量化交易 (Quantitative trading) - 页 24

[MetaQuotes]

Thomas Starke 博士在交易中的人工智能 |算法交易周第 6 天

Thomas Starke 博士在交易中的人工智能 |算法交易周第 6 天

著名演讲者 Thomas Starke 博士在演讲中讨论了为什么人工智能被认为是交易中的下一件大事。他承认人工智能和机器学习已经存在了很长时间，但由于计算能力有限，它们的有效应用具有挑战性。然而，最近的技术进步极大地提高了计算能力，使大量算法能够通过云计算在笔记本电脑和服务器中心高效运行。 Starke 博士强调了人工智能在人脸识别、图像识别和自然语言处理等各个领域的成功，这些都有助于人们相信人工智能也可以彻底改变金融业。

Starke 博士强调，人工智能和机器学习不是灵丹妙药，而是需要在金融领域内透彻理解和应用的科学和数学工具。虽然金融具有科学方面，但它主要被认为是一种艺术形式。因此，要利用人工智能在金融领域的潜力，就必须掌握该领域的工具和技巧。

在他的演讲中，Starke 博士谈到了软件开发和编程技能以及机器学习和统计知识在将 AI 应用于交易中的作用。他强调了强大的软件技能的重要性，包括编写 API 和确保系统故障安全，这是在市场上有效使用机器学习工具的必要条件。他认为，虽然机器学习工具对用户友好，但编程技能和统计知识对于该领域的从业者来说至关重要。此外，他解决了使用机器学习算法是否需要博士学位的问题，并断言只要个人有特定的目标、进行深入的研究并愿意投入必要的工作，这不是必需的。

指导在学习 AI 交易中的重要性是 Starke 博士讨论的另一个话题。他强调，找到一个好的导师可以帮助初学者避免常见的错误并发展实践知识，而不是仅仅依靠从学术机构获得的理论知识。 Starke 博士强调，任何人都可以学习人工智能，但拥有一位能够提供适当指导的导师是非常宝贵的。他还强调，了解潜在的市场和经济比编程技能更重要，因为可以在适当的指导下学习编程。

在演讲中，Starke 博士还强调了学习编程和量化方法在当今贸易行业中的重要性。他强调，成功的交易员通常对数学和编程有很强的理解，对交易感兴趣的人可以相对较快地掌握这些技能。他指出，当从屏幕交易过渡到算法交易时，投入时间学习量化方法和机器学习的交易者有更好的生存机会。然而，他强调，拥有经济和市场优势至关重要，并且超越了仅通过编程和数学技能获得的优势。他还提到，深度学习需要企业和个人解释他们的回报，而面对一年的负回报可能会带来重大挑战。

Starke 博士还讨论了解释人工智能算法和风险管理实践。他强调了能够解释人工智能算法的重要性，因为不这样做可能会导致问题甚至资金撤回。他提到，尽管使用了人工智能和机器学习，但风险管理实践基本保持不变，但有必要探索新的风险管理方式，尤其是在股票和债券牛市结束的情况下。 Starke 博士强调，机器学习在交易中无处不在，具有各种应用，例如生成输入信号和管理机器学习模型的风险。

Starke 博士深入研究了交易中使用的不同模型和技术，例如主成分分析 (PCA)、决策树、xgboost、深度学习和强化学习。他讨论了它们在分析信号数据、管理投资组合风险和执行交易方面的应用。他还强调了风险管理系统在增加几何回报和在其他市场复制成功策略方面的重要性。 Starke 博士建议，良好的风险管理系统甚至可以产生阿尔法并被视为长期波动策略。

此外，Starke 博士探索了如何使用人工智能来对冲和管理交易中的空头波动策略的风险，从而可能增强此类策略产生的阿尔法。他强调好奇心和对风险的健康认识在不断学习和开发新的交易策略中的重要性。他建议不要依赖现成的交易平台，而是鼓励从头开始编写策略以获得深度学习优势。

Starke 博士参与了关于基于时间的价格变动与基于价格的市场变动的讨论。他解释说，基于时间的价格变动可以通过计算指标从数学上解决，而基于价格的市场变动则取决于市场的基本经济状况。 Starke 博士强调了考虑交易策略的潜在经济推理的重要性，而不是仅仅依靠数学技术来跑赢市场。他向那些有兴趣将 AI 与金融市场中的定量模型相结合的人推荐 Marcus Lopez、Grinnell 和 Kahn 的书籍。

在演讲中，Starke 博士强调了理解因子建模原理的重要性，他认为这与机器学习原理相似。他建议理解这些原则可以更好地让交易者在他们的系统中有效地应用机器学习。 Starke 博士还强调了定义什么是好的交易策略的重要性，因为它可能并不总是最赚钱的策略。他参考了 Ralph Vince、Andreas Klenow 和 Mr. Trendful 的书籍，这些书籍对交易策略和交易背后的心理学提供了宝贵的见解。

Starke 博士讨论了人工智能和机器学习如何捕捉行为金融学中的非线性，例如凯恩斯选美比赛。他解释说，与线性回归模型不同，机器学习可以有效地捕获这些非线性动力学。然而，他强调，即使没有明确使用基本面数据，交易策略背后的经济推理仍然很重要。

此外，Starke 博士探讨了对某些不一定是基本的市场低效率的利用。他提到了一些因素，例如对隔夜空头头寸的限制以及特定日期（例如三重到达或四重巫术），这些因素可以在市场上产生可以利用的经济效应。他还提到日常经济活动或非法市场操纵导致的市场效率低下。 Starke 博士表达了他对未来潜在合作的兴趣，但目前没有具体计划。

在回答观众关于为什么梦想常常无法实现的问题时，斯塔克博士提供了他的个人见解。他解释说，梦想最初是从概念开始的，他的梦想生活并不仅仅围绕着躺在沙滩上，而是涉及探索、经营自己的事业和自我指导。他强调，将一个人的真正愿望和目标与实际成果结合起来至关重要。演示结束时，主持人向观众介绍了 Contra 课程的限时折扣，并提到了安排在第二天举行的关于在交易中应用机器学习的最后一场会议。

• 00:00:00 演讲者讨论了为什么人工智能被认为是交易中的下一件大事。尽管人工智能和机器学习已经存在了很长时间，但没有足够的计算能力来有效地运行算法。然而，近年来，技术进步如此之大，以至于即使是大量的算法也可以在笔记本电脑上运行，而云使它们能够在服务器中心运行。此外，其他领域的成功也促成了人工智能是下一件大事的想法，金融也没有落伍。事实证明，人工智能在人脸识别、图像识别和一般自然语言处理等领域很有用。
  
