00:00 Introduction to Volatility Trading02:30 Agenda03:45 What is volatility12:17 How do you measure volatility?18:30 Why is VIX called the fear index?39:07 ...
00:00 - Introduction04:00 - Disclaimer05:44 - Agenda11:04 - Data14:31 - Big Data20:01 - The dawn of data analytics23:29 - Current trading and investment land...
然后,演讲者分享了他们使用 Quantum City 的 ePAD 程序的经验,强调了它如何帮助弥合他们在编码和算法交易概念方面的知识差距。他们强调学习和成为市场学生的重要性。演讲者鼓励新手开立模拟账户并获得在市场中承担损失的经验,强调掌握一门技能需要更深入的钻研和更多的课程。他们强调,Quantum City 的 ePAD 计划对于那些希望加强对市场的了解的人来说是一个极好的起点。演讲者赞同 Luis Guidas 博士关于研究和不断向市场学习的重要性的建议。
This session has project presentations by two of our esteemed EPAT alumni.00:00 Introduction - Project 104:45 Presentation - Pairs Trading In the Brazilian S...
00:30:00 演讲者讨论了情绪分析如何为交易决策提供有价值的数据,因为它能够快速定量地分析影响市场活动的新闻项目。他们指出,随着来自 Twitter 和其他社交媒体渠道等来源的大量数据可用,情绪分析变得越来越重要。演讲者还解决了情绪分析通常使用哪种数据源的问题,并提到新闻媒体和社交媒体平台是常见的来源,但使用这些数据需要获得提供商的许可。他们还谈到了使用 Vader 图进行情绪分析的主题。
00:35:00 演讲者讨论了与财务分析相关的情感分析和自然语言处理。他们解释了情绪提供者已经分析和计算的情绪数据如何以定量方式用于优化投资组合和做出资产配置决策。他们还提到了提供此类数据的行业主要参与者,例如彭博和涂鸦。演讲者告诫不要将自然语言处理仅用于交易目的,并强调了解金融市场以有效使用数据分析的重要性。在回答有关从事数据分析或 AI 职业的问题时,演讲者强调需要对金融市场和模型有深刻的理解,以便有效地应用数据分析。
为了使部分交易过程自动化,演讲者建议使用数据和编码来检索首选资产的历史数据。他们提到 Google Finance 已将其 API 集成到 Google Sheets 中,允许用户通过指定股票代码、开始和结束日期以及数据类型等参数轻松检索数据。收集到的数据可用于创建价格图表、执行计算(例如,生成自定义指标或计算百分比变化),并使数据收集过程自动化,从而简化交易策略。
发言人解释说,分钟级别的数据并没有广泛免费提供,并指出该级别的数据要求变得更加苛刻。要获取分钟级别的数据,演讲者建议在盈透证券等经纪商处开立账户。但是,他们提到根据地理位置和所选经纪人的不同,可能需要收费。演讲者简要提到了交易频率功能,并指导听众查阅 Blue Shift 文档以获取有关创建交易策略的更多信息。他们还强调了在制定交易策略时设置止损水平的重要性。
00:10:00 如果您想将您的部分交易过程自动化,您可以使用数据和编码来检索您喜欢的资产的历史数据。 Google Finance 已将其 API 集成到 Google 表格中,只需输入股票代码、开始和结束日期以及数据类型等参数,即可轻松检索数据。这些数据随后可用于创建价格图表或执行计算,例如创建您自己的指标或计算百分比变化。使用此工具,交易者可以自动化他们的数据收集过程并简化他们的交易策略。
Are you curious about the world of automated trading? Join us in this insightful video as we explore the fascinating realm of automated trading and learn how...
在会议快结束时,主持人回顾了所涵盖的要点,并强调了稳定币由于波动性低且与其他加密货币缺乏相关性而具有实现投资组合多元化的潜力。提供了用于学习算法交易和加密货币的其他资源,包括免费书籍和课程,以及 Blue Shift 研究和交易平台。演讲者提到了算法交易执行计划,该计划专为有兴趣开始自己的算法交易台或在行业从业者的指导下从事算法交易职业的个人量身定制。还强调了该计划的早鸟折扣的可用性。
00:40:00 主持人回顾了视频中涵盖的要点,并强调了稳定币由于波动性低且与其他加密货币缺乏相关性而成为投资组合多元化的良好候选者的潜力。主持人还为那些有兴趣了解更多有关算法交易和加密货币的人提供额外资源,包括免费书籍和课程,以及名为 Blue Shift 的研究和交易平台。本节最后讨论算法交易中的执行程序,该程序专为想要开始自己的算法交易台或在行业从业者的指导下发展算法交易职业的个人而设计。目前有早鸟优惠。
New to the exciting world of quantitative crypto trading? Join us in this comprehensive video where we delve into the foundations of this rapidly evolving fi...
This is a 60-min session that introduces you to the world of quantitative trading. It covers the components of quantitative trading and explains the process ...
在介绍性网络研讨会中,主持人介绍了会议的主题,即预测每日股票价格和自动化日内交易策略。会议包括两个项目介绍。第一个演讲来自英国的 Renato Otto,他讨论了使用随机森林分类器、技术指标和情绪数据预测每日股票价格。 Renato Otto 是一位经验丰富的人士,参与了英国能源市场市场操纵的定量分析和系统识别软件和工具的开发。
Renato Otto 分享了完成该项目的动机,并解释说这是一个将他在 Python 编程、数据工程和机器学习方面的知识整合到端到端项目中的机会。该项目旨在提高他的技能并探索机器学习和自然语言处理在交易中的力量。此外,目标是创建可重用的东西供其他人在他们自己的分析或策略实施中使用。该项目涉及九个步骤,从在字典中定义分析细节和初始化管道开始。然后程序运行获取回测计算所需的数据集。主持人强调了测试程序可用性和确保最终数据可靠性的重要性。
关于项目使用的数据,创建者解释说,自公司 2009 年成立以来,他们使用每日特斯拉价格训练模型。训练过程耗时五个月,模型测试了几年。在降低风险方面,创建者提到在机器学习模型上可以做很多事情来降低风险,但他们评估了合理数量的交易以确保其中大部分是有利可图的。创建者还回答了有关预测价格的时间范围以及是否需要高性能 PC 来训练模型的问题。
该网络研讨会提供了有关预测每日股票价格和自动化日间交易策略的宝贵见解。 Renato Otto 的第一个演讲侧重于使用随机森林分类器、技术指标和情绪数据预测股票价格。 Usual Agrawal 的第二个演示展示了他们的全自动交易设置“Intraday Straddles”,该设置结合了不相关的设置以产生最小回撤的回报。两位主持人分享了他们的挑战、成就和经验教训,为观众提供了宝贵的经验教训。该网络研讨会作为一个平台,探索机器学习和自然语言处理在交易中的力量,并让人们得以一窥令人兴奋的算法交易世界。
00:00:00 主持人介绍了网络研讨会的主题,即预测每日股票价格和自动化日内交易策略。将提供两个项目演示,第一个是使用随机森林分类器技术指标和情绪数据预测每日股票价格,由来自英国的 Renato Otto 演示,第二个是关于如何自动化期权日交易策略,由 Usual 演示来自印度的阿格拉沃。主持人介绍了 Renato Otto 并简要介绍了他的背景,包括他在英国能源市场上参与定量分析和系统识别市场操纵的软件和工具开发的经验和参与。
This session has project presentations by two of our esteemed EPAT alumni. First on “Predict daily stock prices with random forest classifier, technical indi...
00:40:00 演讲者解释了他们在开发交易算法时所面临的策略、风险管理和挑战。他们使用收敛架构来构建概率回报模型和回报模型。该策略涉及计算每只股票的预期回报并将其除以回报波动率以获得比率。然后,他们根据正 s 比率分配可用现金,并根据预期损失按比例出售投资组合。该算法是动态更新的,他们对股票应用了止损。一个挑战是更新过程自动化,另一个挑战是没有市场微观结构策略来建议最佳买卖价格。
This session has project presentations by two of our esteemed EPAT alumni. First on “Implementing pricing (or market-making) model using Kalman filtering ada...
