在本次网络研讨会中,主持人介绍了来自澳大利亚悉尼的人工智能和量子计算领域备受尊敬的专家 Thomas Stark 博士。 Stark博士拥有物理学博士学位,目前担任澳大利亚著名农作物贸易公司Triple A Trading的首席执行官。 Stark 博士的背景包括之前在自营贸易公司 Rolls-Royce 的工作以及与他人共同创立了一家微芯片设计公司,他为讨论带来了丰富的知识和经验。
Stark 博士深入研究了金矿开采的演变,以此类比阿尔法交易。他解释了金矿开采方法如何从传统的金块淘选演变为从岩石中提取少量黄金的大规模采矿作业。同样,Alpha 交易也发生了变化,由于套利机会,许多传统策略被过度使用且效果不佳。 Stark 博士介绍了微型 Alpha 开发的概念,其中涉及识别市场中可用于交易成功的系统异常。虽然机器学习在此过程中发挥的作用有限,但需要手动工作来识别可利用的不一致。 Stark 博士认为,自动化和回溯测试可以加速和加强这一过程。
演讲者强调利用市场效率低下来开发微型 alpha 生成系统。这些低效率包括各种交易策略,例如配对策略、趋势、均值回归、互相关、图表模式,甚至机器学习技术。目标是利用这些低效率或策略来产生系统和可靠的结果。然而,至关重要的是在不过度拟合的情况下优化这些策略,并将它们组合成一个综合的交易策略,以创建一个复杂而有效的系统。 Stark 博士强调了解这些不同方面对于构建高性能系统的重要性。
Stark 博士讨论了利用交易异常的概念以及结合多种交易策略的重要性。虽然一些交易员可能会采用占星术等非常规方法,但 Stark 博士强调在构建成功的交易系统时需要创造力。然而,组合策略需要对细节一丝不苟,包括精确的时间戳和高效的编程。交易者还必须考虑各个策略的相关性和行为,以确保它们相互补充并确定这些系统的最佳权重。
讨论了衡量交易策略成功与否的不同指标,包括复合年增长率和回撤。 Stark 博士强调理解所有这些指标和通过经验培养直觉的重要性。虽然直觉起作用,但它必须得到确凿的事实和数学分析的支持。演讲者还指出,alpha 的选择取决于资产类别及其回报情况,由于公司的附加值,股票往往会呈现趋势和上升趋势。然而,没有普遍适用于所有场景的特定阿尔法,通过综合分析了解每种策略的独特指纹至关重要。
演讲者阐述了不同的资产类别如何影响交易策略的发展。他们指出,股票是非零和的,而外汇往往更对称。做出这些区分并根据资产类别选择适当的策略至关重要。交易资产的流动性也会对方法产生影响,特别是对于期权、期货或小型股票。开发交易系统所需的专业知识水平因系统类型以及它是完全系统化还是自动化而异。 Stark 博士建议,Python、Java 和 C++ 等编程语言的知识对于完全自动化的系统是必要的。
Stark 博士讨论了开发交易系统所需的专业知识和时间,强调了理解统计和编程基础知识的重要性。虽然它看起来很复杂,但您无需成为金融或编程专家即可在该领域学习和进步。开发一个交易系统可能需要几个小时到几个月的时间,这取决于一个人的专业知识,并最终浓缩为几行代码。该过程被比作解决数学问题,突出了构建交易系统的分析和解决问题的本质。
演讲者强调了将交易成本纳入交易策略的重要性。他们指出,虽然交易成本的影响可能因具体情况而异,但了解如何整合它们对于确保系统保持可行性至关重要。然而,对交易成本的综合分析将需要专门用于交易成本分析或建模的单独课程。演讲者还建议不要仅仅因为 Python 的流行而从 C++ 等语言切换到 Python,尤其是在现有系统已经盈利的情况下。转换的决定应该基于探索新建模方法或学习新编程语言的愿望。演讲者提到了交易逆向课程的概述,该课程为会议期间提出的各种问题提供了全面的答案。
在结束语中,主持人对 Stark 博士的宝贵见解和专业知识表示感谢。鼓励观众通过调查提供反馈,提交问题,并分享他们对未来网络研讨会的想法。主持人最后感谢观众的参与,并感谢 Stark 博士为网络研讨会贡献了他的时间和专业知识。
00:00:00 主持人介绍演讲嘉宾Thomas Stark博士,来自澳大利亚悉尼的人工智能和量子计算专家。 Stark 博士拥有物理学博士学位,目前是澳大利亚领先的农作物贸易公司 Triple A Trading 的首席执行官。他之前曾在自营贸易公司 Rolls-Royce 工作,并与他人共同创立了一家微芯片设计公司。主持人还询问与会者是否参加过之前与 Stark 博士举行的微阿尔法网络研讨会,并进行投票以了解他们的听众。
00:35:00 演讲者讨论了不同交易策略的发展如何受到一个人可能交易的不同资产类别的影响,并指出股票是非零和的,而外汇则更为对称。演讲者强调了做出这些区分并根据资产类别选择正确策略的重要性。交易资产的流动性也是一个制约因素,它改变了期权、期货或小型股票等资产的交易方式。虽然开发交易系统所需的专业知识水平取决于交易系统的类型以及它是完全系统的还是自动化的,但演讲者建议完全自动化需要 Python、Java 和 C plus 等编程语言的知识系统。
This session introduces you to the skill of trading Alphas by identifying various micro-alpha opportunities. It covers various micro-alpha strategies, the pr...
This session introduces you to the skill of trading without using technical indicators by understanding the price behaviour. It covers several important pric...
Dr. Euan Sinclair shares his knowledge and experience in options trading. This a must-attend session for aspiring options traders.********🚨NEW COURSE ALERT!...
Ernest Chan 博士介绍了 Corrective AI 的概念,它可以纠正和改进人类或量化决策,并可应用于资产管理和交易。矫正 AI 克服了过度拟合、自反性和状态变化等问题,并使用大数据通过最大化投资组合成分的分配来优化分配。这种称为条件投资组合优化 (CPO) 的技术采用了凯利公式的高级用法,并显示出夏普比率的显着改善。纠正性人工智能还可以在熊市期间切换到防御位置,并针对其他指标进行优化。演讲者强调了风险管理和避免亏损交易的重要性,并建议不要使用 AI 生成交易信号。陈博士建议通过推销平台接触对冲基金,为新的金融科技初创公司筹集资金,并建议有抱负的量化交易员阅读、参加课程、回测和实时交易,以获得对市场的直觉。
知名量化交易专家 Ernest Chan 博士就 Corrective AI 的概念及其在改善人类和量化决策方面的应用发表了精彩的演讲。他强调,人工智能在纠正决策方面比从头开始更有效,使其成为资产管理和交易中的宝贵工具。陈博士告诫不要将人工智能直接用于交易或投资决策,而是提倡将其用于纠正其他系统或算法做出的决策。
在演讲中,Chan 博士深入探讨了 2000 年至 2018 年的金融人工智能寒冬,其特点是人工智能和机器学习 (ML) 在交易中的应用进展有限。他讨论了许多基于机器学习的对冲基金失败背后的原因,例如过度拟合、自反性和制度变更。然而,他引入了一种称为矫正 AI 的改变游戏规则的技术,克服了这些挑战。通过从私人交易策略或投资组合回报中学习,修正性 AI 预测了他们未来的回报,使其成为交易员和资产管理者的宝贵实用工具。值得注意的是,纠正性 AI 对套利的弹性使其比交易领域的传统 AI 方法更可靠。
在讨论中,演讲者强调了为大数据积累大量输入以有效预测各种投资组合资本配置回报的重要性。通过使用大数据和投资组合构成预测投资组合层面的回报,Corrective AI 有能力在每种情况下识别最佳投资组合。在回答关于情感分析作为 ML 输入的一部分的询问时,发言人确认可以添加任何数据流以提供额外的功能,然后可以将这些功能合并到输入功能中。此外,与输入本身的质量和相关性相比,机器学习算法的选择被认为不那么重要。此外,演讲者断言 Corrective AI 具有预测黑天鹅事件的能力,并且其指标已成功用于预测市场崩盘。
演讲者解释了 AutoML 的概念,其中涉及 AI 中参数优化的自动化以提高效率。此外,演讲者还讨论了金融中的隐藏制度如何无法明确识别,但可以使用 AI 隐式预测以帮助进行回报预测。关于向模型添加特征,发言人建议从各种来源收集尽可能多的数据。最后,演讲者将他们的方法描述为在监督学习环境中,目标变量通常是未来回报或策略的未来夏普比率。
Ernest Chan 博士为过去六个月一直在测试算法交易模型但不确定如何为他们的新金融科技初创公司筹集资金和吸引风险资本家的个人提供了宝贵的建议。他建议用一个包含证明成功的业绩记录的推销平台来接触各种对冲基金。然而,他警告说,风险资本家通常对算法交易模型表现出有限的兴趣。此外,陈博士建议有抱负的量化交易员多多阅读、学习量化领域的课程,并参与回测和实盘交易,以获取对市场的直觉。他强调,从纸上谈兵交易员到真正交易员的转变最好通过现场交易经验来实现。
Ernest Chan 博士的演讲探讨了 Corrective AI 的概念、它在改进决策方面的优势,以及它在资产管理和交易中的应用。他强调了传统方法的局限性,例如过度拟合和政权更迭,并强调了 Corrective AI 在克服这些挑战方面的有效性。演讲者还讨论了大数据、投资组合优化、风险管理以及人工智能预测隐藏机制和增强投资策略的能力的重要性。总体而言,陈博士为有兴趣在金融行业利用人工智能和机器学习的个人提供了宝贵的见解和指导。
00:00:00 Ernest Chan 博士解释了 Corrective AI 的概念,它可以改进和纠正人类决策或定量系统做出的决策。他认为,人工智能在纠正决策方面比从头开始制定决策更有效,这种技术可以应用于资产管理和交易。陈博士不建议使用人工智能直接做出交易或投资决策,但建议使用它来纠正通过其他系统或算法做出的决策。还讨论了金融 AI 寒冬,从 2000 年到 2018 年,AI 或 ML 在交易中的应用没有取得重大进展。
00:05:00 该视频讨论了大多数基于机器学习的对冲基金失败的原因,例如过度拟合、自反性和制度变更。然而,该视频还介绍了一种称为矫正 AI 的技术,它通过学习私人交易策略或投资组合回报来预测其未来回报来克服这些问题。纠正性人工智能无法被套利,这使得它比将人工智能应用于交易和资产管理的传统方式更有用和实用。该视频解释说,纠正性 AI 使用大量预测变量进行预测,并且可以避免每笔亏损交易以增加利润。
00:10:00 演讲者解释了如何使用 AI 通过分析大数据来预测交易策略,包括各种预测指标,例如滤油器、债券市场波动、宏观经济指标和交易量大的股票的情绪。然而,他指出,个人很难收集这么多数据,因为它包含数千个输入,因此很难为个人实施人工智能。演讲者所在的公司通过创建数百个供个人交易者使用的预测器来解决这个问题。他进一步解释说,获利概率可用于确定赌注大小和分配资本,这与传统的仅基于回报的风险管理不同。人工智能系统根据其监控的特征隐式定义交易制度。
00:15:00 演讲者解释了 Corrective AI 如何基于对过去和各种市场工具的更高维度理解,对投资策略进行更具适应性的风险评估,这比传统的风险管理更强大。他还讨论了制度的概念,在这种情况下,牛市和熊市等明确的制度事后很容易识别,但很难准确预测。另一方面,Robinhood 交易员购买看涨期权等隐藏机制很难识别,但很容易通过分析迹象进行预测。
00:25:00 演讲者讨论了传统的投资组合优化方法,例如风险平价、最小方差和马科维茨均值方差,这些方法使用过去收益的一阶和二阶统计数据来分配资金。然而,这些方法不考虑制度变化或使用回报的整个概率分布,使它们不太有效。另一方面,Corrective AI 通过大数据注入最大化投资组合组件的分配来优化投资组合,从而产生令人印象深刻的结果。大数据的使用有助于识别背景、解释制度变化以及分析通货膨胀、利率和商品价格等因素的影响。
00:35:00 Chan 博士建议不要使用 AI 来生成交易信号,而是将其用于“修正 AI”,以计算您当前交易策略中获利的概率。他强调了风险管理和避免亏损交易的重要性。当被问及使用机器学习来了解宏观经济环境时,他解释说,所使用的具体机器学习类型并不重要,最重要的因素是它如何改善投资决策。
00:40:00 演讲者解释说,重要的是要为大数据找到大量输入,以有效预测各种投资组合资本配置的回报。通过在给定大数据和投资组合构成的情况下在投资组合层面进行回报预测,Corrective AI 能够在每种情况下挑选出最佳投资组合。当被问及是否可以将情感分析视为 ML 输入的一部分时,发言人确认可以添加任何数据流以提供更多功能,这些功能可以合并到输入功能中。此外,演讲者解释说,机器学习算法的选择并不重要;重要的是投入。最后,演讲者确认 Corrective AI 可以预测黑天鹅事件,并且他们已经成功地利用他们的指标来预测市场崩盘。
00:50:00 演讲者解释了 AutoML 的概念,即 AI 中参数优化的自动化,以提高流程效率。演讲者还讨论了金融中的隐藏制度如何无法明确识别,而是使用 AI 隐式预测以帮助预测回报。在向模型添加特征时,演讲者建议从各种来源收集尽可能多的数据。最后,演讲者将他们的方法描述为处于监督学习环境中,其中目标变量通常是未来回报或策略的未来锐利比率。
00:55:00 Ernest Chan 博士为过去六个月一直在测试算法交易模型但不知道如何为他们的新金融科技初创公司筹集资金和风险资本家的个人提供建议。 Chan 博士建议使用包括业绩记录和成功案例的推销平台来接触各种对冲基金。然而,风险资本家通常对算法交易模型不感兴趣。陈博士还建议有抱负的量化交易员尽可能多地阅读、参加数量领域的课程、回测和实时交易,以获得对市场的直觉。他强调,从纸上谈兵交易员到真正交易员的关键转变是通过实时交易。
00:00 Introduction02:27 What is corrective AI?07:23 ML for risk management & optimization11:57 Probability of profit13:13 Predictive risk management15:58 Reg...