  
• 00:05:00 Thomas Starke 博士讨论了人工智能 (AI) 在金融领域的潜力，以及它如何成为游戏规则的改变者，因为它带来了以前不存在的新可能性。他还谈到了人工智能和机器学习不是灵丹妙药，而是科学和数学工具，必须在金融中理解和应用，而金融本质上不是科学。虽然金融有一些科学方面，但其中大部分被认为是一种艺术形式。因此，了解金融工具和金融艺术对于成功利用人工智能至关重要。
  
  
• 00:10:00 Thomas Starke 博士讨论了在将 AI 应用于交易时，除了机器学习和统计知识之外，软件开发和编程技能的作用。他强调了良好的软件技能的重要性，包括编写 API 和使系统故障安全，因为它们是将机器学习工具应用到市场所必需的。他认为，虽然机器学习工具易于使用，但编程技能和统计知识对于成为该领域的从业者至关重要。 Starke 博士还谈到了应用机器学习算法是否需要博士学位的问题，并认为这不是必需的，只要有特定的目标并愿意投入必要的研究和工作即可。
  
  
• 00:15:00 Thomas Starke 博士讨论了指导在交易中学习 AI 的重要性。他强调，找到一个好的导师来指导你完成这个过程可以帮助防止初学者犯错误。他相信任何人都可以学习人工智能，但更重要的是开发出对你有用的东西，而不是仅仅在大学里开发理论知识。 Starke 博士还强调，了解基础市场和经济比编程技能更为重要。他认为，只要有人适当地指导他们，就可以学习编程。
  
  
• 00:20:00 Thomas Starke 博士讨论了学习编程和量化方法在当今贸易行业中的重要性。他表示，大多数成功的交易员都对数学和编程有很强的理解，有兴趣的人可以很快学会。他解释说，当从屏幕交易转向算法时，投入时间学习定量方法和机器学习的交易员往往能在市场中生存下来。此外，他强调经济和市场优势至关重要，并且超越了编程和数学技能方面的优势。不过，他也提到，深度学习需要企业和个人对回报做出解释，一年的负回报可能会带来重大挑战。
  
  
• 00:25:00 Thomas Starke 博士讨论了能够解释 AI 算法的重要性，尤其是在交易中使用机器学习工具时。如果无法解释算法，可能会导致出现问题甚至撤回资金。他还指出，尽管使用了人工智能和机器学习，风险管理实践或多或少保持不变，但需要重新考虑新的风险管理方式，尤其是在股票和债券牛市结束的情况下。机器学习在交易中无处不在，并且有各种应用，例如将 AI 用于输入信号并将其用于机器学习模型的风险管理等。
  
  
• 00:30:00 Thomas Starke 博士讨论了如何在交易的每个步骤中使用人工智能 (AI)，从分析信号数据到管理投资组合风险和执行交易。机器学习和深度学习用于分析图像和情绪信号以产生清晰的信号，然后使用主成分分析来降低交易信号的输入维度。然后使用算法来确定应该交易哪些输入信号。对于风险管理，机器学习用于管理投资组合风险，这可能优于经典的风险管理计算。最后，在执行中，使用线性模型、支持向量机和强化学习来帮助交易者获得最佳执行价格。
  
  
• 00:35:00 Thomas Starke 博士讨论了可用于交易的不同模型和技术，例如 PCA、决策树、xgboost、深度学习和强化学习。后来，他回答了一位经验丰富的算法交易员提出的问题，该交易员正在努力扩展他们的工作系统和学习新技术。 Starke 博士建议将重点放在风险管理上，因为它可以帮助增加几何回报并导致在其他市场复制该策略。良好的风险管理系统甚至可以产生阿尔法并被视为长期波动率策略。
  
  
• 00:40:00 Thomas Starke 博士讨论了如何使用人工智能来缓冲和对冲交易中空头波动策略的风险。他建议人工智能可以大大增加此类策略产生的阿尔法。在激励自己不断学习和制定新策略方面，Starke 博士强调了好奇心和对风险的健康认识的重要性。他还建议避免开箱即用的交易平台，而是从头开始编写策略，以发展深度学习优势。采访者询问 Starke 博士，他是否相信交易中基于时间的价格变动或基于价格的市场变动，Starke 博士在回答之前要求澄清两者之间的区别。
  
  
• 00:45:00 Thomas Starke 博士讨论了基于时间的价格变动和基于价格的市场变动之间的区别。他指出，基于时间的价格变动通常可以通过计算指标以数学方式解决，而基于价格的市场变动则取决于市场的基本经济状况。 Starke 博士强调了研究交易策略的潜在经济推理的重要性，而不是仅仅试图用数学来打败市场。他还向那些有兴趣将 AI 与金融市场中的量化模型相结合的人推荐 Marcus Lopez 的书以及 Grinnell 和 Kahn 的 Active Portfolio Management 等书籍。
  
  
• 00:50:00 Thomas Starke 博士强调了理解因子建模的基本原理的重要性，他认为这与机器学习的原理非常相似。他建议理解这些原则可以更好地让交易者将机器学习应用到他们的系统中。 Starke 博士还强调了确定什么是好的交易策略的重要性，因为它并不总是最赚钱的策略，他引用了 Ralph Vince 的《投资组合管理数学》一书中的例子。他推荐 Andreas Klenow 和 Mr. Trendful 的书籍，因为它们不仅提供了对交易策略的宝贵见解，还涵盖了交易背后的心理学。
  
  
• 00:55:00 Thomas Starke 博士讨论了人工智能和机器学习如何捕捉行为金融学中发生的非线性。他将凯恩斯主义选美比赛作为一个例子，说明结果如何变得极其非线性和混乱，这是在交易中使用行为方法的一部分。机器学习可以捕获这些非线性动态，不像线性回归那样完全做不到。然而，即使您不一定在您的策略中使用基本面数据，在您的交易背后有一个经济推理总是好的。
  
  
• 01:00:00 Thomas Starke 博士讨论了交易特定投资组合和利用某些不一定是基本面的市场低效率的可能性。他举了一些例子，比如知道人们不允许持有空头头寸隔夜，这可以导致可以在市场上被利用的经济原理。此外，他还提到了某些日期的重要性，例如三重到达或四重巫术，它们可以产生市场产生的经济效应。他还谈到了日常经济活动或非法市场操纵引起的市场效率低下。 Starke 博士表示有兴趣在未来再次合作，但目前没有计划。
  
  
• 01:05:00 Satwik 向 Thomas Starke 博士询问为什么梦想常常无法实现。 Starke 说这是一个有趣的问题，并给出了他的个人见解。他解释说，他的梦想最初只是一个概念，并不是他的实际目标，他的梦想生活不仅仅是躺在沙滩上。他喜欢探索事物、经营自己的事业和自我指导。据他说，这离他真正的梦想更近了。最后，主持人告知大家，魂斗罗所有课程限时75折，明天最后一期机器学习在交易中的应用。

