Algoritmik ticaret - sayfa 21

 

Yüksek frekanslı ticaret stratejileri



Yüksek frekanslı ticaret stratejileri

Bugün beni yüksek frekanslı ticaret stratejileri hakkındaki makalemi sunmaya davet ettiğiniz için teşekkür ederim. Benim adım Amy Kwan ve Sidney Üniversitesi'ndenim. Bu makale, Babson College'dan Michael Goldstein ve yine Sidney Üniversitesi'nden Richard Phillip ile birlikte yazılmıştır.

Bu makalenin amacı, yüksek frekanslı ticaretin (HFT) finansal piyasalar üzerindeki etkisine ilişkin düzenleyiciler, piyasa katılımcıları ve akademisyenler arasında devam eden tartışmalara katkıda bulunmaktır. Sean'ın sunumu ve dün geceki tartışma da dahil olmak üzere bu konuda farklı bakış açıları duyduk.

HFT hakkında farklı görüşler olsa da, "Flash Boys" kitabının yazarı Michael Lewis gibi bazı kişiler, ABD borsasının hıza dayalı bir sınıf sistemi haline geldiğini, ayrıcalıklı azınlığın nanosaniyeler için ödeme yaptığı, diğer yandan da hıza dayalı bir sınıf sistemi haline geldiğini savunuyor. diğerleri bu küçücük zaman aralıklarının değerinden habersiz kalır. Öte yandan, Ray Katsuyama gibi HFT'nin savunucuları, HFT'lerin ticaret sinyallerini toplayabildiğini ve düzenli yatırımcılardan yararlanabileceğini iddia ediyor.

İlk akademik kanıtlar, likiditeyi artırdığına ve spreadleri azaltmak, derinliği artırmak ve kısa vadeli oynaklığı azaltmak gibi geleneksel piyasa kalitesi önlemlerini iyileştirdiğine inanıldığı için genellikle HFT ve algoritmik ticareti destekledi. Bununla birlikte, daha yeni araştırmalar, HFT'nin bazı olumsuz yönlerini bulmuştur. Örneğin, HFT'ler diğer yatırımcılardan gelen sipariş akışını tahmin edebilir ve piyasa güçlerinden rant elde edebilir.

Ayrıca, Banker, Blending, Courageous ve Canorkey tarafından yapılanlar gibi yakın tarihli araştırmalar, HFT'lerin başlangıçta rüzgara karşı ticaret yaptığını, ancak daha sonra büyük bir ticaret ilerledikçe rüzgarla ticaret yaptığını gösteriyor. Bunu göstermek için, büyük bir emeklilik fonunun Apple hissesi satın almak istediği bir senaryoyu ele alalım. HFT'ler, bu ticareti tespit ettikten sonra, satın alma baskısı nedeniyle gelecekteki fiyat artışını tahmin ettikleri için kurumla aynı yönde ticaret yapmak için rekabet edebilir.

HFT'nin etkilerine dair bir miktar anlayış olsa da, HFT'lerin gerçekte nasıl ticaret yaptığı ve finansal piyasaları nasıl etkilediği konusunda literatür belirsizliğini koruyor. Mevcut kanıtların çoğu ticaret uygulamalarına dayanmaktadır ve Avustralya'daki emir sunma davranışı hakkında çok az şey bilinmektedir.

Bu boşluğu gidermek için çalışmamız, tam limit emir defteri verilerini analiz ederek doğrudan HFT ticaret stratejilerini inceliyor. ASX'teki ilk 100 hisse senedi için emir gönderimleri, değişiklikler, iptaller ve alım satımlar hakkında ayrıntılı bilgilere erişimimiz var. Tüccarları HFT firmaları, kurumsal tüccarlar ve perakende komisyoncular olarak sınıflandırarak davranışlarını ve pazar dinamikleri üzerindeki etkisini anlamayı amaçlıyoruz.

Ana bulgularımız, HFT'lerin sipariş defterini izlemede ve dengesizlikler üzerinde işlem yapmada mükemmel olduğunu ortaya koyuyor. Bir hisse senedi alıp satmaya yönelik daha yüksek bir talep olduğunda, HFT'ler diğer tacir kategorilerine kıyasla bu bilgilerden yararlanmada daha başarılıdır. Ek olarak, HFT'lerin, ihtiyaç olmadığında bile emir defterinin sabit tarafında likidite sağladığını, HFT olmayanların ise HFT'lerin stratejik alım satım davranışları nedeniyle emir defterine sınırlı erişimden muzdarip olduğunu gözlemliyoruz.

Ayrıca, "o" adı verilen daha hızlı bir veri akışının tanıtımını da inceliyoruz ve HFT'lerin, uygulamaya konduktan sonra stratejik ticaretlerinde daha da etkili hale geldiğini görüyoruz. Bununla birlikte, HFT olmayan emirler, limit emir defterinden çıkarılır ve bu tüccarlar için başarılı uygulama şansının azalmasına neden olur.

Sonuç olarak çalışmamız, tam limit emir defteri verilerini analiz ederek HFT ticaret stratejilerinin anlaşılmasına katkıda bulunmaktadır. HFT'lerin, sipariş defterini izleme ve dengesizlikler üzerinde işlem yapma konusunda diğer tüccar kategorilerinden daha iyi performans gösterdiğini bulduk. Daha hızlı bir veri akışının tanıtılması, ticaret avantajlarını daha da artırır. Bu bulgular, HFT'lerin piyasa dinamiklerini nasıl etkilediğine ışık tutuyor ve düzenleyiciler, piyasa katılımcıları ve akademisyenler için değerli bilgiler sağlıyor.

Araştırmamızı sunma fırsatı verdiğiniz için tekrar teşekkür ederiz.

High frequency trading strategies
High frequency trading strategies
  • 2017.02.05
  • www.youtube.com
Speaker : Amy Kwan7th Emerging Markets Finance Conference, 201613th - 17th December 2016
 

Ciamac Moallemi: Yüksek Frekanslı Ticaret ve Piyasa Mikro Yapısı



Ciamac Moallemi: Yüksek Frekanslı Ticaret ve Piyasa Mikro Yapısı

Sunumumun amacının bir kısmı, insanları öğretim üyeleri tarafından yürütülen araştırmalara alıştırmaktır. Ana konuya girmeden önce, uygulamalı bir matematikçi olarak kendi çalışmalarım hakkında biraz bilgi vermek istiyorum. Zamanımın yaklaşık yarısı, belirsizliğin varlığında zaman içinde karar vermeyi içeren stokastik kontrol problemlerini keşfetmeye adanmıştır. Bu soyut matematiksel problemler önemli zorluklar teşkil eder, ancak temeldir, çünkü birçok mühendislik ve işletme problemi benzer özellikleri paylaşır. Araştırmamın diğer yarısı, finans mühendisliği alanındaki stokastik kontrol problemlerinin daha uygulamalı yönüne odaklanıyor.

Riskten korunma fonu yöneticisi olarak önceki deneyimlerime dayanarak, finansal piyasalarda optimum ticaret, piyasa mikro yapısı ve yüksek frekanslı ticarete özel bir ilgim var. Bugün, modern elektronik pazarlarının karmaşıklığına ilişkin içgörü sağlamak için bu konuları tartışacağım. Eldeki sorunları değerlendirmek için, son beş ila on yılda önemli ölçüde gelişen ABD hisse senedi piyasalarının ana özelliklerini anlamak çok önemlidir.

Her şeyden önce, elektronik ticaret piyasaya hakimdir ve New York Menkul Kıymetler Borsası'ndaki tüccarların geleneksel imajını büyük ölçüde alakasız hale getirir. Alım satım artık esas olarak bilgisayarlarda yapılıyor ve elektronik ticaret, değiş tokuş için birincil mekanizma. Bir başka dikkate değer değişiklik, ticaretin ademi merkeziyetçiliği veya parçalanmasıdır. Geçmişte, belirli bir hisse senedi ağırlıklı olarak Nasdaq veya New York Borsasında işlem görüyordu. Bununla birlikte, artık her biri hisse senedi ticaretinin önemli bir yüzdesini oluşturan birden fazla borsa var.

Bu borsalar, piyasa katılımcılarının belirli fiyatlardan alış ve satış emirleri verebilecekleri elektronik limit emir defterleri şeklinde düzenlenir. Fiyatlar kesiştiğinde, işlemler gerçekleştirilir. Bu, New York Menkul Kıymetler Borsası'nın tarihsel bayi piyasası veya uzman piyasa yapısına zıttır. Ek olarak, işlemlerin yaklaşık %30'u elektronik geçiş ağları, karanlık havuzlar ve içselleştirme gibi alternatif mekanlarda gerçekleşir ve bu da ticaretin merkezi olmayan doğasına daha fazla katkıda bulunur.

Modern pazarların en çarpıcı özelliklerinden biri, katılımcıların artan otomasyonudur. Önceden, bir insan tüccarı büyük siparişleri idare ederdi, ancak şimdi algoritmalar ve yüksek frekanslı ticaret devraldı. Algoritmik ticaret, yatırımcıların büyük siparişleri zaman içinde ve borsalar arasında dilimlemelerine ve ayırmalarına olanak tanırken, genellikle piyasa yapıcılar olarak sınıflandırılan yüksek frekanslı tüccarlar likidite sağlar. Bu son trendler, piyasayı daha karmaşık hale getirdi ve algoritmik tüccarlar ile yüksek frekanslı tüccarlar arasında öngörülemeyen etkileşimlere yol açtı.

Bu gelişmeler hem politika düzeyinde hem de bireysel katılımcılar için önemli soruları gündeme getirdi. Politika yapıcılar ve düzenleyiciler, mevcut karmaşık piyasa yapısının avantajlarını ve dezavantajlarını değerlendirmelidir. Ayrıca, algoritmik bir tüccar ile yüksek frekanslı tüccarlar arasındaki patolojik bir etkileşim nedeniyle piyasa fiyatlarının birkaç dakika içinde önemli ölçüde düştüğü 6 Mayıs 2010'deki ünlü ani çöküş gibi olayların meydana gelmesi gibi konuları da ele almaları gerekir.

Bireysel katılımcı düzeyinde, karar verme problemlerinin ele alınması gerekir. Piyasanın karmaşıklığı ve öngörülemezliği göz önüne alındığında, katılımcılar ticaret stratejileri için en etkili yaklaşımı belirlemelidir. Bu bağlamda, yüksek frekanslı ticaret ve piyasa mikro yapısıyla ilgili iki özel sorun üzerine araştırma yaptım: gecikmenin önemini anlamak ve piyasalardaki karanlık havuzların rolünü incelemek.

Gecikme, bir ticaret kararının verilmesi ile uygulanması arasındaki gecikmeyi ifade eder. Düşük gecikme süresiyle hızlı işlem yapma yeteneği giderek daha önemli hale geldi. Gecikme ile ilişkili değeri ve maliyeti değerlendirmek için ticaret kararlarındaki önemini değerlendirmek gerekir. Yıllar geçtikçe, ABD hisse senedi piyasalarındaki gecikme önemli ölçüde azaldı ve alım satım artık mikrosaniyeler içinde gerçekleşiyor. Bu teknolojik gelişme, yüksek frekanslı tüccarlardan ve daha hızlı işlem yapmak isteyen diğerlerinden gelen talep tarafından yönlendirildi.

Gecikmenin önemini anlamak başka soruları da beraberinde getirir. Düşük gecikme, en son bilgilerle karar vermede faydalı mı? Rakiplerden daha hızlı olmak kar elde etmede avantaj sağlar mı? Ek olarak, borsaların kuralları ve organizasyonu genellikle erken girişe öncelik vererek daha düşük gecikmeli bağlantılara sahip tacirler için avantajlar yaratır. Bu, adalet ve pazar fırsatlarına eşit erişim konusunda endişeleri artırıyor.

Bu soruları ele almak için araştırmam, yüksek frekanslı ticaretin dinamiklerini ve gecikmenin ticaret stratejileri üzerindeki etkisini yakalayan matematiksel modeller geliştirmeyi içeriyor. Farklı senaryoları simüle ederek ve sonuçları analiz ederek, alım satım kararlarında hız ve doğruluk arasındaki optimum dengeye dair içgörü sağlamayı hedefliyorum. Bu araştırma, riskten korunma fonları veya kurumsal yatırımcılar gibi piyasa katılımcılarının, oldukça rekabetçi bir ortamda performanslarını en üst düzeye çıkarmak için ticaret algoritmalarını ve altyapılarını tasarlamalarına yardımcı olabilir.

Araştırmamın bir başka alanı da karanlık havuzların modern pazarlardaki rolüne odaklanıyor. Karanlık havuzlar, katılımcıların halka açık pazardan uzakta, anonim olarak büyük alım satımlar yapmalarına olanak tanıyan özel alım satım yerleridir. Bu alternatif yerler, piyasa etkisini en aza indirme ve önemli işlem hacimlerine sahip kurumsal yatırımcılar için yürütme kalitesini artırma potansiyelleri nedeniyle popülerlik kazanmıştır.

Bununla birlikte, karanlık havuzların yükselişi, piyasa şeffaflığı ve adaletiyle ilgili endişeleri artırdı. Eleştirmenler, bu mekanlarda şeffaflık eksikliğinin bilgi asimetrisi yaratabileceğini ve fiyat keşfini olumsuz etkileyebileceğini savunuyor. Ek olarak, yüksek frekanslı tüccarların karanlık havuzlarda ticaret öncesi şeffaflık eksikliğini kendi avantajları için kullandıkları durumlar olmuştur.

Araştırmamda karanlık havuzların piyasa likiditesi, fiyat oluşumu ve piyasa katılımcılarının davranışları üzerindeki etkisini araştırıyorum. Matematiksel modeller geliştirerek ve ampirik analizler yaparak, karanlık havuz ticareti ile ilgili yararları ve sakıncaları anlamayı hedefliyorum. Bu araştırma, karanlık havuzların düzenlenmesi ve gözetimi hakkında devam eden tartışmalara katkıda bulunabilir ve piyasa katılımcılarının ticaret stratejileri hakkında bilinçli kararlar almalarına yardımcı olabilir.

Sonuç olarak, bugünkü sunumum, özellikle yüksek frekanslı ticaret, piyasa mikro yapısı, gecikme süresi ve karanlık havuzlara odaklanan finans mühendisliği alanındaki araştırmama genel bir bakış sunuyor. Bu konuları derinlemesine inceleyerek, modern elektronik piyasalarının karmaşıklığına ve bunların piyasa katılımcıları ve düzenleyiciler için ortaya koyduğu zorluklara ışık tutmayı hedefliyorum. Araştırmam, matematiksel modelleme, simülasyonlar ve ampirik analiz yoluyla, değerli içgörüler sağlamayı ve finansal piyasalar alanında süregelen tartışmalara ve gelişmelere katkıda bulunmayı amaçlıyor.

Ayrıca, araştırmamın bir başka yönü de düzenleyici politikaların finansal piyasalar üzerindeki etkisi etrafında dönüyor. Düzenleyici kurumlar, piyasa bütünlüğünün, istikrarının ve yatırımcıların korunmasının sağlanmasında çok önemli bir rol oynamaktadır. Ancak düzenlemelerin tasarlanması ve uygulanması istenmeyen sonuçlara yol açabilir ve piyasa dinamiklerini etkileyebilir.

Araştırmamın odaklandığı alanlardan biri, düzenleyici duyurulara piyasa tepkilerinin incelenmesidir. Geçmiş verileri analiz ederek ve olay çalışmaları yürüterek, tacirler ve yatırımcılar gibi piyasa katılımcılarının düzenleyici değişikliklere yanıt olarak stratejilerini ve pozisyonlarını nasıl ayarladığını araştırıyorum. Bu araştırma, düzenlemelerin piyasa likiditesi, oynaklığı ve genel verimlilik üzerindeki anlık ve uzun vadeli etkilerinin anlaşılmasına yardımcı olur.

Ek olarak, amaçlanan hedeflere ulaşmada farklı düzenleyici önlemlerin etkinliğini araştırıyorum. Örneğin, aşırı piyasa hareketleri sırasında ticareti geçici olarak durdurmak için tasarlanmış mekanizmalar olan devre kesicilerin piyasa istikrarı üzerindeki etkisini inceliyorum. Geçmiş pazar verilerini analiz ederek ve simülasyonlar yürüterek, devre kesicilerin piyasa çöküşlerini etkili bir şekilde önleyip önlemediğini veya şiddetlendirip artırmadığını değerlendiriyorum.

Diğer bir ilgi alanı ise finansal piyasalarda sistemik riskin azaltılmasına yönelik düzenlemelerin incelenmesidir. Bu, sermaye gereklilikleri, stres testleri ve bankalar tarafından tescilli ticaret üzerindeki kısıtlamalar gibi önlemlerin etkisinin analiz edilmesini içerir. Bu düzenlemelerin finansal sistemin istikrarı üzerindeki etkilerini inceleyerek, etkinlikleri ve olası istenmeyen sonuçları hakkında fikir vermeyi amaçlıyorum.

Ayrıca, özellikle blok zinciri ve kripto para birimleri gibi gelişen teknolojiler bağlamında teknoloji ve düzenlemenin kesişimini de keşfediyorum. Bu teknolojiler, geleneksel finansal sistemleri bozabilecekleri ve yeni riskler getirebilecekleri için düzenleyiciler için benzersiz zorluklar ve fırsatlar sunuyor. Bu alandaki araştırmam, bu teknolojilerin düzenleyici etkilerini anlamaya ve pazar bütünlüğünü ve yatırımcı korumasını sağlarken yeniliği teşvik edebilecek potansiyel çerçeveleri keşfetmeye odaklanıyor.

Finans mühendisliği alanındaki araştırmam, düzenleyici politikaların etkisi, düzenleyici değişikliklere piyasa tepkileri ve teknoloji ile düzenlemenin kesişimi dahil olmak üzere çok çeşitli konuları kapsar. Titiz analizler, matematiksel modelleme ve ampirik çalışmalar yoluyla, finansal piyasaların işleyişine ilişkin değerli içgörüler sağlamaya ve etkili ve iyi bilgilendirilmiş düzenleyici çerçevelerin geliştirilmesine katkıda bulunmaya çalışıyorum.

Ciamac Moallemi: High-Frequency Trading and Market Microstructure
Ciamac Moallemi: High-Frequency Trading and Market Microstructure
  • 2012.11.19
  • www.youtube.com
On November 13, 2012, Ciamac Moallemi, Associate Professor of Decision, Risk, and Operations at Columbia Business School, presented High-Frequency Trading an...
 

Kent Daniel: Fiyat Hareketi



Kent Daniel: Fiyat Hareketi

Burada olmaktan mutluyum ve geldiğiniz için herkese teşekkür etmek istiyorum. Herkesin bu konu hakkında bu kadar hevesli olduğunu görmek harika. Bugün, hedge fonları tarafından yaygın olarak kullanılan belirli bir nicel stratejiyi tartışacağım. Bu strateji genellikle önemli bir kaldıraçla uygulanır ve Profesör Sunnah Reyes ve Profesör Wong'un ele aldığı konuları tamamlar. Amacım, niceliksel yatırım kavramını tanıtmak ve bu özel stratejiye ilişkin içgörüler sağlamaktır.

Ayrıca, fiyat momentumunun arkasındaki faktörleri ve bu olgunun piyasalarda ortaya çıkışını anlamak için araştırmalar yapıyorum. Öncelikle yatırımcılar tarafından kusurlu bilgi işleme nedeniyle piyasanın tamamen verimli olmadığını savunuyorum. Bu nedenle, momentumun karakterizasyonunu derinlemesine inceleyeceğim ve altında yatan nedenler hakkında bazı düşünceler sunacağım.

Geçenlerde Bloomberg dergisinde sektörün önemli isimlerinden Cliff Asness'in yer aldığı bir makaleye rastladım. Firması geçmişte, esas olarak ivme nedeniyle zorluklarla karşı karşıya kaldı. Bunu özellikle bugünkü tartışmamızla ilgili buluyorum. Aslında Asness ve şirketi ivmeden vazgeçmedi. Riskten korunma fonu çabalarına ek olarak AQR Momentum Fonu adında bir yatırım fonu bile kurdular.

AQR, hem yatırım fonları hem de hedge fonları ile, belirli bir önyargı ile çeşitlendirilmiş portföyler oluşturmak için matematiksel kurallar kullanır. Momentum durumunda, kazananlara yatırım yapmaya ve kaybedenleri satmaya odaklanırlar. Bugün, bu stratejiyi daha ayrıntılı olarak inceleyeceğim. Ancak ayrıntılara girmeden önce, Asness, Moskowitz ve Patterson tarafından yazılan bir araştırma makalesinden bazı görüşleri paylaşmak istiyorum. Makale, farklı varlık sınıflarında momentumun varlığını araştırıyor.

Bulgularına göre momentum, Amerika Birleşik Devletleri, Birleşik Krallık ve kıta Avrupası da dahil olmak üzere çeşitli bölgelerde tarihsel olarak iyi performans gösterdi. Ancak Japonya'da aynı olumlu sonuçları vermedi. Ek olarak, araştırma, her alanda farklı derecelerde başarı ile öz sermaye ülke seçimi, tahvil ülke seçimi, döviz ve emtialardaki ivmeyi araştırıyor.

Peki momentumu sağlayan nedir? Ön çalışmalarıma ve teorilerime dayanarak, en ikna edici açıklama yatırımcılar tarafından bilgi işleme etrafında dönüyor. Yatırımcılar yeni bilgi aldıklarında, her şeyin nispeten değişmeden kalacağını varsayarak, bir statüko önyargısı sergileme eğilimindedirler. Bilgiye cevaben bazı fiyat hareketlerini tahmin etseler de, bunun etkisini tam olarak kavrayamazlar. Sonuç olarak, fiyat biraz hareket eder, ancak bilgilerin fiyatlara tam olarak yansıması zaman alır, genellikle yaklaşık bir yıl sürer.

Finansal piyasalar bağlamında, bilgiye bağlı bir fiyat hareketi gözlemlerseniz, momentumun devam etmesi muhtemeldir. Fiyat hareketindeki bu süreklilik, belirli bir yönde belirli bir hızda hareket eden bir nesnenin üzerine bir dış kuvvet etki etmedikçe hareket etmeye devam etme eğiliminde olduğu fizikteki momentum kavramıyla uyumludur.