00:00:00 Quan Institute 的联合创始人兼首席执行官 Nitesh Khandelwal 介绍了关于金融市场教育和新兴趋势的小组讨论。该小组包括来自印度、新加坡和瑞士的专家,他们在机构、经纪公司、全球交易所和资产管理行业的教育计划中发挥着重要作用。 Khandelwal 强调了进入金融市场的个人的结构化学习途径的重要性,因为该行业继续看到各种背景的人的巨大增长和参与。该小组旨在讨论投资和交易论文的组成部分以及如何了解它们,涉及资产配置、数据驱动研究、散户投资者的崛起以及技术对金融教育的影响等主题。
00:25:00 演讲者讨论了对自动交易产生的回报的误解,以及教育公众了解与此类投资相关的继承风险的必要性。他们还阐明了金融业中的不同角色,包括交易员,他们的工作描述实际上与人们通常认为的不同。 Andreas 对多年来资产管理技能要求的变化进行了深入分析,指出随着更大的参与者收集资产以及博士和宽客数量的增加,更复杂的模型已经演变。
00:00 Introduction08:47 Why is learning important in the financial markets?21:38 What skills are becoming more relevant in the modern financial markets?36:33...
00:00 Introduction01:55 Regime analysis07:29 What is regime?15:05 Why regime matters22:57 Methodologies43:10 P&L distribution by strategy typeLaurent Bernut ...
Thomas Starke 博士对“微阿尔法”和金融地质学的概念提供了宝贵的见解。他讨论了交易从传统市场到基于算法的策略的演变、阿尔法策略在当今市场环境中面临的挑战,以及机器学习产生微阿尔法的潜力。强调了测试、优化策略和避免过度拟合的重要性,以及投资组合权重、交易成本管理和交易算法使用的重要性。演讲者还介绍了 Alumgram I'm going Chris 模型以实现更好的执行力,并宣布发布关于 micro alpha 的 quantra 课程。会议结束时呼吁进一步提问,并在下一场会议之前休息。
00:00:00 Thomas Stark 博士讨论了“微阿尔法”的概念,并将其称为金融地质学。他解释说,交易领域已经从公开喊价金融市场转向基于屏幕的交易,现在又转向算法。他用淘金热时代做了一个类比,当时人们会在河里淘金块来发家致富。该部分以 Stark 博士介绍自己并分享他的联系信息结束,包括他的 LinkedIn、电子邮件、YouTube 频道和 Twitter 句柄。
00:35:00 演讲者讨论了可用于对策略或资产组合进行加权的不同类型的权重。演讲者提到,等权重是一种很好的投资组合加权方式,尽管它们看起来微不足道。还讨论了切线投资组合,它用于为组合投资组合获得最佳的风险调整回报。演讲者还提到了最优 f,这是另一种用于增加利润但具有最大波动性的加权方案。演讲者建议,管理大量客户资产的资产管理者应该使用切线投资组合或类似的投资组合方案,而对于风险承受能力很强的零售交易者来说,最优 f 可能是合适的。
This session on Micro Alphas: Financial Geology by Dr. Thomas Starke introduces you to the concept and its relevance in current and future financial markets....
00:50:00 演讲者建议至少测试三到四个月的系统期权交易策略,以捕捉不同的市场情景并确定该策略在每种情况下的表现。然后,他们回答了几个听众的问题,包括一个关于自动化供需策略的问题,另一个关于课程是否涵盖基于 IV 表面的策略的问题。他们还提供了日历价差的简要说明,并建议感兴趣的学习者与课程顾问联系,以确定哪门课程最适合他们的目标,例如成为量化交易员。
00:55:00 演讲者讨论了使用算法来识别摆动或反转蜡烛图的可能性。他解释说,这样做的能力取决于基于蜡烛的某些参数或属性(例如锤子图案等烛台图案)开发逻辑的程度。就使用 C++ 还是 Python 进行交易而言,选择取决于交易时间范围。 Python 足以在较长时间范围内进行交易,而 C++ 更适合低延迟和高频交易。对于对算法交易期权感兴趣的新手,演讲者建议了期货和期权交易轨道中的量化方法,但也强调了使用 Python 和 Interactive Brokers 进行自动交易的相关性。
Are you someone looking to start your Systematic Options Trading journey but are not sure of the process to do so? This is a must-attend webinar for you to g...
在最后一部分,Khandelwal 专注于算法交易中使用的编程工具。他强调,创建连接到交换和解码数据的软件通常是用 C++ 完成的,甚至直接在硬件上完成。但是,对于策略开发,除非重点关注需要微秒级订单处理的高频交易,否则通常会使用 Python。由于时间有限,演讲者鼓励参与者通过电子邮件发送他们未回答的问题。
网络研讨会首先由主持人介绍三位小组成员,他们是金融情感分析和替代数据证书 (CSAF) 教员的一部分。 CSAF 是一门专为金融行业专业人士设计的综合课程,涵盖交易、投资决策和新闻分析的各个方面。小组成员包括 Christina Alvanoudi-Schorn 教授、Gautam Mitra 教授和 Pete Black 博士,他们每个人都拥有非凡的金融背景和专业知识。该会议还提供了有关 CSAF 及其优势的信息,以及对 Unicom、Opturisk Systems 和 Contingency 的简要介绍。
第一组问题侧重于情绪分析和交易。主持人提到了 2007 年 Peter Tetlock 教授发起该领域的一篇论文。他们讨论了交易中情绪分析的概念,解释了如何在影响市场资产价格之前为情绪分配正值或负值。他们将有关新闻分析和金融的手册以及金融中的情绪分析称为对该主题感兴趣的人的宝贵资源。正如牛津大学的 Stephen Pullman 教授强调的那样,不仅要分析单词,还要分析信息呈现的语义的重要性也得到了强调。 Christina Alvanoudi-Schorn 教授接手回答了与情绪分析实施及其在金融行业广泛应用相关的具体问题,例如资产配置、投资组合优化和信用风险分析。
然后探索了金融市场的职业机会,特别是针对具有高级编程和软件技术技能的个人。演讲者提到了将定量和 AI 机器学习模型转化为具有回报实施的应用程序所面临的挑战。他们建议,已经拥有 CFA 或 FRM 等传统资格的金融行业专业人士应该在不断发展的金融市场中探索新领域,信息供应商等大玩家提供了新的机会。演讲者还建议不要设定过于雄心勃勃的研究目标,以免最终没有任何实际成果。
讨论了对冲基金中人工智能和机器学习人才及其回报之间的相关性。佐治亚州立大学的一篇研究论文指出,拥有高级或初级人工智能和机器学习技能的对冲基金每年可以获得大约 2.8% 的阿尔法收益,这对于能够产生额外回报的个人来说是一个很好的职业机会。演讲者强调了利用人工智能的另类投资中提供的各种职业机会,例如选股或协助银行承销信用卡和抵押贷款。他们提到了 CAIA Charter 和 Financial Data Professional 等项目,这些项目提供人工智能和机器学习技术以及金融市场数据伦理方面的培训,并鼓励学生从事该行业空缺的数据科学职位。
Christina Alvanoudi-Schorn 教授强调了理解数据集和情绪数据的重要性,以及在从事金融职业时如何解释机器学习算法的结果。她指出,数据科学不仅限于金融,几乎在每家公司都可以找到。然而,她强调了金融领域的大量空缺职位,尤其是在情绪分析和替代数据方面。对于那些对具有 Python 知识和预测技能的算法交易感兴趣的人,她提到了可以帮助他们入门的书籍。她讨论的课程包括九个基础讲座,其中三个涵盖替代数据,以及 12 个由行业从业者提供的用例讲座。
教授和他的同事讨论了在构建交易模型时同时使用市场数据和情绪数据的重要性。市场数据反映了贸易或投资组合的真实情况,而从微博和谷歌搜索等来源收集的情绪数据为预测市场走势提供了额外信息。他们建议使用量化模型或 AI 机器学习模型进行预测,但强调了集成或投票系统对于达成共识的重要性。演讲者表达了对从事情绪分析项目和通过网络研讨会提供有关该主题的教育的热情。他们鼓励与会者通过电子邮件发送问题,以便日后回复。
00:00:00 网络研讨会主持人介绍了三位小组成员,他们是金融情感分析和替代数据证书 (CSAF) 教员的一部分,并邀请他们参加 AMA 会议。 CSAF 是一门综合性课程,专为金融行业的专业人士设计,涵盖交易、投资决策和新闻分析的各个方面。三位小组成员是 Christina Alvanoudi-Schorn 教授、Gautam Mitra 教授和 Pete Black 博士,每个人都在金融领域拥有非凡的背景和专业知识。该会议还包括有关 CSAF 及其优势的信息,以及对 Unicom、Opturisk Systems 和 Contingency 的简要介绍。
00:05:00 主持人自我介绍并解释“问我任何问题”环节的形式。从不同国家收到的问题被合并并分为四类:情绪分析、另类数据、职业机会和其他问题。他们将尝试回答所有问题,但可能无法在规定时间内解决所有问题。第一组关于情绪分析和交易的问题得到解决,主持人引用了 2007 年 Peter Tetlock 教授的一篇论文,该论文开创了该领域。
00:35:00 演讲者讨论了金融市场的职业机会,特别是那些具有高级编程和软件技术技能的人。他提到了将量化和 AI 机器学习模型转化为具有回报实施的应用程序所面临的挑战。对于那些已经在金融行业拥有 CFA 或 FRM 等传统资格的人,他建议在不断发展的金融市场中探索新领域,与信息供应商等大公司一起提供新机会。演讲者还告诫不要让研究目标过于雄心勃勃,以免最终一无所获。
00:40:00 演讲者讨论了对冲基金中人工智能和机器学习人才的相关性及其回报。根据佐治亚州立大学的一份研究论文,在对冲基金中拥有更多高级或初级人工智能和机器学习技能可以获得约 2.8% 的年度阿尔法收益,这对于能够为对冲基金提供额外回报的人来说可能是一个很好的职业机会基金。演讲者还讨论了使用人工智能的另类投资中提供的各种职业机会,例如选股或帮助银行承销信用卡和抵押贷款。他们提到了 CAIA Charter 和 Financial Data Professional 等项目,这些项目为金融市场提供人工智能和机器学习技术以及数据伦理方面的培训,并建议学生从事该行业空缺的数据科学职位。
00:45:00 Christina 强调了解数据集和情绪数据的重要性,以及在进入金融职业时如何阅读机器学习算法的结果。她指出,数据科学领域不仅限于金融,几乎每家公司都有。然而,金融领域有很多空缺职位,尤其是在情绪分析和另类数据方面。对于那些对算法交易感兴趣并了解 Python 和时间技能预测的人,可以阅读一些书籍来帮助入门。她讨论的课程包括九个基础讲座,其中三个涵盖替代数据,以及 12 个由行业从业者提供的用例讲座。
00:55:00 教授和他的同事们讨论了在建立交易模型时同时使用市场数据和情绪数据的重要性。市场数据显示了交易组合或投资组合的真实情况,而从微博和谷歌搜索等来源收集的情绪数据提供了额外的信息来预测市场走势。为了做出预测,他们建议使用量化模型或 AI 机器学习模型,但强调集成或投票系统对于达成共识的重要性。他们还提到了他们对从事情绪分析项目和通过网络研讨会提供有关该主题的教育感到兴奋。最后,他们鼓励与会者通过电子邮件发送问题以供日后回复。
00:00 Introduction08:19 Questions on Sentiment Analysis 21:24 Questions on Alternative Data35:27 Questions on Career Opportunities46:16 Other Uncategorised Q...