[MetaQuotes]

量化金融的当前趋势[小组讨论] |算法交易周第 5 天

量化金融的当前趋势[小组讨论] |算法交易周第 5 天

女士们，先生们，欢迎来到今天关于量化金融当前趋势的小组讨论。我们有三位杰出的领域专家今天加入我们，分享他们的见解和专业知识。让我们介绍一下我们的小组成员：

首先，我们请来了 Columbia Thread Needle Investments 的 EMEA 投资风险主管 David Jessup。凭借在量化研究、风险分析和投资组合构建方面的丰富经验，David 擅长跨资产因子投资和投资管理中的机器学习。他对量化策略和风险管理的深刻理解将为塑造行业的趋势提供宝贵的见解。

接下来是 SP Gen 全球管理学院机器学习主任兼技术业务研究中心主席 Devashes Guava 博士。 Guava博士的专长在于人工智能在经济和金融领域的应用。他在这一领域的研究和知识将阐明人工智能与金融的交叉点以及对量化金融的影响。

最后，我们有 Global AI Corporation 的执行董事 Richard Rothenberg。理查德从他在数十亿美元的对冲基金和全球投资银行的工作中获得了丰富的经验。凭借其在量化投资组合管理和研究方面的广泛背景，他将为金融行业量化策略的实际实施提供宝贵的见解。

现在，让我们深入讨论影响量化金融的近期趋势。我们的小组成员一致认为，数据的可用性和质量在推动行业发展方面发挥了重要作用。此外，计算能力的进步使复杂模型的构建和分析成为可能，这在十年前是不可行的。

小组成员强调量化金融从股票扩展到其他资产类别，包括信贷、货币和加密货币交易。他们还引起了人们对责任投资的新兴趋势的关注，该趋势在金融业中越来越受欢迎。然而，他们指出，该领域的数据质量仍需提高。小组成员预测，负责任的投资在未来几年将继续成为金融领域的一个重要因素。

接下来，小组讨论了量化金融的两个主要趋势。首先，算法交易已经扩展到所有资产类别，而不仅仅是股票。奇异资产现在正在使用算法方法进行交易。其次，替代数据源大幅增加，例如来自多语言新闻和信用卡交易的情绪数据。使用高级分析和计算能力处理和分析这些数据的能力导致将非金融风险因素（例如环境和社会治理趋势）纳入公司估值。

然而，该小组还解决了在金融领域利用机器学习的挑战。鉴于金融市场的低信噪比和零和博弈性质，机器学习并不总是解决所有问题的理想工具。小组成员强调了将机器学习与其他方法相结合并了解其局限性的重要性。他们还阐明了机器学习和替代数据之间的区别，因为这两个概念经常被混淆。

此外，小组成员还讨论了金融机器学习在市场动态背景下作为差异游戏的独特挑战。他们强调了在制定交易策略时考虑其他市场参与者做出的战略选择的重要性。

然后讨论转移到机器学习模型中高质量数据对算法交易的重要性。小组成员承认清理非结构化数据的挑战，并强调从线性模型开始理解参数和确保数据质量的重要性。它们解决了替代数据中的噪声和稀疏性问题，使清理和过滤更具挑战性。此外，小组成员强调需要比较和利用第二数据来源以确保数据准确性。

小组成员进一步强调，交易解决方案应作为在与具有冲突利益的对立玩家的终端人游戏中定义策略的一部分来处理。传统的建模方法可能并不总是适用于这种情况，小组成员强调了测试不同策略以找到最有效解决方案的重要性。他们还讨论了可持续发展数据等替代数据集带来的独特挑战，这些数据集需要不同的分析方法，并且可能需要以较低的频率聚合数据以解决稀疏问题。虽然使用稀疏数据集可能具有挑战性，但小组成员认为仍有机会发现有价值的信号。

讨论的另一个关键主题是在设计交易系统时理解市场博弈结构的重要性。小组成员强调，虽然较小的参与者可能有更多的风险回旋余地，但由于这些市场的极端波动，大宗商品和加密货币交易的参与者需要谨慎交易。他们还强调了多元化的重要性，以减轻加密资产中非常高的回撤。

该小组更进一步，挑战传统金融理论中的内在假设。他们认为，资产不一定遵循固定的均值和方差假设的扩散过程。相反，他们强调波动率的随机性和平均值随时间的波动。他们建议考虑隐马尔可夫过程来从战术上改变均值和标准差，从而在因子投资和加密货币投资中产生更好的方法。这种观点提供了诱人的风险回报概况，并具有简单多样化的潜力。

然后讨论探讨了机器学习在金融行业的各种应用。小组成员提到使用机器学习进行性别分类、碳排放预测和固定收益市场的固定交易量。他们还强调了对 ESG 因素的不断关注和可持续发展目标的扩展，这些目标考虑了对整个社会的影响和系统性风险。他们认为这种扩展的风险分类是财务决策中的一个重要因素，有可能被整合到 ESG 因素模型中。

讨论的另一个趋势是利用委员会和工作组根据多种因素对数据进行聚类。小组成员强调了自然语言处理在理解当地利益相关者的情绪以量化非金融风险方面日益重要。这些风险对公司资产负债表的无形方面越来越重要，在分析金融市场时必须加以考虑。

此外，小组成员强调了在量化金融领域拥有强大编程技能和统计知识的重要性。他们还告诫不要重复分析同一数据集的陷阱，强调需要适应并为量化交易的未来做好准备。

展望未来，小组成员讨论了跟上新兴资产类别（例如碳和加密货币）的重要性。他们提到了量子计算潜在的改变游戏规则的影响，它可能会彻底改变加密货币背后的加密算法，尽管实际应用尚未实现。他们还涉及大型神经网络和 GPT3 等技术的发展，这些技术被吹捧为通向通用人工智能的途径。硬件和软件容量的指数级增长没有放缓的迹象，与会嘉宾预计未来高性能计算、量子计算和人工智能将在量化金融领域融合。

总之，小组成员预测未来的特点是硬件和软件容量的扩展，从而导致通用交易机器人的发展。这些机器人将具备从不同来源提取和解释数据的能力，包括社交媒体，利用图像理解、语言理解和语义理解等。他们强调了采用新技术和方法论以保持领先地位并适应不断变化的量化金融格局的重要性。

