Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Martin Scholl (Oxford Üniversitesi): "Etmen Tabanlı Modeller Kullanarak Piyasa Ekolojisini İncelemek"
Martin Scholl (Oxford Üniversitesi): "Etmen Tabanlı Modeller Kullanarak Piyasa Ekolojisini İncelemek"
Oxford Üniversitesi'nden bir araştırmacı olan Martin Scholl, etmen tabanlı modeller kullanarak pazar ekolojisi araştırmasını derinden inceledi. Etkili piyasa hipotezi gibi varsayımlara dayanan geleneksel yaklaşımlardan farklı olarak Scholl, neoklasik finansta yaygın olarak kullanılan rasyonel beklentiler dengesi teorisini ele alır. Bu teorinin, tüm katılımcıların gerçek dünyayı mükemmel bir şekilde anlamalarını talep ettiğine inanıyor ki bu, hem perakende yatırımcıların hem de fon yöneticilerinin bilişsel sınırlamaları göz önüne alındığında gerçekçi değil. Bunun yerine, finansal piyasaları anlamak için yeni bir bakış açısı sunarak, gerçek dünyadaki finansal verileri analiz etmek için biyolojiden gelen araçları kullanmayı savunuyor.
Scholl, pazar ekolojisini keşfetmek için yatırım stratejilerini, belirli bir türün bireylerini temsil eden bireysel yatırımcılarla biyolojideki türlere benzetiyor. Belirli bir strateji kullanılarak yatırılan toplam zenginlik, o türün bolluğu veya toplam popülasyon büyüklüğü ile karşılaştırılabilir. Bir yatırım oyununun oyuncak modelinde Scholl, temsilcilerin servetlerini bir para piyasası hesabında bırakmayı veya temettü ödeyen bir hisse senedine yatırım yapmayı seçebilecekleri basitleştirilmiş bir senaryo sunuyor. Bu model, çeşitli yatırım stratejilerinin incelenmesine ve neoklasik mükemmel rasyonellik varsayımına itirazlara izin verir.
Scholl, pazar ekolojisini incelemek için aracı tabanlı modellerde kullanılan farklı yatırım stratejilerini tanımlar. Birincisi, net varlık değerinin hisse senedi ve nakit arasında bölündüğü tamamen rasyonel bir stratejidir. Bir değer yatırımcısı, gelecek tahminleri yapmak ve hisse senedinin gelecekteki fiyatını anlamak için temettünün büyüme oranını tahmin eder. İkinci strateji, son fiyatları analiz eden ve trendleri tahmin eden trend takipçilerini içerir. Üçüncü strateji, likidite ihtiyaçlarını karşılamak için piyasaya giren ancak kısa vadede fiyata duyarlı olmayan gürültücü tüccarları kapsar. Bununla birlikte, ortalamayı tersine çeviren gürültü süreci, uzun bir zaman ölçeğinde temel değere bağlıdır.
Scholl ve ekibi, pazar mekanizmalarını simüle etmek ve pazar ekolojisini incelemek için yazılım paketlerinin yardımıyla aracı tabanlı modeller kullanıyor. Yetenekleri sabitleyerek ve ilk yetenekleri farklı türlerin bireyleri arasında bölerek, göreli payı takip ederek modelin farklı çalıştırmaları arasında karşılaştırılabilirliği sağlarlar. Simülasyonlar 200 yıl boyunca devam ediyor ve her bir türün ortalama yıllık getirisinin gözlemlenmesini sağlıyor. İlginç bir şekilde, bolluğu ne olursa olsun, her stratejinin en karlı olduğu en az bir bölgeye sahip olduğunu buluyorlar.
Scholl, deneylerinde trend takipçilerinin davranışlarını ve kârları yeniden yatırmanın etkisini inceliyor. Piyasanın zamanının çoğunu istikrarsız, büyük aykırı değerlere sahip kaotik bir bölgede geçirdiğini ve bunun da benekli gürültüye neden olduğunu gözlemliyor. Yatırımcılar kârlarını yeniden yatırdıklarında, yörüngeler belirlenmiş bir merkezi nokta etrafında dalgalanır, ancak tamamen ona doğru yakınsamaz. Trend takipçilerinin yoğunluğunun artması, getirilerde daha yüksek oynaklığa yol açar. Scholl, trend takipçilerinden hızlı uzaklaşmayı yatırımcıların rasyonalitesine ve temettü sürecindeki pozitif otokorelasyona bağlıyor.
Scholl, ajan tabanlı modellerin, biyolojide kullanılan avcı-av-Volterra denklemlerine benzer bir finansal topluluk matrisi oluşturmak için kullanılabileceğini açıklıyor. Belirli bir stratejinin getirisi nüfus büyüklüğüne eşittir ve geri dönüşün nüfus büyüklüğündeki değişikliklere duyarlılığı topluluk matrisini temsil eder. Finans piyasasında, farklı stratejiler arasındaki rekabet, fiyatlar denge noktalarından saptığında ortaya çıkar. Scholl, finansal piyasaların yoğunluk bağımlılığı sergilediğini ve tür etkileşimlerini biyolojik sistemlerden daha karmaşık hale getirdiğini vurguluyor. Bu yoğunluk bağımlılığı, balon benzeri fiyat artışları gibi senaryolara yol açar, ancak bu tür durumların gerçekçi olmadığını kabul eder.
Pazar ekolojisi bağlamında Scholl, bulgularının pratik sonuçlarını tartışıyor. Farklı avcı türleri arasındaki ilişkileri tanımlamak için türlerin bolluğunu kullanan ve böylece pazar sonuçlarını etkileyen doğrusal bir model sunuyor. Bu yaklaşım, yatırımların çok boyutlu doğasını vurgular ve yüksek oranda yoğunluğa bağımlı finansal piyasalarda kayıpları önlemek veya av haline gelmek için stratejileri uygun şekilde boyutlandırmanın önemini gösterir. Hisse senedi fiyatlarının mevcut tüm temel bilgileri yansıttığı şeklindeki geleneksel görüşe meydan okur ve finansal piyasaları çeşitli koşullardan etkilenen karmaşık sistemler olarak sunar.
Scholl, pazar ekolojisini incelemek için etmen tabanlı modeller içinde basit bir doğrusal model kullanmasını daha da detaylandırıyor. Piyasa faaliyetlerinin varlıklarını ve göreceli bolluğunu analiz ederek, bu yaklaşımın rasyonelliği varsayan ve temelleri otomatik olarak tercüme eden departmandan türetilen modellerden daha iyi performans gösterdiğini buldu. Ancak, modelinin sınırlarını kabul ediyor ve gerçekçiliğini artırmak için daha fazla araştırma yapılması gerektiğini vurguluyor. Ele aldığı bir husus, modelin özellikle trend takibi ile ilgili olarak farklı tariflere ve tanımlara duyarlılığıdır. Temettüler, modelinde önemli bir rol oynasa da, gerçek dünya finansal piyasaları için daha gerçekçi unsurların dahil edilmesi ek adımlar gerektirecektir.
Temsilcilerin modelindeki inançlarının uyarlanabilirliği ile ilgili olarak Scholl, piyasa operasyonlarının genellikle fon yöneticilerini uzun süreler boyunca prospektüslerde belirtilen stratejileri takip etmeyi içerdiğine dikkat çekiyor. Bu durum, mekanik varlık tahsis süreçlerine yönelik bir eğilimi göstermektedir. Sonuç olarak Scholl, daha az uyumlu davranışı ve daha az zekayı modellemeye yöneliyor. Bununla birlikte, Oxford Üniversitesi'ndeki grubundaki diğer araştırmacıların, parametreleri değiştirmek ve hatta yeni stratejiler geliştirmek için evrimsel algoritmaların uygulamalarını aktif olarak araştırdıklarının altını çiziyor.