交易 Alpha:开发微型 Alpha 生成系统 |算法交易会议
交易 Alpha:开发微型 Alpha 生成系统 |算法交易会议
在本次网络研讨会中,主持人介绍了来自澳大利亚悉尼的人工智能和量子计算领域备受尊敬的专家 Thomas Stark 博士。 Stark博士拥有物理学博士学位,目前担任澳大利亚著名农作物贸易公司Triple A Trading的首席执行官。 Stark 博士的背景包括之前在自营贸易公司 Rolls-Royce 的工作以及与他人共同创立了一家微芯片设计公司,他为讨论带来了丰富的知识和经验。
主持人首先澄清了Alpha的概念,Alpha是指不受市场走势影响的独立交易收益。他们强调了术语“microalpha”,它侧重于为交易成功做出增量贡献而不是产生非凡回报的小型交易策略。虽然这两个概念都具有独立回报的理念,但 microalpha 特别强调了小策略在实现交易成功方面的重要性。
Stark 博士深入研究了金矿开采的演变,以此类比阿尔法交易。他解释了金矿开采方法如何从传统的金块淘选演变为从岩石中提取少量黄金的大规模采矿作业。同样,Alpha 交易也发生了变化,由于套利机会,许多传统策略被过度使用且效果不佳。 Stark 博士介绍了微型 Alpha 开发的概念,其中涉及识别市场中可用于交易成功的系统异常。虽然机器学习在此过程中发挥的作用有限,但需要手动工作来识别可利用的不一致。 Stark 博士认为,自动化和回溯测试可以加速和加强这一过程。
演讲者强调利用市场效率低下来开发微型 alpha 生成系统。这些低效率包括各种交易策略,例如配对策略、趋势、均值回归、互相关、图表模式,甚至机器学习技术。目标是利用这些低效率或策略来产生系统和可靠的结果。然而,至关重要的是在不过度拟合的情况下优化这些策略,并将它们组合成一个综合的交易策略,以创建一个复杂而有效的系统。 Stark 博士强调了解这些不同方面对于构建高性能系统的重要性。
Stark 博士讨论了利用交易异常的概念以及结合多种交易策略的重要性。虽然一些交易员可能会采用占星术等非常规方法,但 Stark 博士强调在构建成功的交易系统时需要创造力。然而,组合策略需要对细节一丝不苟,包括精确的时间戳和高效的编程。交易者还必须考虑各个策略的相关性和行为,以确保它们相互补充并确定这些系统的最佳权重。
演讲者强调了指标在回测交易策略时的重要性。他们解释说,研究具有各种指标的撕纸对于理解每个策略的独特特征至关重要。没有单一的最重要或最理想的指标,因为不同的指标适用于不同的用例。例如,夏普比率可能不适合交易不频繁但对每笔交易都有很高信心的策略。在这种情况下,利润因子或 Sortino 比率等指标可能更合适。此外,演讲者强调了评估系统时评估alpha和beta的重要性,确保系统的beta相对较低。
讨论了衡量交易策略成功与否的不同指标,包括复合年增长率和回撤。 Stark 博士强调理解所有这些指标和通过经验培养直觉的重要性。虽然直觉起作用,但它必须得到确凿的事实和数学分析的支持。演讲者还指出,alpha 的选择取决于资产类别及其回报情况,由于公司的附加值,股票往往会呈现趋势和上升趋势。然而,没有普遍适用于所有场景的特定阿尔法,通过综合分析了解每种策略的独特指纹至关重要。
演讲者阐述了不同的资产类别如何影响交易策略的发展。他们指出,股票是非零和的,而外汇往往更对称。做出这些区分并根据资产类别选择适当的策略至关重要。交易资产的流动性也会对方法产生影响,特别是对于期权、期货或小型股票。开发交易系统所需的专业知识水平因系统类型以及它是完全系统化还是自动化而异。 Stark 博士建议,Python、Java 和 C++ 等编程语言的知识对于完全自动化的系统是必要的。
Stark 博士讨论了开发交易系统所需的专业知识和时间,强调了理解统计和编程基础知识的重要性。虽然它看起来很复杂,但您无需成为金融或编程专家即可在该领域学习和进步。开发一个交易系统可能需要几个小时到几个月的时间,这取决于一个人的专业知识,并最终浓缩为几行代码。该过程被比作解决数学问题,突出了构建交易系统的分析和解决问题的本质。
演讲者强调了学习和实践对于开发成功的交易系统的重要性。虽然来自外部来源的灵感和指导可能很有价值,但阅读和学习著名的数学和编程著作也很重要。演讲者推荐 Grinold 和 Kahn 的“主动投资组合管理”作为对课程感兴趣的人的先决条件,因为它涵盖了 alpha 想法和投资组合管理概念。然而,该课程超越了理论和数学,提供了实际案例研究和示例,教学生如何将他们的知识转化为计算机代码。 Stark 博士断言,即使是复杂的策略通常也可以用一两行 Python 代码来表达,理解编程可以导致更有效的回测和探索。
演讲者建议与会者不仅要阅读有关交易的定量分析和编程系统的书籍,还要通过探索“交易向导”和“跟随趋势”等书籍来深入研究交易思维方式。他们强调,交易不仅是一门严格的科学,而且是一个创造性的过程,需要特定的心态和情商,这可以从成功交易者的经验中学到。演讲者宣传他们的 alpha 交易课程,并为网络研讨会参与者提供特别折扣。该视频最后邀请观众通过调查提出问题,并为未来的网络研讨会提供反馈。
在问答环节中,演讲者回答了观众提出的各种问题。他们讨论了交易 Alpha 和深度强化学习课程之间的区别,强调深度强化学习课程侧重于计算机学习,而微型 Alpha 课程则以挖矿的实践过程为中心。还解决了 micro-Alpha 课程中缺乏市场连通性通用代码的问题,这归因于全球使用的不同经纪人和协议。然而,微型 Alpha 课程涵盖了交易成本和用于投资组合优化的 Alpha 组合。
演讲者强调了将交易成本纳入交易策略的重要性。他们指出,虽然交易成本的影响可能因具体情况而异,但了解如何整合它们对于确保系统保持可行性至关重要。然而,对交易成本的综合分析将需要专门用于交易成本分析或建模的单独课程。演讲者还建议不要仅仅因为 Python 的流行而从 C++ 等语言切换到 Python,尤其是在现有系统已经盈利的情况下。转换的决定应该基于探索新建模方法或学习新编程语言的愿望。演讲者提到了交易逆向课程的概述,该课程为会议期间提出的各种问题提供了全面的答案。
在结束语中,主持人对 Stark 博士的宝贵见解和专业知识表示感谢。鼓励观众通过调查提供反馈,提交问题,并分享他们对未来网络研讨会的想法。主持人最后感谢观众的参与,并感谢 Stark 博士为网络研讨会贡献了他的时间和专业知识。
价格行为交易简介
价格行为交易简介
网络研讨会介绍了价格行为交易的概念,交易者在不依赖技术指标的情况下研究资产随时间的基本价格行为以做出交易决策。演讲者解释了交易中的供求关系,它创造了价格行为,以及价格行为交易中使用的工具,例如支撑位和阻力位、图表模式和枢轴点。解释了不同类型的图表模式,例如反转和延续模式,以及它们的重要性和交易方式。网络研讨会还涵盖了斐波那契数列及其比率在价格行为交易中的使用,以了解价格行为并参与趋势。该课程涵盖不同的交易策略,并提供分析交易和回测策略所需的代码和条件。
在本次网络研讨会中,QuantInsti 的量化分析师 Varun Kumar Portula 就价格行为交易发表了内容丰富的会议。他首先介绍了价格行为交易的概念,其中涉及分析资产随时间推移的基本价格行为以做出交易决策。与依赖 RSI 或 MSCD 等技术指标不同,价格行为交易侧重于研究市场的供求力量。价格行为交易策略的简单性和成功率使其受到交易者的欢迎。
Portula 强调,价格行为交易主要用于短期和中期交易,而不是长期投资。他使用股票价格行为的例子来说明交易者如何分析供求关系以预测未来的价格走势。供需之间的不平衡造成了各种价格行为,可以通过检查特定价格水平下的卖单与买单的数量来分析。此外,交易者在价格行为交易中使用支撑位和阻力位、图表模式和枢轴点等工具。
演讲者解释了交易中供需的概念,其中供应代表市场上的卖出,需求代表买入。当供应超过需求时,会导致价格下跌,而当需求超过供应时,则会导致价格上涨。这种供需失衡会产生区域,例如供应区域和需求区域,价格往往会波动。 Portula 还深入研究了支撑位和阻力位的重要性,这表明卖家或买家控制市场的区域。交易者可以使用这些概念来制定交易策略,并根据供需分析做出有关进场或出场的明智决策。
然后,网络研讨会探讨了价格行为交易中的两种图表模式:反转模式和延续模式。反转形态表示趋势发生变化,从上升趋势变为下降趋势,或者从上升趋势变为下降趋势。看跌反转模式表示供应区域并暗示看跌市场情绪,而看涨反转模式表示需求区域并暗示可能逆转上升趋势。演讲者提供了看跌和看涨反转的常用形态示例,例如头肩顶、双顶、头肩反转和双底。
持续模式被讨论为在现有趋势中发生的模式,并表明该趋势的潜在延续。在上升趋势中,盘整会形成旗形、吊坠和上升三角形等形态。在下降趋势中,可以观察到熊旗形和下降三角形等形态,表明下降趋势可能会延续。该视频强调了研究价格行为和识别这些模式以准确预测未来价格走势的重要性。
讲师还强调了头肩形态中颈线的重要性,因为它表明上升趋势中的弱点。交易此模式涉及等待价格在颈线下方交易,然后做空头寸,止损位于右肩上方,利润目标位于头部长度。然而,这种模式的手动交易可能具有挑战性,这就是为什么本课程利用 Python 编程来有效地扫描模式,即使有大量的历史数据。
该视频继续讨论使用 Jupyter Notebook 扫描交易中的头肩形态。提供的代码允许交易者检测模式并扫描它,它还指导他们确定头肩形态的进入点和退出点。该课程涵盖了对该策略的回溯测试,以有效地确定风险参数。此外,本节还介绍了枢轴点,这是用于计算潜在支撑位和阻力位的领先指标。解释了不同类型的枢轴点,例如传统枢轴点、Camarilla 枢轴点和斐波那契枢轴点,每个都有自己的计算支撑和阻力水平的公式。枢轴点是波段交易者和日内交易者的有用工具,可帮助他们计划退出、止损和获利。
还讨论了斐波那契数列的概念及其在价格行为交易中的比率。交易者使用斐波那契比率,例如 23.6%、38.2%、50%、61.8% 和 100% 来了解价格行为并参与趋势。在上升趋势中,交易者利用 38.2%、50% 和 61.8% 的回撤水平在回调期间进场交易,避免以更高的价格买入并将损失降至最低。该视频包含的示例说明了如何计算这些比率以及如何使用这些比率来有效地建立多头头寸。