小组讨论结束时，小组成员向观众表示感谢，并鼓励大家分享任何未解决的问题。他们还宣布明天的会议将特别关注机器学习和交易，邀请与会者加入并继续探索这个迷人的领域。

感谢大家参加今天关于量化金融当前趋势的富有洞察力的小组讨论。

• 00:00:00 主持人介绍了当天关于量化金融当前趋势的小组讨论的三位领域专家。第一位嘉宾 David Jessup 是 Columbia Thread Needle Investments 的 EMEA 投资风险负责人，在量化研究、风险分析和投资组合构建方面拥有丰富的经验，尤其是在投资管理中的跨资产因子投资和机器学习方面。第二位嘉宾 Devashes Guava 博士是 SP Gen 全球管理学院机器学习主任和技术商业研究中心主席，专门研究人工智能在经济和金融领域的应用。最后，Global AI Corporation 的执行董事 Richard Rothenberg 曾在数十亿美元的对冲基金和全球投资银行工作，在量化投资组合管理和研究方面拥有丰富的经验。
  
  
• 00:05:00 在本节中，小组成员讨论了最近影响量化金融的趋势。数据的可用性和质量一直是推动该行业发展的重要因素。此外，越来越强大的计算能力允许以十年前甚至不可能的方式构建和分析复杂模型。小组成员指出，量化金融正在从股票扩展到其他资产类别，例如信贷、货币和加密货币交易。他们提出了责任投资的新趋势，这在金融行业越来越受欢迎，但该领域的数据质量仍然欠缺。小组成员预测，负责任的投资将成为未来几年金融业的一个重要因素。
  
  
• 00:10:00 在本节中，小组讨论了量化金融的两个主要趋势。首先是将算法交易扩展到所有资产类别，而不仅仅是股票，包括奇异资产。第二个趋势是替代数据源的显着增加，例如来自多语言新闻和信用卡交易的情绪数据，以及使用高级分析和计算能力处理这些数据的能力。这导致影响公司估值的非金融风险因素增加，例如环境和社会治理趋势。然而，考虑到金融市场的低信噪比和零和博弈，该小组还强调了在金融中使用机器学习的挑战。贝叶斯统计是另一个将机器学习结合起来进行分布预测的领域。
  
  
• 00:15:00 在本节中，小组成员讨论了机器学习在金融领域的优势和局限性。其中一个要点是机器学习是一个有用的工具，但它不应该是交易箱中的唯一工具，因为它不是解决所有问题的正确工具。机器学习带来的另一个挑战是，通常很难知道它什么时候会出错，而且很难训练一个模型来判断它何时会出错。小组成员还区分了机器学习和替代数据，指出它们是两个经常混淆的独立事物。最后，小组成员讨论了金融机器学习在市场作为一种需要不同类型机器学习的差异化游戏的背景下所面临的挑战，尤其是在处理游戏中其他参与者的战略选择时。
  
  
• 00:20:00 小组讨论了在算法交易中为机器学习模型提供高质量数据的重要性以及清理非结构化数据的挑战。虽然机器学习可用于预测短期交易中的分布，但重要的是回归基础并从线性模型开始，以了解参数并确保数据质量良好。该小组承认替代数据中存在大量噪音和稀疏性，使其更难清理和过滤。此外，他们还谈到了修复数据异常值的困难，以及需要比较和使用第二数据源以确保数据的准确性。
  
  
• 00:25:00 交易解决方案是博弈结构的一部分，必须作为在终端人博弈中与具有冲突利益的对立玩家定义策略的一部分来考虑和测试。重要的是要记住，传统的建模方法可能不适用于这种情况，测试不同的策略对于找到最有效的解决方案至关重要。此外，可持续发展数据等替代数据集需要不同的分析方法，并且可能需要以较低频率聚合数据以处理稀疏性。虽然像这样的稀疏数据集很难处理，但仍有机会找到有价值的信号。
  
  
• 00:30:00 小组成员讨论了在设计任何交易系统之前考虑市场博弈结构的重要性。虽然较小的参与者可能有能力赌博，但大宗商品和加密货币交易的参与者却并非如此。小组成员讨论了机器学习算法最感兴趣的市场，并提到加密是一个可以发现新挑战的迷人领域。他们建议不要只关注一种资产类别或算法，并考虑替代数据源对于实现盈利交易的重要性。一般来说，市场会经历或多或少可预测的阶段，如果很少有市场参与者使用它们，曾经被过度使用的信号可能会重新获得相关性。市场波动和稳定的基础数据生成过程等因素可能会使市场对机器学习算法更加友好。
  
  
• 00:35:00 讨论的重点是为加密投资部署量化策略所面临的障碍。 Gughah 博士解释说，主要问题之一是传统金融人士从未对加密感兴趣，因为它通常被认为是计算机极客或视频游戏领域。此外，加密货币的极端波动性也是一个主要问题，因为对于任何类型的基金经理或散户投资者来说，85% 到 90% 的波峰回撤都是不可想象的。对于任何一种在加密货币中发展的金融交易生态系统，有必要将其视为一种替代资产类别，并创建一个足够多样化的投资组合以抑制缩减，这是加密资产之间高度相关的结果。
  
  
• 00:40:00 演讲者讨论了有必要放弃资产遵循固定扩散过程和固定均值和方差假设的想法，这是金融领域常见的嵌入式假设。演讲者解释说，波动性是随机的，这意味着随着时间的推移会发生很大变化。因此，有必要假设均值和标准差是由隐马尔可夫过程驱动的，以便状态在战术上发生变化，这是传统金融理论的一大飞跃。演讲者建议，了解驱动回报的随机过程可以带来更好的因子投资和加密投资方法，从而通过简单的多元化获得非常诱人的风险回报概况。
  
  
• 00:45:00 小组讨论了机器学习在金融行业的各种应用，例如将其用于性别分类、碳排放预测以及固定收益市场中的固定交易量。他们还提到将其用作投资过程中的输入，而不仅仅是一种交易技术。他们涵盖的另一个主题是 ESG 向可持续发展目标的演变，它不仅关注对股东的影响，还关注对整个社会和系统性风险的影响。这种扩展的风险分类包括碳排放以外的因素，也考虑了治理。他们将此视为财务决策中的一个重要因素，并表示可以将其视为 ESG 因素模型。
  
  
• 00:50:00 小组成员讨论了量化金融领域的两个有趣趋势。首先，使用委员会和工作组根据 17 个因素对数据进行聚类，以及自然语言处理在了解当地利益相关者情绪以量化非金融风险方面日益重要的重要性，这些风险对资产负债表的无形方面越来越重要公司。其次，他们讨论了拥有良好的编程技能、统计知识以及意识到多次查看同一数据集的陷阱的重要性，以便为未来的量化交易做准备。
  