Martin Scholl'un araştırması, ajan tabanlı modeller kullanarak pazar ekolojisini incelemeye odaklanıyor. Finansal piyasaları daha iyi anlamak için biyolojiden kavramları uygulayarak geleneksel finans teorilerine ve varsayımlarına meydan okuyor. Yatırım stratejilerini biyolojideki türlerle karşılaştırarak, farklı stratejileri analiz ederek ve piyasa mekanizmalarını simüle ederek Scholl, finansal piyasaların karmaşıklığını ve çeşitli stratejiler arasındaki etkileşimi ortaya çıkarıyor. Bulguları, finansal piyasaların yüksek oranda yoğunluğa bağlı olduğunu ve kayıpları önlemek ve bu dinamik ekosistemde av olmak için uygun yatırım stratejileri boyutunun çok önemli olduğunu gösteriyor. Scholl'un çalışması, hisse senedi fiyatlarının yalnızca temel bilgileri yansıttığı şeklindeki geleneksel görüşün aksine, karmaşık sistemler olarak piyasaların doğasına ilişkin değerli içgörüler sağlar.
Kevin Webster: "Fiyat Etkisi Muhasebe Kar ve Zararını Nasıl Bozuyor"
Kevin Webster: "Fiyat Etkisi Muhasebe Kar ve Zararını Nasıl Bozuyor"
Bir YouTube videosunda Kevin Webster, fiyat etkisinin muhasebe kar ve zarar (P&L) tablolarını nasıl bozabileceği konusunu derinlemesine araştırıyor. Riski etkin bir şekilde yönetmek için fiyat etkisinin doğru bir şekilde modellenmesinin önemini vurguluyor ve likit olmayan bir pozisyonda kalmaktan kaçınmak için likidite riskini yönetmenin önemini vurguluyor. Webster, çeşitli fiyat etki modellerinin mevcut olduğunu kabul eder, ancak genellikle verilerin çoğunluğu üzerinde hemfikirdir.
Konuşma, fiyat etkisi ile likidite riski arasındaki kesişimi ele alarak başlıyor ve özellikle büyük piyasaların likiditesinin mali krizden önce genellikle doğal karşılandığına dikkat çekiyor. Webster, fiyat etkisinin nasıl bir kâr yanılsaması yarattığını ve fiyatların finansal değerlerden uzaklaşmasına yol açtığını gösteren güçlü alıntılar paylaşıyor. Konuşmanın amacı, kar yanılsamasını ortadan kaldırmak için tasfiyenin piyasa etkisini tahmin etmeye dayalı nicel bir çerçeve sağlayarak bu kavramı matematiksel olarak formüle etmektir.
Webster, fiyat etkisini, daha agresif ticaretin fiyatları daha da ileriye ittiği ve bunun tersinin geçerli olduğu ticaret için nedensel bir model olarak açıklıyor. Fiyat etki modelleri, işlem maliyeti analizinde ve optimum uygulamada yaygın olarak kullanılır ve beklenen işlem maliyetlerini tahmin etmek ve yürütme stratejilerini optimize etmek için ticaret öncesi araçlar olarak hizmet eder. Tüccarların, sipariş kaymasını en aza indirmeye odaklanarak ve hem mekanik hareketleri hem de alfa kaymasını göz önünde bulundurarak, algoritmalarının üç ayda bir nasıl performans gösterdiğini değerlendirmelerine olanak tanıyan sahte bir işlem maliyeti analizi raporu sergiliyor.
Konuşmacı, Avrupa Menkul Kıymetler ve Piyasalar Otoritesi (ESMA) tarafından piyasa stres dönemlerinde varlık tasfiyesinin simüle edilmesini içeren likidite stres testleriyle ilgili olarak yayınlanan yönergeleri tartışıyor. Fiyat kaymaları gibi piyasadan gelen tepkilerin simüle edilmesi ve riskten korunma stratejilerinin kullanılması, riske maruz kalmayı azaltmak için çok önemlidir. Webster, Cascioli, Boucheron, Farmer ve ESMA ve Baffled Committee gibi düzenleyici komitelerin çalışmaları da dahil olmak üzere, likidite stres testleri ve muhasebe K&Z üzerindeki fiyat etkisi hakkında çeşitli literatüre atıfta bulunur. Muhasebe kar ve zararını etkileyebilecek ve yüksek tasfiye maliyetleriyle sonuçlanabilecek durumları azaltmak için likidite stres testinin gerekliliğini vurgulamaktadır.
Fiyat etkisinin muhasebe K&Z üzerindeki bozucu etkisini ölçen ve farklı K&Z tanımlarını birbirine bağlayan bir ticaret ayak izi kavramı tanıtıldı. Webster, Casadio-Bouchard-Farmer makalesi tarafından çizilen P&Z muhasebesi ile ilgili önemli sonuçları göstermek için basit bir yangın satış modeli sunar. Tüccarların ve platform yöneticilerinin günlük olarak gözlemlediği sayının nihai K&Z'lerini nasıl olduğundan fazla tahmin ettiğini ve bunun da ticaret tamamlandığında deflasyona yol açtığını açıklıyor. Ancak, bu enflasyon özelliği gerçek zamanlı olarak ölçülebilir ve görüntülenebilir, bu da tacirler için işlem yapılabilir bilgiler sağlar. Webster, pozisyon enflasyon kayıplarının genellikle geçici olduğunu ve risk toleransına bağlı olduğunu belirtiyor.
Bir hisse senedi pozisyonunun değerlemesi ve bunun bir şirketin P&L'si üzerindeki etkisi ile ilgili konular tartışılır. Webster, hisse senedi pozisyonunu işaretlemek için hangi fiyatların kullanılacağını belirlemedeki belirsizliği ve muhasebe K&Z ile ticaret algoritmaları tarafından kullanılan temel K&Z arasındaki farkı vurgular. Alım satım ayak izi, muhasebe K&Z'si ile temel K&Z arasındaki fark olarak tanımlanır ve pozisyon kapatıldığında belirsizlik çözülür. Konuşmacı, bu özelliğin altında bulunduğu belirli varsayımlarda bulunarak konum enflasyonunu araştırıyor. Etki modeli ve onun iki durumu, orijinal OW köstebeği ve Fruehwirth ve Bond tarafından incelenen W köstebeği de ayrıca ele alınmıştır.
Webster, modelin mantıklı olması için, lambda ve beta arasında bir arbitrajsızlık koşulunun yanı sıra kendi kendini finanse eden bir denklem koşulunun sağlanması gerektiğini açıklıyor. Kapanış zamanında beklenen P&L'yi hesaplamayı ve ticaret ayak izinin muhasebe P&L'ye nasıl önyargı getirdiğini araştırıyor. Pozisyon şişirme özelliği, pozisyonun pozisyon girme aşaması sırasında şişmesine, tutma aşamasında kalmasına ve sonunda buharlaşmasına neden olur. Tüm bu yönler, bir ticaret ekranında gerçek zamanlı olarak gözlemlenebilir ve tüccarlara değerli içgörüler sağlar.