Shah 和 Pachanekar 然后将他们的注意力转移到讨论用于评估交易模型性能的不同指标,包括精度、召回率和 F1 分数。他们指出,虽然召回率有助于克服数据不平衡的问题,但单独使用它可能是一个不可靠的指标。相反,他们建议使用精确率和召回率的组合来计算 F1 分数,这可以更全面地评估模型的性能。他们强调了回测模型的重要性,以确保其在现实世界交易场景中的有效性,并警告不要过度拟合模型。
00:10:00 主持人讨论了构建机器学习 (ML) 交易模型的七个步骤,以及个体零售交易者如何利用 ML 技术创建自己的交易策略。第一步涉及定义问题陈述,它可以像想要获得正回报一样简单,但通过进一步细化,它可以变得更加具体,例如确定投资特定股票(如摩根大通)的正确时间。第二步是获得高质量的数据,确保数据中没有缺失值或重复值,也没有异常值。演示者强调了数据质量在构建准确的 ML 模型中的重要性。
00:15:00 Ishan Shah 和 Rekhit Pachanekar 解释了为交易中的机器学习模型选择输入和输出变量的过程。输出变量或目标变量是股票的未来回报,信号变量在预测未来回报为正时赋值为 1,在预测为负时赋值为 0。输入变量或特征必须具有预测能力并满足平稳性要求,这意味着它们具有像钟摆一样来回摆动的均值和常数方差。 open、low、high 和 close 变量不是平稳的,因此它们不能用作输入特征。
00:50:00 Shah 和 Pachanekar 讨论了用于评估交易模型性能的不同指标,例如精度、召回率和 F1 分数。他们指出,虽然召回率有助于克服数据不平衡的问题,但它本身也可能是一个不可靠的指标。相反,他们建议结合使用精度和召回率来计算 F1 分数。这个分数可以很容易地使用混淆矩阵构建,高 F1 分数表示模型值得交易。他们还讨论了回测模型的重要性,以确保它在实践中表现良好,并警告不要过度拟合模型。
There has been a steady and quick growth when it comes to using Machine Learning, especially in the domain of trading. If you're a beginner, an aspirant, a p...
波动率交易:交易恐惧指数 VIX
波动率交易:交易恐惧指数 VIX
会议开始时,主持人和演讲嘉宾提供了网络研讨会的议程,旨在加强与会者对金融市场波动性的理解。他们首先定义波动率及其与波动率指数 (VIX) 的关联,波动率指数也被称为“恐惧指数”。演讲者深入研究了不同类型的 VIX 和基于 VIX 的衍生品,阐明了它们在交易中的重要性。该会议还包括一个实用的 VIX 交易方法,并以问答环节结束,以解决观众的任何疑问。
为了说明波动率的概念,主持人以特斯拉为例,说明了它的日收益如何在-20%到+20%之间波动。这种波动性使其成为一种需要处理的风险资产。主持人强调,仅看资产的价格图表并不能清楚地了解其波动性。相反,每日回报率可以更好地指示资产的波动性。
该视频进一步探讨了波动率在期权交易之外的应用及其在整体购买资产决策中的作用。演讲者根据资产波动的幅度对波动率进行了分类,波动率从高到低。对特斯拉和标准普尔 500 指数进行了比较,标准普尔 500 指数的波动性要低得多。讨论了衡量波动率的各种方法,包括提供波动率历史值的标准差和 beta。引入隐含波动率的概念,代表市场对资产未来走势的预期,但不指明这些走势的方向。
然后,网络研讨会重点解释了 VIX 或波动率指数的计算,以及它利用不同类型指数期权的隐含波动率来衡量急剧变化的可能性。 VIX 通常被称为“恐惧指数”,并与标准普尔 500 指数相关联。虽然 VIX 通常旨在保持低位,但意外事件可能会导致其飙升,从而加剧市场恐惧。 VIX 的实际计算由 CBOE 进行,为交易者提供他们跟踪 VIX 的旅程及其与基础指数的关系所需的数据。总体而言,VIX 是寻求降低市场风险的交易者的重要工具。
演讲者进一步讨论了 VIX 与标准普尔 500 指数之间的关系,强调 VIX 反映了市场对该指数未来波动性的预期,以及它在标准普尔 500 指数下跌时的不确定时期如何反应。讲者以中美贸易战、COVID-19 大流行为例,说明 VIX 与标普 500 指数的相关性。虽然 VIX 努力保持低位,但突发事件可能导致波动性急剧上升。然而,随着交易者处理新信息和不确定性减少,波动性也会降低。
引入恐惧指数或 VIX 的概念是为了衡量交易者对影响市场的负面消息的恐惧程度。强调 VIX 不仅限于标准普尔 500 指数,还可以应用于其他地理区域,例如澳大利亚证券交易所、欧元区股票和恒生指数,以及商品和货币等其他资产类别。之所以需要 VIX,是因为交易者可能对市场波动有预期,但这并不是决定交易决策的唯一因素,因为期权希腊人也发挥了作用。因此,VIX 可作为交易者根据市场波动性交易期权的工具。尽管 VIX 本身没有交易工具,但期货和期权等衍生品可以估计未来的波动性,从而促进交易策略。
讨论了可供交易的不同类型的 VIX 期货,包括标准、近月、下月、远月到期和每周到期。该视频强调,虽然 VIX 期货可能很昂贵,但也有价值十分之一的迷你期货,为交易者提供了更容易获得的选择。此外,还引入了 VIX ETF(交易所交易基金)作为 VIX 期货交易的替代方案。这些 ETF 从 VIX 期货中获取价值,并根据交易者的偏好提供不同的选择。短期 VIX ETF,如 VIXY,追踪近月和下月期货,而中期 VIX ETF,如 VIXM,追踪中期期货。还提到了反向 VIX ETF,例如 SVXY,因为它们的走势与 VIX 期货相反,在期货下跌时价值增加。交易者可以根据自己的市场前景和交易策略从这些不同类型的 VIX 期货和 ETF 中进行选择。
接下来,视频探讨了其他基于 VIX 的衍生品,包括 VIX ETF 和 VIX ETN(交易所交易票据)。 VIX ETF 被解释为具有基础 VIX 期货,提供市场波动风险。另一方面,VIX ETN 被强调为没有标的资产。演讲者提到了流行的 VXX 作为 VIX ETN 的例子。强调交易基于 VIX 的衍生品带有风险,交易者在从事此类交易活动之前了解这些风险至关重要。在使用真实资本进行交易之前,建议在模拟交易环境中进行测试和回测策略。 ETN 尤其具有发行人风险,这意味着如果发行 ETN 的公司未能履行其义务,投资者的资本可能面临风险。此外,VIX 期货被认为具有期货溢价效应,会给交易者带来一定的风险和考虑因素。
演讲者深入探讨了 VIX 期货在到期日临近时趋同的话题。他们解释说,随着到期日的临近,VIX 期货价格趋于收敛。有人强调,在这种融合之前处于交易的右侧对于参与 VIX 期货交易的交易者至关重要。然后,该视频介绍了一个简单的基于 VIX 的策略,该策略涉及在下跌时期通过做多 VIX 期货来使用 VIX 对冲投资组合。该策略经过测试,发现与标准普尔 500 指数的投资组合相结合,在 2011 年至 2021 年期间产生三倍的回报。强调了回测想法并在纸上交易环境中实践它们的重要性,作为在实施它们之前获得信心的一种方式在真实的交易场景中。
该网络研讨会主持了有关他们开发的名为“初学者波动率交易策略”的课程的共享信息。该课程侧重于教授交易者各种测量波动率的方法,包括 ATR(平均真实范围)、标准差、VIX 和 beta。他们强调了为自己配备正确的工具和知识以进行交易而不用担心波动的重要性。主办方提到,该课程目前限时优惠 67%。此外,网络研讨会的与会者使用优惠券代码 VTS10 还可额外享受 10% 的课程折扣。主持人还借此机会回答了听众提出的一些问题,包括询问在分析VIX时关注美国市场以及VIX是作为价格走势的领先指标还是滞后指标。
发言人进一步解释了 VIX 对标准普尔 500 指数的近乎瞬时的反应。虽然没有讨论具体的 VIX 范围,但指出 30 天的波动率是年化的,并且在 0 到 100 的范围内。发言人强调VIX 的不同阶段,例如从 10 到 20 的低到中阶段和从 20 到 25 的中阶段。发言人承认羊群效应或市场参与者采取集体行动的趋势会影响 VIX。该视频还提到了印度 VIX 期货期权的可用性,尽管由于资本要求高,这些期权的流动性有限。