Şimdi, bir momentum stratejisinin nasıl oluşturulacağını keşfedelim. AQR'nin yaklaşımına benzer basit bir momentum stratejisi uygulamak istediğinizi varsayalım. İşte adım adım kılavuz: Belirli bir ayın başından başlayarak, son 12 aydan bir ay öncesine kadar NYSE, Amex ve NASDAQ'ta listelenen tüm hisse senetlerinin aylık getirilerini hesaplayın. Hisse senetlerini getirilerine göre sıralayın ve ilk %10'u kazananlar ve en alttaki %10'u kaybedenler olarak belirleyin. Piyasa değerlerine göre ağırlıklandırılmış, kazananlardan oluşan bir portföy oluşturun. Benzer şekilde, kaybeden hisse senetlerinin 1 $ değerinde açığa satış yaparak uzun vadeli bir portföy oluşturun. Oluşum dönemi getirilerini ve sıralamalarını güncelleyerek portföyü her ayın başında yeniden dengeleyin.

Bu strateji, nispeten düşük bir ciro portföyü ile sonuçlanır, çünkü son getiriler muhtemelen benzer olacaktır. Ancak, süreyi 12 aya uzattığınızda, getiriler önemli ölçüde farklılaşmaya başlar.

Şimdi, bu stratejinin 1949'dan 2007'ye kadar olan performansını değerlendirelim. Hazine bonolarına yatırım yapmak yılda ortalama %16,5 fazla getiri sağlıyor ki bu oldukça önemli. Bu, kazananları satın alma ve kaybedenleri satma momentum stratejisinin uzun vadede oldukça karlı olduğunu gösteriyor.

Şimdi, bu fazla getirinin farklı zaman dilimlerinde tutarlı olup olmadığını merak edebilirsiniz. Bunu incelemek için, verileri farklı on yıllara ayıralım ve momentumun nasıl performans gösterdiğini görelim. İşte her on yıl için fazla getiriler:

  • 1950'ler: %13,5
  • 1960'lar: %14,7
  • 1970'ler: %14,3
  • 1980'ler: %13,7
  • 1990'lar: %9,4
  • 2000'ler: %13,1

Gördüğünüz gibi, momentum, büyüklüğü değişse de, her on yılda bir pozitif aşırı getiri sağladı. 1990'ların diğer on yıllara kıyasla nispeten daha düşük bir fazla getiriye sahip olduğunu belirtmekte fayda var, ancak yine de olumluydu.

Öyleyse, ivme neden karlı bir strateji olarak devam ediyor? Bir açıklama, yatırımcıların yeni bilgilere yetersiz tepki verme eğiliminde olmaları ve bu durumun fiyatların yavaş ayarlanmasına neden olmasıdır. Sonuç olarak, olumlu getiriler elde eden hisse senetleri, fiyatları mevcut tüm bilgileri tam olarak yansıtmadığı için daha iyi performans göstermeye devam ediyor. Bu gecikmeli ayarlama, yatırımcılara momentumu sürdürerek kar elde etme fırsatı sunar.

Momentumun tutarlı karlılık göstermesine rağmen, bunun risksiz olduğu anlamına gelmediğini belirtmek önemlidir. Herhangi bir yatırım stratejisi gibi, kendi riskleri ve zorlukları ile birlikte gelir. Piyasa koşulları değişebilir ve geçmiş performans gelecekteki sonuçların garantisi değildir. Bu nedenle, momentuma dayalı bir yatırım yaklaşımı uygularken kapsamlı analiz, risk yönetimi ve sürekli izleme çok önemlidir.

Sonuç olarak, kazananları alıp kaybedenleri satmayı içeren momentum stratejisi, tarihsel olarak finansal piyasalarda önemli ölçüde fazla getiri sağlamıştır. Farklı on yıllar boyunca getirilerdeki farklılıklara rağmen, momentum genel olarak karlı bir strateji olarak kaldı. Ancak, yatırımcılar bu stratejiyi yatırım yaklaşımlarına dahil etmeden önce dikkatli olmalı ve çeşitli faktörleri göz önünde bulundurmalıdır.

Kent Daniel: Price Momentum
Kent Daniel: Price Momentum
  • 2011.07.15
  • www.youtube.com
On November 9, 2010, Kent Daniel, professor of Finance and Economics at Columbia Business School, presented Price Momentum. The presentation was part of the ...
 

Algoritmik Ticaret ve Makine Öğrenimi



Algoritmik Ticaret ve Makine Öğrenimi

Tamam, beni ağırladığın için teşekkürler Costas. Ayrıca, sunacağım tartışma için değerli bir bağlam sağlayan anlayışlı konuşması için Eric'e şükranlarımı sunmak isterim. Bugün, bu borsaların diğer tarafında faaliyet gösterme ve yüksek frekanslı tüccarlar (HFT'ler) ve diğer karşı taraflarla çalışma deneyimlerine odaklanacağım. Costas bunun kabul edilebilir olduğuna dair güvence verdiğinden, konuşmamın açıkça oyun teorisini kapsamayacağını açıklığa kavuşturmak istiyorum. Ancak, son 12 yıldır Wall Street'te kantitatif bir ticaret grubuyla çalışma deneyimime dayanarak pratik yönlere değineceğim.

Her şeyden önce, tartışacağım tüm çalışmaların ortak yazarı olan ticaret ortağım By Vaca'ya özel olarak teşekkür etmek istiyorum. Araştırmamız ve içgörülerimiz, ticaret grubumuzdaki tescilli ticari bağlamlardan ortaya çıkmıştır. Vurgulayacağım yönler, zamanla bilimsel olarak ilginç bulduğumuz tescilli olmayan unsurlardır.

Wall Street şüphesiz hem teknolojik hem de sosyal açıdan merak uyandıran bir yer. Otomasyon ve veri bolluğu nedeniyle önemli değişikliklere tanık oldu. Bu dönüşümler, özellikle makine öğrenimi olmak üzere, öğrenmeye dayalı bir yaklaşımı gerektiren çok sayıda ticaret zorluğuna yol açmıştır. İnsan kavrayışının ötesinde zamansal ve mekansal ölçekte mevcut olan büyük miktarda veri ile, algoritmalar ticarette vazgeçilmez hale geldi. Bu algoritmaların, mantıklı ticaret kararları vermek için uyarlanabilir olması ve son veriler de dahil olmak üzere geçmiş veriler üzerinde eğitilmesi gerekir.

Sunumumda, modern elektronik piyasalarda algoritmik ticarette ortaya çıkan üç özel sorun alanını özetleyeceğim. Bu kısa öyküler veya vaka incelemeleri, algoritmik zorluklara ışık tutuyor ve yeni teknikler kullanarak bunların ele alınmasına ilişkin ipuçları sunuyor.

İlk iki problem, optimize edilmiş yürütme etrafında döner. Belirli bir hisse hacmini alıp satarken, bir ticaret gerçekleştirirken, aciliyet ve fiyat arasında bir değiş tokuş vardır. Fiyatları etkileyerek, ancak muhtemelen geçici bilgi avantajlarından yararlanarak ticareti hızlı bir şekilde gerçekleştirmeyi seçebilirsiniz. Öte yandan, piyasanın daha uzun bir süre boyunca istenen fiyata yakınsamasına olanak tanıyan daha yavaş bir yaklaşım izlenebilir. Bu değiş tokuşları derinlemesine inceleyeceğim ve elektronik pazarlarda karşılaşılan zorlukları gösteren belirli örnekler sunacağım.

Üçüncü problem, ortalama varyans optimizasyonu gibi klasik portföy optimizasyonunun algoritmik versiyonlarıyla ilgilidir. Bu, risk veya oynaklığı göz önünde bulundurarak getirileri en üst düzeye çıkaran çeşitlendirilmiş bir portföy tutmayı içerir. Doğası gereği algoritmik olmasına rağmen, bu problem geleneksel portföy optimizasyonu yaklaşımlarıyla bağlantılıdır.

Eric tarafından daha önce açıklandığı gibi, sürekli çift limitli emir müzayedesinin bu zorluklar için zemin oluşturduğunu belirtmekte fayda var. Ani çöküşün görüntüsü ve Michael Lewis'in yüksek frekanslı ticaret üzerine kitabı, şu anda Wall Street'te deneyimlediğimiz ilginç ve dinamik zamanların altını çiziyor. Yüksek frekanslı ticaret de dahil olmak üzere herhangi bir ticaret faaliyeti hakkında ahlaki bir yargıya varmak niyetinde olmamakla birlikte, modern elektronik piyasalarda karşılaşılan algoritmik zorlukları, geleneksel bir istatistiksel hisse senedi ticareti çerçevesi içinde faaliyet gösteren nicel bir ticaret grubu perspektifinden açıklamayı hedefliyorum.

Alım satım grubumuz, yerel ve uluslararası piyasalarda çok çeşitli likit enstrümanları kapsayan, hem uzun hem de kısa özkaynak alım satımında uzmanlaşmıştır. Pozisyonlarımızı korumak için karmaşık türevlerden kaçınarak özel olarak vadeli işlemleri kullanırız. Nispeten basit piyasalarda ve enstrümanlarda ticaret yapılmasına rağmen, Wall Street'teki verilerin artan otomasyonu ve kullanılabilirliği, genellikle makine öğrenimini kullanan bir öğrenme yaklaşımı gerektiren çok sayıda ticaret sorunu ortaya çıkardı.

Bu arada, bunun bir örneğini kastediyorum, bir analist bir hisse senedi hakkındaki görüşünü yükselttiğinde, diğer analistlerin de aynı hisse hakkındaki görüşlerini hızlı bir şekilde yükseltme eğiliminde olduğu gözlemleniyor. Bu nedenle, bunun gerçekten taze bir haber mi yoksa sadece piyasaya giren diğer bazı temel haberlerin bir sonucu mu olduğunu belirlemek gerekiyor. Bu gibi durumlarda, bu bilgilere dayanarak işlem yapılması tavsiye edilmeyebilir.

Şimdi, neden sondaki sorular için zaman ayırmadığımız ve bunun yerine kalan cildi satın almak istediğimizle ilgili sorunuza gelince, bunun iki cevabı var. İlk olarak, Bank of America gibi algoritmik bir ticaret masasına sahip bir aracı kurum isek, müşterinin direktifine göre alım satımları gerçekleştiririz. Belirli bir zaman diliminde kaç hissenin satın alınacağına dair bize talimatlar veriyorlar. İşlem sırasında onay istemiyoruz. İkinci olarak, mevcut bilgilere dayanarak satın alınacak doğru hacmi belirlemek için stratejilerimizi optimize ettik. Bu hacim genellikle hisse senedi fiyatını önemli ölçüde etkilemeden ticaret yapabileceğimiz maksimum miktardır. Önerdiğiniz yaklaşımı uygulamak mümkün olsa da, karmaşık ticaret dünyasında karar vermeyi basitleştirmek için dahil edilen parametre sayısını en aza indirmeyi tercih ediyoruz.

Test süreci ile ilgili olarak, çalışmayı takip eden altı ayda canlı testler gerçekleştiriyoruz. Bu, modelin performansını gerçek piyasa koşullarında değerlendirmemizi sağlar. Ancak, modelin kendisi test aşamasında geçmiş verileri kullanır.

Politikalarımızı insanlara açıklamaya gelince, göz göze gelmek yerine öncelikle ampirik bir yaklaşıma güveniyoruz. Bu özel problemde, mantıklı davranışı neyin oluşturduğu açıktır. Zorluk, neden işe yaradıklarına dair net bir anlayış olmaksızın iyi çalışan stratejilerle uğraşırken ortaya çıkar. Bu gibi durumlarda, bazen soruna antropolojik bir bakış açısıyla yaklaşır, belirli işlemlerin tutarlı kârlılığının ardındaki nedenleri anlamaya çalışırız.

Öğrendiklerimizin karmaşıklığının yorumlama açısından zorluklar yarattığını kabul ediyoruz. Belirli durum değişkenlerinde tutarlı tahmin gücü belirleyebilsek de, altta yatan nedenleri ayrıntılı bir şekilde anlamak son derece zordur. Finansal piyasaların mikroyapısı, özellikle yüksek frekanslı ticarette, normal insan kavrayışını aşan hacimler ve veri hızları içerir. Bu nedenle, tutarlı performans sağlamak için dikkatli eğitim ve test metodolojilerine odaklanıyoruz.

Deneylerimizde, emir defterinin çeşitli özelliklerini ve bunların performans üzerindeki etkilerini araştırdık. Örneğin, teklif-satış yayılımını durum alanına dahil etmenin ticaret yürütmeyi optimize etmek için değerli olduğu kanıtlanmıştır. Bununla birlikte, tüm özellikler aynı faydayı sağlamaz ve bazı değişkenler, aşırı uyum nedeniyle performans üzerinde olumsuz etkilere sahip olabilir. En bilgilendirici özellikleri seçerek, kontrol teorik yaklaşımlarıyla sağlanan yüzde 35'lik iyileştirmeye ek olarak yüzde 13'lük bir iyileştirme elde ettik.

Deneysel olarak bir çözümü değerlendiriyorduk, ancak şu anda ayrıntılara girecek vaktim yok. Ancak, bir karikatür modeli kullanarak basitleştirilmiş bir likidite açıklaması sağlayabilirim. Alternatif ticaret yerleri olan farklı karanlık havuzlar, farklı zamanlarda ve farklı hisse senetleri için değişen likidite özellikleri sergiler.

İster limitli emir defteri ister karanlık bir havuz olsun, yeni bir borsa ortaya çıktığında, genellikle belirli bir hisse senedi sınıfı için ayrıcalıklı muamele, indirimler veya ücretler sunarak piyasada kendisini kabul ettirmeye çalışır. Kendilerini, belirli hisse senedi türlerinin ticareti için tercih edilen karanlık havuz olarak tanıtıyorlar. Sonuç olarak, bu hisse senetleriyle ilgilenen tacirler, likidite yaratarak söz konusu karanlık havuza çekilir. Buna karşılık, diğer karanlık havuzlar farklı likidite profillerine sahip olabilir ve çok fazla alım satım faaliyeti çekmeyebilir.

Bu konsepti görselleştirmek için, sabit bir olasılık dağılımıyla temsil edilen, belirli bir hisse senedi için benzersiz bir likidite profiline sahip her karanlık havuzu hayal edin. X ekseni, paylaşım sayısını temsil ederken, y ekseni, her bir ayrık zaman adımında yürütülecek mevcut paylaşımları bulma olasılığını temsil eder. İşlem emrimizi karanlık bir havuza gönderdiğimizde, bu dağılımdan o belirli zaman adımında işlem yapmak isteyen karşı tarafların hacmini gösteren bir sayı(lar) çekilir. Yürütülen hacim, çekilen hacim(ler)in minimumu ve talep edilen hacim (vns) tarafından belirlenir ve gerekirse kısmi yürütme sağlanır.

Şimdi, kısmi uygulama gerçekleştiğinde likidite eğrisinin nasıl azalmadığını merak edebilirsiniz. Likidite eğrisi, yalnızca belirli bir aralıkta kullanılabilir hacim bulma olasılığını temsil eder. Daha küçük birimlerin yürütme için kullanılabilir olma olasılığının daha yüksek olduğunu, daha büyük birimlerin ise daha az olası olduğunu gösterir. Kısmi yürütme, basitçe, yürütülen hacmin talep edilen hacimden daha az olduğu anlamına gelir, ancak likidite eğrisinin genel şeklini etkilemez.

Karanlık havuzların çoğalması ilginç bir olgudur. Piyasa dengesi ve bu mekanlar arasındaki rekabet hakkında soru işaretleri uyandırıyor. Piyasanın nihayetinde konsolide olup olmayacağı ve birkaç karanlık havuzun hakimiyetine yol açıp açmayacağı belirsizliğini koruyor. Benzer dinamikler, sürekli ikili müzayedelerde gözlemlendi, çünkü finansal piyasaların kuralsızlaştırılması birden fazla borsanın aynı anda çalışmasına izin verdi. Düzenleyici ortam ve girişimlerin yeni mekanizmalar önerme yeteneği, pazar yapısının karmaşıklığına katkıda bulunur.

Bu araştırma ile Eric'in makalesi arasındaki bağlantıyı göz önünde bulundurarak, farklı pazar yapıları, algoritmalar arasındaki etkileşimi ve bunların pazar istikrarı ve parçalanması üzerindeki etkilerini keşfedebiliriz. Benzer algoritmalar kullanan birden fazla oyuncuyu içeren senaryoları simüle ederek, hesaplama sonuçlarını araştırabilir ve piyasa yapısı ile algoritma çeşitliliğinin fiyatları ve diğer düzenleyici kaygıları nasıl etkilediğini inceleyebiliriz. Araştırma çabalarının bu kombinasyonu, piyasa yapısı, algoritmik ticaret ve piyasa istikrarı arasındaki karmaşık ilişki hakkında değerli bilgiler sağlayabilir.

Ayrıca, farklı algoritmalar ve pazar yapıları arasındaki etkileşim ve bunların pazar dinamiklerini nasıl şekillendirdiği gibi daha karmaşık soruları da inceleyebiliriz. Çeşitli pazar senaryolarını inceleyerek, farklı pazar yapılarının ve algoritmalarının istikrarı sağlamak ve parçalanma sorunlarını ele almak için uygunluğunu analiz edebiliriz.

Finansal piyasaların evrimi, çoğu zaman yararlı insan unsurlarının yerini alarak belirli yönlerin otomasyonuna yol açmıştır. Bununla birlikte, işlevselliği çoğaltmak ve geliştirmek için yeni elektronik mekanizmalar tanıtıldı. Bu dinamikleri anlamak ve stratejilerimizi buna göre uyarlamak, modern finansal piyasaların karmaşıklıklarında yolumuzu bulmamızı sağlar.

Konuşmam, modern elektronik finans piyasalarında ticaretin doğasında var olan algoritmik zorluklara ışık tutacak. Sunacağım üç vaka çalışması, optimize edilmiş yürütme ve algoritmik portföy optimizasyonunda karşılaşılan karmaşıklıkları ve ödünleşimleri vurgulamaktadır. Zaman kısıtlamaları tüm konuları tam olarak ele almamı engellese de, bu alanlara ilişkin değerli bilgiler sağlamayı umuyorum.

Simülasyonlar ve hesaplamalı analizler, algoritmik ticaretin potansiyel sonuçlarını anlamak için yollar sunarken, soyut modelleme ile gerçek dünya uygunluğu arasında bir denge kurmak önemlidir. Zorluk, özellikle karmaşık ve sürekli gelişen finansal piyasalar ortamında, hangi ayrıntıların çok önemli olduğunu ve hangilerinin pratik alaka düzeyinden ödün vermeden güvenle gözden kaçabileceğini belirlemekte yatmaktadır.

Algorithmic Trading and Machine Learning
Algorithmic Trading and Machine Learning
  • 2015.11.20
  • www.youtube.com
Michael Kearns, University of PennsylvaniaAlgorithmic Game Theory and Practicehttps://simons.berkeley.edu/talks/michael-kearns-2015-11-19
 

Finansal Değişimlerin Tasarımı: Econ ve CS'nin Kesişiminde Bazı Açık Sorular



Finansal Değişimlerin Tasarımı: Econ ve CS'nin Kesişiminde Bazı Açık Sorular

Çok teşekkür ederim Kostas. Bu konuşma benim için biraz alışılmadık olacak ama umarım bu konferansın ruhuna ve açık yönergeler konusuna uygundur. Finansal değişimlerin tasarımıyla, özellikle de sürekli limit emir defteri olarak bilinen hakim tasarımla bağlantılıdır. Peter Crampton ve John Shimm ile yakın zamanda üzerinde çalıştığım ve mevcut finansal değişim tasarımındaki ekonomik bir kusuru vurgulayan bir makaleyi tartışarak başlayacağım. Bu kusurun, yüksek frekanslı ticaretin olumsuz yönlerine katkıda bulunduğunu iddia ediyoruz.

Konuşmanın ilk bölümü, bazılarınıza tanıdık gelse de çoğunuza tanıdık gelmeyen bu makaleyi kapsayacak. Ayrık zamanlı ticaret veya sık toplu müzayedeler olarak adlandırılan alternatif bir yaklaşım için ekonomik bir durum sunar. Makalemiz, sürekli limit emir defterinin dünya çapında yaygın olarak kullanılmasına rağmen, yüksek frekanslı ticaretle ilgili çeşitli sorunlara yol açan yapısal bir kusurdan muzdarip olduğunu öne sürüyor. Daha önce birçok kez sunulduğu için bu bölümün kısaltılmış ve erişilebilir bir versiyonunu sunacağım.

Konuşmanın ikinci ve üçüncü bölümleri, finansal değişimlerin tasarımına ilişkin açık soruları ve araştırma yönergelerini ele alacaktır. Bu araştırma alanları, ekonomi ve bilgisayar bilimlerinin kesiştiği noktada yer alır. Sonraki bölümlerde, Quarterly Journal of Economics makalesinin arkasında, mevcut piyasa tasarımına kıyasla ayrık zamanlı ticaretin hesaplama faydaları için teoremlerden veya verilerden yoksun nitel bir argüman sunan iki sayfalık bir bölümü tartışacağım. . Bu tartışma çok sayıda soruyu gündeme getirecek ve daha fazla araştırmayı teşvik etmeyi amaçlayacaktır.

Konuşmanın sonraki bölümleri alışık olduğumdan daha az resmi olsa da, açık sorular sorma ve gelecekteki araştırmalar için bir gündem belirleme açısından bunların çok önemli olduğuna inanıyorum. Bu, ekonomi ve bilgisayar bilimi kesişimlerinin araştırılmasını teşvik eden ve gelecekteki araştırmalar için verimli yönler öneren bu konferansın amacı ile uyumludur.

Şimdi, ayrık zamanlı ticaretin ekonomik durumuna ve bunun sürekli limit emir defterine göre avantajlarına bakalım, bunu daha ayrıntılı olarak açıklayacağım. Sürekli limit emir defteri, her gün trilyonlarca dolarlık ekonomik aktiviteyi işleyen bir piyasa tasarımıdır. Bir menkul kıymetin fiyatını, miktarını ve yönünü (al ya da sat) belirten limit emirlerine dayalı olarak çalışır. Piyasa katılımcıları gün boyunca limit emir verebilir, iptal edebilir veya değiştirebilir ve bu mesajlar borsaya gönderilir.