Webster ayrıca, fiyat etkisinin neden olduğu Kâr ve Zarar muhasebesindeki çarpıklıkları açıklıyor. Tüccarların alfa olmadan bile nasıl karlı işlemler yapabileceklerini tartışıyor, ancak işlem maliyetleri nedeniyle bu kârların kısa ömürlü olduğu konusunda uyarıda bulunuyor. Fiyat sapmalarını erkenden izlemek, kayıpları önlemek için çok önemlidir. Ek olarak Webster, portföy yöneticilerinin portföylerini bir bütün olarak görmeyi tercih ettiklerini belirtiyor ve matematiksel finans dünyasında bir portföyün büyüklüğünü ve cirosunu kontrol eden durağan bir portföy kavramını tanıtıyor.
Durağan bir portföy kavramı, devam eden işlem maliyetlerinin tahmin edilmesiyle bağlantılı olarak araştırılır. Yayıcının zaman ölçeğini anlayan tacirler, pozisyonlarının ne ölçüde şişirildiğini ve pozisyonlarını tasfiye ederken kaybedebilecekleri kar yanılsamasını tahmin edebilirler. Webster, ampirik verileri kullanarak çerçeveyi gösterir ve gerçek dünya senaryolarına uygulanabilirliğini gösterir. Çerçeveyi bir acil satış modeline uyguluyor ve muhasebe P&L ile temel P&L arasındaki farkları açıklıyor ve bir tüccarın riskten kaçınmasına dayalı olarak farklı amaç fonksiyonlarını nasıl bilgilendirdiklerini vurguluyor.
Konuşmacı, yangın satışlarının veya diğer piyasa katılımcılarının alım satım faaliyetlerinin bir tüccarın K&Z'si ve pozisyonu üzerindeki etkisini araştırıyor. Agresif riskten korunma, kalabalık etkilere ve pozisyon enflasyonuna yol açarak kalıcı kayıplara neden olabilir. Fiyat etkisinin doğru bir şekilde modellenmesi, etkin risk yönetimi için çok önemlidir ve likidite riskinin yönetilmesi, likit olmayan pozisyonlarla sonuçlanmamak için vurgulanır.
Webster, birçok farklı fiyat etkisi modeli mevcut olsa da, verilerin çoğunluğu üzerinde genellikle hemfikir olduklarını kabul ediyor. Ancak, etkinin kalıcılığının miktarı ve süresinde farklılıklar ortaya çıkabilir. Geçici çıkıklar birkaç günden bir aya kadar sürebilir. Risk yönetimi açısından bakıldığında, net bir hareket tarzı vardır, oysa tüccar ve performans açısından etkili iletişim anahtar hale gelir. P&L'nin mekanik olup olmadığını anlamak ve mekanik kısmı kaldırmak, tacirlerin işlemlerinde gerçek alfaya veya avantaja odaklanmalarına olanak tanır.
Konuşmacı, "fiyat manipülasyonu yok" ilkesini açıklıyor ve tacirler kar elde etseler bile, eninde sonunda buharlaşacakları için onları koruyamayacaklarını vurguluyor. Pozisyon enflasyonu, ticaret değerinin zaman içinde düşmesine veya anında tasfiyeye yol açarak sıfır veya hatta negatif P&L ile sonuçlanır. Bu nedenle, tüccarların sürdürülebilir karlar elde etmek için diğer değişkenlere güvenmeleri gerekir. Webster, ilk etki durumu, piyasanın geri kalanının neden olduğu etki ve tüccarın riskten korunma önlemleri ile piyasanın geri kalanının etkisi arasındaki ilişkiyi daha da araştırıyor.
Sonuç olarak Kevin Webster, fiyat etkisinin muhasebe Kâr ve Zararını nasıl bozabileceğine dair kapsamlı bir anlayış sunuyor. Yüksek oynaklıklı likidite rejimleri sırasındaki ekstra maliyetlere ve bunların önyargı üzerindeki etkilerini vurgulayarak daha geniş piyasa ile korelasyonlarına ışık tutuyor. Düzenleyici bir bakış açısıyla, şirket tahvilleri ve sigorta şirketlerinin bu önyargıdan daha fazla etkilenmesi muhtemeldir. Webster, hisse senetleri dışındaki piyasalar için ayrıntılı yanıtlara sahip olmadığını kabul etse de, fiyat etkisini ve bunun P&L'deki potansiyel bozulmasını anlamak için sağlam bir matematiksel temel sağlıyor.
Laura Leal (Princeton Üniversitesi) - "Yüksek Frekanslı Finans için Fonksiyonel Kontrolü Öğrenmek"
Laura Leal (Princeton Üniversitesi) - "Yüksek Frekanslı Finans için Fonksiyonel Kontrolü Öğrenmek"
Princeton Üniversitesi'nden bir araştırmacı olan Laura Leal, derin sinir ağlarının yüksek frekanslı finansta uygulanması hakkında bilgilendirici bir sunum yaptı. Geleneksel çözümlerin sınırlamalarını vurguladı ve bu alanda sinir ağlarını kullanmanın avantajlarını araştırdı. Leal, geleneksel modellerin mücadele ettiği otokorelasyon ve gün içi mevsimsellik gibi karmaşık faktörlere uyum sağlama yeteneklerinin altını çizdi. Tüccarlar, sinir ağlarından yararlanarak, piyasa etkisini en aza indirerek ve sorunsuz bir şekilde ticaret yaparak optimum yürütme elde edebilir.
Sinir ağlarının kara kutu doğasıyla ilgili endişeleri gidermek için Leal, açıklanabilirlik kavramını tanıttı. İlişkili risklerin ve bilinen risk sektörlerinden sapmanın daha iyi anlaşılmasını sağlayan sinir ağı kontrolünün daha düşük boyutlu bir manifolda yansıtılmasını tartıştı. Ekip, sinir ağı kontrolünün performansını klasik kapalı biçimli PDE (kısmi diferansiyel denklem) çözümüyle karşılaştırarak değerlendirdi. Sinir ağı yaklaşımının doğruluğunu ve etkinliğini değerlendirmek için değer işlevini, piyasaya göre değerleme zenginliğini ve projeksiyonlardaki göreli hataları incelediler.
Leal, gerçek dünya verilerini ve doğru dinamikleri birleştirmenin önemini vurgulayarak sinir ağını eğitmenin inceliklerini araştırdı. Ayrıca, tacirlerin risk tercihlerini girmelerine izin veren ve yeni piyasa koşullarına daha hızlı adapte olmalarını sağlayan bir çoklu tercih denetleyicisi önerdi. Sinir ağı, riskten kaçınma parametrelerini göz önünde bulundurarak ve bir tüccarın tercihlerini dahil ederek, yüksek frekanslı finansta stokastik optimizasyon problemine bir çözüm üretebilir.
Sunucu, risk kontrolü için kullanılan sinir ağının yapısını tartıştı ve tekrarlayan doğasını vurguladı. Ağ aşırı derecede derin olmamakla birlikte, ağırlıkları eş zamanlı olarak güncelleyerek her zaman adımında yinelenen bir yapı kullanır. Ağın girdileri zaman ve envanteri içerirken, çıktı kontrolün kendisidir - her zaman adımında ticaret için en uygun hisse senedi miktarını belirler. Sınırlı finansal veri mevcudiyetinin zorluğunun üstesinden gelmek için, verileri Monte Carlo yöntemleri kullanarak simüle eden transfer öğrenimi kullanılır.