演讲者强调,该课程涵盖各种交易策略,包括使用斐波那契回撤和交易水平分析来分析交易和研究因素,例如赢家、输家的百分比和利润因素。为回测策略提供了详细的解释和代码示例。此外,还解决了有关 Camarilla 或技术水平是否适合日内交易的问题。
最后,网络研讨会以对听众和主持人在整个会议期间的参与和关注表示感谢。 Varun Kumar Portula 成功地介绍了价格行为交易的主题,涵盖了其基础知识,解释了其基本理念,并提供了对该交易方法中使用的工具、图表模式、枢轴点和水平的见解。
如何亏本交易期权 |算法交易会议
如何亏本交易期权 |算法交易会议
在 Algo Trading Conference 期间, Euan Sinclair 博士就期权交易者常犯的错误进行了全面的演讲,并分享了成功的期权交易策略的宝贵见解。他强调交易者需要在市场上占据优势才能持续获利。辛克莱强调了以较低价格购买资产并以较高价格出售资产的重要性,但他指出,许多期权交易者都对这一概念感到困惑,而且往往会为期权支付过高的价格。
辛克莱坦率地承认,他在交易生涯中也犯过错误,但敦促其他交易员积极努力纠正这些错误。虽然他的一些建议是针对具有期权背景的交易员量身定制的,但他强调,他讨论的许多错误都与所有专业水平的交易员相关。
演讲者非常强调在期权交易中拥有优势的重要性,无论交易结构如何。他告诫不要设计会产生无风险幻觉的期权结构,因为这通常会使交易者对潜在风险视而不见。辛克莱断言,拥有优势是交易中最重要的方面,它不能仅仅通过纪律、风险控制、努力工作或智慧来实现。交易者需要为市场提供有价值的服务,并积极提供满足需求的东西。
辛克莱深入研究了期权交易的复杂性,特别是准确预测和计算波动率的必要性。他强调,交易者不能仅仅依靠预测市场方向;他们还必须考虑期权的价格和波动率的潜在变化。即使交易者的市场预测是正确的,如果他们为期权支付了错误的价格或未能正确考虑波动率变化,他们仍然可能亏损。因此,期权交易者必须主要是波动率交易者,并在整个交易过程中持续对波动率进行建模和分析。
演讲者解决了关于购买看跌期权和看涨期权的误解。虽然购买看跌期权可以在市场下跌时受益于波动性的增加,但期权的价格通常已经过调整以反映这一点。另一方面,看涨期权在交易过程中往往定价过高。辛克莱还讨论了黑天鹅事件的概念,这是一种高度不可预测的事件。虽然通过购买价外期权来防范黑天鹅似乎合乎逻辑,但这种策略往往被证明是一个代价高昂的错误。 Sinclair 强调了低波动率基金已经损失大量资金的例子,并告诫不要仅仅依赖社交媒体来获取交易信息,因为它通常会呈现出对赢家的偏见。
演讲者还解决了长期波动率基金因不正确的系统性投注而经常亏损的问题。虽然这些基金在市场动荡期间可能会受到关注,但从长远来看,它们往往以亏损告终。辛克莱进一步强调,期权通常定价过高,表明卖出期权有助于抵消不对称风险。然而,评估波动率在特定交易环境中是否被错误定价以确定卖出期权是否具有可行的优势至关重要。
Sinclair 讨论了期权交易者常犯的几个错误,例如认为交易 Theta(期权价值随时间衰减)会带来优势,以及错误地认为卖出远为价外的期权总是有利可图。他告诫说,虽然交易员大部分时间可能会通过出售这些期权收取溢价,但潜在风险大于回报。他建议对交易进行全面分析,以了解成功和失败的结果,强调积极检查结果而不是仅仅依赖自动化脚本的价值。此外,他建议出售跨式期权而不是勒式期权,以获得更好的反馈和改进的交易决策。
发言者强调不断重新评估自己的立场并考虑所有可用信息以确定理想立场的重要性。虽然应该考虑交易成本,但辛克莱建议交易员更多地关注降低成本,而不是在每笔交易中都力求完美。最小化成本可以提高夏普比率,该比率在数学上没有变化。虽然避免跨越买卖价差很重要,但演讲者强调需要避免将自己局限于仅在报价时卖出或仅在报价时买入。相反,人们应该承担买价卖和卖价的角色,制定一个包含所有相关成本的策略。演讲者提倡以较低的预期价值进行更多的交易,承认许多小的有利结果可能比依赖单一的大赢家更有利。
逆向选择的概念是演讲者谈到的另一个话题。他警告说,即使交易看起来很有前途,知识和洞察力更高的人也可能会出现并利用交易者的报价,从而导致不利的结果。切合实际的预期、避免过度交易或大头寸以及关注较小的可持续优势被强调为降低随着时间的推移亏损风险的审慎方法。演讲者强调了积累多个小优势的价值,这些优势可以组合成多元化的利益组合,而不是依赖可能很快消失的单一大赢。
Sinclair 博士分享了他的结论,即从算法交易员或期权交易员开始并不是实现持续盈利的理想方法。他强调了确定涉及交易期权的问题或利基市场的重要性,而不是从工具本身开始。如果目标是根据市场方向进行交易,仅靠期权交易是不够的,因为它还需要预测波动率的一致性。他告诫不要认为购买期权可以保证持续获利,并强调准确预测波动率是任何期权交易策略成功的关键。总之,他不鼓励交易员专注于这些工具,而是鼓励他们在确定成功的交易利基时专注于理解和预测波动性。
演讲者深入探讨了期权的隐含曲线及其与波动率的关系。他解释说,隐含曲线的偏斜主要是由波动率与标的资产走势之间的相关性驱动的,而不是由波动率本身驱动的。因此,发言人建议,在考虑期权价格时,可以在很大程度上忽略偏斜。此外,发言人指出,做市商在市场动荡时期通常表现良好,例如 2020 年经历的危机,因为这使他们能够在同一时间段内执行更多交易。此外,作为负利率的短期借款利率被做市商纳入期权定价的因素,因为它被认为类似于股息。
演讲者还讨论了表现出类似于负利率特征的期权,并提供了一个以前有利可图但不再适用的交易示例。他建议寻找具有定时事件的不确定情况来出售期权。此外,发言人强调,指数和股票的经典方差溢价通常被高估。当被问及个体交易者找到优势的可能性时,发言人断言风险溢价始终存在并且可以进行交易,这与购买股票相似。演讲者对围绕盈利事件的交易波动表示怀疑,并指出虽然它曾经是一种盈利策略,但它不再具有相同的盈利水平。
辛克莱谈到了近年来期权交易不断变化的格局,并承认市场不像以前那样对这种策略有利。他回答了有关使用算法工具进行投资组合优化的问题,并表示对于那些每周只交易一次的人来说,这些工具可能不是必需的。关于寻找优势,他建议从清晰的观察开始,并根据该观察构建想法。例如,在波动性定价过高时卖出期权,或在有上涨趋势时买入股票。最后,演讲者解决了构建具有负偏空量策略和正偏多量策略的投资组合的问题。他建议从自上而下的心智模型开始,这是最有效的方法。
最后,这位演讲者透露,他几年前退休了,但仍继续将时间花在积极的日内交易期权上。他表示打算坚持做期权交易,偶尔就此发表论文,将其视为工作和爱好。在Algo Trading 大会接近尾声之际,演讲者对Sinclair 博士分享了期权交易方面的宝贵经验和教训表示感谢。他表达了对未来期权交易会议的期待,并感谢会议组织者提供宝贵的交流知识和见解的机会。
听众鼓掌,承认他们从辛克莱博士的演讲中获得了丰富的信息和专业知识。与会者离开会议时对期权交易的复杂性和细微差别有了新的认识,并对在市场中拥有优势的重要性有了更深入的了解。受到辛克莱博士的启发,他们决心完善自己的交易策略,避免常见的陷阱,并不断努力改进。
在会议厅外,与会者就演讲的要点进行了热烈的讨论,谈话充满了兴奋。交易员分享了他们的想法,并承诺实施他们吸取的教训并相应地调整他们的方法。一些人考虑在期权交易中探索新的利基市场,而另一些人则承诺加深对波动性及其对交易决策影响的理解。
在会议之后的几天和几周内,交易员热切地将辛克莱博士的意见和建议应用到他们自己的交易活动中。他们仔细评估了自己的立场,考虑了可用的信息并做出了明智的决定,而不是依附于以前的立场。交易员专注于降低成本,意识到最大限度地减少开支可以显着提高他们的交易业绩。他们将辛克莱博士的话牢记在心,积极分析他们的交易并寻找机会完善他们的策略并改善结果。
Sinclair 博士的见解引起了与会者之外的共鸣。全球的交易员,无论是新手还是老手,都急切地寻找他演讲的录音和抄本。他的宝贵经验通过在线论坛、交易社区和社交媒体平台传播开来,引发了关于期权交易复杂性的讨论和辩论。随着交易员吸收了他的智慧,他们对交易方法有了新的认识,对波动性、风险管理和追求优势有了更深入的了解。
辛克莱博士对期权交易世界的贡献在会议结束后很长一段时间内继续产生影响。他的著作和研究论文成为有抱负的交易员和经验丰富的专业人士的重要参考资料。通过致力于分享知识和经验,他激励了新一代的期权交易员以纪律、批判的心态和坚定不移地致力于磨练他们的技能来进入市场。
随着时间的推移,辛克莱博士的遗产越来越多,巩固了他作为期权交易界杰出人物的地位。交易员回顾他的智慧之言,认识到他对他们的交易旅程产生的深远影响。辛克莱博士传授的课程作为指导原则,引导交易者远离常见错误,走上持续盈利的道路。
在期权交易史上, Euan Sinclair 博士的名字代表了专业知识、智慧和对卓越的不懈追求。他对该领域的贡献以及他对帮助他人成功的坚定奉献成为了一项持久的遗产,将继续塑造未来几代人的期权交易。
什么是 Corrective AI 以及它如何改善您的投资决策
什么是 Corrective AI 以及它如何改善您的投资决策
Ernest Chan 博士介绍了 Corrective AI 的概念,它可以纠正和改进人类或量化决策,并可应用于资产管理和交易。矫正 AI 克服了过度拟合、自反性和状态变化等问题,并使用大数据通过最大化投资组合成分的分配来优化分配。这种称为条件投资组合优化 (CPO) 的技术采用了凯利公式的高级用法,并显示出夏普比率的显着改善。纠正性人工智能还可以在熊市期间切换到防御位置,并针对其他指标进行优化。演讲者强调了风险管理和避免亏损交易的重要性,并建议不要使用 AI 生成交易信号。陈博士建议通过推销平台接触对冲基金,为新的金融科技初创公司筹集资金,并建议有抱负的量化交易员阅读、参加课程、回测和实时交易,以获得对市场的直觉。
知名量化交易专家 Ernest Chan 博士就 Corrective AI 的概念及其在改善人类和量化决策方面的应用发表了精彩的演讲。他强调,人工智能在纠正决策方面比从头开始更有效,使其成为资产管理和交易中的宝贵工具。陈博士告诫不要将人工智能直接用于交易或投资决策,而是提倡将其用于纠正其他系统或算法做出的决策。