  
• 00:55:00 小组成员讨论了跟上可能变得可交易的新资产类别的重要性，包括碳和加密货币。一个可能改变游戏规则的领域是量子计算，它可以彻底改变加密货币背后的加密算法。虽然还没有实际应用，但一些大型对冲基金正在投资量子领域。此外，他们还谈到了超大型神经网络和 GPT3 的发展，后者被吹捧为通用人工智能的一种方式。硬件和软件容量的增长没有放缓的迹象，一些人预计深度学习将接管世界。
  
  
• 01:00:00 小组预测，量化金融的未来在于硬件和软件能力的不断扩展，这将使通用交易机器人的发展成为可能。这些机器人将能够从社交媒体等各种来源提取数据，并利用这些数据做出交易决策。他们不会局限于数值机器学习，而是会有图像理解、语言理解、语义理解等。另一个重点领域是量子计算，它可能在未来五到十年内变得实用。小组成员认为，未来将是高性能计算、量子计算和人工智能的融合。他们认为，随着我们开始整合更多数据和模型，未来在于这些技术的融合。
  
  
• 01:05:00 小组成员讨论了量化金融领域新工具和新技术的指数级增长，这可能会使许多职能和工作在未来五到十年内过时。他们强调准备和加速采用新技术以保持领先地位的重要性。小组成员最后感谢听众并鼓励大家分享任何未解答的问题，因为明天的会议将重点讨论机器学习和交易。

[MetaQuotes]

在交易中使用情绪和另类数据 [小组讨论] |算法交易周第 4 天

在交易中使用情绪和另类数据 [小组讨论] |算法交易周第 4 天

女士们，先生们，感谢你们今天加入我们，参加这个关于在交易中使用情绪和另类数据的激动人心的小组讨论。在我们开始之前，我要宣布一个重要消息。

我很高兴地宣布推出新的认证计划，即金融情感分析和替代数据认证 (CSAF)。该计划专为希望使用新闻情绪分析和另类数据等现代方法在交易和投资决策方面提升职业生涯的金融专业人士而设计。

CSAF 计划将涵盖新闻分析、情绪分析和金融所需的替代数据的各个方面。它将由算法交易、情绪分析、量化建模和高频交易领域的领先专家授课。这些专家为项目带来了丰富的知识和经验，确保参与者接受一流的教育和培训。

该计划将深入探讨诸如理解情绪分析、利用替代数据源、将情绪数据纳入预测模型以及利用人工智能和机器学习技术进行市场分析等主题。参与者将获得有关情绪和替代数据在交易中的作用的宝贵见解，并学习如何释放这些资源的潜力以改善财务结果。

除了认证计划外，我很高兴地宣布将于 2022 年春季发布一本关于替代数据的综合手册。这本手册将作为该领域专业人士的宝贵资源，提供有关各种替代数据的深入信息替代数据的类型及其在金融中的应用。

现在，让我们把注意力转向今天的小组讨论。我们尊敬的小组成员，包括 Cristiano Arbex Valle 博士、Gautam Mitra 教授、Matteo Campolmi 博士和 Ravi Kashyap 博士，将分享他们对在交易中使用情绪和另类数据的见解。他们将讨论替代数据是什么、它为什么重要，以及如何有效地利用它来做出明智的交易决策。

众所周知，新闻事件往往会对资产价格产生重大影响，而情绪数据可以在预测未来结果方面发挥至关重要的作用。小组成员将阐明如何快速处理情绪数据并将其转换为数字数据以用于数学模型，从而提供传统市场数据通常无法捕获的有价值信息。

此外，我们的小组成员将探讨与替代数据相关的挑战和机遇。他们将讨论替代数据源的出现、对严格数据处理技术的需求，以及在识别大量信息中的信号时避免过度拟合的重要性。

在小组讨论期间，我们鼓励您通过提问和与我们的小组成员互动来积极参与。我们非常重视您的意见和见解，我们期待创建一个内容丰富且互动的会议。

在我们开始之前，我想对大家今天加入我们表示感谢。您的存在和热情有助于此类活动的成功。我还想提醒您在社交媒体上关注我们，并祝主办方 11 周年快乐。

现在，事不宜迟，让我们开始关于交易中的情绪和替代数据的小组讨论。谢谢。

随着小组讨论的开始，我们的小组成员将深入探讨交易中的情绪和另类数据，分享他们宝贵的见解和经验。他们强调了将新闻分析和情绪作为预测模型中的附加输入特征的影响，强调了所获得的改进结果，特别是在预测资产波动方面。

讨论的一个关键点围绕替代数据的出现及其在告知交易决策方面的重要性展开。小组成员强调，另类数据引入了新的信息，例如消费者习惯，这些信息可以为投资策略提供有价值的见解。他们强调将数据与模型相结合、利用人工智能和机器学习技术来预测市场方向和提高财务成果的重要性。

小组花点时间感谢 OptiRisk Systems 创始人兼医学博士 Gautam Mitra 教授的主持。凭借他的专业知识，他确保对该主题进行全面探索。他们深入研究了情绪和另类数据在交易中的实际应用，解决了有关其定义、重要性和利用的问题。

认识到另类数据是一个不断发展的领域，小组成员强调了该领域的动态特性。他们讨论了当今被认为是另类数据的东西如何成为未来的主流，展示了该行业的不断进步和创新。他们的重点仍然是利用替代数据来获得财务优势，最终目标是实现回报最大化。

在讨论中，该小组承认来自新闻来源的情绪数据存在潜在偏见。他们提供了减轻这种偏见的潜在解决方案，例如利用多个来源并采用各种技术来分析数据。通过这样做，他们强调了全面而强大的数据分析的重要性，以确保获得准确可靠的见解。

展望未来，小组成员强调了解收集数据的背景和场景的重要性。他们讨论了对上下文信息的需求，以提供细致入微的视图并构建有效的算法。小组成员还谈到了偏见可能并不总是负面的，有时对交易策略有利的观点。他们的首要信息强调理解和使用可用数据的重要性，即使数据源本身无法控制。

该小组进一步探讨了在出于交易目的分析情绪数据时要考虑的参数。他们阐明了新闻或情绪提供者将情绪分为正面、中性或负面类别。此外，他们还讨论了将新闻或推文的数量作为情绪分析因素考虑的相关性。还强调了基于特定时间段内平均新闻量的情绪标准化。

随着小组成员讨论情感分析的特定语言性质，对话深入。他们强调使用人工智能和其他技术来解析和分析文本，从而更深入地理解情感。新闻事件的相关性和新颖性被认为是关键因素，公司通过向内容提供商订阅来接收新闻数据，从而实现快速处理。

在结束小组讨论时，小组成员谈到了用于情绪指标的时间范围。他们澄清说，情绪指标并非旨在击败新闻到达市场的速度。相反，它们充当了新闻流如何随时间影响股票的描述性指标。还强调了将文本转换为数字数据的重要性，承认基于文本的信息需要额外的处理层。