Leal, sinir ağı kontrolünü doğrusal regresyon kullanarak doğrusal bir fonksiyon alanına yansıtma sürecini özetledi. Bu projeksiyon tekniği, sinir ağının doğrusal olmayan işlevlerinin ve bunların kapalı form kontrol çözümleriyle hizalanmasının daha iyi anlaşılmasını kolaylaştırır. Sonuçlar, mevsimsellik ve riskten kaçınma parametrelerini birleştirmenin modelin piyasaya tepkisi üzerindeki etkisini gösterdi. Buna ek olarak sunum yapan kişi, literatürde tipik olarak ikiye ayarlanan ancak ikiye üç olarak alındığında doğrusal olmayan bir çözüm gösteren gama'nın önemini vurguladı.
Yüksek frekanslı finans için işlemlerin yürütülmesinde sinir ağı kontrolünün performansı ve doğruluğu kapsamlı bir şekilde değerlendirildi. Leal, farklı senaryolar ve gama değerleri genelinde değer işlevini, piyasa değerinden elde edilen serveti ve tahminlerdeki göreli hataları karşılaştırdı. Sinir ağı üstün performans sergilerken, işlemleri bilinen kontrol çözümünden saparak doğrusal olmayan bir şekilde gerçekleştirdi. Bu, sinir ağını kullanarak ticaret yapma kararı ve yerleşik çözümden farklılığına dayalı olarak uygun marj seviyelerini belirleme hakkında soruları gündeme getirdi.
Leal, tüccarların risk dönüştürme parametrelerini girmelerine ve önceden eğitilmiş bir modelle hemen ticarete başlamalarına olanak tanıyan çoklu tercih denetleyicisi yaklaşımının faydalarını araştırdı. Sinir ağı çözümünün yürütülmesi PDE çözümünden daha uzun sürse de, farklı risk tercihlerine göre daha fazla esneklik ve uyarlanabilirlik sunuyordu. Açıklanabilirliği artırmak için Leal, doğrusal regresyon kullanan ve çoklu tercih kabiliyetini korurken hesaplama yükünü azaltan bir projeksiyon fikri önerdi. Ayrıca sinir ağı yaklaşımı kavramının daha geniş uygulamalarının altını çizdi ve riskten korunma gibi diğer finansal sorunlarla ilişkisini öne sürdü.
Yüksek frekanslı finansta nöral ağ için eğitim süreci tartışıldı ve çevrimiçi pekiştirmeli öğrenmeyle ilişkili gecikme sorunlarını önlemek için çevrimdışı eğitim vurgulandı. Ağ, girdi olarak zaman, envanter ve potansiyel olarak riskten kaçınma parametrelerini alır ve çıktı olarak bir oran üretir. Leal ayrıca, ağ yakınsadığında simüle edilmiş verilerden Toronto Menkul Kıymetler Borsası'ndan elde edilen gerçek veri artımlarına geçiş, aktarım öğrenimindeki ince ayar prosedürünü de açıkladı. Sunucu, ağın yüksek frekanslı finansın karmaşıklıklarını yakalama yeteneğini geliştirdiği için, eğitim sürecinde gerçek dünya verilerini ve doğru dinamikleri kullanmanın önemini vurguladı.
Sonraki bölümde Laura Leal, yüksek frekanslı finans için sinir ağında kullanılan girdiler ve amaç işlevi hakkında bilgiler verdi. Sinir ağı, envanteri, bir gün boyunca belirli bir stok için ortalama hacmin bir oranı olarak dahil ederek normalleştirilmiş bir temsile izin verir. Amaç fonksiyonu, çıktının optimal yürütme için kontrol işlevi gördüğü bir maksimizasyon problemi olarak çerçevelenir. Sinir ağının yapısı, altta yatan ilişkileri yakalamak için iki giriş düğümü ve dört gizli katman kullanan fonksiyon yaklaşımına dayanmaktadır.
İki kontrol çözümü arasındaki tutarsızlıkla ilgili bir soruyu ele alan Leal, bunun yatırımcının değişen faydasının bir yansıması olarak yorumlanabileceğini açıkladı. Gama parametresini ayarlayarak, kontrol çözümlerinde varyasyonlara yol açan farklı yardımcı işlevler kullanılabilir. Ekip, araştırmalarında, tatmin edici performansla sonuçlanan gerçek tüccarlarla yapılan ampirik testlere dayalı olarak üç yarının gama değerini seçti.
Leal ayrıca sinir ağının çıktısının gözlemlenebilir ve analiz edilebilir olduğunun altını çizdi. Ağ tarafından alınan pozisyonları ve bunların işlem günü boyunca nasıl geliştiğini izleyerek karar verme sürecine şeffaflık ve içgörü sağlayabilirler. Bu düzeyde yorumlanabilirlik ve anlayış, tüccarların sinir ağının yürütme stratejilerine güven duymasını sağlar.
Yüksek frekanslı finans için işlevsel kontroller geliştirmeyle ilgili zorluklar da Leal tarafından tartışıldı. Ortalama bir kontrol süreci, ticaretin yürütülmesine ilişkin genel bilgiler sağlayabilse de, bireysel yörüngelerin davranışını doğru bir şekilde temsil etmeyebilir. Meme stoklarının ortaya çıkması gibi pazarın dinamikleri, gelişen koşulları etkili bir şekilde yakalamak için kontrol yöntemlerinin uyarlanmasını zorunlu kılar.
Sonuç olarak, Laura Leal'in sunumu, yüksek frekanslı finans alanında etkili kontroller oluşturmanın karmaşıklığına ışık tutuyor. Araştırmacılar ve tüccarlar, derin sinir ağlarından yararlanarak geleneksel modellerin sınırlamalarının üstesinden gelebilir ve bu alanın karmaşık dinamiklerine uyum sağlayabilir. Risk tercihlerinin, açıklanabilirlik ölçütlerinin ve gerçek dünya verilerinin birleştirilmesi, sağlam ve uyarlanabilir kontrol çözümlerinin geliştirilmesine katkıda bulunur. Leal ve ekibi, çalışmaları aracılığıyla, yüksek frekanslı finansta daha verimli ve bilgiye dayalı karar vermenin yolunu açan değerli içgörüler ve çözümler sunuyor.
Zihao Zhang (Oxford-Man Enstitüsü) - "Sipariş Verilerine Göre Pazar İçin Derin Öğrenme"
Zihao Zhang (Oxford-Man Enstitüsü) - "Sipariş Verilerine Göre Pazar İçin Derin Öğrenme"
Oxford-Man Enstitüsü'nde doktora sonrası araştırmacı ve makine öğrenimi araştırma grubunun bir parçası olan Zihao Zhang, ekibinin derin öğrenmeyi sipariş verilerine göre pazarlamak için son çalışmasını sunuyor. Odak noktaları, piyasa mikro yapı verilerine, özellikle de belirli bir finansal araç için genel talep ve arz dinamiklerine ilişkin değerli bilgiler sağlayan limit emir defterine odaklanır. Zhang ve ekibi, piyasayı emir bazında ve limit emir defteri verilerini birleştirerek, sinyal varyansını azaltabileceklerini ve daha iyi tahmine dayalı sinyaller elde edebileceklerini keşfettiler. Modellerinin bu uygulaması, ticaret yürütme ve piyasa oluşturma stratejilerini geliştirme potansiyeline sahiptir.