Alım satım, yeni bir talep limit emir defterindeki mevcut emirlerle eşleştiğinde gerçekleşir. Örneğin, olağanüstü bir satış teklifine eşit veya daha yüksek bir fiyata sahip bir satın alma talebi, bir ticaretle sonuçlanacaktır. Sürekli limit emir defterinin temel işleyişi budur.

Ancak araştırmamız, bu pazar tasarımının doğasında kusurlar olduğunu gösteriyor. Önemli sorunlardan biri "keskin nişancılık" dediğimiz şeydir. Kamuya açık bilgilerde veya sinyallerde bir değişiklik olduğunda, likidite sağlayan ticaret firmaları, kotasyonlarını buna göre ayarlar. Önceki tekliflerini veya tekliflerini iptal eder ve güncel bilgileri yansıtan yenileri ile değiştirirler. Şimdi, tekliflerimi ayarlayan bu ticaret şirketlerinden biri olduğumu varsayalım. Aynı zamanda, Thomas gibi diğerleri de değiştirilmeden önce eski kotasyonlarda işlem yapmak için borsaya mesajlar gönderir.

Piyasa bu mesajları sürekli bir zamanda ve sıralı bir düzende işlediğinden borsaya önce hangi mesajın ulaştığı rastgele hale gelir. Birden fazla alım satım firması aynı anda yeni bilgilere tepki verirse, Thomas'tan veya başka bir katılımcıdan gelen bir talebin benimkinden önce işleme alınması ve onların eski fiyattan alım satım yapmasına izin verilmesi ihtimali vardır. Bu keskin nişancılık olgusu sorunludur ve çeşitli sonuçlar doğurur.

İlk olarak, etkin bir piyasada olmaması gereken simetrik kamu bilgilerine dayalı mekanik arbitraj fırsatları sağlar. İkincisi, bu tür arbitraj fırsatlarından elde edilen kazançlar, likidite sağlanması pahasına gelir. Keskin nişancılar eski fiyatlarla alım satımları başarıyla yürütürken, likidite tedarik eden ticaret firmaları tekliflerini hızlı bir şekilde ayarlamakta tereddüt ediyor. Bu tereddüt, keskin nişancılık ve potansiyel karları kaybetme korkusundan kaynaklanmaktadır. Sonuç olarak, likidite sağlayıcıları yeni bilgilere cevaben tekliflerini güncellemeye daha az istekli hale geldikçe piyasa daha az verimli hale gelir.

Sürekli limitli emir defteriyle ilgili bir başka konu da emir beklentisi potansiyelidir. Bu senaryoda, tacirler yeni limit emirlerin gelişini gözlemler ve tekliflerini gelecekteki işlemler beklentisiyle önceden ayarlar. Bu davranış, tacirlerin fiyatlarını sürekli olarak birbirlerine göre ayarlayarak piyasada gereksiz oynaklık ve istikrarsızlık yarattığı basamaklı bir etkiye yol açabilir.

Bu kusurları ele almak için makalemiz, ayrık zamanlı ticaret veya sık toplu müzayedeler olarak bilinen alternatif bir piyasa tasarımı önermektedir. Bu tasarımda, emirleri sürekli zamanda işlemek yerine, piyasa ayrık zaman aralıklarında veya partiler halinde çalışır. Her partide, piyasa katılımcıları limit emirlerini verebilirler ve partinin sonunda piyasa temizlenir ve alım satımlar tek bir tek fiyat üzerinden gerçekleştirilir.

Ayrık zamanlı ticareti tanıtarak keskin nişancılık ve emir beklentisi sorunlarını ortadan kaldırıyoruz. Bir toplu iş içinde gönderilen tüm siparişler aynı anda işlendiğinden, sipariş yürütmede herhangi bir rastgelelik yoktur. Tüccarlar, emirlerinin aynı parti içindeki diğer katılımcılarla aynı fiyattan yürütüleceğinden emin olabilir, bu da adaleti sağlar ve keskin nişancılık için teşviki azaltır.

Ayrıca, sık yapılan toplu müzayedeler istikrarı teşvik eder ve piyasadaki gereksiz oynaklığı azaltır. Tüccarların artık gelen her siparişe göre tekliflerini sürekli olarak ayarlamasına gerek yok. Bunun yerine, emirlerinin partinin sonunda adil bir fiyatla yürütüleceğini bilerek bilgileri analiz etmeye ve bilinçli ticaret kararları vermeye odaklanabilirler.

Finansal piyasalara yatırım yapmak, genellikle işlemlerin gerçekleşmesi için belirli bir bekleme süresi gerektirir. Bu bekleme süresinin önemli veya önemsiz bir maliyet olup olmadığı konusunda farklı kişiler farklı görüşlere sahip olabilir. Örneğin, saniyenin milyonda biri daha hızlı olmak gibi işlemleri gerçekleştirmede benden biraz daha hızlıysanız, bu size o zaman dilimi içindeki haberlere göre hareket etme konusunda bir avantaj sağlayabilir. Öte yandan, biraz daha yavaş olduğum için hareket etme fırsatını kaçırabilirim. Bu hız avantajı genellikle sürekli bir piyasada hız farkının (Delta) parti aralığına (tau) oranıyla ölçülür.

Ayrık bir pazarda, benden biraz daha hızlıysanız, açık artırmaya dayalı rekabet nedeniyle beni her zaman belirli bir zaman aralığında (Delta over tau) "kesebilirsiniz". Ancak, siz ve birkaç başka tüccar benden biraz daha hızlıysanız, yalnızca hıza dayalı rekabet etmek yerine benimle ticaret yapmak için bir açık artırmada rekabet etmemiz gerekir. Bu, farklı pazarların bu senkronize saat yaklaşımını aynı şekilde benimseyip benimsemediği veya ilgili pratik zorlukların olup olmadığı sorusunu gündeme getiriyor.

Mevcut sürekli piyasada, fiyat değişiklikleri farklı borsalarda aynı anda meydana gelmediği için tek fiyat yasasının sürekli olarak ihlal edildiğini not etmek önemlidir. Bu ihlal, insan gözlemi veya mevcut araştırma verileri ile kolayca tespit edilemez. Bununla birlikte, birden fazla borsa aynı anda sık toplu müzayedeleri benimserse, tek fiyat kanununun ihlallerini daha kolay tespit etmek mümkün olacaktır. Bu, mutlaka bir yaklaşımın daha iyi veya daha kötü olduğu anlamına gelmez, bunun yerine verilerin daha net içgörüler sağlayacağı anlamına gelir.

Tek bir borsa ayrı bir piyasaya geçerken diğerleri sürekli kalırsa, bu borsa gecikme arbitrajını ortadan kaldıracak ve likidite sağlanması üzerindeki vergiyi kaldıracaktır. Ekonomik anlamda, bu, zaman içinde ayrık piyasa alışverişine bir avantaj sağlayabilir. Bununla birlikte, yeni bir pazar yeri açmanın zorlukları, düzenleyici belirsizlikler ve mevcut pazar tasarımından yararlanan mevcut borsalardan kazanılmış menfaatler var.

IEX'in sürekli zamanlı bir alışverişi sürdürürken her siparişe gecikme getirme önerisiyle ilgili olarak, hem gelen hem de giden siparişleri belirli bir zaman aralığı kadar geciktirerek çalışır. IEX, piyasadaki değişiklikleri bir saniyeden daha kısa sürede izler ve fiyatları buna göre ayarlar. Bununla birlikte, tasarımlarındaki potansiyel bir zayıflık, dış kaynaklardan fiyat bilgilerine erişmeye dayanmasıdır. Bu, IEX'in yaklaşımının fiyat keşfine katkıda bulunup bulunmadığı veya başka bir yerden gelen bilgilere dayanıp dayanmadığı konusunda soruları gündeme getiriyor.

Öte yandan, tüm siparişlere rastgele gecikmeler getirmek, keskin nişancılığı etkili bir şekilde ele almayabilir ve sonsuz mesaj trafiğine yol açabilir. Sorunu ele almak için önerilen birkaç fikir olsa da, analiz edildiğinde birçoğunun etkisiz olduğu kanıtlanmıştır. Buna karşılık, makalemiz, kamu bilgisinden kiralar yaratan ve bir hız yarışını teşvik eden piyasa tasarımındaki kusura bir çözüm olarak zamanı ayrık ve toplu işleme yapmayı önermektedir.

Makalede tartıştığımız bir husus, ayrık zamanlı ticaretin hesaplama avantajlarıdır. Modern finans piyasaları, ani çökmeler ve takas aksaklıkları gibi çeşitli hesaplama sorunlarıyla karşı karşıya kaldı. Ayrık zaman, sürekli zamana kıyasla hesaplama kolaylığı sunar ve borsalar, algoritmik tüccarlar ve düzenleyiciler için belirli avantajlar sağlar.

Borsalar için sürekli zamanlı işleme, algoritmaların yüksek etkinlik zamanlarında siparişlerin durumu ve piyasa hakkında belirsiz olduğu birikme sorunlarına yol açabilir. Bunun aksine, kesikli zamanlı toplu müzayedeler daha verimli bir şekilde işlenebilir ve en kötü durum işleme süresine göre bir zaman aralığı sağlar. Bu, borsaların karşılaştığı belirsizliği ve birikmiş iş yükü sorunlarını azaltır.

Ayrık zaman aynı zamanda değiş tokuşlar için mesaj işlemeyi basitleştirir ve farklı tipteki mesajların dağıtılmasına öncelik verme ihtiyacını ortadan kaldırır. Bu, bilgi asimetrisinden yararlanma olasılığını azaltır. Ek olarak, ayrık zaman, alışverişler için programlama ortamını basitleştirir, potansiyel olarak aksaklıkların oluşmasını azaltır ve genel sistem kararlılığını iyileştirir.

Ayrık zamanlı ticaretin diğer bir hesaplamalı faydası, algoritmik stratejilerin analizini ve modellenmesini basitleştirmesidir. Sürekli zamanlı piyasalarda algoritmik tüccarlar, gerçek zamanlı olarak gelen verilere yanıtlarını optimize etme zorluğuyla karşı karşıyadır. Değişen piyasa koşullarını dikkate alarak hızlı karar almaları gerekiyor. Hız ve zeka arasındaki bu değiş tokuş, çözülmesi gereken karmaşık bir sorundur.

Bununla birlikte, ayrık zamanlı ticarette, verilerin toplu olarak işlenmesi, algoritmik tüccarların analiz etmek ve karar vermek için sabit bir aralığa sahip olmasını sağlar. Örneğin, parti aralığı 100 milisaniye olarak ayarlanmışsa, tacirler ilk 100 milisaniyeyi, anında yürütme baskısı olmaksızın kapsamlı analize ayırma lüksüne sahip olur. Bu, daha karmaşık ve doğru karar verme süreçlerine yol açabilir.

Araştırma soruları bu hesaplama avantajından kaynaklanmaktadır. Algoritmik tüccarlar karar verme süreçlerinde hız ve zeka arasındaki doğru dengeyi nasıl kurabilir? Piyasada zeka yerine hızın tercih edilmesiyle ilgili olumsuz dışsallıklar var mı? Ayrık zamanlı çerçeve, sürekli zamanlı ticarete kıyasla fiyat oluşumunun doğruluğunu artırıyor mu?

Düzenleyiciler için, ayrık zamanlı ticaret, daha temiz bir kağıt izi avantajı sunar. Sürekli zamanlı piyasalarda, saatlerin senkronizasyonu ve zaman damgalarının ayarlanması, olayların sırasını yeniden oluştururken karmaşıklıklar getirebilir. Farklı pazarlardaki eylemlerin kronolojik sırasını belirlemek zorlaşıyor. Buna karşılık, ayrık zamanlı ticaret, bu süreci basitleştirerek, piyasa faaliyetinin açık ve doğru bir kaydını oluşturmayı kolaylaştırır.

Ayrık zamanlı ticarette temiz bir kağıt izinin potansiyel faydaları açık bir sorudur. Sezgisel olarak, iyi belgelenmiş ve kolayca izlenebilir bir piyasa faaliyeti şeffaflığı ve hesap verebilirliği geliştirebilir. Piyasa gözetimini geliştirebilir ve düzenleyicilerin manipülatif veya yasa dışı ticaret uygulamalarını daha etkili bir şekilde belirlemesine ve ele almasına yardımcı olabilir.

Araştırmamız, geçerli sürekli limit emir defteri tasarımındaki ekonomik kusurları vurgular ve ayrık zamanlı ticaret veya sık toplu müzayedeler adı verilen alternatif bir yaklaşım sunar. Bu alternatif tasarım, keskin nişancılık ve emir beklentisi gibi konuları ele alır, finansal değişimlerde adaleti, istikrarı ve verimliliği destekler. Bu açık soruları ve araştırma yönergelerini keşfederek, piyasa işlevselliğini ve performansını geliştirmek için ekonomi ve bilgisayar bilimi alanları arasında köprü kurarak finansal değişimlerin tasarımına yönelik daha fazla araştırmayı teşvik etmeyi amaçlıyoruz.

Ayrık zamanlı ticaret, sürekli zamanlı ticarete göre çeşitli hesaplama avantajları sunar. Değişim için mesaj işlemeyi basitleştirir, hesaplama darboğazlarını azaltır ve daha karmaşık algoritmik stratejilere izin verir. Ayrıca, düzenleyiciler için daha temiz bir kağıt yolu sağlayarak piyasa gözetimini ve şeffaflığı geliştirir. Bununla birlikte, pratikte ayrık zamanlı ticaretin etkilerini ve potansiyel dezavantajlarını keşfetmek için daha fazla araştırmaya ihtiyaç vardır.

The Design of Financial Exchanges: Some Open Questions at the Intersection of Econ and CS
The Design of Financial Exchanges: Some Open Questions at the Intersection of Econ and CS
  • 2015.11.20
  • www.youtube.com
Eric Budish, University of ChicagoAlgorithmic Game Theory and Practicehttps://simons.berkeley.edu/talks/eric-budish-2015-11-19
 

Ticarette ChatGPT ve Makine Öğrenimi



Ticarette ChatGPT ve Makine Öğrenimi

Sunucu, ticaret endüstrisinde ChatGPT gibi doğal dil işleme (NLP) modellerini kullanma konusunu derinlemesine inceler ve bunların haber makaleleri, sosyal medya gönderileri ve finansal tablolar gibi metin kaynaklarını analiz etme ve anlama becerilerini vurgular. Spesifik olarak, güçlü bir dil modeli olan ChatGPT, büyük miktarda finansal veriyi analiz etmek ve kulağa doğal gelen yanıtlar oluşturmak için çok uygundur ve yatırımcıların ticaret fırsatları hakkında konuşmalarına olanak tanır.

Finans topluluğu, ticaret stratejilerinin geliştirilmesine ve optimizasyonuna katkısını öngören ChatGPT'den yüksek beklentilere sahiptir. Sunucu, yapay zeka (AI), makine öğrenimi (ML) ve derin öğrenme arasındaki ayrımları daha da açıklayarak makine öğreniminin, makinelere insan davranışını simüle etmeyi ve akıllı kararlar vermeyi öğretmek için teknikler kullanan bir yapay zeka alt kümesi olduğunu vurguluyor.

Devam eden sunum yapan kişi, ticarette makine öğreniminin tipik iş akışını tartışıyor. Makine öğreniminin, bir dizi adımı izleyerek makinelerin verilerden öğrenmesine ve tahminler yapmasına olanak sağladığını açıklıyorlar. Başlangıçta, kalite ve alaka düzeyini sağlamak için veriler toplanır ve önceden işlenir. Ardından, ham verileri makinelerin anlayabileceği anlamlı niteliklere dönüştürmek için özellikler tasarlanır. Veriler daha sonra eğitim ve test setlerine bölünür ve ML algoritmaları kullanılarak bir model oluşturulur. Son olarak, model yeni veriler üzerinde test edilir ve tatmin edici bir performans gösterirse, ticaret sürecini kolaylaştırmak için tahminlerde bulunmak için kullanılabilir.

ML uygulamasını göstermek için sunum yapan kişi, bir sonraki işlem günü için altın gibi bir varlığın yüksek ve düşük fiyatlarını tahmin etmenin bir örneğini sunar. Bu tahmin, tüccarların bilinçli kararlar vermelerine ve ticaret stratejilerini geliştirmelerine büyük ölçüde yardımcı olabilir.

Ayrıca sunum yapan kişi, ChatGPT'nin altın fiyatlarını tahmin etmek için doğrusal bir regresyon modeli oluşturmak gibi ticaret sorunlarını çözmede nasıl değerli bir araç olarak hizmet edebileceğini keşfediyor. ChatGPT'nin yaklaşımını, veri toplama, temizleme, model oluşturma, ardışık düzen geliştirme, canlı ticaret ve sürekli iyileştirmeyi içeren daha kapsamlı bir nicel yaklaşımla karşılaştırırlar. Bir makine öğrenimi regresyon kodu not defteri örneği paylaşılır ve sorunun çözülmesiyle ilgili dört temel adım özetlenir: veri hazırlama, ön işleme, fiyat tahmini ve strateji ve performans analizi. ChatGPT fikir üretmeye yardımcı olsa da sunum yapan kişi, hataları önlemek için her kavramın incelikli bir şekilde anlaşılması ve dikkatli bir şekilde değerlendirilmesi gerektiğini vurgular.

Makine öğrenimi tabanlı algoritmik ticarette ChatGPT kullanımına ilişkin sınırlamalar ve riskler de ele alınmaktadır. Sunucu, alan uzmanlığı eksikliği, sınırlı eğitim verileri ve yorumlanabilirlik sorunları dahil olmak üzere potansiyel zorlukları vurgular. Alım satım kararları için yalnızca ChatGPT'ye güvenmeme konusunda uyarıda bulunuyorlar ve farklı mali dönemlerde doğruluk kontrolleri gerçekleştirmenin önemini vurguluyorlar.

Ek olarak sunum yapan kişi, ChatGPT'nin doğru kod oluşturma yeteneği üzerine yapılan bir anketin sonuçlarını tartışır. İzleyicilerin çoğunluğu (%74), ChatGPT'nin makul doğruluk sağlayabileceğini ancak alan uzmanlığı gerektiren karmaşık programlama görevleri için uygun olmadığını doğru bir şekilde tanımlıyor. Sunumu yapan kişi, süreci göstermek için ChatGPT tarafından oluşturulan Python kodunu kullanarak verilerin eğitim ve test kümelerine nasıl bölüneceğini gösterir. Özellikle ticarette zaman serisi verileri bağlamında, verilerin doğru sıralanmasını vurgularlar.

Makine öğrenimi tabanlı ticaret algoritmalarının geriye dönük testler ve strateji analitiği yoluyla değerlendirilmesi, performanslarını değerlendirmede çok önemli bir adım olarak vurgulanır. Sunum yapan kişi, işlemlere ve genel performansa ilişkin içgörüler elde etmek için Sharpe oranı, yıllık getiriler ve getirilerin oynaklığı gibi çeşitli ölçütleri kullanarak derinlemesine analiz yapılması gerektiğini vurgular. Alım satım algoritmasının getirileri ile al ve tut stratejisi arasındaki karşılaştırma, algoritmanın etkinliğini değerlendirmede ilk adım olarak gösterilir.

Ayrıca sunum yapan kişi, karlı bir ticaret stratejisi örneğini paylaşıyor ve ticaret sürecinde verileri görselleştirmenin ve analiz etmenin önemini vurguluyor. Yıllık getiriler ve kümülatif getiriler dahil olmak üzere strateji analitiği, bir stratejinin başarısını değerlendirmede etkilidir.

Vites değiştiren sunum yapan kişi, alım satımda finansal analiz için GPT kullanmanın sınırlamalarını ele alıyor. Seyirci daha önce bir ankete katılmıştı ve çoğunluk makul doğruluğun teyit gerektirdiği ve GPT'nin finansal analiz için uygun olmayabileceği görüşünü dile getiriyordu. Sunucu, bu sınırlamayı göstermek için GPT'den Apple ve Microsoft'un 2020 yıllık mali tablolarını karşılaştırmasını ister. Ancak GPT, alan uzmanlığından yoksun bir üretici model olarak sınırlamalarını vurgulayarak yanlış bir yanıt verir. Sunucu, GPT gibi makine öğrenimi algoritmalarını ticarete uygulamadan önce finansla ilgili bilgi edinmenin, kitap okumanın ve bilgi doğrulamanın öneminin altını çiziyor.

Finans alanında alanla ilgili bilginin önemini kabul eden sunum yapan kişi, uzmanlık kazanmak için kurslar almayı önerir. Bu uzmanlık, tacirlerin ChatGPT gibi makine öğrenimi araçlarını daha iyi kullanmasını sağlar. Bunu desteklemek için sunum yapan kişi, makine öğrenimi ile ticaret eğitim kursundan dört not defterine ücretsiz erişim sunarak izleyicilerin kod ve uygulama hakkında daha derin bir anlayış kazanmasına olanak tanır.

Soru-Cevap oturumu sırasında, ChatGPT'nin finansal piyasalardaki günlük değişikliklere ayak uydurabilme becerisiyle ilgili ortak bir soru ortaya çıkıyor. Sunucu, bir dil modeli olarak ChatGPT'nin etkinliğinin, üzerinde eğitildiği verilerle sınırlı olduğunu ve günlük olarak güncellenmediğini açıklıyor. En son piyasa verileriyle güncel kalmak, ChatGPT'yi veya herhangi bir makine öğrenimi modelini finansta etkin bir şekilde kullanmak için çok önemlidir.

Konuşmacılar diğer çeşitli dinleyici sorularını yanıtlayarak yararlı bilgiler sağlar. Seyirciye, kaydedilen oturumun gelecekte referans olması için e-posta yoluyla ve YouTube kanallarında paylaşılacağını bildirirler. Ayrıca, bir not defterinin önümüzdeki 24 saat için kullanılabilir olup olmadığını tartışıyorlar ve makine öğreniminde ardışık düzen kavramını açıklıyorlar.

Vektörleştirilmiş Python kodunu canlı bir ticaret kitaplığında konuşlandırılabilen bir formata dönüştürmeyle ilgili belirli bir soru ortaya çıkıyor. Konuşmacılar, ChatGPT'nin kod dönüştürmede yardımcı olabilmesine rağmen olay tetikleyicilerini tanımlamanın hala gerekli olduğunu açıklıyor. Ek olarak, Ücretlendirilebilirlik 3.5'in 2022 yılı için bilgi sağlamadığını belirtiyorlar.