小组成员还讨论了情绪数据和替代数据源在交易中的相关性。他们解决了多少天的情绪数据相关的问题，强调答案取决于模型的目的和进行的交易类型。讨论进一步扩展到替代数据源的性能指标，其中盈利能力被确定为关键指标。小组成员解释了对历史数据的需求及其对定价的潜在影响，并警告说随着替代数据源越来越受欢迎，它们的价值可能会随着时间的推移而改变。

在结束小组讨论时，小组成员分享了他们对回溯测试的挑战和重要性的见解。他们承认某些替代数据源的历史信息稀疏，使分析和回溯测试具有挑战性。然而，他们强调了统计模型和技术的可用性，这些模型和技术可以帮助推断数据以进行回溯测试。他们强调将给定数据源的性能与没有数据源的性能进行比较的重要性，从而允许交易者相应地调整他们的策略。该小组最后强调，替代数据的价值最终取决于其在特定模型中的利用率。

我们现在转到观众问答环节，小组成员将回答两个有趣的问题。第一个问题围绕着使用历史数据来更好地了解不同的历史时期。小组建议至少利用七倍的时间间隔来全面了解各种结果。第二个问题与寻找替代数据的可靠来源有关。该小组建议有一个数据侦察员来探索各种来源并确定可用于定量团队的最佳数据。他们强调了寻找可信赖数据的挑战，并强调创新想法通常来自小型新公司。

在讨论的基础上，小组成员深入探讨了早期识别独特数据集的小公司被大公司收购的潜力。他们强调中介机构在数据聚合中的重要性以及使用专有模型导出数据集的价值。对话进一步涉及特定国家/地区数据集的影响、区域风险的识别以及全球市场的相互关联性。了解这些因素对于做出明智的交易决策至关重要。

随着小组讨论接近尾声，演讲者将注意力转移到金融职业所需的技能和先决条件上。他们强调编程语言的价值和对数学概念的扎实理解，因为这些技能在该领域越来越重要。还强调了与专业人士建立联系和建立联系，以及对各种机会保持开放和不断扩展知识的重要性。

最后，演讲者重申了了解市场趋势和保持财务决策客观性的重要性。她强调财务管理的根本作用，并鼓励与会者积极投身金融行业。

演讲者衷心感谢小组成员和听众的宝贵贡献，并结束了会议。

• 00:00:00 主持人宣布推出新的认证计划，即金融情感分析和另类数据认证 (CSAF)，专为希望使用现代方法（如新闻情绪分析和替代数据。该课程将涵盖新闻分析、情绪分析和金融所需的另类数据的各个方面，并将由算法交易、情绪分析、量化建模和高频交易方面的领先专家授课。该部分还设有一个由 OptiRisk Systems 创始人兼医学博士 Gautam Mitra 教授主持的小组，专家 Cristiano Arbex Valle 博士、Gautam Mitra 教授、Matteo Campolmi 博士和 Ravi Kashyap 博士讨论了情绪和替代数据在贸易。
  
  
• 00:05:00 演讲者正在介绍金融领域的情绪和另类数据，这将在小组讨论中进行讨论。小组成员将就什么是替代数据、为什么需要它以及如何释放其价值提供见解。目标是使用情绪数据来预测未来的金融结果，因为新闻事件通常会影响资产价格，而情绪数据可以快速处理并转换为数字数据以用于数学模型。这些数据通常不会被传统市场数据捕获，使其成为决策制定的宝贵信息来源。替代数据手册将于 2022 年春季发布，专家组将回答与会者的提问。
  
  
• 00:10:00 专家小组讨论情绪和另类数据在交易中的使用。他们发现，将新闻分析和情绪作为额外的输入特征纳入预测模型可以改善结果，尤其是在预测资产波动方面。此外，他们还讨论了替代数据的出现，这些数据引入了可用于为交易决策提供信息的新信息，例如消费者习惯。他们强调了将数据与模型相结合、使用人工智能和机器学习技术预测市场方向并最终改善财务结果的重要性。
  
  
• 00:15:00 研究型公司 Brain 的创始人解释了他们创建专有算法和方法的方法，这些算法和方法使用替代数据集提取与金融市场相关的信号。他们将替代数据集在投资和资产管理中的增长趋势归因于数据源可用性的提高和数据科学行业的蓬勃发展。虽然另类数据集为投资者在其模型中使用提供了额外信息，但创始人强调需要采用严格的方法来处理大量信息并识别信号而不会过度拟合。
  
  
• 00:20:00 小组讨论在交易中使用情绪和替代数据。它们涵盖了替代数据是什么、为什么重要以及如何使用这些问题。他们指出，替代数据在不断发展，今天被认为是替代的数据可能会在未来成为主流。金融的目标很简单：赚更多的钱。然而，知道何时买入和卖出是一个挑战。这就是替代数据可以提供优势的地方。该小组承认，在使用新闻作为情绪数据来源时，偏见可能是一个问题，并建议使用多种来源和技术来分析数据等解决方案。
  
  
• 00:25:00 小组讨论了了解收集数据的情景以及数据中存在的潜在偏差的重要性。他们指出，回溯测试可用于查看数据在历史上的表现，但上下文信息对于提供更细致的视图和构建更好的算法是必要的。该小组还谈到了偏差可能并不总是负面的想法，因为它们有时可以使交易策略受益。总的来说，关键要点是虽然无法控制数据源，但重点应该放在理解和使用可用数据上。
  
  
• 00:30:00 小组讨论了在出于交易目的分析情绪数据时要寻找的参数。虽然新闻或情绪提供者通常将情绪分为正面、中性或负面，但该团队指出，新闻或推文的数量也是一个需要考虑的因素。根据提供者的不同，情绪可以量化为一个连续的数字，也可以通过特定时间段内的平均新闻量进行标准化。该小组还强调，Twitter 等社交媒体平台可以通过考虑谁在说某事并确定对市场产生巨大影响的关键推动者，为情绪分析提供额外的元素。
  
  
• 00:35:00 小组讨论了情绪和另类数据在交易中的使用。他们指出，情绪是一种特定于语言的因素，可以通过使用 AI 和其他技术解析文本来进行分析。小组成员还讨论了考虑新闻事件的相关性和新颖性的重要性，以及公司通常如何通过订阅新闻内容提供商来接收新闻数据，这可能只需要几秒钟的处理时间。总的来说，讨论强调了理解情绪和替代数据在构建交易预测模型中的重要性。
  