Zhang, sunumuna pazar mikroyapı verilerine kısa bir giriş yaparak, özellikle sipariş verilerine göre pazarın önemini vurgulayarak başlar. Bu veri kaynağı, mevcut literatürde daha fazla dikkat çeken limit emir defteri verilerine kıyasla sık güncellemeler ve olaylar sağlayarak oldukça ayrıntılı bilgiler sunar. Pazarı sipariş verilerine göre analiz etmek için tasarladıkları ağ mimarilerini açıklayarak derin öğrenme modellerini tanıtıyor. Zhang, çalışmalarının, yüksek frekanslı hareketi tahmin etmek için siparişe göre pazar verilerini kullanan ve alfa keşfi olasılıklarını genişleten alternatif bir bilgi kaynağı sunan ilk tahmine dayalı modeli temsil ettiğini vurguluyor.
Daha sonra Zhang, belirli bir zamanda bir finansal araç için ödenmemiş tüm limit emirlerinin kapsamlı bir kaydı olarak hizmet eden limit emir defteri kavramını araştırıyor. Grafik verileri düşük frekanslı bilgi sunarken, bir hisse senedinin fiyatının aslında çok değişkenli bir zaman serisi olan limit emir defteri tarafından temsil edildiğini vurguluyor. Zhang, limit emir defterinin, gönderilen emirlere göre farklı fiyat seviyelerinde nasıl düzenlendiğini ve her bir fiyat seviyesinin farklı tacirler tarafından bölümlere ayrılmış çok sayıda küçük emirden oluştuğunu açıklıyor. Ayrıca, yeni pozisyonlar getirebilen, mevcut emirleri iptal edebilen veya mevcut emirleri değiştirebilen yeni mesajlar geldiğinde emir defterinin nasıl güncellendiğini tartışıyor. Zhang, limit emir defterinden elde edilen verilerin belirli bir finansal araç için genel talep ve arz ilişkisini ortaya koyduğuna ve amacının, emir verme ve iptal etme hakkında bilgiler içeren emir bazında piyasa verilerinin kullanılmasının ek bilgiler sağlayıp sağlayamayacağını belirlemek olduğuna dikkat çekiyor. tahminler yapmak için.
İlerlerken Zhang, piyasa hareketlerini tahmin etmek için derin öğrenmede sipariş bazında piyasa verilerinin nasıl kullanılabileceğini araştırıyor. Piyasa emri verilerindeki mesaj dizileri, limit emir defterine göre daha düşük boyutlara sahip olsa da, tahminler için kullanılabilecek ek bilgiler sunar. Zhang, geçmiş olayların tahmin için bir sinir ağına beslenebilen görüntüler oluşturarak 2B matrislere nasıl dönüştürülebileceğini açıklıyor. Evrişim katmanından elde edilen özellikler daha sonra yapıyı öğrenmek ve ek bağımlılıkları yakalamak için tekrarlayan nöral katmanlara entegre edilebilir. Son katman, eşik getirilerini kullanan bir sınıflandırma kurulumuna dayalı tahminler üretir.
Zhang, limit emir defteri verilerini kullanarak tahminler yapmak için kullanılan ağ mimarisini tartışmaya devam ediyor. Bu durumda, ilk iki bileşen, bireysel tacirlerden gelen mesajlarla değiştirilir ve evrişimli katmanlar, bir LSTM katmanı veya dikkat katmanı ile değiştirilir. Zhang, tek nokta tahminini kolaylaştıran ve kodlayıcı-kod çözücü yapısını içeren dikkat mekanizmasını kısaca açıklıyor. Kodlayıcı, giriş sürelerinden anlamlı özellikleri çıkarır ve bunları gizli bir duruma özetler, kod çözücü ise tahmini oluşturur. Normalizasyon, bir emrin orta fiyata göre alış mı yoksa satış mı olduğunu belirlemek için kullanılır.
Sonraki bölümde Zhang, bir grup varlıkla eğitilmiş, benzer bir ölçeğe göre normalleştirilmiş ve basit doğrusal model, çok katmanlı algılayıcı, LSTM ve her iki limit sırasını da içeren dikkat modeli gibi farklı modeller kullanılarak test edilmiş modellerinin sonuçlarını sunuyor. kitap verileri ve saf ortam verileri. Sonuçlar, ortam verilerinden gelen tahmine dayalı sinyallerin, limit emir defterinden gelen sinyallerle daha az korelasyon gösterdiğini gösterir; bu, bu iki kaynağın bir kombinasyonunun sinyal varyansını azaltabileceğini, çeşitlendirmeden fayda sağlayabileceğini ve üstün tahmine dayalı sinyaller verebileceğini düşündürür. Bu nedenle, her iki veri türünden tahmine dayalı sinyallerin ortalamasını alan bir topluluk modeli en iyi performansı gösterir.
Zhang, sipariş bazında (MBO) verileri tahminlere dahil etmenin potansiyel faydalarını tartışmaya devam ediyor ve bu verilerle özellik mühendisliği gerçekleştirme yeteneğinin altını çiziyor. 50 ve 100 tik ileride gözlemlenen benzer davranışlara dikkat çekerek, iki ila 20 tik arası değişen tahmin ufukları için sonuçları sunuyor. Zhang ayrıca, daha iyi genelleme için tüm araçları kullanarak tek bir modeli eğitme olasılığı ve Londra Menkul Kıymetler Borsası'ndan MBO verilerinin kaynağı dahil olmak üzere izleyicilerden gelen soruları da yanıtlıyor. Bir izleyici üyesinin PNL yerine NF1'e odaklanma konusundaki sorusuna yanıt olarak Zhang, PNL'nin daha alakalı bir başarı ölçüsü olduğunu kabul ediyor ve kabul ediyor.
Zhang ayrıca tahmine dayalı sinyallerin kullanımını ve ham bir sinyal kullanmak veya softmax olasılıklarına dayalı bir eşik ayarlamak gibi bunları tanımlamanın çeşitli yollarını tartışıyor. Sınırlı sipariş defteri verileri yerine siparişe göre piyasa modelleme (MBO) verileri öneren ve LSTM tutma mekanizması da dahil olmak üzere derin öğrenme modellerini test eden makalenin temel noktalarını özetliyor. Sonuçlar, MBO ve limit emir defteri verilerinin bir kombinasyonunun en iyi sonuçları verdiğini göstermektedir. Zhang, piyasa hareketleri arasındaki otokorelasyon, gürültü ticaretini filtreleme ve limit sipariş resimlerini modellemede CNN katmanlarını kullanma motivasyonu ile ilgili izleyicilerin sorularını ele alıyor.
Bir sonraki bölümde Zhang, sipariş defterinin evrişimli sinir ağları (CNN'ler) kullanılarak etkili bir şekilde keşfedilebilen bir uzamsal yapı olarak nasıl ele alınabileceğini açıklıyor. Her fiyat seviyesinden bilgi çıkarmak için bir CNN kullanmanın tahminler için değerli olduğu kanıtlanmıştır. Uzun kısa süreli bellek (LSTM) katmanı, verilerin zamansal akışını koruduğu ve tahminler yapmak için geçmiş olayları özetlediği için çok katmanlı algılayıcılar yerine seçilir. Zhang, finansal zaman serilerinin doğası gereği bir dikkat mekanizması kullanmanın faydalarının sınırlı olduğunu belirtiyor. Makale, modellerinde kullanılan hiperparametrelerin ayrıntılı bir açıklamasını içerir.