在问答环节,视频回答了几个与交易波动和 VIX 相关的问题。一个问题询问了在印度时交易基于 VIX 的衍生品的可能性。回应表明,虽然这是一种新兴做法,但一些交易平台确实允许在印度交易基于 VIX 的衍生品。另一个问题提出了将新闻情绪作为期权定价模型中的附加参数的想法。演讲者解释说,VIX 属于不同的资产类别,不使用与其他选项相同的模型。然而,该视频承认情绪分析可以在了解市场动态方面发挥作用。此外,该视频还简要提到了 UVIX 和 SVIX 作为基础资产,在考虑交易策略时可以将其与其他资产类似地对待。
然后讨论转向了视频前面提到的组合投资组合策略的规则。演讲者解释了该策略中进入和退出规则的标准。进入规则侧重于标准普尔 500 指数的行为,如果它正在下跌,交易者可以储备资金在 VIX 上做多。值得注意的是,当标准普尔 500 指数下跌时,VIX 通常会上涨。另一方面,退出规则考虑了标普500指数的行为,以确定其是否已经走出熊市,以及整体经济是否表现良好,表明进入牛市。建议交易者在做出进入或退出交易的决定之前评估市场状况。
网络研讨会提供了对波动率交易的详细见解,特别强调了 VIX 作为一个关键指标。它涵盖的主题包括了解波动率、衡量和分类波动率、VIX 的计算、不同类型的基于 VIX 的衍生品以及交易波动率的策略。主办方还为初学者开设了波动率交易策略课程,鼓励交易者掌握必要的知识和工具,自信地驾驭市场。网络研讨会以互动问答环节结束,解决了听众提出的各种问题,并进一步阐明了所讨论的主题。
大数据与零售投资的未来
大数据与零售投资的未来
金融市场每天都会产生大量数据。在本次网络研讨会中,演讲者将讨论在投资和交易背景下使用它的重要性。他还将阐述我们如何利用它来适应不同的投资风格。在此过程中,他将介绍如何培养在该领域蓬勃发展所需的知识和技能。
00:00 - 简介
04:00 - 免责声明
05:44 - 议程
11:04 - 数据
14:31 - 大数据
20:01 - 数据分析的曙光
23:29 - 当前的贸易和投资格局
23:36 - 经典数据分析方法
27:43 - 现代数据分析
31:29 - 为什么以及如何在金融市场中使用分析
37:00 - 数据类型
43:58 - 散户投资者面临的挑战
52:38 - 问答
巴西的配对交易和美国市场的空头跨式交易 [Algo Trading Projects]
巴西的配对交易和美国市场的空头跨式交易 [Algo Trading Projects]
网络研讨会首先由主持人介绍 EPAT 校友 Luis Guidas 博士,他介绍了他在巴西股票市场进行配对交易的项目。 Guidas 博士是支付卡行业经验丰富的软件开发人员,也是 Universidade Federal Fluminense 教授编译器和编程语言的教员。他广泛从事密码算法、安全通信协议和安全电子交易方面的工作。在 2021 年 7 月完成 EPAT 计划后,他目前是 oCam Brazil 的定量分析主管。
Guidas 博士首先介绍了统计套利的概念,它涉及使用统计模型来寻找可以抵消彼此风险的资产对。他解释了如何使用协整对来创建具有恒定均值和方差的平稳时间序列。为了说明这一点,他使用了跟踪同一指数的两个 ETF 的示例,这两个 ETF 几乎完美地协整并创建了具有恒定均值和方差的水平价差。他提到这个过程包括训练期和测试期来回测策略。
接下来,Guidas 博士深入研究了配对交易的过程以及他们如何利用布林带交易策略。他们选择代码和行业,找到量化货币对,并计算对冲比率以创建他们的价差。对于每一对,他们计算价差并采用均值回归交易策略,在价差低于均值时买入,在高于均值时卖出。他还讨论了止损在均值回归算法中的使用,并强调当价格进一步偏离均值时,它回到均值的概率会增加。
演讲者介绍了一种称为停止时间的策略,该策略涉及在一定天数后如果未关闭则退出价差交易,以帮助防止损失。他们提供了在巴西进行配对交易的布林带策略示例,展示了其在一年期间的盈利能力。但是,由于数据有限,他们提到仅使用当前时间段内存在的公司可能会产生偏差。为了解决这个问题,他们在 2018 年至 2020 年增加了另一个培训期,由于新公司和行业的出现,这导致了更多的配对。
Guidas 博士分享了他们在巴西进行配对交易的经验,并讨论了他们的方法。他们简化了价差的分析,并通过检查价差的半衰期来确定理想的简单移动平均周期长度。他们还强调了在巴西股票市场交易时面临的挑战,尤其是其流动性,这在分析了前 100 家公司后限制了可行的货币对数量。演讲者提供了性能指标,但承认需要改进,并提出了超参数调整、平稳性检查和合并小扇区等方法的建议。他们建议阅读有关该主题的文献,特别提到张博士和嬉皮士博士的书籍。
在问答环节,Grace 博士回答了听众关于视频中介绍的策略的问题。她解释说,布林带的周期是一个超参数,可以根据价差半衰期的网格测试动态设置。当被问及如何将布林带用于跨式和扼式操作时,她建议寻求衍生品专家的见解,因为这些都是结构化操作。 Grace 博士还解决了非均值回复交易的问题,并建议通过计算它们的第一个时刻来使非回复系列均值回复。另一个问题涉及 Indice Futuro VINFUT 和 BOVA11 之间的相关性,她建议研究两者之间的关系以做出交易决策。
随后,Lewis Elton 博士分享了他使用 Quantum Trading EPAD 程序的经验,以及该程序如何满足他的期望,理解为什么技术分析在交易中并不总是有效。他强调学习和参加课程以获取知识的重要性,并建议不要试图单独重建人类的知识。网络研讨会还宣布推出他们的第一个关于动量交易的葡萄牙语课程。
Siddharth Bhatia 发言讨论美国市场的空头跨式交易。他解释说,空头跨式期权涉及卖出看涨期权并以等额资金投入,如果标的资产的走势低于卖出行使价水平,则获利。虽然该策略被吹捧为一种收入交易策略,但 Bhatia 警告说,潜在损失可能远大于利润,尤其是在市场波动时期。他列举了一些公司在 COVID 大流行期间由于空头跨式交易而被淘汰的例子。
演讲者分享了他们自己使用机械方法回测空头跨式交易策略的经验。他们在每个 DTE(到期日)期开始时卖出 100 个单位的平值跨式期权,并持有头寸直至到期,而没有实施止损或细微的进入和退出点。他们使用两组数据进行了回溯测试,一组是 delta 对冲,另一组是未对冲,并使用 7 DTE 和 60 DTE 的两个不同版本来涵盖不同的时间段。他们通过 RATS API 检索回测所需的数据,并使用 Python pandas 对其进行处理以获得买卖价格。然而,演讲者强调了创建数据框的挑战,因为每条线都需要单独注意以确保准确性。
演讲者继续讨论在巴西和美国市场回测空头跨式交易策略的结果。他们透露,该策略在两个市场都表现不佳,导致大幅回撤和夏普比率较低。虽然 delta 对冲有助于降低 P&L(利润和损失)的标准偏差,但它并没有将亏损交易转化为盈利交易。演讲者指出,止损订单在此类交易中至关重要,并提到学术论文建议使用基于 VIX 指数和 VIX 期货期限结构的入场过滤器。空头跨式策略被认为是有利可图但有风险的,需要通过各种方法有效管理损失。
在问答环节中,演讲者回答了观众提出的几个问题。一个问题涉及为什么该策略的头寸在一天结束时没有对冲。演讲者解释说,通常的做法是每天在收盘时对冲一次,因为这有助于降低损益的标准差并最大限度地减少长期波动。但是,他们强调对冲技术需要经过测试和研究。演讲者还谈到了计算 CAGR(复合年增长率)、交易成本以及在空头跨式策略中持仓 7 到 10 天而不是每天卖出的优势等话题。此外,他们还强调了以前在手动和非算法交易方面经验的重要性,因为它让交易者为市场波动和接受短期损失做好准备。
演讲者继续回答听众的问题,解决与巴西的配对交易和美国市场的空头跨式交易相关的问题。一位听众询问,如果 VIX 约为 20,他们是否应该做多跨式交易,发言人建议不要这样做,并指出这通常会导致亏损,并建议如果 VIX 高于 20,则做空指数。另一个问题与当 VIX 高于 30 时协调相反的进入策略。建议始终做空并忽略现货溢价建议。演讲者还会收到有关书籍推荐的问题,其中一位演讲者强烈推荐 Eun Sinclair 的三本书。
