ye kısaca değinerek, bunun hacim, hız, çeşitlilik ve doğruluktan oluşan dört V'yi takip ettiğini belirtir.

  • 00:10:00 Konuşmacı, sunumda tartışılacak olan büyük veri, doğruluk, yapay zeka, makine öğrenimi, örüntü tanıma ve veri madenciliği gibi bazı terim ve kavramları ana hatlarıyla belirtir. Konuşmacı daha sonra algoritmik ticaret stratejileri oluştururken kaçınılması gereken bazı en iyi uygulamaları ve yaygın tuzakları sunmaya devam ediyor. Bunlar, başarıyı somut hedeflerle tanımlamayı, karmaşıklığa göre basitliğe öncelik vermeyi, tekil bir model yerine sağlam bir süreç ve iş akışı oluşturmaya odaklanmayı ve olumlu sonuçlara yönelik önyargıyı önlemek için tüm süreç boyunca sağlıklı bir dozda şüpheciliğe sahip olmayı içerir.

  • 00:15:00 Konuşmacı, makine öğreniminin bir ticaret stratejisi oluştururken hangi göstergelerin ve veri kümelerinin kullanılacağını belirleme sorununu çözmeye nasıl yardımcı olabileceğini tartışıyor. Konuşmacı, veri setini en iyi bölen göstergeleri ve değerleri arayarak, karar ağaçlarının ve rastgele ormanların göstergeleri seçmek için nasıl kullanılabileceğini açıklar; ağacın tepesindeki göstergeler daha önemlidir ve veri seti ile daha yüksek bir ilişkiye sahiptir. . Konuşmacı ayrıca rastgele ormanların karar ağaçlarından daha sağlam ve güçlü ama aynı zamanda daha karmaşık olduğundan da bahsediyor. Ek olarak, konuşmacı, sarmalayıcı olarak bilinen bir teknik kullanarak daha güçlü bir kombinasyon oluşturmak için gösterge setlerinin birlikte nasıl kullanılabileceğini araştırıyor.

  • 00:20:00 Konuşmacı, algoritmik ticaret stratejilerinde teknik göstergelerin kullanımını ve altta yatan kalıpları ve eğilimleri belirlemede sundukları faydaları tartışıyor. Ayrıca, gösterge parametrelerini makine öğrenimine dayalı olarak optimize etmenin mümkün olup olmadığı sorusunu ele alıyorlar ve birden fazla sınıflandırıcıyı birleştirmek ve farklı kalıpları ve bilgileri bulmak için verileri analiz etmek için topluluk öğreniminin kullanımını vurguluyorlar. Konuşmacı daha sonra makine öğreniminde özellik seçimi ve özellik çıkarımı arasındaki farka değiniyor ve birden çok sınıflandırıcı kullanırken eğri uydurmanın bilincinde olmanın önemini kabul ediyor.

  • 00:25:00 Sunucular, makine öğrenimi algoritmalarından yararlanmanın bir yolu olarak örüntü tanıma ve ilişkilendirme kuralı öğreniminin birleşimini tartışırken aynı zamanda çıktıyı yorumlayabilir ve ticaret stratejilerine uygulayabilir. Aussie USD'de üç dönemlik bir RSI ile açık fiyat ile 50 dönemlik bir SMA arasındaki fiyat farkı arasındaki ilişkiyi analiz etmek için bir destek vektör makinesi kullanmanın bir örneğini veriyorlar. Çıktı, ticaret kurallarına çevrilen net modeller üretti. Bu yöntem tüccarların kendi sezgi ve deneyimlerini kullanmalarına izin verirken, aynı zamanda yüksek boyutlu verileri analiz etmede zorluklar, otomasyon ve çıktıyı yorumlama gibi çeşitli dezavantajlara da sahiptir. Ticaret, bu endişeleri gideren olası bir çözüm olarak sunulur ve tacirlerin istedikleri göstergeleri analiz etmek için bu algoritmalardan yararlanmalarına olanak tanır.