Sonuç olarak, konuşmacılar, makine öğrenimi teknikleri kullanılarak optimize edilmiş, ertesi gün yüksek ve düşük tahminlerini kullanan bir ticaret stratejisini tartışıyorlar. Zaman serisi tahmini, portföy optimizasyonu ve risk yönetimi gibi ticarette derin öğrenme uygulamalarını vurgularlar. Takviyeli öğrenme ile birleştirilmiş derin öğrenme, acentelerin ödüller ve cezalar yoluyla hatalardan ders almasını sağlayarak ticaret stratejilerinin performansını artırabilir.

Sunucu, ticarette makine öğreniminin güvenilir kullanımı için alan uzmanlığının ve sezginin çok önemli olduğunu vurguluyor. ChatGPT gibi araçlar, geçmiş verileri analiz etmeye ve gelecekteki işlemlerde başarı olasılığını değerlendirmeye yardımcı olsa da, yalnızca bunlara güvenilmemelidir. Ticaret endüstrisinde doğru ve bilgiye dayalı karar vermeyi sağlamak için alanla ilgili bilgi edinmenin, gerçekleri kontrol etmenin ve en son piyasa verileri hakkında sürekli güncel kalmanın önemi vurgulanmaktadır.

  • 00:00:00 Makine öğrenimi algoritmaları, pazardaki eğilimleri ve kalıpları anlayabilir ve ardından bu bilgileri gelecekteki pazar hareketlerini tahmin etmek için kullanabilir. Bu sürece yardımcı olmak için genellikle makine öğrenimi algoritmaları kullanılır ve ChatGPT burada devreye girer. ChatGPT, tacirlerin büyük miktarda finansal veriyi analiz etmesine ve piyasa eğilimleri hakkında bilgi sağlamasına yardımcı olabilecek doğal bir dil işleme aracıdır. Bununla birlikte, ChatGPT kullanımı, sunumun ilerleyen kısımlarında tartışılacak olan kendi zorluklarını ve risklerini beraberinde getirir. Genel olarak, Makine Öğrenimi ve ChatGPT, daha doğru tahminler ve daha bilinçli karar verme sağlayarak ticaret endüstrisinde devrim yarattı.

  • 00:05:00 Konuşmacı, ticaret endüstrisinde ChatGPT gibi doğal dil işleme (NLP) modellerinin kullanımını tartışıyor. Bu modeller, haber makaleleri, sosyal medya gönderileri ve finansal tablolar gibi metin kaynaklarını analiz edebilir ve anlayabilir. Büyük bir dil modeli olan ChatGPT, özellikle bu tür verileri analiz etmek için çok uygundur ve metin istemlerine kulağa doğal gelen yanıtlar üreterek ticaret fırsatları hakkında sohbet etmeyi mümkün kılar. Ticaret stratejilerinin geliştirilmesine ve optimize edilmesine yardımcı olması beklendiğinden, finans camiasının ChatGPT'den beklentileri yüksektir. Konuşmacı ayrıca yapay zeka, makine öğrenimi ve derin öğrenme arasındaki farkları açıklıyor; makine öğrenimi, makinelere insan davranışını simüle etmeyi ve akıllı kararlar almayı öğretmek için yapay zekada kullanılan tekniklerin bir koleksiyonudur.

  • 00:10:00 Konuşmacı, makine öğreniminin (ML) ticaret için nasıl kullanılabileceğini tartışıyor ve ticarette makine öğreniminin tipik iş akışını açıklıyor. Makine öğreniminin, makinelerin verilerden öğrenmesini ve tahminlerde bulunmasını sağlayan yapay zekanın (AI) bir alt kümesi olduğunu açıklıyorlar. Makine öğrenimini uygulamak için önce veriler toplanır ve önceden işlenir, ardından ham verileri bir makinenin anlayabileceği niteliklere dönüştürmek için özellikler tasarlanır. Veriler daha sonra değiştirilir, eğitim ve test kümelerine bölünür ve bir model haline getirilir. Son olarak, model yeni veriler üzerinde test edilir ve tatmin ediciyse tahminler yapılabilir. Konuşmacı daha sonra, bir sonraki işlem günü için altın gibi bir varlığın en yüksek ve en düşük seviyesini tahmin etmek için ML'yi kullanmanın bir örneğini verir ve bu, ticaret sürecini kolaylaştırmaya yardımcı olabilir.

  • 00:15:00 Konuşmacı, ChatGPT'nin bir sonraki günün altın fiyatlarını tahmin etmek için doğrusal bir regresyon modeli oluşturmak gibi sorunları çözmede nasıl yardımcı olarak kullanılabileceğini tartışıyor. ChatGPT'nin yaklaşımını, veri toplama ve temizleme, modeller ve ardışık düzen oluşturma, veri AP'yi kontrol etme, canlı ticaret yapma ve sürekli iyileştirme sırasında üretime dağıtmayı içeren daha profesyonel bir nicel yaklaşımla karşılaştırıyorlar. Ayrıca bir makine öğrenimi regresyon kodu not defteri örneği gösterirler ve sorunu çözmenin dört bölümünü açıklarlar: veri hazırlama, ön işleme, fiyatları tahmin etme ve strateji ve performans analizi. Konuşmacı, ChatGPT'nin fikir üretimi için kullanılabileceğini, ancak hatalardan kaçınmak için her kavramı ayrıntılı olarak anlamanın ve yaklaşımda incelikli olmanın önemli olduğunu belirtiyor. Ayrıca kod oluşturmak ve bir anket başlatmak için ChatGPT kullanımını tartışıyorlar.

  • 00:20:00 Konuşmacı, ChargeGPT'nin doğru kod üretme becerisiyle ilgili bir ankete dinleyicilerin verdiği yanıtları tartışıyor. Hedef kitlenin çoğunluğu (%74), ChargeGPT'nin makul doğruluk sağlayabileceğini ancak alan uzmanlığı gerektiren karmaşık programlama görevleri için uygun olmadığını doğru bir şekilde seçiyor. Konuşmacı daha sonra, ChargeGPT tarafından oluşturulan Python kodunu kullanarak verilerin bir tren ve test setine nasıl bölüneceğini göstermeye devam eder ve ticarette zaman serisi verileri için verilerin nasıl doğru bir şekilde sıralanması gerektiğini gösterir.

  • 00:25:00 Konuşmacı, geriye dönük testler ve strateji analitiği yaparak makine öğrenimi tabanlı ticaret algoritmasının performansını değerlendirmenin önemini tartışıyor. Bunun, stratejinin performansının ayrıntılı analizini ve işlemler ve performans hakkında fikir edinmek için keskin oran, yıllık getiriler ve getirilerin oynaklığı gibi çeşitli ölçütlerin kullanılmasını gerektirdiğini açıklıyorlar. Konuşmacı ayrıca, ticaret algoritmasının iyi performans gösterip göstermediğini anlamanın ilk adımı olarak bir ticaret algoritmasının getirisinin bir al ve tut stratejisiyle nasıl karşılaştırılacağına dair bir örnek gösteriyor.

  • 00:30:00 Konuşmacı, makine öğrenimi algoritmalarını ticaret stratejilerine uygulamanın sonuçlarını tartışıyor ve verileri görselleştirmenin ve analiz etmenin önemini vurguluyor. Kârlı bir strateji sunarlar ve yıllık getiri ve kümülatif getiri gibi strateji analitiği ihtiyacını vurgularlar. Konuşmacı daha sonra, alan uzmanlığı eksikliği, sınırlı eğitim verileri ve yorumlanabilirlik sorunları gibi sınırlamalara dikkat çekerek makine öğrenimi tabanlı algoritma ticareti için ChatGPT kullanmanın getirdiği zorluklara ve risklere geçer. Alım satım kararları için yalnızca ChatGPT'ye güvenmemek konusunda uyarıda bulunuyorlar ve farklı mali dönemler için doğruluk kontrollerinin önemini vurguluyorlar.

  • 00:35:00 Konuşmacı, ticarette finansal analiz için dil modeli GPT'yi kullanmanın sınırlamalarını tartışıyor. Seyirci daha önce bir ankete katıldı ve çoğunluk makul doğruluğun teyit gerektirdiğine ve GPT'nin finansal analiz için uygun olmayabileceğine inanıyordu. Konuşmacı, GPT'den Apple ve Microsoft'un 2020 yıllık mali tablolarını karşılaştırmasını isteyerek bu sınırlamayı gösteriyor, bu da yanlış bir yanıtla sonuçlandı. Konuşmacı, GPT'nin bir üretici modeli olduğunu ve alan uzmanlığından yoksun olduğunu, bunun da yanlış sonuçlara veya önerilere yol açabileceğini vurguluyor. Bu nedenle konuşmacı, ticaret için makine öğrenimi algoritmalarını uygulamadan önce daha fazla kitap okumayı, finansla ilgili bilgi edinmeyi ve gerçekleri kontrol etmeyi öneriyor.

  • 00:40:00 Sunucu, makine öğrenimini finansta uygularken alanla ilgili bilgiye sahip olmanın önemini vurguluyor. ChatGPT gibi makine öğrenimi araçlarının daha iyi kullanılmasını sağlayabilecek bu uzmanlığı kazanmak için kurslar almayı öneriyor. Sunucu ayrıca, izleyicilerin kodu daha iyi anlamaları için bir makine öğrenimi ile ticaret eğitim kursundan dört not defterine ücretsiz erişim sağlar. Soru-Cevap bölümünde, ChatGPT'nin finansal piyasalardaki günlük değişimlere ayak uydurup uyduramayacağı konusunda ortak bir soru gündeme geldi. Sunum yapan kişi, bir dil modeli olarak, yalnızca üzerinde eğitildiği veriler kadar iyi olduğunu ve günlük olarak güncellenmediğini açıklar. Finansta ChatGPT'nin veya herhangi bir makine öğrenimi modelinin etkin kullanımı için en son piyasa verilerinden haberdar olmak çok önemlidir.

  • 00:45:00 Konuşmacılar, izleyicilerden gelen çeşitli soruları yanıtlıyor. Kaydedilen oturumun e-posta yoluyla ve YouTube kanallarında paylaşılacağını açıklıyorlar. Ayrıca, önümüzdeki 24 saat boyunca bir not defterinin kullanılabilirliğini ve makine öğreniminde işlem hattının tanımını tartışıyorlar. Konuşmacılar, vektörleştirilmiş Python kodunu canlı ticaret için bir kitaplığa dağıtılabilecek bir koda dönüştürmekle ilgili bir soruyu yanıtlıyor. Charge kodun dönüştürülmesine yardımcı olsa da, olay tetikleyicilerini tanımlamanın hala gerekli olduğu açıklanmaktadır. Konuşmacılar, Chargeability 3.5'in 2022 için bilgi sağlamadığından da bahsediyor. Son olarak, konuşmacılar ertesi gün yüksek ve düşük seviyelerinden yararlanan bir ticaret stratejisinden ve bunun makine öğrenimi kullanılarak nasıl optimize edildiğinden bahsediyor.

  • 00:50:00 Konuşmacı, zaman serisi tahmini, portföy optimizasyonu ve risk yönetimi dahil olmak üzere ticarette derin öğrenmenin uygulamalarını açıklıyor. Derin öğrenmenin, ödüller ve cezalar yoluyla hatalardan öğrenen belirli aracıları nasıl yarattığını ve ticaret stratejilerinin performansını artırmak için derin öğrenme ile takviyeli öğrenmenin bir kombinasyonunun nasıl kullanılabileceğini açıklarlar. Konuşmacı, ticarette makine öğrenimini güvenilir bir şekilde kullanmanın anahtarının alan uzmanlığı ve sezgi olduğunu ve ChatGPT gibi araçların geçmiş verileri analiz etmek ve gelecekteki işlemlerde başarı olasılığı hakkında içgörü sağlamak için kullanılabileceğini vurguluyor.

  • 00:55:00 Konuşmacı, alan adının derinlemesine anlaşılmasını gerektirdiğinden, tek başına ücretlendirilebilirliği kullanmanın işlemlerin riskliliğini belirlemek için en iyi yaklaşım olmayabileceğini açıklıyor. Sorunu çözmek için herhangi bir araca veya koda güvenmeden önce alan hakkında bilgi ve anlayış kazanmak önemlidir. Ayrıca iki ticaret kursu arasındaki farktan bahsediyorlar ve ticaret platformuna özel kodu Python'a dönüştürmeyle ilgili bir soruyu yanıtlıyorlar. Ücretlendirilebilirlik genel programlama dilinin dönüştürülmesine yardımcı olabilirken, platforma özgü kod dönüştürmelerinde yardımcı olmayabilir.
ChatGPT and Machine Learning in Trading
ChatGPT and Machine Learning in Trading
  • 2023.03.22
  • www.youtube.com
This session discusses the basics, uses & needs of ChatGPT and machine learning in trading. Attendees will learn how to integrate ChatGPT and machine learnin...
 

Finansal Piyasa Davranışını Anlamak: Çoklu veri kategorilerinin rolü



Finansal Piyasa Davranışını Anlamak: Çoklu veri kategorilerinin rolü

Toplantı sahibi, web seminerine finansal piyasa davranışını ve birden çok veri kategorisinin rolünü anlama konusunu sunarak başlar. Aralarında Profesör Gotham Mitra, Dr. Ernest Chan ve Dr. Mateo Campoloni'nin de bulunduğu panelistler, ticaret ve akademik kariyerlerde geniş deneyime sahip uzmanlar olarak tanıtıldı. Web semineri, çeşitli kategorilerdeki verilerin, son zamanlarda giderek artan bir önem kazanan bir konu olan finansal piyasa davranışını anlama ve tahmin etmede nasıl önemli bir rol oynadığını keşfetmeyi amaçlamaktadır. Oturumun, Opticks Systems ve QuantInsti tarafından sunulan Sentimentalysis and Alternative Data for Finance'te sertifikanın bir parçası olduğu belirtiliyor.

Birinci konuşmacı, finansal piyasa davranışını anlamada verilerin önemini vurgulamaktadır. Başlangıçta, piyasa fiyatları, alış ve satış emirleri ve kitabın derinliği gibi yalnızca sınırlı veriler mevcutken, artık dikkate alınması gereken çok çeşitli veri kategorileri var. Bunlar haber verilerini, medya duyarlılık verilerini ve alternatif verileri içerir. Piyasaların nihayetinde tüm bilgileri içerdiğini öne süren etkin piyasa hipotezine rağmen, piyasada hala kısa vadeli verimsizlikler var. Bu nedenle veriler, yeni alfanın keşfedilmesinde ve iki büyük piyasa sorununun ele alınmasında çok önemli bir rol oynar: portföy planlaması ve risk kontrolü. Konuşmacı ayrıca verileri işlemede yapay zekanın (AI) ve makine öğreniminin artan önemini vurguluyor.

Bir sonraki konuşmacı, yalnızca istatistiksel korelasyonları analiz etmek yerine, farklı öngörücüler ve hedef değişkenler arasındaki nedensel ilişkileri incelemeyi içeren nedensel yatırım kavramını tanıtıyor. Yatırımcılar, opsiyon faaliyeti gibi alternatif verileri kullanarak fiyat hareketlerinin altında yatan nedenler hakkında fikir edinebilir ve ticaret stratejilerinin doğruluğunu artırabilir. Ortalamaya dönme stratejisinin bir örneği, neden ara sıra başarısız olduğunu anlamanın önemini vurgulayarak alıntılanmıştır. Fiyat hareketlerinin nedenlerini ortaya çıkarmak için alternatif verilerin kullanılması sayesinde, yatırımcılar stratejilerini ne zaman uygulayacakları konusunda daha bilinçli kararlar alabilirler.

Piyasa operatörleri için verilerin önemi, özellikle alternatif veriler, aşağıdaki konuşmacı tarafından tartışılmaktadır. Alternatif veriler, halihazırda bir endüstri standardı olmayan ve sürekli olarak ortaya çıkan yeni oyuncular ve veri satıcılarıyla sürekli genişleyen bir ekosistem oluşturan herhangi bir veriyi ifade eder. Bu veriler, kredi kartı işlemleri, uydu görüntüleri, mobil cihaz verileri, hava durumu verileri ve daha fazlası gibi çeşitli kanallardan elde edilebilir. Konuşmacı ayrıca, metinsel belgeleri analiz etmek ve yatırımcılar için yatırım stratejilerini tamamlamada değerli olabilecek duyarlılık göstergeleri oluşturmak için doğal dil işleme araçlarının kullanılmasından da bahsediyor.

Alternatif verileri yatırım stratejilerinde kullanma süreci bir sonraki konuşmacı tarafından anlatılmaktadır. Yeni bilgi kaynaklarının tanımlanmasını, yapılandırılmamış verilerin birleştirilmesi ve yapılandırılmış veri kümelerine dönüştürülmesini içerir. Bir yatırım stratejisi geliştirdikten sonra doğrulama, verilerin güvenilirliğini ve sonuçların istatistiksel önemini anlamayı gerektiren çok önemli bir adım haline gelir. Konuşmacı, model oluştururken yalnızca alternatif verilere güvenmemenin ve piyasa verilerini de dikkate almanın önemini vurguluyor.

Konuşmacılar, pazar trendlerini yakalamada alternatif verilerin önemine ve bu tür verileri geriye dönük test etmenin getirdiği zorluklara değiniyor. Teknik tüccarlar daha önce 120 günlük hareketli ortalama gibi basit ölçümlere güvenirken, artık getiri nedenlerini anlamak için daha geniş bir veri kategorisi yelpazesini dahil etme yönünde bir baskı var. Bununla birlikte, alternatif veriler nispeten yeni olduğu için, bunun nasıl geriye dönük olarak test edileceği ve zaman içinde ne kadar tutarlı kalacağı konusunda endişeler var. Yatırım stratejilerinin etkisini anlamak, sistemin rastgele dalgalanmalara ilişkin istikrarını değerlendirmeyi gerektirir.

Yatırımcılar tarafından güçlü yatırım stratejileri geliştirmek için Bloomberg Icon ve Reuters Quantum gibi alternatif veri platformlarının kullanımı konuşmacılar tarafından tartışılıyor. Bu platformların duyarlılık ve haberler gibi çeşitli veri biçimlerini ölçmek için kendi modelleri olsa da, konuşmacılar yatırımcılara kendi modellerini oluşturmalarını tavsiye ediyor. Alternatif veri girdileri almak için API'leri kullanmanın önemi vurgulanır ve Credit Suisse gibi düzenli web sitelerinin şirket duyurularını analiz etmedeki değerine değinilir. Son olarak, konuşmacılar dar, özel yaklaşımların piyasa davranışlarını analiz etmede oldukça etkili olabileceğini belirtmektedir.

Konuşmacılar, finans piyasasındaki farklı varlık sınıflarının davranışını anlamak için kullanılabilecek çeşitli araçları ve web sitelerini ve yatırım stili ve zaman ufkuna dayalı olarak piyasanın nasıl takip edileceğini tartışarak devam ederler. Herkese uyan tek bir çözüm olmadığını kabul etmekle birlikte, Bloomberg gibi web sitelerinden nitel bilgilerin bu konuda yardımcı olabileceğini öne sürüyorlar. Ayrıca mikrobloglar ve sohbet odaları gibi duyguları ve alternatif veri kaynaklarını anlamanın önemini vurguluyorlar. Ancak, bu alanlarda uzmanlaşmanın finans piyasasında daha iyi bir kariyere yol açacağının mutlaka garanti olmadığını belirtiyorlar.

Ardından konuşmacı, büyük fonlar için gelişmiş ticaret stratejileri geliştirmek ile bağımsız yatırımcılar için basit stratejiler geliştirmek arasındaki farkı açıklıyor. Karmaşık tekniklerin büyük fonlarda iş arayanlar için daha uygun olabileceğinden bahsedilirken, bağımsız yatırımcılara kurumların ilgisini çekmeyebilecek bir niş strateji ile başlamaları tavsiye ediliyor. Bu yaklaşım, karmaşık veri akışlarıyla ilişkili yüksek maliyetlerden kaçınmalarına yardımcı olur. Konuşmacı, alım satım için yeni veri kaynaklarına artan ilgiyi daha da vurgulayarak, öğrenmeyi ve takip etmeyi uygun bir alan haline getiriyor. Ayrıca fon yönetiminde bir dereceye kadar kişisel olarak alternatif verileri kullandıklarını ve müşterilere makine öğrenimi ve doğal dil işleme tabanlı modülleri uygulamada veya veri setlerini kullanarak kendi stratejilerini doğrulamalarında yardımcı olduklarını belirtiyorlar.

Soru-Cevap bölümünde, Twitter'ın mavi tik satması ve doğrulanmış hesapların doğal dil işlemede (NLP) daha fazla ağırlık taşıyıp taşımayacağı hakkında bir soru sorulur. Panelistler başlangıçta soruyu anlamakta güçlük çekerler, ancak daha sonra soruyu yanıtlayacak niteliklere sahip olmadıklarını kabul ederler. Ardından tartışma, potansiyel seçenekler olarak Bloomberg ve Definitive'den bahsedilerek, yeni başlayanlar ve öğrenciler için uygun geleneksel finansal veri kaynaklarına geçer. Veri sağlayıcıların belirli bir etkileşim düzeyine sahip ücretsiz veri setleri sunabileceği önerisinde bulunulmaktadır.

Konuşmacı daha sonra finansal piyasa analizi için alternatif veri kaynaklarının kullanımını tartışıyor ve özellikle küresel ve yerel haber kaynaklarından veri toplayan DGLT şirketinden bahsediyor. İlgili bilgileri filtrelemek için gereken çabayı kabul etmekle birlikte, toplanan verilerin 1800'lere kadar uzanan piyasa davranışı hakkında tarihsel bir bakış açısı sağlayabileceği belirtilmektedir. Geleneksel verilerin yanı sıra alternatif verilerin tek kaynak olarak mı yoksa doğrulama için mi kullanılması gerektiği sorulduğunda, konuşmacı genel bir kural olmadığını ve kullanılan özel stratejiye bağlı olduğunu belirtiyor. Ancak, piyasa verilerinin birincil itici güç olmaya devam ettiğini ve alternatif verilere yalnızca güvenilmemesi gerektiğini vurguluyorlar.