然后,演讲者分享了他们使用 Quantum City 的 ePAD 程序的经验,强调了它如何帮助弥合他们在编码和算法交易概念方面的知识差距。他们强调学习和成为市场学生的重要性。演讲者鼓励新手开立模拟账户并获得在市场中承担损失的经验,强调掌握一门技能需要更深入的钻研和更多的课程。他们强调,Quantum City 的 ePAD 计划对于那些希望加强对市场的了解的人来说是一个极好的起点。演讲者赞同 Luis Guidas 博士关于研究和不断向市场学习的重要性的建议。
随着网络研讨会接近尾声,主持人对 Luiz 博士分享了他对巴西配对交易的宝贵见解表示感谢。他们还感谢观众积极参与网络研讨会并为未来的主题提供建议。主办方承认以葡萄牙语开设课程所涉及的挑战,但对社区内发生的众多发展表示兴奋。他们鼓励观众通过调查分享他们的反馈,让他们为未来的会议收集有价值的意见和想法。
主持人怀着热烈的谢意向 Luiz 博士和听众告别,表达了他们对即将举行的网络研讨会的热情以及他们致力于为交易界提供宝贵知识和见解的承诺。他们期待探索新主题、分享专业知识并为所有参与者营造一个繁荣的学习环境。
该网络研讨会全面概述了巴西股票市场的配对交易以及与美国市场的空头跨式交易策略相关的挑战。演讲者分享了他们的经验、策略和见解,鼓励不断学习和研究,以有效驾驭动态交易环境。
研究两者之间的关系并将该信息用于交易决策。
金融情绪分析和替代数据证书 - CSAF™ [免费信息会议]
金融情绪分析和替代数据证书 - CSAF™ [免费信息会议]
网络研讨会主持人首先介绍情绪分析证书和金融替代数据 (CSAF) 计划。他们强调该项目由两位经验丰富的教员 Gautam Mitra 教授和 Christina Alvin Sayer 教授领导。该计划历时五个多月,包括一系列讲座,旨在提供由金融行业专业客座讲师介绍的基础理论和实际用例。
主持人概述了该计划的模块,从前两个模块开始,重点介绍情绪和情绪数据的基础知识。模块 3 和 4 深入探讨替代数据源及其与财务预测和建模的相关性,包括卫星和电子邮件数据,以及文本分析。该课程还涵盖建模基础知识、各种金融模型以及情绪数据在风险管理、投资组合优化和自动交易等领域的应用。此外,还有一个专门用于替代数据的模块,强调人工智能、机器学习和定量模型在情绪分析中的作用。
为了进一步丰富网络研讨会的内容,引入了两位特邀嘉宾,即 CSAF 校友 Amit Arora 和 Abhijit Desai。他们分享了参加上一版名为 EPAT NSA 的课程的经验。 Amit 解释了课程的实践导向如何帮助他发展了自己的交易理念,使他投入更多时间进行实际交易,并取得了好于预期的结果。 Abhijit 强调承诺、奉献和好奇心对于充分利用课程的重要性。
网络研讨会还包括与体验过 CSAF 计划的各种个人的讨论。他们分享了他们在理解和应用情绪分析和交易策略中的另类数据方面的挑战和成功经验。演讲者针对听众提出的问题进行了解答,涵盖的主题包括情绪与波动率交易的结合、另类数据的含义、认证在投资和交易中的重要性、将情绪分析纳入交易策略,以及新闻的实时通知等。贸易。
在整个网络研讨会中,演讲者强调了通过 CSAF 等认证课程进行结构化学习以发展全面视角和方法的重要性。他们强调了解金融市场和模型对于有效应用情绪分析和替代数据的重要性。演讲者还强调了知识的实际应用、定量框架的使用以及案例研究在展示情感数据使用方面的价值。
主持人感谢听众参加网络研讨会并积极参与有关 CSAF 计划的信息。他们鼓励观众通过调查提供反馈和问题,并感谢演讲者和其他人为网络研讨会的成功所做的贡献。主持人表达了他们分享知识的乐趣,并致力于为所有参与者营造一个学习环境。
如何设置自动交易
如何设置自动交易
在演示过程中,演讲者深入探讨了自动交易的优势以及需要自动化的原因。他们强调,自动交易允许交易者同时处理大量资产并根据预定义的规则执行交易。这种方法有助于降低错误风险并消除情绪驱动的交易。演讲者强调,一旦满足指定的规则,自动化就可以通过自动下订单来简化流程,从而消除任何时间滞后。此外,他们解释说,自动化可以释放交易者的时间和资源,使他们能够专注于开发更好的交易策略。
演讲者解决了一个关于自动化完全取代人工干预的常见误解。他们强调定期分析复杂的自动交易系统的性能以在必要时调整交易策略的重要性。他们强调,自动化使交易者能够探索他们可能没有手动尝试过的其他任务或资产。然后,演示文稿继续讨论交易的三个基本步骤:数据采集、分析(可以基于规则或自行决定)和交易执行。
为了使部分交易过程自动化,演讲者建议使用数据和编码来检索首选资产的历史数据。他们提到 Google Finance 已将其 API 集成到 Google Sheets 中,允许用户通过指定股票代码、开始和结束日期以及数据类型等参数轻松检索数据。收集到的数据可用于创建价格图表、执行计算(例如,生成自定义指标或计算百分比变化),并使数据收集过程自动化,从而简化交易策略。
视频中的演示展示了使用过去数据的相对强度指数 (RSI) 指标回测交易策略的过程。 RSI 值,范围从 0 到 100,决定了采取的行动。如果 RSI 值小于 30,表明资产超卖,对买家具有吸引力,促使他们购买资产。 30 到 70 之间的值表示不采取任何行动,而高于 70 的值表示资产超买,引发抛售。演讲者通过在美国股票数据集上使用可视化编程对过去的数据进行自动回溯测试来验证这些规则的有效性。
演讲者介绍了用于自动交易的 Blue Shift 平台,该平台提供回测、模拟交易和实时交易等功能。他们强调该平台提供了不需要编码知识的可视化编程选项。演讲者演示了使用 RSI 指标设置交易策略,并解释了建立多头和空头头寸的条件。最后,他们展示了回测结果,回报率为 14%,夏普比率为 1.22,最大回撤为负 13%。总体而言,Blue Shift 被誉为用于创建和测试自动交易策略的用户友好平台。
演讲者继续讨论在实时交易中实施自动交易策略的过程。他们建议从利用实时数据而非真钱的纸面交易开始,以观察该策略在当前市场环境中的表现。演讲者引导听众完成从建立模拟交易到过渡到现场交易的步骤,包括选择经纪商、确定资金分配和确认订单。他们强调定期监控策略性能并进行必要调整的重要性。演讲者还提到,他们的 YouTube 频道上提供了之前涵盖使用其他平台进行实时交易的会议。
尽管并非所有经纪商都提供用于自动交易的 API,但演讲者强调盈透证券是大多数地区都可用的平台,提供 API 支持。他们提到使用 IBridge Py bridge 和 Interactive Brokers 可以实现全球任何地方的交易自动化,包括新加坡。发言人指出,虽然可以获得 NSE 股票的数据,但必须找到合适的股票代码并使用雅虎财经访问必要的历史数据。
发言人解释说,分钟级别的数据并没有广泛免费提供,并指出该级别的数据要求变得更加苛刻。要获取分钟级别的数据,演讲者建议在盈透证券等经纪商处开立账户。但是,他们提到根据地理位置和所选经纪人的不同,可能需要收费。演讲者简要提到了交易频率功能,并指导听众查阅 Blue Shift 文档以获取有关创建交易策略的更多信息。他们还强调了在制定交易策略时设置止损水平的重要性。
接下来,演讲者讨论了为不同类型的资产设置适当止损水平的重要性。他们建议根据资产的波动性使用不同的止损值,对于价格波动较大的资产,例如特斯拉,止损值更高。演讲者还指出,确定 alpha 和 beta 的理想值取决于交易者的目标和实现特定利润百分比所需的时间范围。此外,他们还回答了有关印度市场自动化交易、监控策略和使用该平台创建期权策略的问题。最后,演讲者强调了在突发市场事件中保持警惕的重要性,并根据策略承受波动的能力来决定是暂停交易还是继续交易。
演讲者进一步阐述了交易自动化及其运作方式。他们解释说,通过 Blueshift 平台,印度市场可以实现自动化,该平台通过与各种经纪人的合作促进回测策略和实时交易。演讲者强调了在交易中拥有预定义规则的重要性,强调了通过回测和纸面交易来测试这些规则的价值,纸面交易使用虚拟货币来评估当前市场条件下的策略表现。演讲者还提到机器学习可以应用于交易,并得到 Blueshift 的支持以制定交易策略。