  • 00:30:00 Sunum yapan kişi, bulut tabanlı bir ticaret platformunda ticaret stratejilerinin nasıl oluşturulacağını gösterir. Verilen örnek, son beş yıllık verileri kullanarak günlük bir grafikte Avustralya Doları ticareti yapmak için bir strateji oluşturmaktır. Eğri uydurmayı önlemek için, algoritma yalnızca 1 Ocak 2015'e kadar eğitildi ve stratejiyi daha önce görmediği bir konuda test etmek için bir yıllık örneklem dışı veri bıraktı. Sunucu, belirli bir veri setinde iyi performans gösteren bir geriye dönük test seçmeye yönelik önyargıyı önlemek için bu örneklem dışı verileri boşa harcamamanın önemini vurgular. Göstergeleri analiz etmek ve altta yatan kalıpları bulmak için makine öğrenimi algoritmalarını kullanmak, ticaret stratejilerini optimize etmenin daha esnek ve güçlü bir yoludur.

  • 00:35:00 Sunum yapan kişi, Trade-Ideas'ın platformunu ve açık kaynak gösterge kitaplığı TA Lib'i kullanarak bir ticaret stratejisinin nasıl oluşturulacağını gösterir. Aussie USD fiyat hareketini beş yıllık bir süre boyunca analiz ederek başlıyorlar ve algoritmanın güçlü sinyaller bulabileceği aralıkları belirliyorlar. Gösterge aralıklarını seçerek ve aralarındaki ilişkiyi not ederek uzun vadeli hareket etme kurallarını geliştirirler. 50 dönemlik bir SMA'ya göre fiyat için bir kural ekleyerek, işlem algoritmalarının güçlü sinyaller bulduğu iki farklı aralığı görebilirler. Trade-Ideas kullanmanın avantajı, makine öğrenimi algoritmalarının sonuçlarının analizine, en güçlü sinyallerin nerede olduğunu bulmaya ve kuralların tam olarak ne söylediğini görmek için doğrudan histogramlardan kurallar oluşturmaya izin vermesidir.

  • 00:40:00 Sunucu, güçlü bir kısa sinyal bulmak için doğru göstergelerin seçilmesi ve kuralların rafine edilmesi dahil olmak üzere bir ticaret stratejisi için kısa kurallar oluşturma prosedürünü tartışıyor. Sunum yapan kişi, en iyi stratejiyi bulmak için göstergelerle farklı kalıpları test etmenin ve keşfetmenin önemini vurgular. Tartışma daha sonra, işlem maliyetlerini dahil etme yeteneği ile MetaTrader4'te kod oluşturmaya ve örnek dışı stratejiyi test etmeye geçer. Sunucu, yaklaşımın algoritmik ticaret olduğunu onaylar.

  • 00:45:00 Sunucu, strateji oluşturma sürecinde kullanılmayan en son örnek dışı veriler üzerinde oluşturdukları stratejinin nasıl test edileceğini açıklıyor. Simülasyon, para birimleri ve hisse senetleri ticareti için MetaTrader adlı popüler bir ticaret platformunda yürütülüyor. Platform, otomatikleştirilmiş stratejiler ve özel göstergeler geliştiren aktif bir geliştiriciler topluluğuna sahiptir ve ticaret için kullanılan aynı veriler üzerinde analizi ve ticareti test etmek için mükemmel bir fırsat sunar. Simülasyonun odak noktası, stratejinin performansını örneklem dışı veriler üzerinde test etmektir. Araç, doğrudan aracı kurumlara beyaz etiketleyerek ücretsiz olarak kullanıma sunmayı planlayan bir start-up tarafından geliştirilmiştir.

  • 00:50:00 Konuşmacı, geriye dönük testten sonra risk ve para yönetimi tekniklerinin bir stratejiye nasıl dahil edileceğini açıklıyor. Basit bir kâr al ve zararı durdur eklemek, düşüşü önemli ölçüde azaltabilir ve aşağı yönlü risklere karşı koruma sağlayabilir. Konuşmacı daha sonra algoritmik ticarette eğri uydurmaya karşı nasıl korunulacağına ilişkin bir soruyu ele alır. Aşırı uyumdan kaçınmak için konuşmacı, canlı yayına geçmeden önce geniş bin seçimleri, numune dışı testler ve demo hesapları kullanmayı vurgular. Son olarak, konuşmacı, ticaret stratejileri için kişisel tercihlerinin kara kutu sinir ağları üzerinde basitlik ve şeffaflık olduğunu belirtiyor.