在演讲中,Chan 博士深入探讨了 2000 年至 2018 年的金融人工智能寒冬,其特点是人工智能和机器学习 (ML) 在交易中的应用进展有限。他讨论了许多基于机器学习的对冲基金失败背后的原因,例如过度拟合、自反性和制度变更。然而,他引入了一种称为矫正 AI 的改变游戏规则的技术,克服了这些挑战。通过从私人交易策略或投资组合回报中学习,修正性 AI 预测了他们未来的回报,使其成为交易员和资产管理者的宝贵实用工具。值得注意的是,纠正性 AI 对套利的弹性使其比交易领域的传统 AI 方法更可靠。
演讲者强调了大数据在使用人工智能预测交易策略方面的重要性。分析了各种预测因素,包括滤油器、债券市场波动、宏观经济指标和交易量大的股票的情绪,以做出准确的预测。然而,演讲者承认个人很难收集如此大量的数据,因为它需要成千上万的输入。为了应对这一挑战,演讲者所在的公司创建了数百个预测器,专门供个人交易者使用。此外,他还引入了利用获利概率来确定赌注大小和分配资本的概念,这与仅基于回报的传统风险管理背道而驰。人工智能系统根据其监控的特征隐含地定义了交易制度,从而能够对投资策略进行自适应风险评估。
演讲者深入探讨了制度的概念,区分了显性制度和隐性制度。虽然牛市和熊市等明确的机制在事后很容易识别但很难准确预测,但隐藏的机制(例如 Robinhood 交易员购买看涨期权的行为)很难识别,但可以通过迹象分析进行预测。机器学习扩展的输入维度极大地增强了隐藏状态的预测。
陈博士介绍了一种称为条件投资组合优化的先进技术,它超越了传统的投资组合优化方法,如风险平价、最小方差和马科维茨均值方差。通过大数据注入最大化投资组合组件的分配,矫正人工智能取得了令人瞩目的成果。这种技术利用大数据来识别背景、解释制度变化并分析通货膨胀、利率和商品价格等因素的影响。
演讲者强调,人工智能有能力捕捉传统投资组合优化技术无法捕捉的信息。通过考虑大数据和外部因素,而不仅仅是过去的回报,称为条件投资组合优化 (CPO) 的技术证明了各种投资组合的夏普比率显着改善。在标准普尔 500 指数投资组合的情况下,它甚至表现出高达三倍的改善。 CPO 在熊市期间进一步启用了防御性定位,并可以优化其他指标,包括 ESG 评级。该技术经过了知名机器学习研究人员的审查,目前正在接受全球主要金融服务公司的测试。演讲者感谢他们的研究、数据科学、定量分析和工程团队为取得这一成功所做的共同努力。
陈博士建议不要仅仅使用人工智能来生成交易信号,而是建议将其应用为“修正人工智能”来计算当前交易策略中获利的概率。他强调了风险管理的关键作用以及避免亏损交易的重要性。当被问及使用机器学习来了解宏观经济环境时,他断言所使用的具体机器学习类型并不重要,主要因素在于其改善投资决策的能力。
在讨论中,演讲者强调了为大数据积累大量输入以有效预测各种投资组合资本配置回报的重要性。通过使用大数据和投资组合构成预测投资组合层面的回报,Corrective AI 有能力在每种情况下识别最佳投资组合。在回答关于情感分析作为 ML 输入的一部分的询问时,发言人确认可以添加任何数据流以提供额外的功能,然后可以将这些功能合并到输入功能中。此外,与输入本身的质量和相关性相比,机器学习算法的选择被认为不那么重要。此外,演讲者断言 Corrective AI 具有预测黑天鹅事件的能力,并且其指标已成功用于预测市场崩盘。
讨论了在投资决策中利用人工智能进行尾部事件预测的好处,并根据交易策略的频率为数据提供者提供了建议。演讲者还解决了与数据、金融数据的机器学习技术以及强化学习在交易中的潜在用途相关的问题。虽然强调风险管理和投资组合优化是人工智能和机器学习在交易中最有价值的用例,但演讲者承认自己不是强化学习方面的专家,也缺乏对其功效的第一手经验。
演讲者解释了 AutoML 的概念,其中涉及 AI 中参数优化的自动化以提高效率。此外,演讲者还讨论了金融中的隐藏制度如何无法明确识别,但可以使用 AI 隐式预测以帮助进行回报预测。关于向模型添加特征,发言人建议从各种来源收集尽可能多的数据。最后,演讲者将他们的方法描述为在监督学习环境中,目标变量通常是未来回报或策略的未来夏普比率。
Ernest Chan 博士为过去六个月一直在测试算法交易模型但不确定如何为他们的新金融科技初创公司筹集资金和吸引风险资本家的个人提供了宝贵的建议。他建议用一个包含证明成功的业绩记录的推销平台来接触各种对冲基金。然而,他警告说,风险资本家通常对算法交易模型表现出有限的兴趣。此外,陈博士建议有抱负的量化交易员多多阅读、学习量化领域的课程,并参与回测和实盘交易,以获取对市场的直觉。他强调,从纸上谈兵交易员到真正交易员的转变最好通过现场交易经验来实现。
Ernest Chan 博士的演讲探讨了 Corrective AI 的概念、它在改进决策方面的优势,以及它在资产管理和交易中的应用。他强调了传统方法的局限性,例如过度拟合和政权更迭,并强调了 Corrective AI 在克服这些挑战方面的有效性。演讲者还讨论了大数据、投资组合优化、风险管理以及人工智能预测隐藏机制和增强投资策略的能力的重要性。总体而言,陈博士为有兴趣在金融行业利用人工智能和机器学习的个人提供了宝贵的见解和指导。
金融市场教育:结构化方法和新兴趋势 - 2022 年算法交易大会
金融市场教育:结构化方法和新兴趋势 - 2022 年算法交易大会
Quan Institute 的联合创始人兼首席执行官 Nitesh Khandelwal 在 2022 年 Algo Trading Conference 的舞台上介绍了一个小组讨论,重点是金融市场的教育和行业内的新兴趋势。该小组由来自印度、新加坡和瑞士的专家组成,他们在各种机构、经纪公司、全球交易所和资产管理行业的教育计划中发挥了重要作用。 Khandelwal 强调了结构化学习途径对于进入金融市场的个人的重要性,因为该行业继续经历大幅增长并吸引来自不同背景的参与者。该小组的目的是深入研究投资和交易论文的基本要素,并阐明如何获取这些领域的知识。讨论的主题包括资产配置、数据驱动的研究、散户投资者的崛起以及技术对金融教育的影响。
当小组成员轮流介绍自己时,他们分享了他们在金融行业的背景和他们参与的教育活动,以及他们最畅销的金融书籍。他们强调了金融市场教育的重要性以及在没有适当知识的情况下进行投资的潜在后果。他们强调了利用金融知识有限的个人的诈骗和庞氏骗局的盛行。随着市场的不断发展和扩大,小组成员强调了持续教育的必要性。
演讲者就进入金融市场之前获取足够知识的重要性进行了对话。他们告诫不要在没有坚实基础的情况下盲目地进行交易或投资,因为许多人被容易进入和快速获利的诱惑所吸引。他们警告说,有可能成为不法分子的猎物,这些人利用缺乏金融知识的人。演讲者还谈到了许多新手持有的不切实际的期望,尤其是在大流行期间,并讨论了个人经常忽视的基本技能,例如技术分析和交易策略。
小组成员进一步探讨了产生最多用户查询和兴趣的教育模块。他们观察到对个人理财模块的持续查询,特别是共同基金,而 ETF 部分收到的查询较少。演讲者还分享了他们在算法交易领域的个人经历,以及印度对金融教育的需求如何激发他们专注于教育大众。他们认识到印度日益增长的互联网普及率是接触更广泛受众和提高金融知识的机会。讨论中还强调了基于视频的教育的普及。
小组成员深入研究了投资和交易之间的区别,阐明了围绕这些活动的常见误解。虽然投资通常被认为是简单的,但交易被认为是复杂且难以从中获利的。该小组强调了交易和投资教育的必要性以及设定切合实际的期望的重要性。然后他们转而讨论金融市场的新兴趋势,特别关注自动化和筛选工具,以及对实时交易演示的日益增长的需求。该小组注意到人们对交易技巧和自动化越来越感兴趣,尤其是年轻人,并强调越来越多地使用筛选工具进行短期交易。
发言者谈到了对自动交易产生的回报的误解,并强调了让公众了解与此类投资相关的固有风险的重要性。他们还提供了对金融行业内各种角色的见解,并指出交易员的职位描述通常与常见假设不同。发言人之一安德烈亚斯 (Andreas) 讨论了多年来资产管理领域不断变化的技能要求,并提到了由市场上较大的参与者推动的更复杂模型的开发,以及越来越多的博士和宽客。
机器学习和技术对金融市场教育的影响是讨论的另一个关键话题。虽然机器学习通常仅限于价格预测,但小组成员强调了它在显着影响投资组合管理和风险评估方面的潜力。他们强调,虽然技术在交易中起着至关重要的作用,但在深入研究更高级的策略之前,从基础知识和常识开始是至关重要的。小组成员指出,技术随着时间的推移而发展,即使是初级形式的技术也可以为交易者提供市场优势。
小组成员继续讨论了近年来技术和社交媒体如何改变了金融市场,为交易者创造了新的机会。虽然技术进步为行业带来了巨大利益,但演讲者强调,人力投入和分析仍然是成功的关键。他们警告不要在没有充分理解如何有效使用技术的情况下过度依赖技术,强调教育的重要性。
此外,演讲者强调了金融市场教育的重要性,并强调了批判性思维在应用技术分析工具时的重要性。他们告诫不要盲目听从金融大师的过时建议,并鼓励交易员采用体验式和互动式的学习方式。虽然有专家在身边提供指导是理想的,但他们承认这可能并不总是可行的。因此,交易者需要勤于测试和质疑为不同时代开发的技术分析工具。
Andreas Clenow 和 Vivek Vadoliya 讨论了交互式在线教学和在线学习在金融教育中的价值。 Clenow 强调边做边学的重要性,并建议交易者避免盲目执行交易书籍中的规则。他表示,没有普遍最佳的交易系统,并强调每种交易模式的个人性质,这取决于个人的目标。另一方面,瓦多利亚建议将纸面交易和模拟环境作为理论与实践之间的宝贵桥梁。他承认纸面交易可能有其缺点,但解释说,对于资金有限的交易者来说,这是获得信心并为实际交易做准备的绝佳方式。
还解决了纸面交易的局限性,并讨论了在真实市场环境中获得经验的替代方法。演讲者建议购买一家公司的一两股股票,以体验下订单、管理保证金和浏览交易平台的复杂性。他们还强调,纸面交易是对交易系统的有用介绍,让交易者了解市场动态。模拟的复杂性得到承认,并强调需要创建能够准确模拟市场表现的模拟器,尤其是对于做市策略。