谈到在移动设备上进行自动交易的可能性,演讲者承认虽然基于移动的平台可能不像基于网络的平台那样功能丰富,但随着行业转向基于云的解决方案,手机上的自动交易可能会变得更加普遍.他们建议初学者从小处着手,通过学习更多和建立交易规则或策略来逐渐扩展他们的知识。演讲者强调,Blue Shift 是一个学习、回测和交易平台,完全免费,可用于试验交易策略。他们还回答了有关平台功能的问题,并提到了未来增加更多经纪人的计划。最后,演讲者回答了有关在任何平台上自动交易比特币的问题。
关于经纪商对自动交易的支持,发言人澄清并非所有经纪商都提供此功能,用户应验证他们选择的平台是否支持。他们解释说,该行业正越来越多地转向自动化交易,大部分订单都是在自动化交易系统的帮助下执行的。在结合机器学习、神经网络和人工智能进行算法交易方面,演讲者描述了在机器学习模型上训练和测试数据以及利用预测输出进行算法交易的过程。最后,他们解决了一位工作专业人士提出的问题,指出自动化交易可以帮助专业人士管理交易活动,同时最大限度地减少屏幕时间,使他们能够专注于工作需求。
演讲者重申,自动化交易策略对于专业人士来说是可行的,但随着市场条件的变化,定期审查自动化系统的性能至关重要。他们建议,虽然无需学习 Python 或使用各种平台的任何编码语言就可以创建交易策略,但高级策略可能需要精通 Python 或其他编程语言。演讲者向听众保证,学习 Python 并不像看起来那么具有挑战性,而且可以提供额外的优势。他们强调定期评估绩效以相应地修改策略的重要性。
最后,演讲者邀请听众填写一份关于任何未回答问题的调查,并鼓励他们利用限时优惠,提供 70% 的折扣和额外 25% 的折扣来注册所有课程。他们对收到的支持表示感谢,并向听众保证他们将致力于在未来组织更多的网络研讨会。演讲者征求有关潜在主题的建议,以规划更好的会议以满足听众的兴趣和需求。在演讲结束时,演讲者对洒红节快乐表示热烈祝愿,并对所有与会者参与会议表示感谢。
加密货币的量化数据分析
加密货币的量化数据分析
在这个关于加密货币定量数据分析的信息丰富的会议中,演讲者 Udisha Alook 介绍自己是 Quant Institute 的量化研究员,专门研究区块链、比特币、以太坊和 Ripple。她强调了在投资加密货币之前进行尽职调查的重要性,并概述了会议议程。
演讲者首先概述了加密货币,强调它们是由密码学保护的数字或虚拟货币,没有物理形式。她解释说,加密货币通过密码学确保安全,使用区块链技术以去中心化的方式运作,并消除双重支出的风险。
接下来,演讲者深入探讨了会议中要涵盖的主要主题。她提到该会议将探讨顶级加密货币,讨论从何处获取有关加密货币的数据,并提供对加密货币市场交易的见解。发言人强调,中心重点将放在分析顶级加密货币的数据上。
接下来,演讲者介绍了量化交易公司 Quantinsti 及其产品。她强调了算法交易 (EPAT) 的专业认证计划、金融情绪分析和替代数据 (CSAF) 的证书,以及 Quantra 提供的自定进度课程。此外,演讲者还介绍了 BlueShift,这是一个基于云的平台,用于策略开发、研究、回溯测试、模拟交易和实时交易。
回到加密货币的主题,演讲者根据其市值讨论了排名前六的加密货币,并简要概述了它们的功能。比特币是第一个也是最广为人知的加密货币,被认为是萨尔瓦多目前唯一采用的法定货币。市值排名第二的以太坊因引入智能合约功能而备受瞩目。 Ripple 被设计为一种中间交换机制,被列为名单上的第六种加密货币。演讲者还介绍了已过渡到自己的区块链的币安币,以及与美元挂钩的稳定币 Tether 和 USD Coin,它们提供具有法定货币稳定性的加密货币功能。
关于加密货币的数据源,演讲者提到 CryptoWatch 和 CoinAPI 作为历史加密数据的可靠来源。她还提供了全球主要加密货币交易平台的列表,包括 Binance、Coinbase、Etoro、Gemini 和 Kraken。
继续会议,演讲者比较了各种加密货币的价格,并以对数标度说明了它们的表现。就价格而言,比特币成为占主导地位的加密货币,其次是以太坊和币安币。值得注意的是,Ripple 经历了性能下降,而稳定币由于其性质而保持稳定。演讲者进一步计算了累计回报,强调币安币的回报最高,其次是以太坊和比特币。排名前四的加密货币的波动性被描述为波动显着,在某些时期会出现峰值,而稳定币则始终保持稳定。
然后,该视频重点分析了投资加密货币的波动性和相关风险。演讲者观察到加密货币的回报显示出高峰度,表明极端回报的可能性,无论是正回报还是负回报。这归因于基于动量的交易,投资者倾向于在价格上涨时买入,而在价格下跌时恐慌性卖出。提供每日回报的箱形图以证明存在大量异常值,进一步支持加密货币具有显着风险水平的观点。然而,稳定币的波动性较小。
在随后的部分中,演讲者研究了去除异常值对比特币、以太币、币安币、瑞波币、美元币和 USDC 等流行加密货币的中值的影响。稳定币被强调旨在保持接近 1 美元的价值,使它们对许多用户特别有吸引力。另一方面,Ripple 因其专为金融机构设计的独特许可区块链而区别于其他加密货币。美国证券交易委员会正在进行的针对 Ripple 创始人的案件被认为是导致投资者波动和不确定性的一个因素。
接下来,演讲者将影响加密货币的因素分为五个主要类别。其中包括影响加密货币稀缺性和价值的供需规律。由市场情绪和投资者情绪驱动的价值感知也起着重要作用。技术进步,例如区块链协议的更新和可扩展性的改进,会影响加密货币的性能。政府法规和政策,包括法律框架和监管行动,对加密货币市场有相当大的影响。最后,受媒体报道、政治事件和整体市场趋势影响的市场情绪会极大地影响加密货币价格。
演讲者探讨了媒体、政治事件、监管变化和区块链修改对加密货币价格的影响。正面或负面新闻报道被强调为对加密货币价格产生重大影响,因为它可以鼓励或阻止人们投资。还注意到知名公司或个人对加密货币的认可可以提高其可靠性和可信度。政治事件和监管变化,例如经济危机或政府干预,会影响投资者对传统货币的信任,并促使他们转向加密货币。演讲者提到了各种加密货币之间的高度相关性,尤其是比特币作为主要加密货币。然而,观察到稳定币与传统加密货币不相关,使其成为一种独特的资产类别。
该视频进一步讨论了将加密货币兑换为法定货币的过程。据解释,大多数交易所都支持比特币和以太坊等主要加密货币的交易。因此,在将它们转换为法定货币之前,通常需要将山寨币兑换成其中一种顶级加密货币。该视频还探讨了适用于加密货币的交易策略,包括基于动量指标的策略和套利,利用市场的高波动性。提供了使用相对强度指数、移动平均收敛散度和令人敬畏的震荡指标等指标的编码示例,以说明基于动量的策略。
在会议快结束时,主持人回顾了所涵盖的要点,并强调了稳定币由于波动性低且与其他加密货币缺乏相关性而具有实现投资组合多元化的潜力。提供了用于学习算法交易和加密货币的其他资源,包括免费书籍和课程,以及 Blue Shift 研究和交易平台。演讲者提到了算法交易执行计划,该计划专为有兴趣开始自己的算法交易台或在行业从业者的指导下从事算法交易职业的个人量身定制。还强调了该计划的早鸟折扣的可用性。
在最后部分,演讲者回答了几个与加密货币和区块链相关的听众问题。讨论了没有监管支持的加密货币的长期生存能力,演讲者强调一些国家已经通过了监管它们的法律,将它们视为长期投资。区块链技术的日益接受和发展也有助于人们对加密货币感到满意。去中心化金融 (DeFi) 的未来被认为是一个不断发展的空间,其中有各种概念和类型的套利有待探索。演讲者强调加密交易超越了数据挖掘和技术指标,强调了了解区块链技术及其应用的重要性。
此外,还讨论了即将出台的美国法规对加密货币市场的潜在影响。演讲者承认政府可以在美国监管区块链,但强调了控制该技术去中心化性质的挑战。因此,虽然监管决定可能会影响加密货币价格,但可能难以实现对市场的完全控制。还讨论了加密交易所需的最低资本以及加密货币在现实世界交易中的潜在用途。最后,简要提及中央银行数字货币 (CBDC) 的兴起及其对加密货币去中心化性质的潜在影响。
在闭幕词中,演讲者强调了区块链技术在解决身份发布和供应链管理等问题方面的不断探索。由于该领域的持续发展,他们预计未来对区块链开发人员的需求很高。强调了加密货币的优势,例如它们能够全天候交易。鼓励听众提供反馈并提出任何未解决的问题以供将来讨论。