Konuşmacı, finansal piyasalarda alternatif verilerin kullanımını ve bu tür verileri analiz etmek için makine öğreniminin nasıl kullanılabileceğini tartışarak web seminerini sonlandırıyor. Fiyat ve temel veriler dahil olmak üzere çok sayıda veri türünü makine öğrenimi tahmin algoritmalarına girmenin gerekliliğini vurguluyorlar. Ancak, alternatif verilerin tek başına tek itici güç olarak hizmet edemeyeceğini ve piyasa fiyatı girdisiyle birleştirilmesi gerektiğini de vurguluyorlar. Seyirci, olabilecek başka soruları ile iletişime geçmeye teşvik edilir.

  • 00:00:00 Toplantı sahibi, finansal piyasa davranışını ve birden çok veri kategorisinin rolünü anlayan web seminerinin konusunu tanıtıyor. Panelistler arasında ticaret ve akademik kariyerlerde geniş deneyime sahip Profesör Gotham Mitra, Dr. Ernest Chan ve Dr. Mateo Campoloni yer alıyor. Web seminerinin ana odak noktası, birden fazla kategoriden gelen verilerin, son zamanlarda giderek daha fazla önem kazanan finansal piyasa davranışını anlama ve tahmin etmede nasıl önemli bir rol oynadığını keşfetmektir. Oturum, Opticks Systems ve QuantInsti tarafından sunulan Sentimentalysis and Alternative Data for Finance sertifikasının bir parçasıdır.

  • 00:05:00 Konuşmacı, finansal piyasa davranışını anlamada verilerin önemini tartışıyor. İlk zamanlarda mevcut olan tek veri piyasa fiyatları, alış ve satış emirleri ve kitabın derinliğiyken, artık haber verileri, medya duyarlılığı verileri ve alternatif veriler dahil olmak üzere çok daha fazla veri kategorisi var. Piyasaların nihayetinde tüm bilgileri sindirdiğini belirten etkin piyasa hipotezine rağmen, hala kısa vadeli piyasa verimsizlikleri vardır. Sonuç olarak, veriler yeni alfa bulmak ve pazardaki iki ana sorunu ele almak için önemlidir: portföy planlama ve risk kontrolü. Konuşmacı ayrıca, bilgi verilerindeki AI ve makine öğreniminin veri sahnesinde giderek daha önemli hale geldiğini belirtiyor.

  • 00:10:00 Konuşmacı, basitçe istatistiksel korelasyonları analiz etmek yerine, farklı öngörücüler ve hedef değişkenler arasındaki nedensel ilişkilere bakmayı içeren nedensel yatırım kavramını tartışıyor. Opsiyon faaliyeti gibi alternatif verilerin kullanılmasıyla, yatırımcılar fiyat hareketlerinin altında yatan nedenleri anlayabilir ve bu bilgileri alım satım stratejilerinin doğruluğunu artırmak için kullanabilir. Konuşmacı, ortalamaya dönme stratejisi örneğinden ve bunun neden bazen başarısız olduğunu anlamanın öneminden bahsediyor. Yatırımcılar, fiyat hareketlerinin nedenlerini ortaya çıkarmak için alternatif verileri kullanarak stratejilerini ne zaman uygulayacakları konusunda daha bilinçli kararlar alabilirler.

  • 00:15:00 Konuşmacı, piyasa operatörleri için verilerin önemini, özellikle halihazırda bir endüstri standardı olmayan herhangi bir veriyi ifade eden alternatif verileri tartışıyor. Alternatif veriler, sürekli olarak ortaya çıkan yeni veri seti sağlayıcıları ve oyuncuları ile sürekli büyüyen bir ekosistemdir. Bu veriler, kredi kartı işlemleri, uydu görüntüleri, mobil cihaz verileri, hava durumu verileri ve daha fazlası gibi çeşitli kaynaklardan gelebilir. Konuşmacı ayrıca, metinsel belgeleri işlemek ve yatırımcılar tarafından yatırım stratejilerini tamamlamak için kullanılabilecek duyarlılık göstergeleri oluşturmak için doğal dil işleme araçlarının kullanılmasından da bahsediyor.

  • 00:20:00 Konuşmacı, yeni bilgi kaynakları bulmayı, bilgileri yerleştirmeyi ve yapılandırılmamış veri setlerinden yapılandırılmış veri setlerine dönüştürmeyi içeren yatırım stratejilerinde alternatif verileri kullanma sürecini anlatıyor. Bir yatırım stratejisi oluşturduktan sonra en önemli adım, verilerin güvenilirliğinin ve sonuçların istatistiksel olarak ne kadar önemli olduğunun anlaşılmasını gerektiren doğrulamadır. Ek olarak, sadece alternatif verilere güvenmemek ve modeller oluştururken piyasa verilerini de dikkate almak önemlidir.

  • 00:25:00 Konuşmacılar, pazardaki trendleri yakalamada alternatif verilerin önemini ve verileri geriye dönük test etmenin getirdiği zorlukları tartışıyor. Daha önce, teknik tüccarlar 120 günlük hareketli ortalama gibi basit ölçümlere güvenirken, artık getirilerin nedenlerini anlamak için bir dizi farklı veri kategorisini dahil etme yönünde bir baskı var. Bununla birlikte, alternatif veriler, geçmişte var olmadığı için, nasıl geriye dönük test edileceği ve zaman içinde ne kadar tutarlı olduğu sorusudur. Konuşmacılar, yatırım stratejilerinin etkisini anlamanın, sistemin istikrarını rastgele dalgalanmalara göre değerlendirmeyi gerektirdiğini vurgulamaktadır.

  • 00:30:00 Konuşmacılar, tüccarlar tarafından sağlam yatırım stratejileri oluşturmak için Bloomberg Icon ve Reuters Quantum gibi alternatif veri platformlarının kullanımını tartışıyor. Bu platformların duyarlılık verileri ve haber verileri gibi çeşitli veri biçimlerini ölçmek için kendi modelleri olsa da, tacirlerin kendi modellerini oluşturmaları önerilir. Ayrıca konuşmacılar, alternatif veri girdileri almak için API kullanmanın öneminden ve şirket duyurularını analiz etmek için Credit Suisse gibi düzenli web sitelerini kullanmanın değerinden bahsediyor. Son olarak, konuşmacılar dar, uzmanlaşmış yaklaşımların piyasa davranışını analiz etmede oldukça etkili olabileceğini belirtmektedir.

  • 00:35:00 Konuşmacılar, finansal piyasadaki farklı varlık sınıflarının davranışını anlamak için kullanılabilecek çeşitli araçları ve web sitelerini ve ayrıca yatırım tarzı ve zaman ufkunu temel alarak piyasanın nasıl takip edileceğini tartışıyor. Her duruma uyan tek bir çözüm olmasa da, Boomberg gibi web sitelerinden alınan niteliksel bilgiler yardımcı olabilir. Konuşmacılar ayrıca mikrobloglar ve sohbet odaları gibi duyguları ve alternatif verileri anlamanın öneminden bahsediyor. Ancak, bu alanlarda uzmanlaşmanın finansal piyasada daha iyi bir kariyere yol açıp açmayacağı açık değildir.

  • 00:40:00 Konuşmacı, büyük fonlar için gelişmiş ticaret stratejileri geliştirmek ile bağımsız yatırımcılar için basit stratejiler geliştirmek arasındaki farkı açıklıyor. Karmaşık teknikler, büyük fonlarda iş arayanlar için daha uygun olsa da, bağımsız tüccarlar, kurumların ilgisini çekmeyebilecek bir niş stratejiyle başlamak ve karmaşık veri akışlarıyla ilişkili yüksek maliyetlerden kaçınmak için daha iyidir. Konuşmacı ayrıca ticaret için yeni veri kaynaklarına artan bir ilginin olduğunu ve bunun da onu öğrenmek ve takip etmek için ilgili bir alan haline getirdiğini belirtiyor. Ayrıca fon yönetiminde bir ölçüde alternatif verileri kullandıklarını ve ayrıca müşterilerin makine öğrenimi ve doğal dil işleme tabanlı modülleri uygulamalarına veya veri setlerini kullanarak kendi stratejilerini doğrulamalarına yardımcı olduklarını belirtiyorlar.

  • 00:45:00 Twitter'ın mavi tik satması ve doğrulanmış hesapların doğal dil işlemede (NLP) daha ağırlıklı olup olmayacağı sorulur. Panelistler başlangıçta soruyu anlamakta güçlük çekiyorlar ve daha sonra soruyu yanıtlayacak niteliklere sahip olmadıklarını itiraf ediyorlar. Tartışma daha sonra, potansiyel seçenekler olarak Bloomberg ve Definitive'den bahsedilerek yeni başlayanlar ve öğrenciler için geleneksel finansal veri kaynaklarına ve veri sağlayıcıların belirli bir miktarda etkileşimle ücretsiz veri setleri sunabileceği önerisine geçer.

  • 00:50:00 Konuşmacı, özellikle küresel ve yerel haber kaynaklarından veri toplayan DGLT şirketinden bahsederek, finansal piyasa analizi için alternatif veri kaynaklarının kullanımını tartışıyor. Gerekli bilgileri filtrelemek çok zaman alabilir, ancak toplanan veriler 1800'lere kadar gidebilir ve piyasa davranışına tarihsel bir bakış açısı sağlayabilir. Geleneksel verilerin yanında alternatif verilerin tek kaynak olarak mı yoksa doğrulama için mi kullanılması gerektiği sorulduğunda, konuşmacı genel bir kural olmadığını ve bunun kullanılan özel stratejiye bağlı olduğunu belirtiyor. Ancak konuşmacı, pazar verilerinin kral olduğunu ve yalnızca alternatif verilere güvenilmemesi gerektiğini vurguluyor.

  • 00:55:00 Konuşmacı, finansal piyasalarda alternatif verilerin kullanımını ve bu verileri analiz etmek için makine öğreniminin nasıl kullanılabileceğini tartışıyor. Fiyat ve temel veriler dahil olmak üzere çok sayıda veri türünün makine öğrenimi tahmin algoritmasına girilmesi gerektiğini belirtiyor. Ancak, alternatif verilerin tek başına bir itici güç olarak kullanılamayacağından ve piyasa fiyatı girdisiyle birleştirilmesi gerektiğinden de bahsediyor. Konuşmacı, web seminerini sonlandırır ve izleyicileri, olabilecek tüm soruları iletmeye teşvik eder.
Understanding Financial Market Behaviour: The role of multiple categories of data
Understanding Financial Market Behaviour: The role of multiple categories of data
  • 2023.03.02
  • www.youtube.com
Financial markets are influenced by news, (micro) blogs and other categories of online streaming data. These sources of information reach financial market pa...
 

Nicel Faktör Yatırımına Giriş



Nicel Faktör Yatırımına Giriş

Bu video, niceliksel faktör yatırımı kavramını ve bunun değer, ivme, kalite ve boyut dahil olmak üzere farklı faktörlere göre sınıflandırılmasını tanıtır. Konuşmacı, faktör yatırımının getirileri artırması beklenen ve bunu uzun süreler boyunca yapan belirli faktörlere dayalı olarak menkul kıymetlerin seçilmesini içerdiğini açıklıyor. Video, istatistiksel analiz, faktör modelleme, makine öğrenimi, optimizasyon modelleri, zaman serisi analizi, risk modelleri ve montaj simülasyonu dahil olmak üzere nicel faktör yatırımını uygulamak için kullanılabilecek farklı nicel yöntemleri kapsar. Konuşmacı ayrıca niceliksel faktör yatırımını kullanmanın avantajlarını ve faktörleri seçme ve birleştirme sürecini tartışırken, veri kaynakları ve orta/yüksek frekanslı ticaret için uygunluk da dahil olmak üzere konuyla ilgili soruları yanıtlıyor.

QuantInsti'de kantitatif bir analist olan Varun Kumar, web seminerinde kantitatif faktör yatırımına kapsamlı bir giriş sağlar. Yatırımcıları ölçülebilir getirilere yönlendiren geniş ve kalıcı risk ve getiri kaynakları olan faktörler kavramını açıklayarak başlıyor. Bazı ortak faktörler arasında değer, momentum, kalite, boyut ve oynaklık bulunur. Kumar, yüksek kalite özelliklerine sahip şirketlere yatırım yapmayı içeren kalite faktörüne örnek olarak odaklanmaktadır. Bir şirketin kalitesini ölçmek için öz sermaye getirisi ve büyüme oranı karlılığı gibi finansal oranlar kullanılır. Oranı ve marjı yüksek olan hisse senetleri yüksek kaliteli, düşük oran ve marjlı hisse senetleri ise düşük kaliteli olarak kabul edilir. Tarihsel veriler, yüksek kaliteli hisse senetlerinden oluşan portföylerin uzun süreler boyunca fazla getiri sağladığını göstermektedir.

Kumar daha sonra niceliksel faktör yatırımında faktörlerin sınıflandırılmasını araştırır. Faktörler, makro faktörler, stil bazlı faktörler, sektörel faktörler, ESG bazlı faktörler, duygu bazlı faktörler, likidite bazlı faktörler ve teknik faktörler dahil olmak üzere yedi türe ayrılır. Bu faktörlerin her birinin nasıl çalıştığına ve bunların faktör portföylerini oluşturmak için nasıl kullanılabileceğine dair içgörüler sağlar. Bunu göstermek için, makroekonomik ve tarza dayalı faktörler kullanılarak oluşturulmuş strateji örnekleri sunuyor. Bu stratejiler, hisse senedi seçmek ve bir portföy oluşturmak için GSYİH büyümesi, enflasyon oranı, faiz oranı ve öz sermaye getirisi gibi değişkenlerin kullanılmasını içerir. Kumar ayrıca bir portföy için hisse senedi seçerken daha yüksek öz sermaye getirisi ve düşük borç-öz sermaye oranı gibi faktörleri göz önünde bulundurmanın önemini vurguluyor.

Web semineri ayrıca stil faktörleri, sektörel matris, ESG kriterleri, duyarlılık, likidite ve teknik göstergeler dahil olmak üzere nicel faktör yatırım stratejilerine dahil edilebilecek çeşitli faktörleri araştırıyor. Kumar, portföyler oluşturmak için mantıksal bir çerçeve geliştirmek için bu faktörlerin nasıl kullanılabileceğini açıklıyor ve bu faktörler kullanılarak uygulanabilecek gerçek hayattan strateji örnekleri sunuyor. Çevresel, sosyal ve yönetişim kriterlerini ifade eden ESG kriterlerine ve şirketleri toplum ve çevre üzerindeki etkilerine göre derecelendirmedeki rolüne kısaca değiniyor.

Kantitatif faktör yatırımında matematiksel modellerin ve istatistiksel analizin kullanımı da tartışılmaktadır. Kumar, bu yöntemlerin yatırım kararlarındaki duygusal önyargıları ortadan kaldırmaya yardımcı olduğunu ve daha az sezgisel faktörlerin keşfedilmesine izin verdiğini vurguluyor. İstatistiksel analiz, faktör modelleme, makine öğrenimi, optimizasyon modelleri, zaman serileri analizi, risk modelleri ve Monte Carlo simülasyonları dahil olmak üzere bu alanda en sık kullanılan yedi nicel yöntemi özetlemektedir. Video, menkul kıymetler ve faktörler arasındaki kalıpları ve korelasyonları belirlemek için istatistiksel analizin nasıl kullanılabileceğini vurgulamaktadır.

Yatırım portföylerinin oluşturulmasına ve yönetimine yatırım yapan niceliksel faktörün avantajları web seminerinde inceleniyor. Önemli avantajlardan biri, yatırımcıların portföylerinin sınırlarını daha iyi anlamalarına yardımcı olan aşırı piyasa koşullarını simüle etme yeteneğidir. Konuşmacı, düşük fiyat-kazanç oranlarına sahip büyük sermayeli bir hisse senedi portföyünün örnek olay incelemesini kullanarak, geleneksel ve nicel faktör yatırımı arasındaki yaklaşım farklılıklarını vurgular. Geleneksel yatırım, faktörleri tanımlamayı, büyük sermayeli hisse senetleri evrenini belirlemeyi ve F/K oranlarına göre sıralamadan önce her hisse senedi için faktörleri hesaplamayı içerirken, nicel faktör yatırımı veri toplama, ön işleme ve özellik seçimini kullanır. Seçilen özelliklere dayalı olarak hisse senedi fiyatlarını tahmin etmek için bir model oluşturulmuştur.

Kantitatif faktör yatırımı süreci, belirli özelliklere dayalı olarak hisse senedi fiyatlarını tahmin etmek için doğru modeller oluşturmanın önemi vurgulanarak açıklanmaktadır. Konuşmacı, bu yaklaşımın veri odaklı olduğunu ve geleneksel faktör yatırımına kıyasla daha objektif olduğunu ve daha doğru ve güvenilir analizler sağladığını vurguluyor. Yatırım için en iyi faktörleri seçmek için, faktörler kalıcı olmalı, farklı pazarlar ve sektörlerde çalışmalı, çeşitli piyasa koşullarına dayanıklı olmalı, piyasa etiğindeki değişikliklere aşırı duyarlı olmamalı ve yeterli likidite ve kapasiteye sahip olmalıdır.

Web semineri ayrıca niceliksel faktör yatırımındaki faktörlerin kombinasyonunu da kapsar. Her faktörün tarihsel performansına göre puanlandığı ve genel bir puan elde etmek için ağırlıklı bir ortalamanın alındığı, eşit ağırlık ve faktör puanlama dahil olmak üzere yaygın olarak kullanılan beş yöntem tartışılmaktadır. Portföy riskini azalttığı, çeşitlendirmeyi artırdığı ve performans dalgalanmasını en aza indirdiği için faktörlerin birleştirilmesinin önemi vurgulanmıştır. Konuşmacı, ampirik kanıtlarla desteklenmek, ekonomik veya finansal bir temele sahip olmak, uzun vadeli yatırım fırsatları sunmak, yatırım yapılabilir olmak ve sezgisel olmak ve geniş çapta kabul görmek dahil olmak üzere en iyi faktörün beş temel özelliğini ana hatlarıyla belirtir.

Konuşmacı, nicel faktör yatırımında faktörleri birleştirmek için çeşitli yöntemleri tartışmaya devam ediyor. Böyle bir yöntem, birden fazla faktörü daha küçük bir ilişkisiz bileşenler kümesinde birleştiren temel bileşen analizidir (PCA). Bu yaklaşım, faktörlerin sayısını azaltır ve çoklu bağlantılılık olarak da bilinen ilişkili faktörler konusunu ele alır. Başka bir yöntem, belirli bir faktörü vurgulamak için bir portföydeki ağırlıkların veya tahsislerin ayarlanmasını içeren faktör eğme yöntemidir. Bu teknik esneklik sunar ve yatırımcıların belirli faktörleri hedeflemesine olanak tanır. Ek olarak, doğrusal olmayan ilişkileri etkili bir şekilde yakalayarak, geçmiş performanslarına göre faktörleri seçmek veya birleştirmek için makine öğreniminden yararlanılabilir. Konuşmacı, önemli miktarda veri gerektirdiğinden ve fazla uydurmaya eğilimli olabileceğinden, derin öğrenme algoritmalarını kullanırken dikkatli olmanın önemini vurguluyor. Optimum sonuçlar için bunların geleneksel istatistiksel yöntemlerle birleştirilmesi önerilir.

Ayrıca konuşmacı, dinleyicilerin niceliksel faktör yatırımı ile ilgili sorularını yanıtlar. Sorular, fiyat hareketinin ve uzun vadeli grafiklerin yatırım faktörleri olarak kullanılması gibi çeşitli konuları kapsar; burada konuşmacı, uygun şekilde tanımlayarak ve tarihsel performansını inceleyerek teknik bir faktör olarak kullanılabileceğini önerir. Alım satımı yapılan ve yapılmayan faktörler arasındaki ayrım, likiditenin belirlenmesindeki zorluk nedeniyle alım satımı yapılmayan bir faktör olarak gayrimenkul örneği ile açıklanmaktadır. Kantitatif faktör yatırımının odak noktası, verileri kolayca erişilebilir olduğundan ve geriye dönük teste izin verdiğinden, öncelikle ticarete dayalı faktörler üzerindedir. Konuşmacı ayrıca, bir şirketin daha fazla değer mi yoksa büyüme odaklı mı olduğunu belirlemeye yönelik içgörüler sağlar ve değer stoklarını tanımlamak için fiyat-kazanç oranını kullanmak gibi teknikler önerir.

Tartışma, niceliksel faktör yatırımında kullanılan farklı algoritmaların keşfiyle devam ediyor. Tekrarlayan sinir ağları (RNN'ler) ve uzun kısa süreli bellek (LSTM) gibi algoritmalardan, alaka düzeyi analiz edilen veri türüne bağlı olarak bahsedilir. Faktörleri birleştirmek ve her faktör için en uygun ağırlıkları belirlemek için derin öğrenme teknikleri kullanılabilir, bu da gelişmiş portföy performansı sağlar. Konuşmacı, faktör stratejilerini geriye dönük olarak test etme konusunda tavsiyelerde bulunur ve bunların birden fazla veri seti ve pazarda istatistiksel anlamlılığını test etmenin önemini vurgular. Bollinger Bantlarının yan piyasaları belirlemek için teknik bir gösterge olarak kullanılmasından da bahsedilmektedir.

Son olarak, web semineri, konuşmacının izleyicilerden gelen ek soruları ele aldığı son bir Soru-Cevap oturumuyla sona erer. Sorular, karar ağaçları, sinir ağları ve rastgele ormanlar gibi çeşitli seçenekleri vurgulayarak, endüstri sektörlerinin seçiminde derin öğrenme algoritmalarının rolünü içerir. Algoritma seçiminin eldeki belirli göreve ve veri kümesine bağlı olduğu vurgulanmıştır. Konuşmacı, veri gereksinimleri ve fazla uydurma potansiyeli nedeniyle derin öğrenme algoritmalarını dikkatli kullanmanın önemini yineliyor. Seyirciye katılımları için teşekkür edilir ve oturum hakkında geri bildirimde bulunmaları teşvik edilir.