  
• 00:40:00 小组成员讨论在交易中使用情绪和替代数据。他们谈到了可用于情绪指标的不同时间框架，以及它们为何不旨在击败新闻到达市场的速度。情绪指标旨在提供一个描述性指标，说明新闻流如何随时间影响股票。小组成员还谈到了将文本转换为数字的重要性以及文本数据所需的额外处理层。他们提到了用例和交易频率如何影响用于交易的数据的质量和时间。
  
  
• 00:45:00 小组讨论情绪数据和替代数据源在交易中的相关性。提出了多少天的情绪数据相关的问题，答案是这取决于模型的目的以及正在进行的交易类型。他们继续讨论替代数据源的性能指标，简单的答案是赚取了多少利润。然而，他们解释说，人们通常希望以低廉的价格获得尽可能多的历史记录，但如果越来越多的人使用数据集并且它们被商品化，数据集就会变得更便宜。他们还指出，使用替代数据源需要了解数据的价值可能会随时间而变化。
  
  
• 00:50:00 小组讨论了使用替代数据进行交易的挑战以及回溯测试的重要性。他们承认历史信息稀少，因此难以分析和回测某些替代数据源。然而，他们建议有统计模型和技术可以帮助推断回测数据。该小组还强调了比较给定数据源与没有数据源的表现并相应地调整交易策略的重要性。在讨论情绪分析时，他们警告说，最佳方法会因具体模型及其部署而异。最终，该小组同意替代数据的价值在很大程度上取决于它在给定模型中的使用方式。
  
  
• 00:55:00 小组讨论听众提出的两个问题。第一个问题涉及历史数据的使用以及应该使用多少历史数据来更好地了解不同历史时期可能发生的事情。小组建议至少应使用 7 倍的时间间隔来了解不同的结果。第二个问题涉及寻找替代数据的良好来源。该小组建议让数据侦察员查看各种来源并找到可供量化团队使用的最佳数据。他们告诫说，找到可靠数据并非易事，替代数据的真正来源来自这些寻找创新想法的小型新公司。
  
  
• 01:00:00 小组讨论替代数据以及早期识别独特数据集的小公司如何有可能被大公司收购。该小组还提到了中介机构在数据聚合中的重要性以及使用专有建模在派生数据集中的价值。然后他们继续讨论特定国家数据集的影响，分解风险来源，以及全球市场现在是如何紧密联系在一起的，因此了解区域风险及其对交易决策的潜在影响至关重要。在继续下一个问题之前，该部分以一个笑话结束。
  
  
• 01:05:00 在小组讨论中，演讲者讨论了在交易中使用情绪和另类数据的课程的必要技能和先决条件。虽然熟悉 Python 作为编程语言很有帮助，但他们强调了拥有金融和金融模型基础知识的重要性。此外，他们强调了访问数据源并愿意参与和参与课程的价值。他们还为有兴趣成为定量研究分析师的人解决了一个关于职业建议的问题，鼓励个人向教职员工寻求澄清，并强调对广泛的技能和知识持开放态度的重要性。
  
  
• 01:10:00 小组成员讨论从事金融职业所需的技能。他们建议学习编程语言，因为正在创建越来越多的数据集，并培养对数学概念的良好理解。此外，他们建议不要害怕数学和编程，因为这些技能在该领域变得至关重要。小组成员还强调与尽可能多的人会面和建立联系，成为潜在雇主的宝贵资产，准备好抓住机会，并拥有坚实的数学基础。
  
  
• 01:15:00 演讲者强调了了解市场动态以及对金融行业不同领域持开放态度的重要性。她建议保持客观并避免感伤，因为商业最终围绕金钱和财务管理展开。谈话最后以对小组成员和听众的感谢结束，并提醒大家在社交媒体上祝组织者 11 周年快乐。
  

[MetaQuotes]

牛市中的卖空 - Laurent Bernut 大师班 |算法交易周第 3 天

牛市中的卖空 - Laurent Bernut 大师班 |算法交易周第 3 天

Laurent Bernut 被介绍为 Alpha Secure Capital 的创始人兼首席执行官，以及 Fidelity Investments 的专门卖空者。该视频强调他将主持一个关于卖空主题的大师班，持续两个小时。据说大师班结束时不会有问答环节，但鼓励观众在环节本身提出相关问题。此外，演讲者还向听众介绍了使用 Python 进行卖空的课程，以及一本解释卖空的方式和原因的补充书籍。该书定于 2021 年 10 月 11 日出版，并将在 Amazon.com 上发售。

大师班从 Laurent Bernut 开始，他解释了参与者可以从会议中获得的主要收获。他断言，首选是破产，并强调卖空是筹集成功基金最有价值的技能。 Bernut 还揭穿了关于卖空的十个经典神话，揭示了这一学科研究不足的本质。他详细阐述了卖空的动态，并解释了为什么即使是成功的市场参与者也会为做空而苦苦挣扎。 Bernut 分享个人见解，强调资金管理在课程中的关键作用。

展望未来，Bernut 概述了卖空的运作方式，并强调了找到借入点的重要性。他讨论了选股的破产性质，并倡导交易员将注意力转移到卖空等其他做法上。 Bernut 指出，该行业通常关注选股者，但经验证据表明，大多数主动型基金经理的表现始终低于他们的基准。这导致许多人放弃选股，转向被动投资和壁橱指数。然而，Bernut 强调了熊市期间卖空的相关性及其在下行保护方面带来的价值。

Bernut 解决了对卖空者的误解，消除了他们破坏养老金和公司的观念。他解释说，投资者寻求低波动性、低相关回报和下行保护的多头空头工具，这是积极的经理人难以始终如一地提供的。因此，共同基金经理的多头选择与可以通过交易所交易基金被动获得类似结果的投资者无关。 Bernut 强调，做空股票可以防止下行风险，这使得卖空技巧备受追捧，尤其是在熊市中。

演讲者深入探讨了卖空者在资本主义中的作用以及公司管理层的责任。他认为，不参与公司管理的卖空者经常因失败而受到指责，而实际上，是管理不善导致了倒闭。 Bernut 强调了市场价值和内在价值的区别，解释说市场价值是由主观判断决定的，类似于选美比赛。他进一步澄清，卖空者并不是天生邪恶的投机者，而是经常在市场上揭露悖论。他承认监管机构不赞成参与市场操纵的卖空者，但他们的首要任务是揭露市场效率低下的问题。

视频继续由 Laurent Bernut 讨论企业时空连续体，这给卖空者带来了悖论。他提请注意公司奖励员工参与欺诈的情况，而高级管理层否认知道此类做法。 Bernut 建议卖空者对公司管理采取非对抗性方法，即使他们是对的，因为还有其他方法可以做空股票。他强调了卖空的风险管理方面，并警告说应该谨慎行事。