  • 00:55:00 Konuşmacı, platformlarının daha çok mevcut stratejileri otomatikleştirmeye odaklanan Quanto Pian veya Quanto Connect gibi diğer platformlarla karşılaştırıldığında nasıl olduğu hakkında soruları ele alırken, platformları daha çok strateji keşfi ve analizine odaklanıyor. Ayrıca otomatikleştirilmiş stratejilerde teknik verilerin önemini tartıştılar, ancak platformlarının duygusal göstergeler gibi başka veri kümelerini de içerdiğini vurguladılar. Buna ek olarak, konuşmacı MetaTrader 4'ün kullanımını gösterdi ve ticarette risk ve para yönetimi stratejilerinin önemini tartıştı. Son olarak, konuşmacı otomatik ticaret stratejilerindeki en iyi uygulamaları ve yaygın tuzakları tartıştı.

  • 01:00:00 Konuşmacı, alım satım stratejilerinde göstergelerin kullanımını ve karmaşıklık ile fazla uydurma arasındaki dengeyi tartışıyor. Çok fazla bilgi içerme ile fazla uydurma arasında bir denge kurmak için strateji başına üç ila beş gösterge kullanılmasını önerirler. Konuşmacı ayrıca algoritmaya beslenen verilerin veya özelliğin önemini ve çıktının nasıl uygulandığını tartışır. Bunun altta yatan algoritmadan çok, kullanılan göstergeler ve bunların nasıl uygulandığıyla ilgili olduğunu vurguluyorlar. Konuşmacı ayrıca Metatrader4'te genetik optimize edicinin kullanılması ve platform tarafından kullanılanlarla aynı göstergeleri kullanmanın önemi hakkında soruları da ele alıyor.

  • 01:05:00 Konuşmacı, değer yatırımı için makine öğrenimini kullanmayı tartışıyor. Daha önce algoritmik ticaret için tartışılan aynı süreç, değer yatırımı için kullanılabilir, ancak teknik göstergeler yerine yatırımcılar, bir şirketin doğal değerini ölçmede önemli olan veri kümelerini kullanır. Örneğin, bir yatırımcı, bu veriler ile dayanak varlığın fiyat hareketi arasındaki ilişkiyi görmek için piyasa değeri veya fiyat-kazanç oranını kullanabilir. Konuşmacı ayrıca işlem başına getiriyi optimize etmenin yollarını ve bir algoritmanın piyasa ile senkronize olmadığının nasıl bilineceğini de tartışıyor. Son olarak, konuşmacı Metatrader'ı öğrenmenin kolaylığını tartışıyor ve hem Python hem de R'nin, kişinin kodlama deneyimine ve geçmişine bağlı olarak makine öğrenimi için harika kitaplıklara sahip olduğundan bahsediyor.

  • 01:10:00 Konuşmacı, finans ve teknolojiyi birleştirmeyi içeren algoritmik ticaret için gereken gerekli beceri ve bilgileri tartışıyor. Başarılı ticaret stratejileri tasarlamak için, stratejileri otomatikleştirmek için piyasaları, büyük veri istatistiklerini ve teknolojiyi anlamak gerekir. Nicel eğitim programları, başarılı bir algoritmik tüccar olmak için gerekli çeşitli işlemler ve beceriler hakkında eğitim sağlayabilir. Algoritmalarını oluşturmak isteyenler için Python da harika bir seçenek olarak önerilir.
Leveraging Artificial Intelligence to Build Algorithmic Trading Strategies
Leveraging Artificial Intelligence to Build Algorithmic Trading Strategies
  • 2016.03.23
  • www.youtube.com
In this session on "Leveraging Artificial Intelligence to Build Algorithmic Trading Strategies", our guest speaker, Mr Tad Slaff, CEO of Inovance covered the...