  • 00:00:00 QuantInsti'de kantitatif bir analist olan Varun Kumar, kantitatif faktör yatırımı kavramını ve değer, momentum, kalite ve büyüklük gibi farklı faktörlere göre sınıflandırılmasını tanıtıyor. Faktör yatırımının, getiri sağlaması beklenen belirli faktörlere dayalı olarak menkul kıymetlerin seçilmesini içerdiğini ve bu faktörlerin teknik olarak geniş ve kalıcı risk ve getiri kaynakları olduğunu açıklıyor. Web semineri, nicel faktör yatırımını uygulamak için kullanılabilecek farklı nicel yöntemleri ve genel faktör yatırımı ile nicel faktör yatırımı arasındaki farkları kapsar. Oturum, en iyi faktörlerin seçilmesine ilişkin bir vaka çalışması ve faktörlerin nasıl birleştirileceğine dair bir tartışma ile sona erer.

  • 00:05:00 Video, niceliksel faktör yatırımına bir giriş sağlar ve faktörlerin ne olduğunu açıklar. Faktörler geniş ve kalıcı risk ve getiri kaynaklarıdır ve yatırımcıları ölçülebilir belirli bir getiriye yönlendirirler. Ortak faktörler arasında değer, momentum, kalite, boyut ve oynaklık bulunur. Örnek olarak, video, yüksek kalite özelliklerine sahip şirketlere yatırım yapmayı içeren kalite faktörüne odaklanıyor. Bir şirketin kalitesi, öz sermaye getirisi ve büyüme oranı karlılığı gibi finansal oranların bir kombinasyonu kullanılarak ölçülür. Yüksek kaliteli bir hisse senedi, yüksek oranlara ve yüksek marjlara sahip olurken, düşük kaliteli hisse senetleri daha düşük oranlara ve düşük marjlara sahip olacaktır. Daha sonra, tarihsel olarak uzun süreler boyunca fazla getiri sağlayan yüksek kaliteli hisse senetlerinin bir kombinasyonu ile bir portföy oluşturulabilir. Faktörler geniş ve kalıcı olmalı, sırasıyla geniş bir varlık yelpazesinde ve uzun süreler boyunca getiri üretmelidir.

  • 00:10:00 Konuşmacı, niceliksel faktör yatırımında faktörlerin sınıflandırılmasını tartışır. Faktörler, makro faktörler, stil bazlı faktörler, sektörel faktörler, ESG bazlı faktörler, duygu bazlı faktörler, likidite bazlı faktörler ve teknik faktörler dahil olmak üzere yedi tipte sınıflandırılır. Bu faktörlerin nasıl çalıştığını ve bir faktör portföyü oluşturmak için nasıl kullanılabileceğini açıklar. Hisse senetlerini seçmek ve bir portföy oluşturmak için GSYİH büyümesi, enflasyon oranı, faiz oranı ve öz sermaye getirisi gibi değişkenlerin kullanılmasını içeren makroekonomik ve stile dayalı faktörler kullanılarak oluşturulmuş strateji örnekleri sunarlar. Riskten korunma fonu yöneticisi, hisse senetlerini seçmek ve bir portföy oluşturmak için iki kriter kullanır - daha yüksek öz sermaye getirisi ve düşük borç-öz sermaye oranı.

  • 00:15:00 Konuşmacı, nicel faktör yatırım stratejilerinde kullanılabilecek çeşitli faktörleri tartışır. Bu faktörler, stil faktörlerini, sektörel matrisi, ESG kriterlerini, duyarlılığı, likiditeyi ve teknik göstergeleri içerir. Konuşmacı, bu faktörlerin bir portföy için bir mantık oluşturmak üzere nasıl kullanılabileceğini açıklar ve bu faktörler kullanılarak uygulanabilecek stratejilere örnekler verir. Konuşmacı ayrıca çevresel, sosyal ve yönetişim kriterlerini ifade eden ESG kriterlerini ve kuruluşların şirketleri toplum ve çevre üzerindeki etkilerine göre derecelendirmek için bunu nasıl kullandığını kısaca açıklıyor. Son olarak konuşmacı, ESG kriterleriyle ilgili bir soru alır ve bunu gelecek bölümlerde daha ayrıntılı olarak tartışacaklarından bahseder.

  • 00:20:00 Video, niceliksel faktör yatırımını ve bunun faktörleri ve bunların hisse senetleriyle ilişkisini belirlemek için matematiksel modelleri ve istatistiksel analizleri kullanmasını tartışıyor. Bu yöntemler, yatırım kararlarından duygusal önyargıların kaldırılmasına ve daha az sezgisel faktörlerin keşfedilmesine olanak tanır. Video ayrıca istatistiksel analiz, faktör modelleme, makine öğrenimi, optimizasyon modelleri, zaman serisi analizi, risk modelleri ve montagoryal simülasyon dahil olmak üzere en sık kullanılan yedi nicel yöntemi listeler. Son olarak video, menkul kıymetler ve faktörler arasındaki kalıpları ve korelasyonları belirlemek için istatistiksel analizin kullanımına kısaca değiniyor.

  • 00:25:00 Video, bir hisse senedinin belirli faktörlere tepkisini belirlemek için istatistiksel analiz kullanmayı içeren nicel faktör yatırımını tanıtıyor. Bu bilgi daha sonra, belirlenen faktörlere daha güçlü yanıt veren hisse senetlerine daha fazla para giren bir portföy tasarlamak için kullanılır. Makine öğrenimi teknikleri, faktörleri keşfetmenin ve birleştirmenin ve gelecekteki performans hakkında tahminlerde bulunmanın bir yolu olarak da tartışılmaktadır. Zaman serileri analizi, geçmiş verileri analiz etmek ve getirilerdeki eğilimleri belirlemek için kullanılabilirken, risk modelleri ve Monte Carlo simülasyonları risk yönetimine yardımcı olabilir. Optimizasyon teknikleri, portföyler oluşturmak ve risk ve işlem maliyetlerini en aza indirirken faktör maruziyetini en üst düzeye çıkarmak için kullanılır.

  • 00:30:00 Video, yatırım portföylerinin oluşturulması ve yönetiminde yatırım yapan nicel faktörü kullanmanın farklı avantajlarını araştırıyor. Önemli avantajlardan biri, bir portföyün sınırlamalarını tam olarak anlayabilmek için aşırı piyasa koşullarını simüle edebilme yeteneğidir. Video ayrıca, düşük fiyat-kazanç oranlarına sahip büyük bir hisse senedi portföyünün örnek olay incelemesini kullanarak, geleneksel ve nicel faktör yatırımı arasındaki yaklaşımdaki temel farklılıkları vurgulamaktadır. Geleneksel yaklaşım, faktörü tanımlamayı ve her hisse senedi için faktörü hesaplamadan ve onları en düşükten en yükseğe F/K oranlarına göre sıralamadan önce büyük sermaye stoklarının evrenini belirlemeyi içerir. Buna karşılık, niceliksel faktör yatırımı yaklaşımı, özelliklere dayalı olarak hisse senedi fiyatlarını tahmin etmek için bir model oluşturmadan önce veri toplama, ön işleme ve özellik seçimini kullanır.

  • 00:35:00 Konuşmacı, belirli özelliklere dayalı olarak hisse senedi fiyatlarını tahmin etmek için bir model oluşturmayı ve bir portföy oluşturmadan önce modelin doğruluğunu değerlendirmeyi içeren nicel faktör yatırım sürecini açıklıyor. Bu yaklaşım veriye dayalıdır ve daha sübjektif analize izin veren geleneksel faktör yatırımına kıyasla daha objektiftir. Nicel faktör yatırımını kullanmanın birincil avantajı, verilerin daha doğru ve güvenilir bir şekilde analiz edilmesini sağlamasıdır. Yatırım için en iyi faktörleri seçmek için, faktörler kalıcı olmalı, farklı pazarlarda ve sektörlerde çalışmalı, farklı piyasa koşullarına dayanıklı olmalı, piyasa etiğindeki değişikliklere aşırı duyarlı olmamalı ve yeterli likidite ve kapasite ile yatırım yapılabilir olmalıdır.

  • 00:40:00 Eğitmen, en iyi Faktörün beş temel özelliğini tartışır: ampirik kanıtlarla desteklenmek, ekonomik veya finansal temele sahip olmak, uzun vadeli yatırım fırsatları sunmak, yatırım yapılabilir olmak ve sezgisel olmak ve geniş çapta kabul görmek. Portföy riskini azalttığı, çeşitlendirmeyi artırdığı ve performans oynaklığını azalttığı için faktörlerin birleştirilmesi önemlidir. Faktörleri birleştirmenin yaygın olarak kullanılan beş yöntemi vardır; bunlara eşit ağırlık ve Faktör puanlama dahildir; burada her bir faktör geçmiş performansına göre puanlanır ve genel bir puan elde etmek için ağırlıklı bir ortalama alınır. Eğitmen, iyi bir portföyün yalnızca yüksek getiri sağlamadığını, aynı zamanda çoklu döngülerde ve farklı pazar dinamiklerinde istikrarla performans gösterdiğini vurgular.

  • 00:45:00 Konuşmacı, niceliksel faktör yatırımında faktörleri birleştirmek için çeşitli yöntemleri tartışıyor. Böyle bir yöntem, birden çok faktörü daha küçük bir ilişkisiz bileşenler kümesinde birleştiren PCA'dır (temel bileşen analizi). Bu, faktörlerin sayısını azaltır ve çoklu bağlantı olarak bilinen ilişkili faktörler sorununu ortadan kaldırır. Başka bir yöntem, bir portföydeki ağırlıkların veya tahsislerin belirli bir faktöre göre ayarlanmasını içeren faktör eğme yöntemidir. Bu esnektir ve belirli faktörleri hedeflemek için kullanılabilir. Son olarak, makine öğrenimi, doğrusal olmayan ilişkileri yakalayarak geçmiş performansa dayalı faktörleri seçmek veya birleştirmek için kullanılabilir. Konuşmacı daha sonra izleyicilerden sorular sorar ve katılımcılar için bazı teklifler paylaşır.

  • 00:50:00 Konuşmacı, niceliksel faktör yatırımıyla ilgili birkaç soruyu yanıtlıyor. İlk soru, fiyat hareketlerini ve uzun vadeli grafikleri yatırım için bir faktör olarak kullanmakla ilgili olup, konuşmacı, bunu doğru bir şekilde tanımlayarak ve tarihsel performansını inceleyerek teknik bir faktör olarak kullanılabileceği yanıtını verir. İkinci soru, kapitalizasyonun bir faktör olup olmadığıdır; konuşmacı, büyüklüğün bir faktör olduğunu söyler ve büyük harf kullanımı, piyasa koşullarına bağlı olarak bir strateji belirlemek için faktörlerden biri olarak kullanılabilir. Konuşmacı ayrıca, Yahoo Finance gibi web sitelerinden ve Alpha Vantage gibi ücretli API'lerden bahsederek verilerin nereden alınacağıyla ilgili bir soruyu da yanıtlıyor. Son olarak, konuşmacı orta/yüksek frekanslı ticarette niceliksel faktör yatırımının nasıl kullanılacağına dair bir soruyu yanıtlayarak, faktör yatırımının uzun vadeli yatırımcılar için daha uygun olduğunu belirtir.

  • 00:55:00 Algoritmalar özellikle endüstri sektörlerini seçmek için kullanışlıdır. Bu amaçla kullanılabilecek karar ağaçları, sinir ağları ve rastgele ormanlar gibi çeşitli derin öğrenme algoritmaları bulunmaktadır. Belirli göreve ve eldeki verilere bağlıdır. Ancak, derin öğrenme algoritmalarının büyük miktarda veri gerektirdiklerinden ve fazla uydurmaya eğilimli olduklarından dikkatli kullanılmaları gerektiğini unutmamak önemlidir. Optimum sonuçlar için bunların geleneksel istatistiksel yöntemlerle birlikte kullanılması önerilir.

  • 01:00:00 Konuşmacı, niceliksel faktör yatırımında kullanılan RNN ve LSTM gibi farklı algoritmaları ve bunların analiz edilen veri türüne nasıl bağımlı olduğunu tartışır. Derin öğrenme, faktörleri birleştirmek ve optimum performans için her bir faktöre verecek ağırlıkları belirlemek için kullanılabilir. Konuşmacı ayrıca bir faktör stratejisini geriye dönük olarak test etme ve birden fazla veri seti ve pazarda istatistiksel önemini test etme konusunda tavsiyelerde bulunur. Yan piyasaları belirlemek için Bollinger Bantlarını teknik bir gösterge olarak kullanmayı öneriyorlar. Alım satımı yapılan ve yapılmayan faktörler arasındaki fark da açıklanır; alım satımı yapılan faktörler, halka açık menkul kıymetlere dayalıdır ve alım satımı yapılmayan faktörler, kamu piyasalarında yakalanamayan faktörlerdir.

  • 01:05:00 Konuşmacı, likidite kolayca belirlenemediğinden, ticareti yapılmayan bir faktör örneği olarak gayrimenkulü kullanarak, alım satımı yapılan ve yapılmayan faktörler arasındaki farkı tartışıyor. Veriler kolayca erişilebilir ve halka açık olduğundan, geriye dönük test yapmayı mümkün kıldığından, nicel faktör yatırımının odak noktası alınıp satılan faktörlerdir. Konuşmacı ayrıca bir izleyicinin bir şirketin daha fazla değere mi yoksa büyümeye mi odaklandığına nasıl karar verileceği konusundaki sorusunu yanıtlıyor ve değer stoklarını tanımlamak için fiyat-kazanç oranının kullanılması gibi teknikler öneriyor. Son olarak, izleyicilere katılımları için teşekkür edilir ve oturum hakkında geri bildirimde bulunmaları teşvik edilir.
Introduction to Quantitative Factor Investing
Introduction to Quantitative Factor Investing
  • 2023.02.28
  • www.youtube.com
This session covers the concept of factor investing and different types of factor investing strategies including a discussion of passive vs active investing ...
 

Opsiyon Ticareti için Makine Öğrenimi



Opsiyon Ticareti için Makine Öğrenimi

Opsiyon ticareti için makine öğrenimiyle ilgili web seminerinde, konuşmacı Varun Kumar Patula, makine öğrenimine ve onun temel amacına bir giriş yaparak başlıyor. Makine öğrenimi algoritmalarının verileri analiz etmek ve insanlar tarafından fark edilmeyebilecek kalıpları keşfetmek için kullanıldığını açıklıyor. Varun, yapay zeka, makine öğrenimi ve derin öğrenme arasında ayrım yapıyor ve makine öğreniminin, verilere dayalı tahminler veya kararlar almak için eğitim modellerine odaklanan yapay zekanın bir alt kümesi olduğunu vurguluyor. Ayrıca makine öğrenimini üç türe ayırır: her biri kendi özelliklerine ve uygulamalarına sahip olan denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme.

Konuşmacı daha sonra, web seminerinin ana odak noktası olan opsiyon ticaretinde makine öğreniminin uygulanmasını derinlemesine inceler. Opsiyon ticareti, sahibine belirli bir zaman dilimi içinde belirli bir fiyattan bir varlığı alma veya satma hakkı veren opsiyon sözleşmelerinin alım satımını içerir. Varun, opsiyon ticaretindeki yüksek riskin altını çiziyor ve makine öğreniminin analiz doğruluğunu nasıl artırabileceğini ve böylece riski azaltabileceğini açıklıyor. Fiyatlandırma seçenekleri, ticaret stratejileri tasarlama, oynaklığı hesaplama ve zımni oynaklığı tahmin etme dahil olmak üzere opsiyon ticaretinde makine öğreniminin çeşitli uygulamalarını detaylandırıyor. Bu uygulamalar, opsiyon ticaretinde karar vermeyi iyileştirmeyi ve karlılığı artırmayı amaçlamaktadır.

Opsiyon ticaretinde makine öğrenimine duyulan ihtiyacı anlamak için Black-Scholes modeli gibi geleneksel modellerin sınırlamaları tartışılmaktadır. Black-Scholes modeli, gerçek dünya senaryolarında doğru olmayabilecek sabit risksiz oran ve oynaklığı varsayar. Varun, Alman Candy modeli ve Heston modeli gibi kendi sınırlamaları ve girdi parametresi gereksinimleri olan alternatif modellerden bahseder. Önerilen çözüm, genişletilmiş bir dizi özellik ve giriş parametresine izin verdiği için makine öğrenimini bu modellerin yerine veya kombinasyonu olarak kullanmaktır. Makine öğrenimi modelleri, seçeneklerin adil fiyatını belirlemek için ima edilen veya gerçekleşen oynaklık, faiz oranları ve diğer ilgili özellikler gibi faktörleri dikkate alabilir. Bu, daha doğru fiyatlandırma, kullanım fiyatlarının seçimi ve riskten korunma stratejileri sağlar. Varun, ampirik araştırmaların, çok katmanlı algılayıcı modeli gibi birden fazla gizli katmana sahip derin öğrenme modellerinin, özellikle paranın çok ötesinde veya parada olan seçenekler için Black-Scholes modelinden daha iyi performans gösterdiğini gösterdiğinin altını çiziyor.

Web semineri, opsiyon stratejileri için makine öğrenimi modellerini kullanarak alım satım kararlarının optimizasyonunu keşfetmeye devam ediyor. Genel süreç, dayanak varlığın yükseliş veya düşüş eğilimini analiz etmeyi ve buna göre uygun bir strateji seçmeyi içerir. Bununla birlikte, birçok seçenek stratejisi, risk-ödül dağılımlarını çarpıttı ve daha rafine bir analiz gerektirdi. Makine öğrenimi, temel varlık hakkında içgörü sağlamak için geçmiş getiriler, ivme ve oynaklık gibi özellikleri göz önünde bulundurarak bu analizi geliştirebilir. Bu özellikler daha sonra bir sonraki ticaret dönemini yükseliş veya düşüş olarak sınıflandırmak için bir makine öğrenimi modeline girilir. Video ayrıca SP500 endeks verilerinde kullanılan özelliklere de değiniyor ve özellik analizinin seçenek stratejisi kararlarındaki önemini vurguluyor.

Ardından, konuşmacı dikey opsiyon spread'lerinde alım satım kararları için makine öğrenimi modelleri oluşturmaya odaklanır. Girdi parametrelerinin, bir sonraki işlem gününü yükseliş veya düşüş olarak sınıflandırmak için bir karar ağacı sınıflandırıcısının kullanıldığı önceki örnektekiyle aynı kaldığını açıklıyorlar. Seçeneklerden yararlanmak için, riski sınırladıkları için boğa çağrısı spreadleri veya ayı koyma spreadleri gibi spreadler sunulur. Makine öğrenimi modelleri, sözleşmenin işlem aralığını ve oynaklığını tahmin etmek için birleştirilir. Tüccarlar, bu birleştirilmiş modellerden yararlanarak, opsiyon ticaretinde çok önemli olan ima edilen volatiliteyi tahmin ederken ticaret stratejilerinde dikey spreadler için en uygun ayarları belirleyebilirler.

Opsiyon ticaretinde makine öğreniminin bir başka uygulaması, zımni volatiliteyi tahmin etmek ve opsiyon stratejileri hakkında hesaplanmış kararlar vermektir. Tüccarlar, tarihsel zımni oynaklığı ve diğer ilgili özellikleri makine öğrenimi modellerine girerek oynaklığı tahmin edebilir ve kısa çiftler veya kısa boğmalar gibi uygun stratejileri seçebilir. Konuşmacı, temel veriler ve seçenek verileri de dahil olmak üzere bir stratejiler listesine ve girdi özelliklerine dayalı olarak en uygun seçenek stratejisini tahmin etmek için bir makine öğrenimi modelinin oluşturulduğu bir vaka çalışmasını paylaşıyor. Tüccarlar, bir strateji evreni tasarlayarak ve çalışmayı farklı sözleşmeleri içerecek şekilde genişleterek, ticaret hedefleriyle uyumlu en iyi stratejiyi oluşturmak ve seçmek için makine öğreniminden yararlanabilir.

Web seminerinde konuşmacı, çeşitli pozisyon ve sözleşme kombinasyonlarını keşfederek opsiyon ticareti için 27 farklı stratejiyi nasıl oluşturduklarını açıklıyor. Stratejileri rafine etmek için, arayanın konumundan yoksun olan veya kısa ikili gruplar gibi pratik olmayan kombinasyonlara dayanan kombinasyonları eleyerek stratejileri 20'ye kadar filtrelediler. Konuşmacı, bu 20 stratejiden hangisinin maksimum getiri sağlayacağını belirlemek için bir makine öğrenimi modeli, özellikle de bir uzun kısa süreli bellek (LSTM) modeli kullandı. Bu model, temel varlıklardan, seçeneklerden ve volatiliteden gelen girdi özelliklerini birleştirdi ve dağıtım için en uygun stratejiyi belirlemek için çok sınıflı bir sınıflandırma sistemi kullandı.

Video ayrıca seçenek dereceleri ile ilgili özelliklere ve LSTM modeli için kullanılan sinir ağının yapısına da ışık tutuyor. Modeli yaklaşık 10 yıllık veriler üzerinde eğiterek, girdi özelliklerine dayalı olarak strateji etiketleri oluşturdu. Sonuçlar, makine öğrenimi modelinin zaman içinde temel varlıktan daha iyi performans gösterdiğini gösterdi. Seçenekler için makine öğrenimi modellerinin tahmin doğruluğunu artırmak amacıyla konuşmacı birkaç en iyi uygulama önerir. Bunlar arasında ince ayar için olasılık düzeylerinin kullanılması, birden çok görüş modelinin kullanılması, oylama sınıflandırıcı tekniğinin uygulanması ve daha iyi doğruluk ve kârlılık için başka bir makine öğrenimi modelini eğitmek için birden çok sınıflandırıcının çıktısından yararlanılması yer alır.

Ayrıca konuşmacı, opsiyon ticaretinde sınıflandırma modellerinin performansını iyileştirmeye yönelik yöntemleri araştırıyor. Bu yöntemler, olasılık düzeylerini kullanmayı, birden çok sınıflandırıcıyı birleştirerek topluluk tekniklerini kullanmayı ve farklı modellerin çıktılarını bir araya getirmek için makine öğrenimi modellerini kullanmayı içerir. Modellerde daha fazla doğruluk elde etmek için hiperparametre ayarlama ve çapraz doğrulama tekniklerinin önemi vurgulanmaktadır. Konuşmacı ayrıca, gerçek parayla bir strateji uygulamadan önce kağıt ticaretinin önemini vurguluyor. Bu uygulama, tacirlerin gerçek sermayeyi riske atmadan önce herhangi bir pratik sorunu veya zorluğu belirlemesine ve ele almasına olanak tanır.