展望金融市场的未来,与会嘉宾分享了他们对未来五到七年可能发生的变化的看法。一位发言者预测,由于交易平台的可访问性越来越高以及通过社交媒体渠道流动的大量信息,零售市场将变得更加重要。另一位发言者强调,年轻一代对传统金融参与者的熟悉程度较低,并预测交易员的平均年龄将降至 13 岁。围绕金融市场未来的不确定性集中在年轻一代将如何塑造该行业。
小组成员还讨论了零售交易商的不切实际期望的影响以及由此导致的印度监管收紧。他们预计未来的市场环境将受到更严格的监管,从长远来看,这最终将使零售交易商受益。虽然作为经纪人运营可能会变得更具挑战性,但监管收紧被视为对市场参与者的积极发展。此外,他们还为那些有兴趣了解市场在过去 20 年中如何演变并了解这些变化对投资策略的影响的人推荐了资源。建议包括审查监管机构的通知和研究有关市场微观结构的书籍。会议以关于安德烈亚斯新书计划的问题结束,他回答说他已经写了一本编程书籍和一本小说,但他没有立即计划购买新的交易书籍。
最后,演讲者对 2022 年 Algo Trading Conference 的小组成员和与会者表示感谢。他们希望会议提供了一种结构化的方法和对金融市场新兴趋势的宝贵见解。他们向任何需要额外支持的人提供进一步的帮助。演讲者最后对所有参与者表示感谢,并将会议转交给他们的同事 Afrin,这标志着会议结束。
2022 年 Algo Trading Conference 上的小组讨论全面探讨了教育在金融市场中的重要性以及行业内不断发展的趋势。演讲者强调了结构化学习和持续教育的必要性,以成功驾驭交易和投资的复杂性。他们强调了在没有足够知识的情况下进入市场的相关风险,包括成为诈骗和不切实际期望的受害者。小组成员还强调了技术、机器学习和社交媒体在塑造金融市场中的作用,同时强调了人类分析和批判性思维的重要性。
该会议阐明了各种主题,包括投资和交易之间的区别、实践学习经验的重要性以及自动化和筛选工具的影响。演讲者还讨论了金融市场的未来,重点关注零售交易商的影响、监管收紧以及不断适应市场变化的必要性。他们强调了教育对于增强个人做出明智的财务决策的重要性,并告诫不要盲目遵循过时的策略或仅仅依赖技术。
小组讨论为听众提供了宝贵的见解和指导,使他们掌握了必要的知识,以有效驾驭金融市场的动态格局。
制度定义:多头和空头之间的分类,为什么它简化了工作
制度定义:多头和空头之间的分类,为什么它简化了工作
2022 年 Algo Trading Conference 的发言人之一 Lauren Burnett 就状态分析的概念及其在简化交易工作流程中的重要性发表了富有洞察力的演讲。状态分析的主要重点是确定市场状态,无论是看涨、看跌还是不确定,并根据该评估做出交易决策。伯内特将制度分析与战时野战医院使用的分诊过程进行了比较,因为两者都涉及在有限的资源和时间限制下做出快速决策。
状态分析的本质在于将市场分为两个或三个不同的类别,这有助于简化交易方法。通过分析市场机制,交易者可以轻松确定何时采取行动以及何时保持原状。此外,Burnett 还引入了一种用于全球资产类别筛选的专有工具,进一步简化了分析过程。
在演讲中,演讲者用绝对术语解释了状态分析的概念,即市场向上、向下或停滞不前,分别导致看涨、看跌或不确定的市场状况。虽然只有少数资产类别可以按绝对值进行交易,但大多数资产类别是根据其相对序列进行交易的。相对系列是指证券与基准相比的表现,并根据货币波动进行了调整。为了说明这一点,Burnett 提供了一个使用标准普尔 500 指数的例子,强调了表现出色的证券数量如何在相对值上在 50 左右波动,而在绝对值上表现出不同的模式。了解制度及其不同系列可以简化行业分析师的工作,并提供对市场行为的宝贵见解。
还讨论了状态分析对多空股票投资组合的影响。演讲者强调,多空股票组合是多头和空头头寸的净结果之和,其表现取决于两者之间的三角洲。关注相对表现和行业轮动,而不是个股的绝对变动,提供了一种更顺畅、更易于管理的与市场打交道的方法。演讲者解释说,在牛市期间,高贝塔股票在多头,而低贝塔股票在空头。相反,在熊市期间,低贝塔系数的防御性股票是做多的,而高贝塔系数、波动性很快的股票是做空的。
强调了将状态分析纳入市场分析和投资决策的重要性。虽然产生超额回报对于金融领域的生存至关重要,但仅依靠基本面或定量分析是不够的。忽视制度分析,考虑可以决定股票表现的市场普遍状况,可能会导致仅根据估值和趋势而不考虑更广泛的市场背景而做出糟糕的投资决策。发言人告诫不要在不考虑势头的情况下做空股票,不要投资于缺乏吸引投资者的令人信服的叙述的价值陷阱。通过忽视制度分析,从长远来看,人们会面临重大的商业风险和投资者信心的潜在损失。
演讲者就如何使用状态分析来确定股票上涨或下跌的原因提供了见解。他们解释说,答案分为三种类型:整合、行业轮动和股票特定原因。通过对这些原因进行分类,投资者可以简化他们的工作流程,并采用更客观的方式进入市场。演讲还谈到了各种技术分析策略,包括突破,并承认虽然概念上很简单,但它们可能存在固有的滞后,需要耐心。强调简化是实现完美的关键,并建议投资者成为市场的公仆。
演示期间讨论了两种交易方法,即不对称入场和移动平均线。移动平均线因其提供市场背景的能力而受到强调,尽管关于理想持续时间的争论仍在继续。有人指出,移动平均线不适合波动的市场。有趣的是,移动平均线也可以用作退出策略。当移动平均线趋于平缓时,表明市场正在转变,在此期间,许多交易者会经历滑点和交易成本,这可能会导致业绩显着下降。演讲者进一步解释了更高的高点和更高的低点的概念,这表明当市场达到连续更高的高点和更高的低点时的上升趋势。此外,演讲者分享了他们最喜欢的称为“下限和上限”的方法,该方法涉及识别头肩形态的右肩以确定交易的最佳进入点和退出点。
演讲者以地板和天花板标记为例深入探讨了制度定义的概念。他们解释说,这些标记分别代表更高的低点(地板)和更低的高点(天花板)。这些标记之间的任何价格变动都被认为是看涨的。发言人强调,这一概念适用于不同的资产类别和时间框架。然而,他们承认以计算方式定义制度是一项耗时的任务。演讲者介绍了“分数”的概念,它代表所有不同定义方法的平均值。该分数有助于确定各种方法论在相对价格和绝对价格方面是否一致。表示一致的分数表明看涨情绪,而零分表示分歧。
讨论了使用评分方法评估市场中牛市和熊市信号是否一致的能力。零分表示方法之间不一致,而零分以上表示绝对指标和相对指标一致。演讲者介绍了收益预期的概念,它涉及计算赢率乘以平均收益减去损失率乘以平均损失。这种收益预期分析有助于将市场分为牛市和熊市两类,从而能够集中分析表现良好的行业。但是,有人强调,该分析是确定应考虑投资的表现出色的证券的初步步骤。
提出了制度分析是否可以应用于个股或仅限于行业的问题。发言者澄清说,可以对每只股票进行状态分析并在市场层面应用。他们告诫人们不要犯做空超买股票的常见错误,并强调超卖股票变得低迷的趋势,往往会导致迅速反弹。此外,演讲者解释说,超买和超卖情况是上下文相关的,并且是根据随着时间的推移凭经验观察到的股票是处于看跌还是看涨区域而得出的平均值。
演讲还讨论了状态分析如何帮助交易者避免技术分析中的误报。通过应用状态分析来区分看涨和看跌情景,交易者可以简化他们的工作流程并做出更客观的交易决策。演讲者警告说,如果只在多头进行趋势跟踪而在空头进行均值回归,则可能会产生复合风险。他们建议以同样的方式对待双方,以减轻管理不善的风险。当被问及用期权对冲左右尾巴时,发言人建议不要这样做,而是建议享受这趟旅程。还解释了相关指标,例如移动平均线,并演示了它们在图表上的使用。
在演示过程中,演讲者在图表上介绍了不同颜色的点来表示特定的模式和指示。红点和绿点分别代表摆动高点和摆动低点。该图表还以蓝色和粉红色三角形为特色,代表地板和天花板标记,蓝色表示看涨状态。此外,浅鲑鱼和浅绿色三角形代表交易区间。发言人澄清说,他们的制度分析方法不受任何特定书籍的影响,但对罗伯特·卡弗 (Robert Carver) 在系统交易方面的工作表示赞赏。关于货币政策对制度分析的影响,发言人强调了美联储政策的关键作用,因为美元直接或间接影响全球情绪和市场趋势。
在演讲快要结束时,演讲者谈到了可能影响市场的不同情景,特别关注“制度”的概念。他们讨论了三种可能影响市场机制的具体情景。第一种情况是指市场过于“冷淡”,表明市场环境谨慎且不确定。第二种情况涉及债券义警的到来,他们在调节利率和影响市场行为方面发挥作用。最后,演讲者提到了通货膨胀的影响,它可以迫使美联储调整货币政策。这些情景被描述为影响市场机制而不是受其控制的外部因素。
为了有效应对这些情况,演讲者介绍了一种工具,可提供有关当前市场制度的信息。该工具可帮助交易者适当定位自己并适应不断变化的市场条件。通过清楚地了解该制度,交易者可以做出更明智的决定并相应地调整他们的策略。
演讲强调了状态分析在简化交易工作流程方面的重要性。通过将市场分为不同的制度并了解它们的含义,交易者可以做出更明智的交易决策。制度分析的概念不仅适用于行业,也适用于个股,能够全面评估市场动态。该演示文稿还强调了同时考虑绝对和相对指标(例如移动平均线)以全面了解市场的重要性。
演讲者对状态分析、交易方法和评分系统应用的见解为寻求简化交易方法和改进决策的交易者提供了宝贵的指导。演讲最后强调了货币政策、全球情绪和市场趋势对塑造市场机制的影响,以及保持适应性和响应这些动态的重要性。
微型阿尔法:金融地质学 |算法交易会议
微型阿尔法:金融地质学 |算法交易会议
在他的演讲中,Thomas Starke 博士深入研究了他称之为金融地质学的“微型阿尔法”的概念。他首先讨论了交易环境如何从传统的公开喊价金融市场演变为基于屏幕的交易,以及最近的算法。为了说明这种转变,他用淘金热时代做了一个类比,人们会在河流中淘金块来寻求财富。
斯塔克博士强调,随着数据分析、机器学习和人工智能等先进工具的出现,交易变得越来越复杂。他解释说,移动平均线等简单的技术指标不再那么有效,专业交易已经转向利用量化策略。 alpha 的传统定义表示与市场不相关的回报,并以标准普尔 500 指数或 Spy ETF 为基准。
演讲者强调了阿尔法策略在当今市场中面临的挑战。他们指出,包括高频交易者在内的参与者激增提高了市场效率和随机性,使得获取利润变得更加困难,并降低了预测指标的有效性。