Zhang, sinir ağı yöntemlerinde kullanılan çok sayıda parametreye ve bunların borsayı tahmin etmedeki etkinliğine ilişkin endişeyi ele alıyor. Parametre bolluğunun bir eleştiri konusu olabileceğini kabul ediyor, ancak ekibinin modellerine özgü yalnızca birkaç parametrede ince ayar yaptığını vurguluyor. Al-sat dağılımını başarı için bir kriter olarak kullanmayı henüz düşünmediler, ancak daha fazla araştırma için potansiyelini kabul ettiler. Zhang, modellerinin ticaret yürütme ve piyasa oluşturma stratejileri için pratik değere sahip olduğuna inanıyor. Bununla birlikte, emir defteri verilerindeki sık güncellemeler ticaretin yürütülmesini zorlaştırabileceğinden, yayılmayı aşmak istenirse, verilerin alt örneklemesinin gerekli olabileceğinden bahseder. Son olarak, Elo limit emir defterini modellerken, bireysel emir büyüklükleri hakkında bilgi dahil etmek yerine her bir fiyat seviyesindeki toplam büyüklüğü toplarlar.
Sonuç bölümünde Zhang, siparişe göre pazar ile fiyat verilerine göre pazar arasındaki farkları açıklıyor. Siparişe göre pazar verileri, fiyata göre pazar verileriyle mümkün olmayan bireysel siparişlerin izlenmesine olanak tanır. Uygun özellik mühendisliği ile siparişe göre pazar verileri ek bilgi sağlayabilir ve alfa oluşturabilir. Zhang ayrıca, modelinin boyutu değiştirmeden belirli bir limit emrinin fiyatındaki değişiklikleri nasıl ele aldığını tartışıyor. Fiyatları güncellenen her yeni mesaj, veri setini zenginleştiren yeni bir güncelleme olarak ele alınır.
Genel olarak, Zihao Zhang'ın sunumu, derin öğrenmenin pazar mikroyapı verilerinden değerli bilgiler elde etme potansiyelini vurgulayarak, sipariş verilerine göre pazara uygulanmasını sergiliyor. Zhang'ın ekibi, piyasayı emir bazında ve limit emir defteri verilerini birleştirerek, sinyal varyansının azaldığını ve gelişmiş tahmine dayalı sinyallerin üretildiğini gösterdi. Çalışmaları, finansal piyasa analizi alanına değerli bir katkı sunarak ticaret yürütme ve piyasa oluşturma stratejilerini geliştirme konusunda umut vaat ediyor.
Vineel Yellapantula (Cornell MFE '20): "SEC Dosyalarında Metni Ölçme"
Vineel Yellapantula, özellikle MD&A bölümüne odaklanarak, SEC dosyalamalarında bulunan metinsel bilgilere dayalı hisse senedi ticaretinde doğal dil işleme (NLP) tekniklerinin uygulanmasını içeren yaz projesini sunuyor. Projenin amacı, ABD pazarında bulunan 430 hisse senedinin her bir raporuna bir puan atamak ve puana göre bunları beş dilime ayırarak performanslarını analiz etmektir. Yellapantula, metinler arasındaki benzerlik puanını belirlemek için kosinüs ve Jaccard benzerliği gibi geleneksel yöntemleri kullanır ve Jaccard benzerliği zaman içinde daha tutarlı hale gelir. Ayrıca, bir metin veri kümesi üzerinde Keras ile tekrarlayan sinir ağlarını (RNN'ler) kullanarak bir duyarlılık analizi modeli oluşturmayı araştırıyor ve modeliyle %87,5'lik etkileyici bir doğruluk elde ediyor.
Sunum sırasında Yellapantula, her özel sorun için uygun yöntemi seçmenin ve sonuçları iyileştirmek için ek veriler eklemenin önemini vurguluyor. Metin verileri aracılığıyla, özellikle 10-K dosyalarında mevcut olan bilgilerin bolluğunun altını çiziyor ve önceki belgeler kullanılarak geliştirilen faktörlerin, yalnızca mevcut belgeye dayananlardan daha etkili olabileceğinden bahsediyor. Yellapantula, eldiven, word2vec, BERT ve RNN'ler dahil olmak üzere metin verileriyle derin öğrenme tekniklerini kullanmak için çeşitli alternatiflere dikkat çekiyor. Ayrıca, modellerin öngörü gücünü artırmak için 8-K dosyaları ve haber döngüleri gibi daha fazla veri kaynağının dahil edilmesini öneriyor. Ancak, 2007'den 2020'ye kadar endekste yer alan iyi performans gösteren hisse senetlerine odaklandığı için çalışmasında seçim yanlılığının varlığını kabul ediyor.
Duyarlılık analizine ayrılan bölümde Yellapantula, Keras ile RNN'leri kullanarak bir model oluşturma sürecini açıklıyor. Adımlar, anlamını anlamak için metnin tokenleştirilmesini, yerleştirmeler yoluyla boyutsallığın azaltılmasını ve duygu sınıflandırması için bir LSTM katmanı ve sigmoid işlevli yoğun bir katman kullanılmasını içerir. Bu yaklaşımın uygulanmasını, IMDB incelemelerini kullanarak, inceleme uzunluğunu 500 kelimeyle sınırlayarak ve tutarlılığı korumak için daha kısa incelemeleri sıfırlarla doldurarak gösterir. Titiz değerlendirmeler sonucunda Yellapantula, duyarlılık analizi modeliyle %87,5'lik bir doğruluk oranına ulaşıyor.
Ayrıca Yellapantula, faktörlerin etkinliğini ve zaman içindeki tutarlılığını belirlemede bilgi korelasyonunun önemini vurgulamaktadır. İstikrarlı raporlamaya sahip şirketlerin iyi performans gösterme eğiliminde olduğunu öne süren ve bunun keşfedilecek umut verici bir faktör olduğunu gösteren bir araştırmaya atıfta bulunuyor. Sonuç olarak Yellapantula, izleyicilere gösterdikleri ilgi için minnettarlığını ifade ediyor ve gelecekte daha fazla katılım sağlamayı dört gözle bekliyor.
Vineel Yellapantula'nın projesi, SEC dosyalarındaki metinsel bilgilerden değerli içgörüler çıkarmak için NLP tekniklerinin uygulanmasını gösteriyor. Çalışmaları, raporlara puanlar atayarak ve performanslarını analiz ederek, dilin hisse senedi ticaretini nasıl etkileyebileceğinin anlaşılmasına katkıda bulunuyor. Dahası, RNN'leri kullanarak duygu analizi araştırması, metinsel verilerden duygu yakalamada derin öğrenmenin potansiyelini ortaya koyuyor. Dikkatli metodoloji seçimi ve ek veri kaynaklarının dahil edilmesi yoluyla Yellapantula, bu tür modellerin doğruluğunu ve etkililiğini artırma fırsatının altını çiziyor.
Peter Carr (NYU) "Stoptions" feat. Lorenzo Torricelli (Parma Üniversitesi)
Peter Carr (NYU) "Stoptions" feat. Lorenzo Torricelli (Parma Üniversitesi)
Peter Carr, vadeli işlem sözleşmelerinin ve satım opsiyonlarının özelliklerini birleştiren "durdurma" adlı bir finansal ürün sunar. Durdurmalar, mal sahibinin bir Bermuda satış opsiyonu unsuru ekleyerek olumsuz fiyat değişikliklerinden kaçınmasına olanak tanır. Carr, seçenekler kavramını açıklıyor ve farklı katlarla ilişkili üç günlük bir seçenek örneği sunuyor. Daha sonra, bir günlük ve iki günlük molaların değerlemesini tartışmaya devam eder, ikincisi iki katlıdır ve birinci veya ikinci gün egzersiz yapma esnekliği vardır.