Takip eden Soru-Cevap oturumunda konuşmacı, katılımcıların sorularını yanıtlar. Sorular, opsiyon ticareti için makine öğrenimi stratejisinin performansı, model için özellikleri seçmek için kullanılan metodoloji, makine öğreniminin mevcut teknik göstergelere göre faydaları, özellik öneminin hesaplanması ve uygun tutma süresi dahil olmak üzere çeşitli konuları kapsar. SPY (Standard & Poor's 500 Endeksi). Konuşmacı, model için kullanılan veriler 2010'a kadar uzandığından ve 2020'den sonraki dönemleri kapsadığından, stratejinin performansının yalnızca 2020'deki piyasa yönünden kaynaklanmadığını açıklıyor. Opsiyon ticaretinin, opsiyon Yunanlılar gibi faktörleri göz önünde bulundurarak daha karmaşık bir analiz gerektirdiğini açıklıyorlar. ve ima edilen oynaklık, makine öğrenimini değerli bir araç haline getiriyor. Model için özelliklerin seçimi, ticaret deneyimi ve bilinçli karar vermenin bir kombinasyonuna dayanmaktadır.

Web seminerinin sonuna doğru konuşmacı, beraberindeki kursun ön koşullarını tartışır ve faydalarını en üst düzeye çıkarmak için makine öğrenimi ve ilgili kurslar hakkında önceden bilgi önerir. Kurs, öncelikle S&P 500 opsiyon ticareti için makine öğrenimi modelleri oluşturmaya odaklanırken, kavramlar daha fazla eğitim ve özelleştirme ile uyarlanabilir ve diğer sözleşmelere uygulanabilir. Kurs, önceden oluşturulmuş bir makine öğrenimi modeli sağlamaz, ancak katılımcıları kendi modellerini oluşturmak için gereken bilgi ve becerilerle donatır.

Web semineri, makine öğreniminin opsiyon ticaretindeki uygulamasına kapsamlı bir genel bakış sağlar. Makine öğreniminin temellerini, diğer ilgili alanlardan farklarını ve üç tür makine öğrenimi algoritmasını kapsar. Web semineri, analiz doğruluğunu artırma ve riski azaltma becerisi nedeniyle opsiyon ticaretinde makine öğrenimine olan ihtiyacı vurgulamaktadır. Fiyatlandırma seçenekleri, ticaret stratejileri tasarlama ve ima edilen oynaklığı tahmin etme dahil olmak üzere, opsiyon ticaretinde makine öğreniminin çeşitli uygulamaları tartışılmaktadır. Web semineri ayrıca dikey opsiyon spreadleri için makine öğrenimi modellerinin oluşturulmasını ve alım satım kararlarının optimizasyonunu araştırıyor.

  • 00:00:00 Konuşmacı Varun Kumar Patula, opsiyon ticareti için makine öğrenimi konulu web seminerinin gündemini tanıtıyor. Makine öğrenimine kısa bir giriş ve bunun temel amacı olan verileri anlamak veya analiz etmek ve insanların genellikle gözden kaçırdığı dahili kalıpları bulmak için makine öğrenimi algoritmalarını kullanmayla başlar. Varun daha sonra yapay zeka, makine öğrenimi ve derin öğrenme arasındaki farkları açıklıyor. Ayrıca üç tür makine öğrenimi algoritması olduğunu belirtiyor: denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme. Son olarak, opsiyon ticaretinde makine öğreniminin uygulanmasına olan ihtiyacı vurguluyor ve hem araştırma hem de uygulamada olan başlıca uygulamalara ve ayrıca opsiyon ticareti için makine öğrenimi tekniklerini uygularken akılda tutulması gereken en iyi uygulamalara dalıyor.

  • 00:05:00 Konuşmacı, makine öğrenimi kavramını ve çeşitli alanlardaki uygulamalarını, özellikle algoritmik ticaret, portföy yönetimi ve dolandırıcılık tespiti gibi finansal hizmetlerde tanıtıyor. Bu web seminerinin odak noktası, opsiyon ticareti için makine öğreniminin uygulanmasıdır. Konuşmacı, opsiyon ticaretinin, belirli bir belirlenmiş fiyattan ve belirli bir borçtan alım veya satım seçeneği sunan opsiyon sözleşmelerinin alım satımını içerdiğini açıklıyor. Tüccarlar riskten korunma, gelir elde etme veya spekülasyon için opsiyon ticaretini kullanır. Konuşmacı, opsiyon ticaretindeki yüksek riskin altını çiziyor ve makine öğreniminin analizin doğruluğunu nasıl artırabileceğini ve böylece riski azaltabileceğini açıklıyor. Makine öğrenimi, fiyatlandırma seçeneklerinde, ticaret stratejileri tasarlamada, oynaklığı hesaplamada ve bir seçeneğin zımni oynaklığını tahmin etmede kullanılır. Bölüm, yaygın olarak kullanılan Black-Scholes modelinin sınırlamalarını tartışarak sona ermektedir.

  • 00:10:00 Black-Scholes modelinin sabit risksiz oran ve volatilite varsayımı gibi sınırlamaları, girdi parametreleriyle ilgili kendi sınırlamaları olan German Candy modeli ve Heston modeli gibi diğer modellerle birlikte tartışılır. Önerilen çözüm, makine öğrenimini geleneksel modellerin aksine özellik setinde ve genişletilmiş giriş parametrelerinde artışa izin verdiğinden, bu modellerin yerine veya kombinasyonu olarak makine öğrenimini uygulamaktır. ML modeli, fiyatlandırmaya, kullanım fiyatı seçimine ve riskten korunma uygulamalarına izin vererek, girdi olarak ima edilen veya gerçekleşen oynaklığı, faiz oranlarını ve diğer özellikleri kullanarak seçeneklerin adil fiyatını belirleyebilir. Ampirik araştırmalar, en iyi performans gösteren modelin, özellikle paranın çok tükendiği veya paranın bittiği durumlarda, Black-Scholes modelinden daha iyi performans gösteren çoklu gizli katmanlara sahip derin öğrenme modeli, çok katmanlı algılayıcı modeli olduğunu göstermektedir.

  • 00:15:00 Video, opsiyon durumu stratejilerini kullanarak alım satım kararlarını optimize etmek için makine öğreniminin nasıl kullanılabileceğini tartışıyor. Bir tüccar için genel süreç, dayanak varlığı analiz etmeyi ve yükseliş mi yoksa düşüş mü olduğuna karar vermeyi ve buna dayanarak bir strateji seçmeyi içerir. Bununla birlikte, birçok seçenek stratejisi, risk-ödül dağılımındaki bir çarpıklıkla oldukça risklidir, bu nedenle makine öğrenimini uygulamak, dayanak varlığın analizini iyileştirebilir ve daha iyi duyarlılık analizi sağlayabilir. Bir makine öğrenimi mimarisi oluşturma şeması, duyarlılık analizi yapmak veya temel varlığı tahmin etmek için makine öğrenimi modellerinin kullanılmasını içerir. Varlık hakkında bilgi vermek için geçmiş getiriler, momentum ve oynaklık gibi özellikler kullanılır ve bunlar, bir sonraki ticaret döneminin yükseliş mi yoksa düşüş mü olacağını sınıflandırmak için makine öğrenimi modeline girdi olarak kullanılır. Video ayrıca SP500 indeks verilerinde kullanılan özellikleri ve özellik analizinin önemini tartışıyor.

  • 00:20:00 Konuşmacı, dikey opsiyon spreadlerinde alım satım kararları için makine öğrenimi modelleri oluşturmayı tartışıyor. Giriş parametreleri, bir sonraki işlem gününü yükseliş veya düşüş olarak sınıflandırmak için bir karar ağacı sınıflandırıcısının kullanıldığı önceki örnekteki ile aynı kalır. Seçeneklerden yararlanmak için, riskin sınırlı olduğu boğa çağrısı spreadleri veya ayı koyma spreadleri gibi spreadler tanıtılır. Makine öğrenimi modellerini birleştirme fikri, bir modelin ticaret aralığını tahmin etmesi ve başka bir modelin sözleşmenin çok değişken mi yoksa düşük mü olacağını tahmin etmesiyle devreye giriyor. Bir tüccar, bu modellerin kombinasyonlarını kullanarak, ticaret stratejileri için en uygun dikey yayılma ayarlarına karar verirken, aynı zamanda özellikle opsiyon ticareti için önemli olan zımni volatiliteyi tahmin edebilir.

  • 00:25:00 Konuşmacı, ima edilen değişkenliği tahmin ederek ve hangi stratejinin izleneceği konusunda hesaplanmış kararlar vererek makine öğrenimi modellerinin opsiyon ticaretinde nasıl kullanılabileceğini açıklıyor. Tüccarlar, makine öğrenimi modellerine girdi olarak tarihsel zımni oynaklığı ve diğer özellikleri girerek, oynaklığı tahmin edebilir ve short straddle veya short straddle gibi stratejilerle buna göre pozisyon alabilir. Konuşmacı daha sonra, bir stratejiler listesine ve altta yatan veriler ve opsiyon verileri gibi girdi özelliklerine dayalı olarak hangi seçenek stratejisinin devreye alınacağını tahmin etmek için bir makine öğrenimi modelinin oluşturulduğu bir vaka incelemesini açıklar. Strateji evrenini tasarlayarak ve çalışmayı farklı sözleşmeleri içerecek şekilde genişleterek, tüccarlar, ticaret ihtiyaçları için en iyi stratejiyi oluşturmak ve seçmek için makine öğrenimini kullanabilirler.

  • 00:30:00 Konuşmacı, çeşitli pozisyon ve sözleşme kombinasyonlarını kullanarak opsiyon ticareti için 27 farklı stratejiyi nasıl oluşturduklarını açıklıyor. Bir arayanda bir pozisyon içermeyen veya kısa ikili pozisyonlar gibi pratik olmayan kombinasyonlara dayanan kombinasyonları kaldırarak bu stratejileri 20'ye kadar filtrelediler. Daha sonra, bu 20 stratejiden hangisinin maksimum getiri sağlayacağını belirlemek için bir makine öğrenimi modeli, özellikle de uzun kısa süreli bir bellek modeli kullandılar. Model, temel varlıklardan, seçeneklerden ve oynaklıktan girdi özelliklerini aldı ve konuşlandırılacak en iyi stratejiyi belirlemek için çok sınıflı bir sınıflandırma sistemi kullandı.

  • 00:35:00 Video, seçenek dereceleriyle ilgili belirli özelliklerin kullanımını ve LSTM modeli için kullanılan sinir ağının yapısını tartışıyor. Model, yaklaşık 10 yıllık verilerle eğitilir ve girdi özelliklerine dayalı strateji etiketleri sağlar. Sonuçlar, dayanak varlığın zamanla daha iyi performans gösterdiğini gösteriyor. Seçenekler için makine öğrenimi modellerinin daha iyi tahmin edilmesi için önerilen en iyi uygulamalar arasında ince ayar için olasılık düzeylerinin kullanılması, birden çok görme modelinin kullanılması, oylama sınıflandırıcı tekniğinin kullanılması ve daha iyi doğruluk ve kârlılık için birden çok sınıflandırıcının çıktısının başka bir makine öğrenimi modeline verilmesi yer alır.

  • 00:40:00 Konuşmacı, olasılık seviyelerinin kullanılması, ağaçların çarpılması, farklı sınıflandırıcıların işçi sınıfı adil tekniklerle birleştirilmesi ve çoklu sınıfların çıktısını almak için bir makine öğrenimi modelinin kullanılması gibi opsiyon ticareti için bir sınıflandırma modelinin performansını iyileştirme yöntemlerini tartışıyor. girdi olarak modeller Konuşmacı ayrıca daha fazla doğruluk için hiperparametre ayarının ve çapraz doğrulama tekniklerinin önemini vurguluyor. Ek olarak, gerçek parayı kullanmadan önce herhangi bir pratik sorunu tanımlamasına izin verdiği için, bir strateji uygulamadan önce kağıt ticaretinin önemi vurgulanır. Bunu, bir katılımcının konuşmacının deneyimi hakkında soru sorduğu bir Soru-Cevap oturumu takip eder.

  • 00:45:00 Konuşmacı, risk-ödül kapasitesine ve portföydeki temel varlıklara bağlı olarak karlı bir strateji olabileceğini belirterek, opsiyon ticaretinde Delta'nın kullanımını tartışıyor. Yalnızca bir Delta riskten korunma stratejisine güvenmemek konusunda uyarıda bulunuyorlar ve onu diğer stratejilerle birlikte kullanmayı öneriyorlar. Konuşmacı ayrıca piyasa fiyatlarına uymayan modellerin kullanılması, özellik öneminin hesaplanması ve SPY'nin elde tutulma süresi ile ilgili soruları da ele alıyor. Özellik öneminin nasıl hesaplanacağını açıklarlar ve dayanak varlığı tahmin etmek için farklı elde tutma sürelerinin kullanılabileceğini belirtirler.

  • 00:50:00 Konuşmacı, opsiyon ticareti için makine öğrenimi stratejisinin performansı ve modelin özelliklerine ulaşmak için kullanılan metodoloji ile ilgili olarak izleyicilerden gelen soruları ele alıyor. Model için kullanılan veriler 2010'a kadar uzandığı ve 2020'nin ötesine geçtiği için, stratejinin performansının yalnızca pazarın 2020'de yönlü olmasından kaynaklanmadığını açıklıyorlar. Makine öğreniminin mevcut teknik göstergelere göre faydaları sorulduğunda, konuşmacı şunu vurguluyor: opsiyon ticaretinin, opsiyon Yunanlılar ve zımni oynaklık da dahil olmak üzere daha karmaşık bir veri analizi gerektirmesi, makine öğrenimini değerli bir araç haline getiriyor. Son olarak, konuşmacı, modele ilişkin özelliklerin alım satım deneyimi ve bilinçli kararların birleşimine dayalı olarak seçildiğini açıklıyor.

  • 00:55:00 Konuşmacı, geçmiş getiriler ve teknik göstergeler gibi makine öğrenimini kullanarak bilinçli ticaret kararları vermeye giden çeşitli faktörleri tartışıyor. Ayrıca, manuel tüccarlar ve komisyoncular tarafından yaygın olarak kullanılan özelliklerin kullanımından da bahsediyorlar. LSTM modeliyle ilgili bir soruya yanıt olarak, mevcut sonuçlar günlük verilere dayalı olsa da, yüksek veya orta frekanslı ticaret algoritmalarının da adım adım verileri kullanabileceğini açıklıyorlar. Başka bir soru, duruma bağlı olduğunu ve oranın 70:30 olduğunu açıkladıkları eğitim setindeki işlem sayısını soruyor. Son olarak, Ensemble modellerini harmanlama ve istifleme arasında ayrım yaparlar ve harmanlamanın, yeni bir model eğitmek için birden fazla modelin çıktılarını almayı nasıl içerdiğini açıklarlar.

  • 01:00:00 Kurs, makine öğreniminin temellerini ve bunun opsiyon ticaretine uygulanmasını kapsar. Kurs, özellikle SP500 opsiyon ticareti için makine öğrenimi modelleri oluşturmaya odaklanır, ancak kavramlar, daha fazla eğitim ve ayar ile diğer sözleşmelere uygulanabilir. Kurs, kullanıma hazır bir makine öğrenimi modeli sağlamaz, ancak bir model oluşturmak için gereken bilgi ve becerileri verir.

  • 01:05:00 Bu bölümde, konuşmacı kursun ön koşullarını tartışır ve Makine Öğrenimi ve ilgili kurslara ilişkin ön bilgilerin bu kurstan en iyi şekilde yararlanmaya yardımcı olacağından bahseder. Konuşmacı ayrıca alınan çok sayıda soruyu kabul eder ve izleyicilere web seminerinin sonunda bir anket aracılığıyla yanıtlanacağını garanti eder. Web semineri, konuşmacının izleyicilere teşekkür etmesi ve onları gelecekteki oturumları iyileştirmek için geri bildirimde bulunmaya teşvik etmesiyle sona erer.
Machine Learning for Options Trading | Options Trading Strategies
Machine Learning for Options Trading | Options Trading Strategies
  • 2023.01.19
  • www.youtube.com
This session explains the application of machine learning for options trading. It covers the process of creating options trading strategies using machine lea...
 

Temettü Stokları için Makine Öğrenimi ve Optimizasyon ile Portföy Varlıkları Tahsisi | Algo Ticaret Projesi



Temettü Stokları için Makine Öğrenimi ve Optimizasyon ile Portföy Varlıkları Tahsisi | Algo Ticaret Projesi

Etkinlikteki ilk sunumu, çeşitli kurumsal işlevler için yapay zeka çözümleri sağlayan, İtalya'daki küçük ve orta ölçekli şirketlerle yaptığı çalışmalarla tanınan bağımsız bir yapay zeka ve büyük veri mühendisi olan Raimondo Mourinho yaptı. Mourinho, gelişmiş ticaret sistemleri oluşturmak için makine öğrenimi tekniklerini, istatistikleri ve olasılığı birleştirmeye inanıyor. Sunumunda, portföy varlık tahsisinde makine öğrenimi modelleri geliştirmeye yönelik pratik ve ölçeklenebilir çerçevesini paylaşıyor.

Mourinho, böyle bir sistemi tasarlamak için gerekli temel bileşenleri tanıtarak başlıyor. Portföy zihniyetini benimsemenin, fikirleri eyleme geçirilebilir stratejilere dönüştürmek için makine öğrenimi modellerini kullanmanın ve çoklu işlemci, çoklu çekirdek ve GPU yeteneklerinin gücünden yararlanmanın önemini vurguluyor. Bu bileşenler, çerçevesinin temelini oluşturur. Canlı yayına geçerken bir altyapı ihtiyacından kısaca bahsederken, çerçevenin son kısmının sunumun kapsamı dışında olduğunu kabul ederek, düşük-orta frekanslı ticaret için çerçevenin temel bloklarına odaklanıyor.

Konuşmacı daha sonra Python'da makine öğrenimi ve temettü hisse senetleri için optimizasyon kullanarak portföy varlık tahsisi için sağlam bir çerçeve oluşturmak için gerekli yetkinlikleri araştırır. Portföy teknikleri, nesne yönelimli programlama, çoklu işleme teknikleri ve eşzamansız programlama konularında güçlü bir anlayışa duyulan ihtiyacı vurgular. Ek olarak, hiper parametre optimizasyon araçları, SQL dili ve Docker teknolojisindeki uzmanlık değerli kabul edilir. Mourinho, zaman serileri için bir veritabanını optimize etmeyi, veri ön işlemeyi, eksik verileri ve aykırı değerleri ele almayı, verileri normalleştirmeyi ve belirlenen varlık evreni içinde varlık seçimini gerçekleştirmeyi içeren çerçevenin ilk adımını açıklamaya devam ediyor.

Sunum, ticaret sinyalleri oluşturmak için makine öğrenimi terminolojisine karşılık gelen alfa oluşturma aşamasını tartışarak devam eder. Mourinho, bu aşamada tacirlerin fikirlerini çeşitli göstergeler, duyarlılık analizi ve ekonometrik modeller kullanarak birleştirdiğinin altını çiziyor. Sonraki adım, sabit ve yarı sabit özellikler, durağan olmayan özellikler ve doğrusal olarak ilişkili özellikler gibi gereksiz özelliklerin sıra tabanlı bir yöntem kullanılarak kaldırıldığı özellik seçimini içerir. Ek olarak, özellikler içindeki önemli bilgileri korurken istenen durağanlığı koruyan bir teknik olan kesirli farklılaşmanın kullanımından bahseder. Bu iyileştirmeler, Mourinho'nun makine öğrenimi ve temettü hisseleri için optimizasyon kullanan portföy varlık tahsisi çerçevesinin ayrılmaz bir parçasıdır.

Varlık seçimi ve ağırlık tahsisini içeren yeniden dengeleme, öğrenme hattında kapsamlı bir şekilde açıklanmaktadır. Mourinho, varlık seçimi için varlıklar arasındaki göreli güce dayalı olarak enine kesitsel momentum kullanır. Ağırlık tahsisi için kritik çizgi algoritması, ters volatilite portföyü ve eşit ağırlıklı portföy gibi geleneksel teknikleri hiyerarşik risk paritesi ve hiyerarşik eşit risk katkısı gibi makine öğrenimi modelleriyle birleştirir. Konuşmacı, simülasyon sonuçlarını gösterir ve geçmiş verileri kullanarak performansı değerlendirir. Ayrıca Drunken Monkey stratejisi ve kombinatoryal tasfiye edilmiş çapraz doğrulama gibi teknikleri dahil ederek portföyü daha da geliştirme niyetinden de bahsediyor. Ayrıca Mourinho, bu teknikleri canlı ticaret senaryolarına uygularken etkili para yönetiminin önemini vurguluyor.

Parametre değişkenliği tahminini ele almak için Mourinho, Monte Carlo simülasyonu ve önyükleme gibi tekniklerin kullanılmasını önerir. Nihai servete ve maksimum düşüş yüzdelerine odaklanan analizinin sonuçlarını sunar. Konuşmacı, veri odaklı kalmanın ve belirli ticaret fikirlerine aşırı bağlı kalmamanın önemini vurguluyor. Ayrıca, farklı teknikler kullanarak kendine özgü riski azaltmayı ve karşılaştırılabilir performansa sahip daha basit sistemler seçerek aşırı uyumdan kaçınmayı tavsiye ediyor. Son olarak, zaman serisi verilerinin durağan olmayan doğası nedeniyle canlı ticaret sistemlerini sürekli olarak izleme ve ayarlama ihtiyacının altını çiziyor.

Soru-Cevap oturumu sırasında Mourinho, izleyicilerden gelen birkaç soruyu yanıtlıyor. Bir katılımcı, Mourinho'nun veri ön işlemeyi gerekli ve zaman alıcı olarak vurguladığı, boru hattındaki en kritik adımı soruyor. Başka bir sorgu, veri normalleştirmesi etrafında döner ve Mourinho, çoğu durumda ortalamayı çıkarma ve standart sapmaya bölme şeklindeki yaygın uygulamayı önerir. Temel Bileşen Analizi (PCA) kullanılarak doğrusal korelasyonun kaldırılmasıyla ilgili olarak, bunun olasılığını kabul ediyor, ancak özelliklerdeki potansiyel anlam kaybı konusunda uyarıda bulunuyor ve sonuçları etkin bir şekilde yorumlamak için Sharpe Ratio gibi modellerin dikkate alınmasını öneriyor.