在会议结束时,演讲者总结了要点,强调需要适当的数据分析和定量技术来驾驭加密货币的高波动性。技术和定量分析以及回溯测试被强调为降低风险的重要工具。演讲者还回答了有关地缘政治干预对加密货币市场影响的问题,指出政府决策确实会产生影响,但加密货币的去中心化性质可能会导致人们在对传统货币或政府的信任度较低的情况下转向它们。最后,强调稳定币的好处,因为与其他加密货币相比,它们提供更稳定和可预测的价值,使其更适合日常交易。
在回答有关即将出台的美国法规对加密市场的潜在影响的问题时,发言人承认政府监管的可能性,但强调了完全控制加密货币去中心化性质的挑战。虽然法规可能会影响加密货币价格,但发言人表示可能难以实现对市场的完全控制。还提到了中央银行数字货币 (CBDC) 的兴起,并简要讨论了它们对加密货币去中心化性质的潜在影响。
在最后一部分,演讲者讨论了区块链技术在解决身份发行和供应链管理等现实问题方面的不断探索。他们对未来对区块链开发者的需求和区块链行业的持续增长表示乐观。强调了加密货币的优势,例如它们能够 24/7 全天候交易。鼓励听众提供反馈并分享未来会议的任何遗留问题。
Udisha Alook 主持的会议提供了有关加密货币定量数据分析的宝贵见解。它强调投资前尽职调查的重要性,概述加密货币及其功能,探索数据源和交易平台,分析价格变动和波动性,讨论影响加密货币价格的因素,并解决观众与法规、交易策略和加密货币的未来。该会议全面介绍了加密货币市场的定量分析,为参与者提供了做出明智投资决策所需的知识。
量化交易实战介绍 |耶鲁管理学院
量化交易实战介绍 |耶鲁管理学院
在介绍性量化交易的研讨会上,演讲者使用代码示例深入探讨了交易算法的创建、评估和部署。会议首先介绍量化交易的概念,其中涉及使用数学和统计模型来识别交易机会和执行交易。解释了各种类型的量化交易策略,包括动量交易、均值转向交易系统、数学模型、高频交易和基于消息的交易系统。演讲者强调,算法不仅用于交易,还用于做市和利用价格低效来产生利润。
然后解释了量化交易系统的基本结构。它包括数据收集、交易策略的创建、回测、执行和风险管理。价格、基本面、经济和新闻数据通常用于交易算法。可以采用技术、统计和数学分析来设计策略的交易规则。回测涉及测试历史数据的规则以评估其性能。执行可以是手动或自动的,风险管理对于资金配置和设置风险参数(如止损)至关重要。演讲者提供了量化交易策略的实例来说明这些概念。
突出基于趋势的策略,并使用指数移动平均线(EMA)、抛物线 SM 和随机震荡指标等技术指标来设计算法。引入魂斗罗平台,无需安装软件,即可提供视频教程、互动练习、实战曝光。导入 Python 模块以协助创建算法,并从 CSV 文件导入数据以定义交易规则和监控策略性能。 TLA Python模块用于设置技术指标的参数,简化设计过程。
讲师解释了如何使用技术指标(例如 EMA、快速随机指标和慢速随机指标)定义交易规则和生成交易信号。概述了用于生成买入信号的五个交易条件,还设计了空头头寸的交易规则。下一步是使用 Python 笔记本对该策略进行回测,以评估其实际性能。策略回报图表明,该算法最初出现亏损,但从 2018 年开始获得增长势头,最终在测试期结束时产生利润。推出 BlueShift,一个可以轻松研究、构建和回测算法的平台。
下面是使用 BlueShift 平台对美国银行股票进行回溯测试的演示。该平台提供了数据维护和将数据导入 Python 的简单代码行。定义指标和交易规则,并根据多空条件的满足自动执行交易。回测时间为2020年1月至2021年10月,资金为10,000美元,性能与标准普尔500基准进行比较。结果显示投资回报率为 113%。可以获得详细的回测结果来分析月度收益、执行的交易和使用的保证金,以促进更好的交易决策。
演讲者演示了如何在 BlueShift 平台上访问全面的回测结果,包括性能指标的可视化表示,例如算法回报和每月回报热图。分析了算法所持的头寸,并检查了多头和空头的总利润等关键指标。可以在实时部署策略之前配置风险参数和订单限制,无论是通过纸面交易还是使用真实资本。
解释了使用 BlueShift 交易平台为模拟交易选择经纪商并指定资金和算法参数的过程。用户可以从各种选项中进行选择,例如用于美国股票的 Alpaca、用于外汇的 OANDA 以及用于印度市场交易的 Master Trust。演讲者演示了如何使用 BlueShift 指定风险矩阵,其中回撤限制为 30%,订单和大小限制分别为 1,000 和 10,000。用户可以根据自己的喜好灵活选择自动执行或一键确认方式。一旦用户点击确认,算法开始运行,BlueShift 与羊驼纸交易部分建立连接。仪表盘持续实时更新交易资金、交易、持仓等相关信息。
演讲者重点介绍了量化交易必不可少的两种产品:Conda 和 BlueShift。 Conda 用于从各种来源获取数据,包括股票价格、加密货币、新闻和社交媒体。该课程解释了如何使用 API 访问基本报告或将社交媒体数据提取到交易系统中。 BlueShift 是第二个产品,用于设计和测试策略,采用计量经济学模型和时间序列分析。该课程提供各种交易策略的示例和代码,例如均值分散交易策略、动量交易策略和日内交易策略。此外,该课程还涵盖“使用机器学习层次差异的投资组合管理”,以促进使用机器学习方法进行投资组合管理和风险控制。 BlueShift 支持在广泛的数据集上对交易策略进行回测。
讨论了用于实践量化交易的不同数据集的可用性,包括美国股票、加密货币、外汇、印度股票和房地产数据。解释了基于云和基于桌面的部署,其中基于云的执行由代理处理。可以使用 IBridgePy 软件实现基于桌面的集成,该软件连接到 Interactive Brokers 或 eTrade 等经纪商。参加会议的学生将获得一个代码,可以在 ContraQuant 网站上的所有课程上享受 60% 的折扣。该网站提供适合初学者、中级交易者和高级交易者的课程,涵盖神经网络、自然语言处理 (NLP)、动量策略、期权、期货和配对交易等广泛概念。
预测每日股票价格并自动执行日间交易策略
预测每日股票价格并自动执行日间交易策略
在介绍性网络研讨会中,主持人介绍了会议的主题,即预测每日股票价格和自动化日内交易策略。会议包括两个项目介绍。第一个演讲来自英国的 Renato Otto,他讨论了使用随机森林分类器、技术指标和情绪数据预测每日股票价格。 Renato Otto 是一位经验丰富的人士,参与了英国能源市场市场操纵的定量分析和系统识别软件和工具的开发。
Renato Otto 分享了完成该项目的动机,并解释说这是一个将他在 Python 编程、数据工程和机器学习方面的知识整合到端到端项目中的机会。该项目旨在提高他的技能并探索机器学习和自然语言处理在交易中的力量。此外,目标是创建可重用的东西供其他人在他们自己的分析或策略实施中使用。该项目涉及九个步骤,从在字典中定义分析细节和初始化管道开始。然后程序运行获取回测计算所需的数据集。主持人强调了测试程序可用性和确保最终数据可靠性的重要性。
演讲者解释了回测日内交易策略所涉及的方法。他们讨论了回测策略类,包括数据预处理、模型训练和测试、策略性能分析的各种方法。回测过程的输出包括显示投资回报率、夏普比率、最大回撤和其他相关参数的表格和图表。虽然回溯测试有助于确定该策略的潜在盈利能力,但演讲者警告说,它简化了某些在实时交易中可能不适用的方面。演讲者提到了该程序的最新改进,其中涉及更新参数以反映真实的交易条件,包括交易费用和账户规模。
在演示过程中,演讲者还讨论了程序开发过程中面临的挑战。一个挑战是实现一个提示用户输入数据的交互式菜单,这需要额外的思考和开发工作。然而,演讲者表示这是值得的,因为它使程序更加人性化。其他挑战包括寻找绩效指标计算的解决方案和保持工作与生活的平衡。为了克服这些挑战,演示者推荐了一些策略,例如绘制图表、编写注释作为编码的垫脚石、休息、进行在线搜索和巩固知识。演示者还重点介绍了通过该项目取得的成就,例如巩固了量化金融和编程技能方面的知识,获得了从头到尾管理项目的信心,以及展示了机器学习在预测股票价格方面的能力。
演讲者在完成当前项目后讨论他们对未来项目的计划。他们提到他们打算研究不同资产的新策略,通过他们的博客和与其他爱好者的互动来扩展他们的知识,研究新的策略和机器学习模型,并最终在实时交易中实施盈利策略。演讲者分享他们的联系信息,以获取有关该项目的进一步问题或查询。听众提出了几个问题,包括在该项目上花费了多少个深夜,以及该程序是否可以用于加密货币交易。