Carr ayrıca, geriye doğru özyinelemeye, evli bir satımın değerlemesine ve sözde toplamların kullanımına girerek daha uzun süreler için durma değerlemesini araştırır. Evli satış opsiyonlarındaki fiyat değişikliklerini temsil etmek için lojistik dağılımın kullanılmasını önerir. Durdurmaların değeri, "başabaşa" opsiyonlar için basit formüller kullanılarak elde edilebilir ve değerleme ve riskten korunma analitik olarak yapılabilir.
Carr, bu tür seçeneklerin piyasa tarafından benimsenmesiyle ilgili zorlukları tartışarak makaleyi sonlandırıyor. Bu ürünler için alıcı ve satıcı bulmanın önemini vurguluyor ve potansiyel alıcı ve satıcılarla sohbetlerini paylaşıyor. Ayrıca Carr, stoptions modelinin Black-Scholes ve Bachelier gibi mevcut modellere bir alternatif olduğunu, ancak her duruma en iyi şekilde uymayabileceğini kabul ediyor. Bununla birlikte, modellerinin finansta özel bir öneme sahip çok sayıda ikili işlemi yakalamayı amaçladığını vurguluyor.
Daha sonraki bir bölümde, Carr ve Lorenzo Torricelli eşlenik bir paradigma ve lojistik dağıtım kullanan bir "durdurma" modeli önermektedir. Bu model, tek bir parametre ile terim yapısında esneklik sunarak, çeşitli terim yapılarının tek vuruşta uyum sağlamasına olanak tanır. Bununla birlikte, aşağı doğru eğimli zımni oynaklık grafiği nedeniyle piyasaya tam olarak uymayabilir. Yazarlar, modellerinin sınırlamalarını kabul ediyor ve modellerinin yakalamayı amaçladığı finans alanındaki sayısız ikili işlemin farkında. Bir grev ve tek bir seçenek arasındaki isteğe bağlılığın yanı sıra sözde toplama yoluyla tekrarlanan isteğe bağlılığı tartışırlar. Bölüm, karşılıklı takdir ve birbirlerinin seminerlerine katılma beklentisiyle sona eriyor.
Lorenzo Torricelli (Parma Üniversitesi) - "Opsiyon Fiyatlandırmasında Ek Lojistik Süreçler"
Lorenzo Torricelli (Parma Üniversitesi) - "Opsiyon Fiyatlandırmasında Ek Lojistik Süreçler"
Parma Üniversitesi'nde seçkin bir profesör olan Lorenzo Torricelli, eklemeli lojistik modeli ve kendine benzer spesifikasyonu keşfederek opsiyon fiyatlandırmasının inceliklerini araştırıyor. Aydınlatıcı sunumunda, bu yenilikçi modelleri kullanarak vanilya opsiyonlarını fiyatlandırma formülünü açıklıyor ve lojistik fiyatlandırma modeli ile geleneksel normal modeller arasında bir yoğunluk karşılaştırması sergileyerek bunların uygulamasını örneklendiriyor.
Ayrıca Torricelli, homojen modeller için terim yapısının doğrusal dönüşüne karşı lojistik model için kümülatif terim yapısının bir kıyaslama analizini yürütür. Anlayışlı gözlemleri, lojistik modelin terim yapısını şekillendirmede önemli ölçüde daha fazla esneklik sunduğunu ve böylece geleneksel yaklaşımlara göre kayda değer bir avantaj sağladığını ortaya koyuyor.
Kapsamlı bir anlayış sağlamak için Torricelli, bu modellerle ilişkili uçuculuk yüzeylerini de inceler. Log getirilerin çarpık dağılımından ve lojistik dağılımın basıklığından kaynaklanan modelde pozitif bir çarpıklığın varlığına dikkat çeker. Bununla birlikte, simetri sergilediği için lojistik dağılımın kendisinde çarpıklık olmadığının altını çiziyor. Torricelli, modal parametrelerin oynaklık terim yapısı üzerindeki etkisini daha ayrıntılı tartışarak, seçilen parametrelendirmedeki iyileştirme potansiyelini kabul ediyor.
Sonuç olarak Torricelli, bu modellerden türetilen seçenek formüllerinin açık ve iyi bilindiğini ve pratik uygulamalarını kolaylaştırdığını vurgulamaktadır. Özellikle, performans testi sırasında gösterilen etkileyici hızı övüyor. Şeffaflığın ve akademik işbirliğinin bir kanıtı olarak Torricelli, bu modellerle ilişkili kodu herkesin erişimine açık hale getirerek hem araştırmacılara hem de uygulayıcılara fayda sağlamayı planlıyor.
Yumeng Ding (Cornell MFE '20) - "Makine Öğrenimi Modellerini Yorumlama"
Yumeng Ding (Cornell MFE '20) - "Makine Öğrenimi Modellerini Yorumlama"
Uzman bir araştırmacı olan Yumeng Ding, hisse senedi fiyatı tahminleri için makine öğrenimi modellerini yorumlama alanını araştırıyor. Kapsamlı analizinde, bu modellerin iç işleyişine ışık tutmak için kısmi bağımlılık grafikleri, permütasyon özellik önemi, kenar istatistikleri ve LIME dahil olmak üzere bir dizi yorumlanabilirlik yöntemini araştırıyor. Ding, bu yöntemleri kullanarak, bireysel faktörlerin katkısını ve bunların hisse senedi fiyatlarını tahmin etmedeki etkileşimli etkilerini çözmeyi amaçlamaktadır.
Ding'in çalışması üç tür faktör etrafında dönüyor: sınıflandırıcılar ve regresyonlar gibi çeşitli makine öğrenimi modellerinde girdi olarak kullanılan teknik, kalite ve değer. Daha önce bahsedilen yorumlanabilirlik yöntemlerinden yararlanarak, bu faktörler ile hisse senedi fiyatı tahminleri arasındaki karmaşık ilişkileri çözüyor. Ding, zorlu geriye dönük testler sonucunda doğrusal olmayan modellerin performans açısından doğrusal modelleri geride bıraktığını keşfeder. Ayrıca, farklı faktörlerin etkilerinin zamansal değişimler gösterdiğini gözlemleyerek, hisse senedi fiyatı tahmininin dinamik doğasını vurgulamaktadır. Nihayetinde Ding, AdaBoost'u kendi özel senaryosu için en uygun model olarak tanımlar.
Daha da önemlisi Ding, makine öğrenimi modellerini anlamada yorumlanabilirlik yöntemlerinin öneminin altını çiziyor. Vektör yaklaşımı, en tahmine dayalı etkileşimlere ilişkin hızlı içgörüler sağlarken, bu etkileşimlerin kalitesini ortaya çıkarmada yetersiz olduğunun altını çiziyor. Ding, daha basit etkileşimleri etkili bir şekilde görselleştirmek için iki boyutlu kısmi bağımlılık çizimleri kullanmanın değerini vurgular. Ek olarak, veriler gürültüden yeterince temiz olduğu sürece, bireysel etkileşimlerin inceliklerini araştırmak ve yerel etkileri görselleştirmek için çizgi çizimi yöntemini önerir.
Bulgularını özetleyen Ding, projesinden çıkarılacak iki önemli sonucu vurguluyor. İlk olarak, makine öğrenimi modellerinin, karmaşık etkileşim etkilerini yakalama kapasiteleri nedeniyle senaryoların çoğunda doğrusal saf regresyonlardan daha iyi performans gösterdiğini doğruluyor. İkinci olarak, çeşitli yorumlanabilirlik yöntemlerinden yararlanarak makine öğrenimi modellerini yorumlamanın uygulanabilirliğini vurguluyor. Bu teknikler, araştırmacıların faktörlerin bireysel katkılarını aydınlatmasına ve tahminler üzerindeki etkileşimli etkilerini kavramasına olanak tanır.