接下来,介绍了 microalphas 的概念,演讲者演示了如何使用机器学习来生成这些小型的、专门的 alpha 生成策略。通过使用 bagging 或 bootstrap 聚合等集成方法组合多个弱预测器,可以创建具有较小方差和较低过度拟合风险的更强预测器。演讲者使用移动平均线交叉交易信号作为 microalpha 策略中的弱预测指标来说明这一概念。通过回溯测试并将结果拆分为训练集和测试集,可以开发出更有利可图的交易策略。
Stark 博士强调了测试和优化交易策略以避免过度拟合的重要性。发言人建议绘制可用参数并找出所选测试和指标之间的相关性,而不是简单地选择最佳参数集。讨论了 microalpha 策略对过度拟合的鲁棒性,并强调了通过装袋使用聚合作为组合弱 alpha 的方法。演讲者以客户的策略为例,说明组合 alpha 如何提高结果。
此外,演讲者介绍了“金融地质学”或“alpha 挖矿”的概念,其中 microalphas 单独不起眼,但可以结合起来创建更可靠、更有效的交易策略。他们强调了广度的重要性,广度指的是所使用的资产或交易策略的数量及其相关性。虽然扩大技能具有挑战性,但增加广度可以带来更高的信息率和改进的性能。
然后讨论转移到投资组合权重和层次结构在优化绩效中的重要性。解释了不同的加权方案,例如相等权重、拥有大量客户资产的资产管理人的切线投资组合,以及风险承受能力强的零售交易者的最佳 f。
讨论了信号的产生及其随着时间的推移产生头寸变化的标准化,以及了解和最小化交易成本的必要性。演讲者强调了如何通过缩放将多头策略转变为准空头策略。他们还提到策略中存在工作日效应,即头寸规模在工作日各不相同,这可能会导致设计新策略。交易算法被强调为最小化交易成本的一种手段,并以到达价格算法为例进行了展示。
演讲者介绍了 Alumgram I'm going Chris 模型,这是一种执行曲线模型,可帮助确定交易的接近最佳执行情况。通过实现比中间价更好的执行,交易者可以降低交易成本并利用更小的优势,为他们的模型添加更多微阿尔法。以 ESG 策略为例,展示了其在动荡的市场条件下的弹性。
Starke 博士回答了一个关于过度拟合的问题,并解释说测量和完全消除过度拟合具有挑战性。他建议添加更多的 alpha 并为每次添加运行测试,观察店铺比率是否提高。然而,他告诫不要择优选择,并强调尽可能减少过度拟合的重要性,尽管它无法完全避免。他鼓励听众在会后收到的调查中提出任何进一步的问题。
在会议快结束时,发言人宣布在下一次会议之前休息 15 分钟,以进行多头和空头之间的制度定义审判,旨在简化工作。他们还提到来自日本东京的 Lauren Burner 将参加会议。发言者对Thomas Paul参加第一届会议表示感谢,并表示希望很快能再次见到他。
Thomas Starke 博士对“微阿尔法”和金融地质学的概念提供了宝贵的见解。他讨论了交易从传统市场到基于算法的策略的演变、阿尔法策略在当今市场环境中面临的挑战,以及机器学习产生微阿尔法的潜力。强调了测试、优化策略和避免过度拟合的重要性,以及投资组合权重、交易成本管理和交易算法使用的重要性。演讲者还介绍了 Alumgram I'm going Chris 模型以实现更好的执行力,并宣布发布关于 micro alpha 的 quantra 课程。会议结束时呼吁进一步提问,并在下一场会议之前休息。
系统期权交易简介|免费网络研讨会
系统期权交易简介|免费网络研讨会
Continuum 的量化分析师 Akshay Chaudhary 就期权系统交易的重要性发表了富有洞察力的演讲。他首先阐述了基于直觉和情感的交易陷阱,讲述了交易者遭受重大损失的不幸经历。 Akshay 强调需要制定明确的交易计划、严格的逻辑框架以及实施止损措施以降低风险。
演讲者深入探讨了期权交易的系统方法,解释了其多步骤过程。它从获取期权数据开始,这些数据可以从供应商或免费来源(例如 Yahoo Finance 或 Google Finance)获得。然后根据数据的大小将数据组织并存储在 CSV 文件或数据库中。下一步涉及根据特定参数筛选数据,创建整个数据集的子集。在此之后,定义了期权策略,并建立了进入和退出规则。该策略经过回溯测试,根据最大回撤、夏普比率和方差等指标评估其性能。最后,通过调整参数来优化策略以最大化利润或最小化风险,并对其进行远期测试或模拟交易以验证其在实时市场环境中的有效性。
进一步解释了系统的期权交易过程,强调了检索和清理数据的重要性,创建筛选器以识别合适的选项,定义明确的进入和退出交易规则,进行回测以评估绩效,必要时优化策略,并在实时市场状况。演讲者介绍了一个反向空头蝴蝶策略的例子,利用技术指标进行交易进场和退场。他们演示了导入数据、计算指标、生成信号和回测策略的代码。
视频演示展示了一个简单策略的回测结果。该策略依赖于特定的进入和退出条件,回测结果显示净利润和累计损益。演讲者提到了铁秃鹰等更复杂的策略,并强调了在将策略部署到实际市场之前通过纸面交易场景进行前瞻性测试的重要性。还讨论了系统性期权交易的注意事项,包括从可靠来源获取数据、考虑交易成本和滑点、维持资本缓冲以及实施止损措施以有效管理风险。
强调了期权交易中的风险管理,强调了止损订单和对冲等策略。概述了期权交易的四个关键事项:回测和优化策略、利用适当的头寸规模和风险管理技术、保持交易系统的简单性以及遵守既定计划。相反,建议交易者避免使系统复杂化、干扰策略、过度暴露于单一策略以及交易非流动性期权。演讲者还推介了一门名为“系统期权交易”的综合课程,涵盖了系统交易和交易策略的各个方面。
在获取历史期权链数据的背景下,探索了雅虎财经的替代方案。推荐使用 TD Ameritrade 或 E-Trade 等经纪商平台,因为它们提供对历史期权链数据的访问。第三方数据提供商如 OptionMetrics 或 IvyDB 也被提及作为历史期权数据的来源,尽管是收费的。强调应进行彻底研究,以选择适合个人需要的可靠数据提供者。
演讲者强调了数据供应商对于期权交易中实时数据的重要性,强调了对可信数据源的需求。他们解决了一个关于课程内容的问题,向观众保证会提供回测蝴蝶期权的文件。该课程涵盖了蝴蝶策略、铁秃鹰策略和点差等策略。据澄清,该课程涵盖从基础到高级的水平,适合对选项有基本了解的个人。技术分析被认为是一种退出工具,有助于了解但不是先决条件。
演讲者回答了听众提出的关于算法交易和期权交易执行程序之间的重叠、Python 回测数据的可用性以及将期权视为非流动性的标准的各种问题。 Python 被推荐为回测的首选编码语言,并使用技术指标和机器学习库。但是,注意到也可以使用其他语言,例如 Java。演讲者提到 BlueShift 作为回测的另一种选择,因为它提供了 Python 接口。
强调了在扩大规模之前进行前瞻性测试策略的重要性。建议进行几个月到一年的前瞻性测试,以确保该策略在增加资本或进行任何调整之前在实际市场中表现良好。在大规模部署之前,对系统有效性的信心至关重要。前瞻测试的持续时间可能因交易频率和所采用的具体策略而异。演讲者强调在前向测试之前需要进行彻底的回溯测试和模拟交易,在监控系统性能的同时逐步扩大资本规模。
演讲者建议至少测试三到四个月的系统期权交易策略,以捕捉不同的市场情景并评估各种条件下的表现。解决了几个观众问题,包括有关自动化供需策略的询问以及课程是否涵盖基于 IV(隐含波动率)表面的策略。演讲者还简要解释了日历价差,并建议有兴趣的学习者与课程顾问联系,以确定最适合他们目标的课程,例如成为量化交易员。
讨论了使用算法来识别摆动或反转蜡烛的可能性。发言人解释说,可行性取决于基于特定蜡烛参数或属性的逻辑规则的开发,例如像锤子图案这样的烛台图案。关于C++和Python交易的选择,有人建议Python适合较长的时间范围,而C++更适合低延迟和高频交易。对于对算法期权交易感兴趣的新手,演讲者建议探索期货和期权交易轨道中的量化方法。他们还强调了使用 Python 和 Interactive Brokers 进行自动交易的相关性。
演讲者通过鼓励与会者完成调查以提供反馈并确保他们的所有问题都得到解决来结束网络研讨会。他们提醒观众只有网络研讨会参加者才能享受独家折扣,并建议在注册前查看课程页面并利用免费预览。观众被邀请与课程辅导员联系以获取更多信息和定制的学习路径。演讲者对观众的支持表示感谢,并鼓励他们为未来的网络研讨会提供反馈。
算法交易的竞争优势 |算法交易课程
算法交易的竞争优势 |算法交易课程
在网络研讨会期间,Quantum City 的联合创始人兼首席执行官 Nitesh Khandelwal 深入探讨了竞争优势在算法交易中的重要性。他首先定义了什么是优势,并提供了不同交易策略的示例。 Khandelwal 强调,竞争优势对于贸易企业蓬勃发展至关重要,因为它们变得更加成功。在整个会议期间,观众全面了解了贸易企业可以获得的广泛优势以及与不同类型策略相关的具体优势。
Khandelwal 介绍了 QuantInsti,他的组织的使命是创建一个生态系统,在全球范围内实现和授权系统的交易和投资。他重点介绍了几项举措,包括他们领先的名为 Quantra 的认证计划、研究和交易平台 Blue Shift,以及跨越 20 个国家的企业合作伙伴关系。通过分享这些举措,演讲者展示了 QuantInsti 对其使命的承诺。
接下来,演讲者从商业角度讨论了竞争优势,将其定义为公司相对于竞争对手的优势。为了说明这个概念,他提到了苹果、谷歌、特斯拉、摩根大通和高盛等知名公司,邀请观众思考他们的竞争优势可能是什么。
接下来,Khandelwal 深入研究了算法交易中的竞争优势。他概述了竞争优势的各种来源,包括专有技术、知识产权、独特的产品或服务、尖端技术、强大的公司文化以及对特定资源或生态系统的访问。在算法交易的背景下,他解释说它涉及根据某些逻辑或条件下订单,可以自动或手动管理。在交易中使用算法通过实现更快的数据处理、高效的搜索功能以及改进的用户界面或流程来提供竞争优势。发言人以 RenTech 为例,说明一家公司通过其在算法交易领域的知识产权和系统获得了显着优势。
然后讨论转移到交易策略的分类上。 Khandelwal 将投资或交易风格大致分为定量、技术或基本面。他进一步将潜在的交易观点或因素分类为趋势、均值回归或基于事件。他接着解释了交易领域的 15 种主要隔离和竞争优势,包括动量交易、统计套利、价值投资、突破交易、利差交易和基于事件的系统等策略。发言者强调,其中一些系统是高度自动化的,而其他系统则涉及更多的自主决策。