关于项目使用的数据,创建者解释说,自公司 2009 年成立以来,他们使用每日特斯拉价格训练模型。训练过程耗时五个月,模型测试了几年。在降低风险方面,创建者提到在机器学习模型上可以做很多事情来降低风险,但他们评估了合理数量的交易以确保其中大部分是有利可图的。创建者还回答了有关预测价格的时间范围以及是否需要高性能 PC 来训练模型的问题。
演讲者解释了训练模型的过程,并讨论了算法交易相对于全权委托系统的优势。他们提到可以在没有 GPU 的情况下使用计算机训练模型,尽管可能需要几个小时才能得到一个工作模型。但是,他们建议不要经常依赖这种方法。在讨论算法交易的好处时,演讲者强调了大多数交易获利的统计信心,使其与全权委托交易相比更有利可图。最后,演讲者表达了他们对 EPAC 计划的期望,表示它为他们提供了理解算法交易的基础知识和选择专业的必要工具。
接下来介绍第二位演讲者,来自印度的Usual Agrawal,他是一位量化交易员和企业主。 Agrawal 分享了他们过去四年在印度市场交易的经验,以及他们在管理业务和全职交易时所面临的挑战。为了克服这些挑战,Agrawal 决定借助 EPAT 课程和 Quantum City 团队的无条件支持来实现交易设置的自动化。在他们的演示中,Agrawal 展示了他们称为“日间跨式交易”的全自动交易设置,它结合了不相关的设置以产生可观的回报和最小的回撤。他们讨论了他们的交易策略的数据收集、回测、前端测试、部署和性能评估方法。
在演示过程中,演讲者深入探讨了用于回测其日内交易策略的数据、系统和参数的细节。他们的策略包括使用一分钟的时间框架为 Nifty 和 Bank Nifty 期货和期权数据创建跨式和勒式。发言人使用了从 2019 年 3 月到 2021 年 3 月的两年数据,涵盖了低波动期和 COVID-19 大流行。他们解释了用于回溯测试的不同类别和测试的参数,包括止损水平的变化。最后,演讲者展示了回测过程的结果。
主持人继续讨论他们对日间交易策略进行回测和前期测试的结果。在回测阶段,他们实现了 31.5 万卢比的净回报,相当于 52.9% 的年回报率。命中率是按正常和标准化计算的,后者提供了更真实的画面。夏普比率被确定为 3.78,股票曲线从三个月的简单移动平均线获得了良好的支持。然而,在前期测试阶段,该策略并没有达到预期效果,11 个月仅赚取 70,000 卢比,相当于 25% 的年回报率。股票曲线保持平坦,表明该策略目前可能表现不佳,需要进一步分析。演讲者还分享了整个项目面临的主要挑战和经验教训,以及数据收集过程中出现的主要困难。
演讲者讨论了在制定日间交易策略时遇到的一些挑战。一个主要障碍是获得可靠的日内期权数据,这需要从第三方供应商处购买。另一个挑战是由于仅关注过去两年的数据而可能存在的潜在抽样偏差,这可能无法准确代表策略的整体绩效。此外,演讲者指出市场过度拥挤的影响,许多交易者采用类似的策略。演讲者解释了他们独立制定战略的决定,允许进行定制调整。最后,强调了对该战略的持续评估以及为提高效率而使其多样化的努力。
演讲者回答了听众的问题,包括该程序是手动执行还是使用云平台自动执行,以及他们如何选择卖出跨式期权的股票以及相对于溢价的典型止损距离。由于流动性问题,该策略仅适用于 Nifty 指数和 Bank Nifty 指数,发言人通过反复试验清理数据,纠正格式更改并删除数据错误的日期。
演讲者回答了另外两个与他们的日内交易策略相关的问题。他们讨论了用于测试的止损百分比,以及他们在没有计算机工程背景的情况下进行编程所面临的挑战。他们解释了他们如何在 EPAT 计划的帮助下和 Quadency 的指导下克服这些挑战。此外,演讲者还为有抱负的宽客和算法交易员提供建议,强调在实践中应用任何交易策略时谨慎行事和实施适当风险管理的重要性。
演讲者强调了多样化交易策略的重要性,以及它如何帮助在一种策略中度过回撤阶段,同时其他策略继续表现良好。他们强调需要彻底测试并花时间研究每种策略以了解其细微差别并有效地将它们结合起来。重要的是要注意,会议期间共享的信息不作为交易建议。
主持人通过对演讲者 Visual 分享他们的项目和经验表示感谢来结束网络研讨会。他们告知观众会议记录将在他们的 YouTube 频道上提供,参与者将收到一封电子邮件,其中包含与讨论的策略相关的必要代码和 GitHub 链接。主办方期待在接下来的几个月里举办更多有趣的会议,进一步丰富观众的知识和理解。
该网络研讨会提供了有关预测每日股票价格和自动化日间交易策略的宝贵见解。 Renato Otto 的第一个演讲侧重于使用随机森林分类器、技术指标和情绪数据预测股票价格。 Usual Agrawal 的第二个演示展示了他们的全自动交易设置“Intraday Straddles”,该设置结合了不相关的设置以产生最小回撤的回报。两位主持人分享了他们的挑战、成就和经验教训,为观众提供了宝贵的经验教训。该网络研讨会作为一个平台,探索机器学习和自然语言处理在交易中的力量,并让人们得以一窥令人兴奋的算法交易世界。
实施定价模型和动态资产配置:算法交易项目网络研讨会
实施定价模型和动态资产配置:算法交易项目网络研讨会
在网络研讨会期间,主持人介绍了第一位演讲者,来自俄罗斯的高级量化分析师 Evgeny Teshkin。 Teshkin 介绍了他的项目,该项目使用适应市场机制的卡尔曼滤波来实施定价模型。他解释说,该项目是一个教育示例,说明如何使用在线机器学习的定量技术来创建策略开发。
Teshkin 强调了在线学习技术的优势,它可以实现更深层次的自动化和实时交易,使其比传统的模型再训练更有效率。他项目的主要目标是制定交易策略,改善简单的行业投资,特别关注美国股市的大型科技行业,包括 Facebook、苹果、Netflix、谷歌、亚马逊和微软等公司。
演讲者继续讨论了他用来为他的算法交易项目实施定价模型和动态资产配置的方法。他解释说,他对多头头寸采用统计和定量技术,选择进入点和退出点,并确定相对于该行业其他股票的低估或高估价格。
为实现这一目标,Teshkin 使用了各种模型,例如线性回归、主成分分析 (PCA) 和卡尔曼滤波器。这些模型有助于计算残差,并为该行业内相关股票之间的统计线性差价找到最佳系数。他强调了相对价值的重要性,并解释说在线学习方法使用一年的回顾窗口,将股票价格和牙医指数等输入因素考虑在内。
演讲者深入探讨了他在算法交易项目中用来解决数据分析问题的不同模型。他提到使用正交非相关方差分量提取、卡尔曼滤波器和隐马尔可夫模型等技术。他解释了这些模型是如何融入他的方法中的,并提供了进一步学习的资源。此外,他还讨论了他的项目的结果并分享了他用来增加潜在盈利头寸的一些技巧。
接下来,演讲者讨论了他如何通过基于简单的日终报价和增量买卖股票来战胜市场。他解释说,通过使用由在线相对价格技术确定的多次进入和退出,克服了与该策略相关的风险。他探索了用于确定进入和退出的股票相对定价的概念,以及使用在线机器学习来构建自动实时定价模型。
演讲者鼓励听众在线探索他们的项目,提供下载代码并与他们联系以获取更多问题的机会。他们还提到网络研讨会将被录制并在他们的 YouTube 频道上提供,连同演示文件和相关链接。在会议期间,演讲者与听众互动,回答有关他们参加算法交易竞赛的问题,并澄清所呈现的结果是来自实际交易还是只是回溯测试。
演讲结束后,网络研讨会主持人回答了观众提出的有关算法交易项目的几个问题。它们涵盖的主题包括使用线性回归实现最佳相关性、买入并持有策略与优化交易策略相比的性能,以及在统计模型中包含隐藏状态。演示者提供了有见地的回应,扩展了项目细节并解释了他们方法背后的决策。
然后网络研讨会介绍了下一个项目,该项目侧重于使用神经网络进行动态资产分配。演讲者解释说,他们的项目旨在为银行股票的“今天买入明天卖出”策略构建一个自动化系统,而人工干预最少。他们讨论了他们项目的模型开发、战略实施和风险管理方面,强调使用基于历史数据训练的深度学习模型来处理漂亮的银行股票。
演讲者详细阐述了该策略,该策略涉及组合不同模型的输出以确定每只股票的预期回报。根据这些比率,将资金分配到相应的股票中。该项目的风险管理部分处理交易成本和自动化等问题。演讲者强调了在交易算法中有效管理风险的重要性。