Silvia Ruiz (Cornell MFE '20): "NLP Tekniklerini Kullanarak Hisse Hareketlerini Tahmin Etme"
Silvia Ruiz (Cornell MFE '20): "NLP Tekniklerini Kullanarak Hisse Hareketlerini Tahmin Etme"
Cornell MFE programından yeni mezun olan Silvia Ruiz, NLP (Doğal Dil İşleme) tekniklerini kullanarak hisse senedi fiyatlarını tahmin etmeye odaklanan projesinin içgörülerini paylaşıyor. Ekibinin araştırmasının amacı, 10-K ve 10-Q raporları gibi kurumsal dosyalamalar ile hisse senedi fiyatları üzerindeki müteakip etki arasındaki ilişkiyi keşfetmekti. Bunu başarmak için, EDGAR web sitesinden S&P 500'ün beş sektöründen 50 şirketi kapsayan 1.095 rapordan oluşan önemli bir veri seti topladılar.
Başlangıçta, Ruiz ve ekibi sözlük tabanlı modeller üzerinde deneyler yaptı ancak etkinliklerinde sınırlamalarla karşılaştı. Bunu ele almak için, kurumsal dosyalara gömülü bağlamsal nüansları anlamada çok önemli olduğu kanıtlanan kelime arkası model ve Finberg gibi gelişmiş yöntemleri dahil ettiler. Ek olarak, hisse senedi fiyat hareketlerini tahmin etmek için kelime kutupluluğu ve karmaşıklığının yanı sıra bir xg artırma modeli dahil olmak üzere çeşitli duyarlılık ölçütleri kullandılar.
Tahminlerinin doğruluğu iki farklı zaman diliminde değerlendirildi. Kısa vadede, modelleri %61 gibi dikkate değer bir doğruluk elde ederken, uzun vadede %53 gibi saygın bir doğruluk gösterdi. Bu tahminleri yatırım kararları için sinyal olarak kullanarak, eşit ağırlıklı bir portföyden daha iyi performans gösterdiler. Ancak Ruiz, bulgularının kesinliğini ve genellenebilirliğini artırmak için farklı sektörlerde daha fazla araştırma yapılması gerektiğinin altını çiziyor.
Silvia Ruiz, iletişim bilgilerini cömertçe sunarak ve projesinin Github'daki deposuna bir bağlantı sağlayarak tartışmasını sonlandırıyor. Bu jest, takip sorgulamalarını teşvik eder ve hisse senedi fiyatı tahmini alanında NLP tekniklerinin anlaşılmasını ve uygulanmasını ilerletmede işbirliğini teşvik eder.
Charles-Albert Lehalle: "Doğal Dil İşlemeyi Anlama Girişimi"
Charles-Albert Lehalle: "Doğal Dil İşlemeyi Anlama Girişimi"
Bu video sunumunda Charles-Albert Lehalle ve ekibi, finans alanındaki Doğal Dil İşleme (NLP) uygulamalarını derinlemesine inceliyor. Tartışmaları üç temel alan etrafında dönüyor: duyarlılık analizi, hisse senedi fiyatı tahmini ve işlem maliyeti modellemesi. Yerleştirmelerde aşırı uyum ve önyargı riski gibi NLP ile ilgili zorlukları kabul ediyorlar ve çoklu görev öğrenimi ve sözlükleri genişletme dahil olmak üzere potansiyel çözümler öneriyorlar. Ekip, farklı sektörlerde bağlam ve dil kalıplarını anlamanın önemini vurgulayarak, finans sektöründe NLP'nin hem potansiyelini hem de sınırlamalarını araştırıyor.
Lehalle ve ekibi, NLP tekniklerini kullanarak kendi deneylerini sunarak, NLP'nin bilgileri nasıl sıkıştırabileceği ve finansal analistler için bilgilendirici göstergeler sunabileceği konusunda değerli bilgiler sağlıyor. Alana özgü bilgi gerekliliği ve yapılandırılmamış metin verilerinden anlamlı bilgiler çıkarmanın zorluğu da dahil olmak üzere finansta NLP kullanmanın zorluklarını vurguluyorlar. Ticaret amacıyla sosyal medya verilerinden yararlanmak gibi finansta NLP kullanımını çevreleyen etik kaygılar da tartışılmaktadır.
Sunum boyunca Charles-Albert Lehalle, çeşitli NLP konularındaki uzmanlığını ve bilgisini paylaşıyor. Metin verilerindeki sözcüksel ve olasılıksal özellikleri yakalamak için her iki yaklaşımın bir kombinasyonunu önererek, finansta sözlük tabanlı ve yerleştirme tabanlı NLP yöntemlerinin kullanımını açıklıyor. Yerleştirmelerdeki eşanlamlılar ve zıt anlamlılar arasında ayrım yapmanın zorlukları ele alınıyor ve Lehalle'nin ekibi, metnin yapısını ve duygusunu kontrol etmek için üretken modelleri araştırıyor. Ortak sözcük dağılımlarını temsil eden matrisler gibi, yerleştirmeleri ve referans modellerini anlamanın önemi vurgulanır.
Lehalle, NLP'de bağlamın önemini daha fazla araştırıyor ve bağlamaların bağlama dayalı olarak olumlu ve olumsuz kelimeler için nasıl önyargılı olabileceğini tartışıyor. Referans matris modellerini yapılandırmak için Markov zincirlerinin kullanımını açıklıyor ve gömmelerdeki eşanlamlıları belirlemeye yönelik deneyler sunuyor. NLP'nin şirket adlarını ve bunlarla ilişkili kutupları yakalamadaki sınırlamaları, denetimli yerleştirmeler için çoklu görev öğrenme önerisiyle birlikte kabul edilmektedir. Konuşmacılar ayrıca Loughran-McDonald Lexicon'un olumlu ve olumsuz kelimeler arasındaki dengesizliğine ve finansal metinlerdeki ironiyi işlemenin zorluklarına da değiniyor.
Sunum, Cornell Finans Mühendisliğinden yeni mezun olan Sylvia Ruiz'in bir projesine genel bir bakışla sona eriyor. Proje, özellikle 50 S&P 500 şirketinin 10-K ve 10-Q dosyalamalarından yönetim tartışma bölümlerini kazıyarak ve hisse senedi fiyatları üzerindeki etkisini değerlendirmek için duyarlılığı analiz ederek NLP tekniklerini kullanarak hisse senedi fiyatlarını tahmin etmeye odaklanıyor. Lehalle, sözlük tabanlı modellerin sınırlamalarını tartışıyor ve ekiplerinin sözlüğü nasıl genişlettiğini, bağlamı anlamak için FinBERT'i nasıl kullandığını ve duyarlılığı ölçmek için çeşitli özellikleri nasıl kullandığını açıklıyor. Hem kısa hem de uzun vadede eşit ağırlıklı bir portföyden daha iyi performans elde ettiler.
Özetle, Charles-Albert Lehalle ve ekibi, NLP'nin finans alanındaki potansiyeline ve zorluklarına ışık tutuyor. NLP tekniklerini etkili bir şekilde uygulamak için içgörüler, deneyler ve stratejiler sunarken, sorumlu kullanımın önemini ve hem teknoloji hem de finansal alanın derinlemesine anlaşılmasını vurgularlar.