谈到速度作为算法交易竞争优势的重要性,Khandelwal 强调需要减少交易各个方面的延迟,包括传输或网络延迟。他解释说,实现更低的延迟涉及在邻近数据中心的交换附近托管或放置系统,以最大限度地减少数据传输所需的时间。优化传输延迟后,可以进一步增强算法交易系统的硬件和软件基础设施,以减少数据到达交易所所需的时间。演讲者强调,交易系统越快,alpha 越显着,这对高频交易公司至关重要。
讨论扩展到算法交易中的其他竞争优势,例如数据质量和对替代数据源(如用于需求评估的卫星图像)的访问。 Khandelwal 强调了战略基础设施的重要性,该基础设施可以有效地将想法转化为可执行的行动。他还提到了广泛的研究能力、先进的定价模型以及通过经纪人或主要经纪人进入各种市场的优势。在整个演讲过程中,演讲者强调了拥有独特竞争优势以在算法交易中取得成功的重要性。
涉及的一个话题是外汇交易中的“最后看”概念,即在买卖双方就价格达成一致后,做市商对接受交易拥有最终决定权。这种优惠准入是交易的重要优势。此外,Khandelwal 强调了流畅的后台和适当的风险管理作为计算优势的重要性,因为它们可以帮助交易者避免重大损失。他还强调了无需立即付款即可获得资金的优势,这为交易提供了灵活性。
此外,演讲者讨论了金融机构和交易者在算法交易中可以拥有的竞争优势。他认为低成本的融资和随时可以进入交易柜台是银行享有的主要优势。另一个优势是拥有可有效将资本利得税降至零的税收结构。获取信息、新闻和监管变化也是一个重要优势。最后,知识产权,包括独特的策略、硬件和软件的改进以及专有流程,为交易者提供了超越竞争对手的巨大优势。
继续讨论,Khandelwal 强调了有助于交易者成功和快速成长的九大竞争优势。这些优势包括工艺知识、专利、技能、敬业的团队和连续性。拥有这些优势中的一项或多项可以成为交易者在市场上蓬勃发展的坚实基础。演讲者随后概述了配对交易和高频做市等特定策略的相关优势,包括速度、市场数据、策略基础设施、后台风险管理、资金成本和知识产权等因素。
演讲者强调了识别和获取与自己的交易策略相关的特定优势的重要性。了解与所选策略一致的优势类型至关重要,因为它使交易者能够专注于获取和利用正确的优势。 Khandelwal 还强调了有效风险管理的重要性,并提到了他们专有风险管理工具的使用。
为了应对监管挑战,发言人建议从监管机构的资源开始,例如他们的常见问题解答或常见问题解答部分,这可以提供有价值的见解。最后,Khandelwal 鼓励观众考虑为那些有兴趣建立自己的算法交易台或从事量化交易事业的人考虑 EPAT 计划。
在问答环节中,演讲者针对从法规到特定交易策略(如空头伽玛策略)的主题回答了各种听众问题。他强调了市场微观结构的重要性,并介绍了在该领域拥有丰富经验的新教员 Robert Kissel 博士。 Khandelwal 还回答了有关在交易中应用数据科学的问题,强调数据科学具有多种应用,而不仅仅是机器学习或数据分析。他建议对统计和金融市场有基本的了解,以充分利用数据科学在交易中的潜力。
此外,演讲者还讨论了机器学习在算法交易中的用例,包括预测市场趋势、管理风险和检测机制以确定合适的策略。他承认,自动化可以在一定程度上帮助克服交易的心理方面,但最终,无论有没有自动化,系统的方法都是导致成功的因素。 Khandelwal 建议那些不精通编程的人在完全致力于算法交易之前,先使用免费资源来学习编程并衡量他们的兴趣水平。
在最后一部分,Khandelwal 专注于算法交易中使用的编程工具。他强调,创建连接到交换和解码数据的软件通常是用 C++ 完成的,甚至直接在硬件上完成。但是,对于策略开发,除非重点关注需要微秒级订单处理的高频交易,否则通常会使用 Python。由于时间有限,演讲者鼓励参与者通过电子邮件发送他们未回答的问题。
Nitesh Khandelwal 就算法交易中的竞争优势概念发表了富有洞察力的演讲。他全面了解了不同类型的优势、交易策略以及获得相关优势以在动态交易市场中取得成功的重要性。
交易者以极快的速度茁壮成长。然后,他概述了特定策略的相关优势,例如配对交易和高频做市,包括速度、市场数据、策略基础设施、后台风险、资金成本和知识产权。
问我任何事情:交易中的情绪分析和替代数据
问我任何事情:交易中的情绪分析和替代数据
网络研讨会首先由主持人介绍三位小组成员,他们是金融情感分析和替代数据证书 (CSAF) 教员的一部分。 CSAF 是一门专为金融行业专业人士设计的综合课程,涵盖交易、投资决策和新闻分析的各个方面。小组成员包括 Christina Alvanoudi-Schorn 教授、Gautam Mitra 教授和 Pete Black 博士,他们每个人都拥有非凡的金融背景和专业知识。该会议还提供了有关 CSAF 及其优势的信息,以及对 Unicom、Opturisk Systems 和 Contingency 的简要介绍。
介绍结束后,主持人解释了“有什么问题”(AMA)会议的形式。他们提到,来自不同国家的问题被合并并分为四类:情绪分析、替代数据、职业机会和其他问题。尽管他们的目标是回答所有问题,但他们承认时间限制可能无法解决所有问题。
第一组问题侧重于情绪分析和交易。主持人提到了 2007 年 Peter Tetlock 教授发起该领域的一篇论文。他们讨论了交易中情绪分析的概念,解释了如何在影响市场资产价格之前为情绪分配正值或负值。他们将有关新闻分析和金融的手册以及金融中的情绪分析称为对该主题感兴趣的人的宝贵资源。正如牛津大学的 Stephen Pullman 教授强调的那样,不仅要分析单词,还要分析信息呈现的语义的重要性也得到了强调。 Christina Alvanoudi-Schorn 教授接手回答了与情绪分析实施及其在金融行业广泛应用相关的具体问题,例如资产配置、投资组合优化和信用风险分析。
然后,主持人讨论了使用 Python 和机器学习技术进行情绪分析和预测市场走势。他们提到 Python 之所以被广泛使用,是因为它提供了用于情绪分析和金融市场应用程序的知名软件包。他们还谈到了从固定利率和未平仓合约数据中推导出市场情绪,以及市场情绪如何影响期权定价。他们指出,市场公告和数据处理之间的时间延迟为交易者提供了告知其交易策略的优势。
转到替代数据的主题,演讲者解释了与传统数据源相比,如何使用它在更短的时间内预测公司收入。替代数据包括各种来源,包括电子邮件和信用卡数据,以及来自手机的卫星和无人机图像和地理位置数据。他们强调,情绪分析也可以应用于来自社交媒体的替代数据,从而深入了解交易员对个股的正面或负面看法。目标是使用替代数据来预测未来收益或收入,以做出有利可图的投资决策。
演讲者在替代数据基础讲座中提到了即将进行的关于使用电子商务收据预测在亚马逊上销售的产品和生产商的收入的用例研究。他们引用了一位同事进行的一项有趣的研究,该研究使用沃尔玛和一家比萨饼公司的收据来预测他们的销售额变化。他们还讨论了其他案例研究,例如涉及来自谷歌的 1TB 开源新闻数据 GDELT 的案例研究。列出了各种替代数据来源,突显了数据代理的快速增长。
展望未来,主持人讨论了与在交易中获取和使用替代数据相关的合规问题和数据伦理。他们强调了注意数据隐私和确保所获取数据中不存在个人身份信息 (PII) 的重要性。还强调了数据收集策略的伦理考虑。关于情绪分析,他们将其比作炼金术,其目标是使用替代数据找到获胜策略,同时提醒需要评估追求的价值。
然后探索了金融市场的职业机会,特别是针对具有高级编程和软件技术技能的个人。演讲者提到了将定量和 AI 机器学习模型转化为具有回报实施的应用程序所面临的挑战。他们建议,已经拥有 CFA 或 FRM 等传统资格的金融行业专业人士应该在不断发展的金融市场中探索新领域,信息供应商等大玩家提供了新的机会。演讲者还建议不要设定过于雄心勃勃的研究目标,以免最终没有任何实际成果。
讨论了对冲基金中人工智能和机器学习人才及其回报之间的相关性。佐治亚州立大学的一篇研究论文指出,拥有高级或初级人工智能和机器学习技能的对冲基金每年可以获得大约 2.8% 的阿尔法收益,这对于能够产生额外回报的个人来说是一个很好的职业机会。演讲者强调了利用人工智能的另类投资中提供的各种职业机会,例如选股或协助银行承销信用卡和抵押贷款。他们提到了 CAIA Charter 和 Financial Data Professional 等项目,这些项目提供人工智能和机器学习技术以及金融市场数据伦理方面的培训,并鼓励学生从事该行业空缺的数据科学职位。
Christina Alvanoudi-Schorn 教授强调了理解数据集和情绪数据的重要性,以及在从事金融职业时如何解释机器学习算法的结果。她指出,数据科学不仅限于金融,几乎在每家公司都可以找到。然而,她强调了金融领域的大量空缺职位,尤其是在情绪分析和替代数据方面。对于那些对具有 Python 知识和预测技能的算法交易感兴趣的人,她提到了可以帮助他们入门的书籍。她讨论的课程包括九个基础讲座,其中三个涵盖替代数据,以及 12 个由行业从业者提供的用例讲座。
演讲者讨论了 AFL 还是 Python 更适合交易的问题。 AFL 代表 Amy Broker Formula Language,由一位前记者开发,提供了一种用于快速实施技术分析的语言。在承认 AFL 的有用性的同时,他们推荐使用 Python 进行更深层次的分析和策略实施。他们还强调了使用各种工具和技术进行知情交易和管理风险的重要性。虽然没有灵丹妙药可以保证交易成功,但即使概率略有提高也可能带来可观的利润。
教授和他的同事讨论了在构建交易模型时同时使用市场数据和情绪数据的重要性。市场数据反映了贸易或投资组合的真实情况,而从微博和谷歌搜索等来源收集的情绪数据为预测市场走势提供了额外信息。他们建议使用量化模型或 AI 机器学习模型进行预测,但强调了集成或投票系统对于达成共识的重要性。演讲者表达了对从事情绪分析项目和通过网络研讨会提供有关该主题的教育的热情。他们鼓励与会者通过电子邮件发送问题,以便日后回复。
网络研讨会结束时,与会者对情绪分析、替代数据、职业机会以及人工智能、机器学习和金融之间的相互作用获得了宝贵的见解。小组成员的专业知识和经验提供了对该领域的全面概述,让观众更深入地了解情绪分析和替代数据如何影响金融业的决策。