Konuşmacı, özellik seçimi için PCA'nın kullanımını ve özelliklerin yorumlanabilirliği üzerindeki potansiyel etkisini tartışmaya devam ediyor. Hevesli kantitatif ve algoritmik yatırımcılara EPAT'ı (Algoritmik Ticarette Yönetici Programı) değerli bir başlangıç noktası olarak düşünmeleri tavsiye edilir. Programın, endüstrinin gereksinimleriyle uyumlu kapsamlı öğrenme hedefleri sunduğunun altını çiziyorlar. Web seminerinin katılımcılarına, programa uzun süreli erken giriş hakkı sunulur ve ister algoritmik bir ticaret masası kurmak ister ticaretlerine gelişmiş teknolojiler ve araçlar dahil etmek olsun, kariyer hedeflerine ulaşmalarında onlara nasıl yardımcı olabileceğini anlamak için bir kurs danışmanlığı çağrısı için rezervasyon yaptırabilirler. stratejiler.

Hong Kong Exchange and Clearing Limited'de proje yöneticisi olan Kurt Celestog, Jay Palmer'ın kantitatif portföy yönetimi konusundaki dersini genişleten portföy yönetimi konusundaki projesini paylaşmak için sahne alıyor. Celestog'un projesi, portföy yönetimi yoluyla temettü verimini optimize etmeye odaklanıyor. Amacı, portföyün değerini korurken, temettü ödemelerinde istikrar ve büyüme sağlarken düzenli bir temettü geliri akışı oluşturmaktır. Optimum portföy yönetimi teknikleriyle hem temettü veriminde hem de fiyat getirisinde kıyaslama endeksini veya ETF'yi geçmeyi hedefliyor. Celestog, temettü verilerini elde etme zorluğuyla karşı karşıya kaldı ve onu indirmek için web kazıma işlevleri geliştirdi. Veri setini, her biri on yılı kapsayan ve ekonomik durgunlukları ve genişlemeleri kapsayan iki kısma ayırdı.

Konuşmacı, temettü portföyü optimizasyonu için veri temizleme sürecinde karşılaşılan zorlukları tartışıyor. Web sitesinden elde edilen veriler temiz değildi ve özellikle başlangıçta yüzde olarak sunulan erken temettüler ile temettüleri dolar cinsinden ifade etmek için değişiklikler ve normalleştirme gerekiyordu. Fiyat verileri Yahoo Finance'ten alındı ve yıllık temettü verimi, temettü büyümesi ve ortalama büyüme gibi metrikler hesaplandı. İki portföy oluşturmak için seçilen tüm hisse senetleri için bir bileşik oran türetilmiştir: eşit ağırlıklı bir portföy ve ağırlığı optimize edilmiş bir portföy. Konuşmacı, tek bir optimizasyonun ve ardından on yıllık bir bekletme süresinin kıyaslama ve ETF'den daha iyi performans gösterip göstermeyeceğini analiz etmeyi amaçladı.

Konuşmacı daha sonra makine öğrenimi tekniklerini kullanan portföy optimizasyonu projesinin sonuçlarını paylaşır. Sunulan grafikler, sol üst çeyrekte en yüksek kombine metriğe sahip beş hisse senedini temsil eden yeşil balonları gösteriyor. Hem eşit ağırlıklı hem de optimal ağırlıklı portföyler, karşılaştırmalı değerlendirmeye göre daha yüksek ortalama getiriler ve temettü getirileri sergiledi. Ancak, önümüzdeki on yıl içinde, bankacılık ve teknoloji hisseleri daha fazla popülerlik kazandı ve optimize edilmiş portföyün performansının karşılaştırmalı değerlendirmeye göre düşmesine neden oldu. Performansı artırmak için, konuşmacı portföyleri düzenli olarak yeniden dengelemeyi ve seçilen metriğe göre en iyi beş hisse senedini seçmeyi denedi. Yeniden dengelenen portföyler, kıyaslamayı geride bıraktı ve daha yüksek bir temettü getirisi gösterdi.

Konuşmacı, portföy optimizasyonunun ve düzenli yeniden dengelemenin, özellikle Gayrimenkul Yatırım Ortaklıkları (GYO'lar) gibi temettü hisse senetleri ile nasıl daha yüksek temettü getirilerine yol açabileceğini ve kıyaslama endekslerinden daha iyi performans gösterebileceğini vurguluyor. Portföyleri altı ayda bir yeniden dengeleyerek ve farklı inceleme dönemlerini keşfederek konuşmacı, ortalama temettü getirisi, temettü büyümesi, getiri ve daha düşük düşüşler açısından endeksi başarılı bir şekilde geride bıraktı. Bununla birlikte, verileri elde etme ve temizleme konusundaki zorlukları kabul ediyorlar ve yeniden dengeleme işlevinin karmaşık olabileceğini not ederek, bu karmaşıklığı ele almak için nesne yönelimli programlamanın kullanılmasını öneriyorlar. Genel olarak konuşmacı, portföy optimizasyonunun ve düzenli yeniden dengelemenin yatırımcılar için değerli araçlar olduğunun altını çiziyor.

Konuşmacı, daha iyi performans elde etmek için portföyün sık sık yeniden dengelenmesinin çok önemli olduğuna dikkat çekiyor. Bununla birlikte, temettü hisseleri için temettü verilerinin bulunma sıklığı nedeniyle, yılda bir veya iki defadan daha sık yeniden dengeleme yapmak zordur. Konuşmacı ayrıca, farklı optimizasyon kriterlerini keşfetmek, daha fazla çeşitlendirme için portföye daha fazla hisse senedi dahil etmek ve kapsamlı geriye dönük testler yapmak da dahil olmak üzere proje üzerinde daha fazla çalışma gereğini vurguluyor. Okuma evrenini genişletmeyi ve işlem maliyetlerinin portföy performansı üzerindeki etkisini tartışmayı öneriyorlar.

Soru-Cevap oturumu sırasında Celestog izleyicilerden gelen soruları yanıtlıyor. Bir katılımcı, optimize edilmiş portföye kıyasla eşit ağırlıklı portföyün performansını soruyor. Celestog, eşit ağırlıklı portföyün genel olarak iyi performans gösterdiğini, ancak optimize edilmiş portföyün daha yüksek getiri sağladığını ve portföy optimizasyon tekniklerinin etkinliğini gösterdiğini açıklıyor. Başka bir katılımcı, işlem maliyetlerinin portföyün performansı üzerindeki etkisini soruyor. Celestog, işlem maliyetlerinin önemli bir etkiye sahip olabileceğini kabul ediyor ve gerçek dünya performansının daha doğru bir temsilini elde etmek için bunların optimizasyon sürecine dahil edilmesini öneriyor. Ayrıca canlı ticaret senaryolarında kaymayı dikkate almanın öneminden bahsediyor ve katılımcılara stratejilerini canlı ticarette uygulamadan önce geçmiş verileri kullanarak kapsamlı bir şekilde test etmelerini tavsiye ediyor.

Genel olarak, web seminerindeki sunumlar, temettü hisse senetleri için makine öğrenimi ve optimizasyon teknikleri kullanılarak portföy varlık tahsisinin pratik yönlerine ışık tutuyor. Konuşmacılar, başarılı sonuçlar elde etmek için veri ön işleme, özellik seçimi, yeniden dengeleme ve düzenli izlemenin önemini vurguladılar. Ayrıca, finansal piyasaların dinamik doğasında gezinmek için sürekli öğrenme, uyum sağlama ve farklı stratejileri keşfetme ihtiyacını vurguladılar. İzleyiciler, portföy yönetiminde makine öğrenimini kullanmanın zorlukları, teknikleri ve potansiyel faydaları hakkında değerli bilgiler edindi.

  • 00:00:00 İlk sunum, Raimondo Mourinho tarafından sunulan portföy varlık dağılımı üzerinedir. Mourinho, pazarlama, İK, satış ve üretim gibi kurumsal işlevler için uçtan uca yapay zeka çözümleri bulmak üzere İtalya'daki çeşitli küçük ve orta ölçekli şirketlerle birlikte çalışan bağımsız bir yapay zeka ve büyük veri mühendisidir. Üstün ticaret sistemleri tasarlamak için makine öğrenimi tekniklerini istatistik ve olasılıkla birleştirmeye inanıyor. Sunumda Mourinho, portföy varlık tahsisinde makine öğrenimi geliştirmeye yönelik pratik ve ölçeklenebilir çerçevesini paylaşıyor.

  • 00:05:00 Konuşmacı, portföy ağırlık tahsisi için ölçeklenebilir çerçeveyi tanıtıyor ve böyle bir sistem tasarlamak için gereken bileşenleri açıklıyor. Üç bileşen, portföy zihniyetiyle bir sistem tasarlamayı, fikirleri dönüştürmek için makine öğrenimi modellerini kullanmayı ve çok işlemcili, çok çekirdekli ve GPU özelliklerinden yararlanmayı içerir. Konuşmacı ayrıca düşük-orta frekanslı ticaret için çerçevenin temel bloklarını paylaşıyor ve canlı yayına geçerken bir altyapı ihtiyacından kısaca bahsediyor. Konuşmacı, sunumun kapsamı dışında olduğu için çerçevenin son bölümünü kapsamaz.

  • 00:10:00 Konuşmacı, sınıflarla Python'da temettü hisseleri için makine öğrenimi ve optimizasyon kullanarak portföy varlık tahsisi için bir çerçeve oluşturmak için gereken yetkinlikleri tartışır. Portföy teknikleri bilgisi, nesne yönelimli programlama, çoklu işleme teknikleri ve eşzamansız programlama gibi yetkinlikler gereklidir. Hiper parametre optimizasyon araçlarının kullanımı, SQL dili bilgisi ve Docker teknolojisi de önemlidir. Konuşmacı daha sonra, bir veritabanını zaman serileri için optimize etmeyi, veri ön işlemeyi, eksik veriler ve aykırı değerlerle ilgilenmeyi, veri normalleştirmeyi ve varlık evreni içinde varlık seçimini gerçekleştirmeyi içeren çerçevenin ilk adımını tartışmaya geçer.

  • 00:15:00 Konuşmacı, tüccarlar arasında yaygın olarak alfa oluşturma aşaması olarak bilinen makine öğrenimi terminolojisi açısından alfa oluşturma aşamasını tartışıyor. Bu aşamada tacir, çeşitli göstergeler, duygu analizi ve ekonometrik modeller kullanarak aklına gelen fikirleri ekler. Bir sonraki adım, sabit ve yarı sabit özellikler, durağan olmayan özellikler ve sıra tabanlı bir yöntem kullanılarak doğrusal olarak ilişkili özellikler dahil olmak üzere gereksiz özelliklerin kaldırıldığı özellik seçim aşamasıdır. Konuşmacı ayrıca, özelliğin kendisinde bazı bilgileri tutarken istenen durağanlığa izin veren kesirli farklılaşmanın kullanımından da bahseder. Bunlar, konuşmacının makine öğrenimi ile portföy varlık tahsisi ve temettü hisseleri optimizasyonu çerçevesinin bir parçası olarak üzerinde çalıştığı iyileştirmelerdir.

  • 00:20:00 Konuşmacı, varlık seçimi ve ağırlık tahsisini içeren öğrenme hattının yeniden dengeleme aşamasını açıklıyor. Varlık seçimi için konuşmacı, varlıklar arasındaki göreli güce dayalı enine kesitsel momentumu kullanır. Ağırlık tahsisi için kritik çizgi algoritması, ters volatilite portföyü ve eşit ağırlıklı portföy gibi geleneksel tekniklerin yanı sıra hiyerarşik risk paritesi ve hiyerarşik eşit risk katkısı gibi makine öğrenimi modelleri kullanılır. Simülasyonların sonuçları gösterilir ve konuşmacı geçmiş verileri kullanarak performansı değerlendirir. Konuşmacı, Drunken Monkey stratejisi ve kombinatoryal tasfiye edilmiş çapraz doğrulama gibi teknikler ekleyerek portföyü geliştirmeyi planlıyor. Son olarak, konuşmacı bu teknikleri canlı ticarete uygularken para yönetiminin önemini vurgulamaktadır.

  • 00:25:00 Konuşmacı, parametrelerin değişkenlik aralığını tahmin etmenin önemini tartışıyor ve bunu başarmak için Monte Carlo simülasyonu ve önyükleme gibi tekniklerin kullanılmasını öneriyor. Daha sonra nihai servet ve maksimum düşüş yüzdeliklerine odaklanan analizlerinin sonuçlarını sunarlar. Konuşmacı, veri odaklı olma ve ticaret fikirlerine aşık olmama ihtiyacını vurguluyor. Ayrıca, farklı teknikler kullanarak kendine özgü riskin azaltılmasını ve karşılaştırılabilir performansa sahip daha basit sistemler seçerek aşırı uyumdan kaçınılmasını önermektedir. Son olarak, zaman serilerinin oldukça durağan olmayan doğası nedeniyle canlı ticaret sistemlerini izleme ve ayarlama ihtiyacını vurguluyorlar.

  • 00:30:00 Konuşmacılar, makine öğrenimi kullanarak portföy varlıkları tahsisi ve temettü hisse senetleri için optimizasyon hakkında izleyicilerden gelen birkaç soruyu tartışıyor. Bir dinleyici, boru hattındaki hangi adımın en fazla dikkati hak ettiğini sorar ve Raymond buna, veri ön işlemenin gerekli ve en çok zaman alan adım olduğunu söyler. Başka bir soru, veri normalizasyonu hakkındadır ve Raymond, ortalamayı çıkarmanın ve standart sapmaya bölmenin çoğu durumda iyi sonuç verdiğini öne sürer. Son olarak, PCA kullanarak doğrusal korelasyonun kaldırılması sorulduğunda, Raymond bunun mümkün olduğunu ancak özelliğin anlamını yitirmesine yol açabileceği konusunda uyarıyor ve sonuçları açıklamak için Sharpe Ratio gibi modellerin kullanılmasını öneriyor.

  • 00:35:00 Konuşmacı, PCA'nın özellik seçimi için kullanımını ve PCA uygulandıktan sonra özelliklerin potansiyel anlam kaybını tartışır. Kalkınan nicel ve algoritmik tüccarlara EPAT'ı harika bir başlangıç olarak görmelerini tavsiye ediyor ve programın endüstrinin ihtiyaçları ile uyumlu kapsamlı öğrenme hedefleri sunduğundan bahsediyor. Programa erken giriş, web semineri katılımcılarını da kapsayacak şekilde genişletilmiştir ve onlar, bir algo ticaret masası başlatmak veya ticaret stratejilerinde gelişmiş teknolojiler ve araçlar uygulamak dahil olmak üzere programın kariyer hedeflerine ulaşmalarına nasıl yardımcı olabileceğini anlamak için bir kurs danışmanlığı çağrısı için rezervasyon yaptırabilirler.

  • 00:40:00 Hong Kong Exchange and Clearing Limited'de proje yöneticisi olan Kurt Celestog, Jay Palmer'ın kantitatif portföy yöneticisi dersini portföy yönetimi yoluyla temettü getirisini optimize etmeye genişleten portföy yönetimi hakkındaki projesini paylaşıyor. Motivasyonu, düzenli bir temettü gelir akışı elde ederken aynı zamanda temettü ödemelerinin istikrarlı olmasını ve zamanla büyümesini ve portföy değerinin zamanla azalmamasını sağlamaktır. Optimum portföy yönetimi teknikleriyle hem temettü veriminde hem de fiyat getirisinde kıyaslama endeksini veya ETF'yi geçmeyi hedefliyor. Celestog, temettü verilerini elde etme zorluğuyla karşı karşıya kaldı ve onu indirmek için web kazıma işlevlerini kodlamak zorunda kaldı ve veri setini, ekonomik durgunlukları ve genişlemeleri kapsayan, her biri 10 yıllık iki bölüme ayırdı.

  • 00:45:00 Konuşmacı, temettü portföyü optimizasyonu için veri temizlemede karşılaşılan zorlukları tartışıyor. Web sitesindeki veriler temiz değildi, temettülerin dolar cinsinden ifade edilmesi ve erken temettülerin yüzde cinsinden ifade edilmesi için değiştirilmesi ve normalleştirilmesi gerekiyordu. Fiyat verileri Yahoo Finance'ten temin edilmiş ve diğer fiyat metriklerinden yıllık temettü verimi, temettü büyümesi, ortalama büyüme gibi metrikler verilerden hesaplanmıştır. Biri eşit ağırlıklı, diğeri ağırlığı optimize edilmiş portföy olmak üzere iki portföy oluşturmak için kullanılan tüm farklı seçilmiş hisse senetleri için bir bileşik oran hesaplandı. Konuşmacı, portföyü on yıl boyunca tutmanın takip ettiği tek bir optimizasyonun kıyaslama ve ETF'den daha iyi performans gösterip göstermeyeceğini analiz etmek istedi.

  • 00:50:00 Konuşmacı, makine öğrenimi projesiyle portföy optimizasyonunun sonuçlarını tartışıyor. Grafiklerin sol üst çeyreği, en yüksek birleşik metriğe sahip beş hisse senedini temsil eden yeşil balonları gösterir. Konuşmacı, karşılaştırmalı değerlendirmeye göre hem daha yüksek ortalama getiriye hem de temettü verimine sahip eşit ağırlıklı ve optimal ağırlıklı portföyleri hesapladı. Ancak, önümüzdeki on yıl içinde bankacılık ve teknoloji hisseleri daha popüler hale geldi ve optimize edilmiş portföy, karşılaştırmalı değerlendirmeden daha kötü performans göstermeye başladı. Konuşmacı, her dönemi yeniden dengeleyerek ve seçilen metriğe göre en iyi beş hisse senedini seçerek performansını artırmaya çalıştı. Yeniden dengelenen portföyler, karşılaştırmalı değerlendirmeden daha iyi performans gösterir ve daha yüksek temettü getirisine sahiptir.

  • 00:55:00 Konuşmacı, portföy optimizasyonu ve düzenli yeniden dengelemenin, özellikle Gayrimenkul Yatırım Ortaklıkları (GYO'lar) gibi temettü hisse senetleri ile nasıl daha yüksek temettü getirisi elde edebileceğini ve kıyaslama endekslerini nasıl geride bırakabileceğini tartışıyor. Portföyleri altı ayda bir yeniden dengeleyerek ve farklı inceleme dönemleri kullanarak, konuşmacı hem ortalama temettü getirisi, hem de temettü artışı, getiri ve daha düşük düşüşler açısından endeksten daha iyi performans göstermeyi başardı. Bununla birlikte, verileri elde etmenin ve temizlemenin zor olduğu ortaya çıktı ve yeniden dengeleme işlevi, nesne yönelimli programlama kullanılarak ele alınabilecek karmaşıktı. Genel olarak konuşmacı, portföy optimizasyonunun ve düzenli yeniden dengelemenin yatırımcılar için değerli araçlar olabileceğini öne sürüyor.

  • 01:00:00 Konuşmacı, performans artışı için sık sık portföy yeniden dengelemesinin gerekli olduğunu belirtiyor, ancak temettü hisseleri veya okumaları için temettü verilerinin seyrekliği, yılda bir veya iki defadan daha sık yeniden dengelemeyi zorlaştırıyor. Konuşmacı ayrıca, farklı optimizasyon kriterlerini keşfetmek, daha fazla çeşitlendirme için portföye daha fazla hisse senedi eklemek ve daha kapsamlı geriye dönük testler yapmak gibi proje üzerinde daha fazla çalışma yapılması gerektiğini de vurguluyor. Ayrıca, sınırlı geçmiş ve hayatta kalma önyargısı nedeniyle okuma ve stok evrenini genişletmeyi ve kişisel bir veri tabanı tutmayı öneriyorlar. Son olarak, projede kullanılan sınırlı pazar bölgesi ve kullanılan ağırlık optimizasyon prosedürü hakkında izleyicilerin sorularını yanıtlıyorlar.

  • 01:05:00 Konuşmacı, aykırı değerlerin, özellikle doğrusal regresyon ve sinir ağları olmak üzere makine öğrenimi modellerini nasıl etkileyebileceğini tartışıyor. Bu modeller aykırı değerlere karşı oldukça hassastır ve bu nedenle konuşmacı, aykırı değerleri çeyrekler arası aralıklar, kement ve sırt regresyon gibi teknikler kullanarak ele almayı önerir. Ancak, doğrusal modellerin ticarette hala en iyi sonuçları sağladığını öne sürüyor, bu nedenle aykırı değerleri ele almak önemlidir. Konuşmacı ayrıca piyasaları, mikro yapıyı, kodlama becerilerini ve makine öğrenimi kavramlarını anlamayı içeren çok disiplinli bir yaklaşım önererek bir algo tüccarı olmak için gerekenler konusunda tavsiyelerde bulunur.

  • 01:10:00 Konuşmacı, kişinin yatırım portföyünü etkin bir şekilde çeşitlendirmek ve yönetmek için Python gibi programlama dillerini öğrenmenin ve anlamanın önemini tartışıyor. Yüksek frekanslı ticaret yapma niyetinde olmayanlar için bile piyasa işlevlerini, kodlamayı ve risk yönetimini kapsayan kapsamlı bir algo ticareti kursu almanın faydalarını vurguluyorlar. Kursun yoğunluğu ve kapsamlılığı herkes için bir şeyler sunar ve kişinin mali hayatında kişisel kullanımı için iyi bir temel sağlar. Konuşmacılar, gelecek planları hakkında bir tartışma ve gelecek oturumlarda algo ticareti ile ilgili konuların daha fazla araştırılması talebiyle sonlandırıyorlar.
Portfolio Assets Allocation with ML and Optimization for Dividend Stocks | Algo Trading Project
Portfolio Assets Allocation with ML and Optimization for Dividend Stocks | Algo Trading Project
  • 2022.12.13
  • www.youtube.com
EPAT project presentations on “Portfolio Asset Allocation with Machine Learning: A Practical and Scalable Framework for Machine Learning Development” by two ...