接下来,演讲者对策略、风险管理和交易算法开发过程中面临的挑战提供了进一步的见解。他们解释了概率回报模型和回报模型的收敛架构的实现。该策略涉及计算每只股票的预期回报并将其除以回报波动率以获得比率。然后将可用资金按比例分配给比率为正的股票,同时根据预期损失按比例出售投资组合。该算法不断更新,并应用止损机制来降低风险。演讲者承认自动化更新过程的挑战,并提到缺乏市场微观结构策略来确定最佳买入或卖出价格。
演讲者继续讨论他们回溯测试的结果,以及选择最适合他们模型的 20 天组合。他们还提到了该项目即将采取的步骤,包括整合银行股的文本新闻评分,以及开发基于 Android 应用程序的解决方案以进一步实现自动化。观众有机会提问,从而引发对回测结果和模型中止损机制的使用等主题的讨论。演讲者表示,回溯测试的回报率不错,在特定时间段内提供了大约 5% 的模式。他们还提到了一个 Beta 测试阶段,该阶段在过去六个月中产生了接近 10% 的回报。
在回答听众关于止损实施的问题时,演讲者解释说,他们已经为每只股票的每笔投资价值的投资组合价值设定了 5% 的止损。当一只股票的损失达到投资的百分之五时,它会自动从投资组合中移除,以将最大损失限制在百分之五。演讲者进一步解决了有关动态资产配置与简单买入并持有策略相比的表现的问题。他们强调,以 Nifty Bank 为基准的基准表现合理,回报率接近 5%。演讲者还解释了他们之所以决定专注于银行业,是因为银行业反映了整体市场状况,并提到他们在机器学习方面的背景有助于他们提高该项目的技能。
在项目介绍之后,一位与会者分享了他们使用 EPAT 的积极经验,强调了其在理论学习和实践实施方面的价值。他们对获得对期权和期货定价的数学理解表示赞赏,并赞扬该计划的支持系统和专门的绩效经理,他们提供了宝贵的指导。尽管课程具有挑战性,但参与者认为这对个人和职业发展至关重要。他们鼓励有抱负的交易者去探索和扩展他们的知识,超越他们目前的优势,因为他们将逐渐熟练地进行交易操作。
在最后一部分,演讲者强调了尽快将所学知识应用到现实生活中的重要性。他们建议利用 iPad 课程进行日常交易实验,促进持续学习和成长。网络研讨会以对演讲者和听众的感谢结束,并请求为未来的网络研讨会提供主题建议。
Ishan Shah 和 Rekhit Pachanekar 在交易中应用机器学习 |算法交易周第 7 天
Ishan Shah 和 Rekhit Pachanekar 在交易中应用机器学习 |算法交易周第 7 天
网络研讨会的主持人 Ishan Shah 和 Rekhit Pachanekar 首先介绍了自己,并表达了他们对算法交易周最后一天的兴奋之情。他们宣布了算法交易比赛的获胜者,并表彰了他们的成绩。他们提到当天的演讲重点将放在机器学习及其在交易中的应用上。他们还告知听众,在演示结束时将有一个问答环节。
Rekhit Pachanekar 带头开始网络研讨会并深入探讨机器学习的基础知识。他以图像识别为例,解释了机器学习如何让算法无需大量编程即可从数据中学习并做出决策。然后,他讨论了机器学习在交易和投资中的作用,特别是在基于薪水、职业和地区等各种数据点创建个性化投资组合方面的作用。机器学习还有助于为投资组合中的资产分配权重,并协助制定交易策略。 Pachanekar 强调了机器学习的速度和数据分析能力,对冲基金、养老基金和共同基金利用机器学习进行投资和交易决策。
接下来,Ishan Shah 和 Rekhit Pachanekar 深入探讨了构建交易机器学习模型所涉及的七个步骤。他们强调,即使是个体零售交易者也可以利用机器学习技术来创建自己的交易策略。他们讨论的第一步是定义问题陈述,其范围可以从对正回报的一般期望到更具体的目标,例如确定投资特定股票(如摩根大通)的正确时间。第二步涉及获取高质量数据,确保没有缺失值或重复值,也没有异常值。主持人强调了数据质量在构建准确的机器学习模型中的重要性。
Shah 和 Pachanekar 继续解释为交易中的机器学习模型选择输入和输出变量的过程。它们突出显示代表股票未来回报的输出变量或目标变量。他们提到,当预测未来回报为正时,信号变量被赋值为 1,而当预测为负时,信号变量被赋值为 0。输入变量或特征必须具有预测能力并满足平稳性要求,这意味着它们表现出均值和常量方差。他们强调开盘价、低价、高价和收盘价等变量不是平稳的,不能用作输入特征。
接下来,演示者讨论了在交易中为其机器学习模型选择输入特征。他们解释了对固定输入特征的需求,并通过使用不同时间段的百分比变化值来实现这一点。他们还强调了避免输入变量之间相关性的重要性,并演示了使用相关性热图来识别和消除高度相关的特征。输入特征的最终选择包括不同时间段的百分比变化值、RSI(相对强度指数)和相关性。在使用该模型进行实时交易之前,他们将数据集分成训练集和测试集以评估其性能。
演讲者强调了确保机器学习模型中使用的数据集的质量和相关性的重要性。他们介绍决策树的概念,并询问与会者在购买股票或资产时的个人决策过程,提及从技术指标到朋友推荐的各种回答。他们断言,在使用此类功能时,需要根据个人经验建立决策心智模型。他们引入随机森林作为克服过度拟合问题的一种方法,并解释了使用贝叶斯树作为决策树的基础。
Shah 和 Pachanekar 解释了如何利用机器学习算法(特别是决策树)来创建交易规则。这些规则结合了 ADX(平均方向指数)和 RSI 等技术指标,使交易者能够根据预定义的条件做出决策。为了确保这些规则不仅仅基于运气,演示者引入了随机森林的概念。他们解释说,随机森林结合了多个决策树以创建更通用和更可靠的交易策略。通过为每棵树随机选择一个特征子集,随机森林减少了过度拟合的可能性并提供更准确的预测。演示者讨论了随机森林算法所需的各种参数,包括估计器的数量、最大特征和树的最大深度。
接下来,主持人深入探讨了将机器学习应用于交易的随机森林分类器的实现。他们强调控制决策树深度和随机选择特征以避免过度拟合并确保一致输出的重要性。随机森林分类器从输入特征和预期输出中学习规则,然后用于对看不见的数据进行预测。他们还提到可以使用各种指标来衡量模型的性能。
然后,主持人讨论了在根据其建议进行真钱投资之前评估机器学习模型有效性的重要性。他们引入了准确性的概念,其中涉及验证模型的预测是否与实际市场结果一致。他们强调模型的准确率通常在 50% 到 60% 之间,并警告说准确率高并不能保证好的结果。他们建议使用混淆矩阵来比较实际标签和预测标签,并计算精度、召回率和 F1 分数等性能指标来评估模型的性能。
具体来说,对模型的准确率进行了深入讨论,并进行了投票以确定其准确率,计算得出的准确率为60%。然而,当按标签检查时,长信号的准确度下降到 33%。这就提出了一个问题,即整体准确性的提高是否会带来有利可图的交易模型。主持人强调,准确性是决定模型预测市场有效性的关键因素。他们指出,总体准确度高并不一定会带来盈利,还需要考虑其他因素。
Shah 和 Pachanekar 然后将他们的注意力转移到讨论用于评估交易模型性能的不同指标,包括精度、召回率和 F1 分数。他们指出,虽然召回率有助于克服数据不平衡的问题,但单独使用它可能是一个不可靠的指标。相反,他们建议使用精确率和召回率的组合来计算 F1 分数,这可以更全面地评估模型的性能。他们强调了回测模型的重要性,以确保其在现实世界交易场景中的有效性,并警告不要过度拟合模型。
演示者解决了现实环境中过度拟合的问题,并根据所使用的特定机器学习模型提出了处理策略。他们强调了解模型参数、限制特征数量以及针对每种类型的机器学习模型处理不同超参数的重要性。他们强调使用真实世界数据而不进行操作的重要性。此外,他们还讨论了机器学习在生成信号之外的交易应用,例如它在风险管理方面的潜力。他们还涉及使用聚类算法来识别市场中的盈利机会。
Ishan Shah 和 Rekhit Pachanekar 通过讨论在交易中使用机器学习的优势来结束网络研讨会,特别是在破译人类可能难以识别的复杂模式方面。他们建议在 alpha 识别过程中使用机器学习作为补充工具。会议结束时,主持人对算法交易周的演讲者和参与者表示感谢,并邀请通过调查提交任何未回答的问题。