在他的 Algo Trading Week 大师班中，Bernut 强调了学习如何卖空的重要性以及没有这种技能的相关风险，尤其是在熊市预期中。他还谈到了卖空如何加剧市场波动和股价暴跌的可能性。

视频继续，Laurent Bernut 感谢观众在整个卖空大师班中的参与和参与。他对会议期间收到的问题和评论表示感谢，强调了积极参与和好奇心在学习过程中的重要性。

Laurent Bernut 随后介绍了即将推出的 Python 卖空课程，旨在提供使用编程实施卖空策略的实用技能。该课程将涵盖各种主题，包括数据分析、算法交易、风险管理和回溯测试。他强调了将定量分析与卖空技术相结合的价值，以及 Python 如何成为实现这一目的的强大工具。

除了课程之外，Laurent Bernut 还宣布发行一本名为“揭开卖空面纱：熊市获利的综合指南”的补充书籍。本书将深入探讨卖空的方式和原因，提供见解、策略和真实示例。它旨在揭开这门学科的神秘面纱，并为读者提供成功驾驭卖空复杂性所必需的知识和技能。该书计划于 2021 年 10 月 11 日出版，并将在 Amazon.com 上发售。

正如视频的结尾，Laurent Bernut 重申了在卖空领域不断学习和改进的重要性。他鼓励观众探索课程和书籍，以加深理解并提高技能。他表示致力于帮助个人精通卖空，并强调在瞬息万变的金融市场中保持消息灵通和适应能力的价值。

最后，洛朗·伯努特 (Laurent Bernut) 带着感激和鼓励的语气向观众告别，邀请他们联系、提问，并继续他们在卖空世界中的旅程。视频结束，观众受到鼓舞和激励，进一步探索卖空带来的机遇和挑战。

• 00:00:00 该视频介绍了 Laurent Bernut 作为 Alpha Secure Capital 的创始人兼首席执行官以及 Fidelity Investments 的专门卖空者。大师班将专注于卖空，持续两个小时，最后没有问答环节。演讲者鼓励观众在会议期间提出相关问题。他还提到了一门关于使用 Python 做空的课程和一本解释如何以及为什么要做空的补充书籍。该书将于 2021 年 10 月 11 日出版，并将在 Amazon.com 上发售。
  
  
• 00:05:00 Laurent Bernut 解释了他的卖空大师班的要点，指出最佳选择是破产的，卖空是筹集成功基金最有价值的技能。 Bernut 还揭穿了关于卖空的十个经典神话，同时强调了该学科研究不足的本质。他解释了卖空的动态，以及为什么即使是成功的市场参与者也会为卖空而苦恼。 Bernut 还分享了个人对资金管理的见解及其在课程中的核心部分。本节最后概述了卖空的运作方式和定位借入点的重要性。
  
  
• 00:10:00 Laurent Bernut 讨论了选股的破产性质以及为什么交易员必须将注意力转移到卖空等其他做法上。他解释说，这个行业建立在对选股者的崇拜之上，但参考这些数字，我们知道三分之二的主动型基金经理年复一年地表现不佳，这导致他们将重点从选股转移到壁橱索引和被动投资。主动型基金经理的表现并没有大幅落后；它通常是指数的正负百分之一或百分之二。然而，在熊市期间，卖空等垂直领域变得相关。
  
  
• 00:15:00 Laurent Bernut 驳斥了卖空者摧毁养老金和公司的神话。他强调，投资者将资金投入多头空头工具，因为他们想要低波动性、低相关回报和下行保护，而主动型基金经理无法始终如一地保证这一点。因此，投资者不关心共同基金经理的长期选择，因为他们可以使用交易所交易基金被动地执行相同的功能。 Bernut 解释说，做空股票可以防止下行风险，这使得卖空技巧需求量很大，尤其是在熊市中。
  
  
• 00:20:00 Laurent Bernut 在资本主义和管理责任的背景下讨论卖空。不参与公司管理的卖空者经常因公司的失败而受到指责，而实际上，导致公司失败的是管理不善。资本主义的历史充满了因管理不善而过时的公司，卖空者往往只是护送它们进入这种过时状态。市场价值也被讨论为与内在价值分开，市场价值是加拿大选美比赛，根据法官认为最美丽的人选出最美丽的人。最后，讨论了卖空者是邪恶投机者的误解，Bernut 警告监管机构不喜欢从事市场操纵的卖空者，但卖空者的工作往往是揭露市场的悖论。
  
  
• 00:25:00 视频“牛市中的卖空 - 大师班”中的演讲者 Laurent Bernut 谈到了企业时空连续体，这是卖空者面临的悖论。当公司向参与欺诈的员工发放奖金，而高级管理层否认知道此类行为时，就会出现悖论。 Bernut 还建议卖空者不应该对公司管理层持敌对态度，即使他们是对的，因为有非敌对的方式来卖空股票。 Bernut 知道卖空是一种风险管理活动，因此就其存在的潜在风险提出建议，称卖空应谨慎进行。
  
  
• 00:30:00 Laurent Bernut 在他的算法交易周大师班上讨论了学习如何卖空的重要性以及不知道如何做空的风险，强调了为不可避免的熊市进行培训和实践的价值。他还谈到了卖空如何增加市场波动并最终导致股价暴跌。 Bernut 简要探讨了借款人利用的概念以及被卖空的股票的供求，回答了一个关于最大限度地减少损失的问题，并解决了在期货市场调整现货卖空策略的需要。
  
  
• 00:35:00 Laurent Bernut 揭穿了在牛市期间不需要卖空的神话。许多对冲基金在 2008 年金融危机之前拖延学习卖空，导致他们在市场崩溃时遭受巨大损失。 Bernut 认为卖空应该在牛市中学习，因为它是一个竞争激烈的领域，存在大量 alpha 泄漏，而在牛市中学习可以让人们有犯错误的空间而不会造成太大后果。结构性冲击的神话也被揭穿了。虽然企业可能会破产，但这个逻辑并不适用于多头头寸，多头头寸的人经常来访和培训以保护他们的投资。
  
  
• 00:40:00 Laurent Bernut 解释了作为“游客”和追求结构性卖空的谬论。他认为这代表缺乏谦逊，并表示发现会计欺诈极其困难。另一个问题是有缺陷的商业模式，这些模式很难被发现，因为公司试图隐藏它们。 Bernut 还谈到了估值，他说当它们没有意义时，它们就不再有意义了。他解释了两种交易模式，经典的趋势跟踪和均值回归，并说做多的人应该理解其中的区别，因为它们具有对立的概况和收益。
  
  
• 00:45:00 Laurent Bernut 讨论卖空策略，强调配对交易不是卖空策略，尽管许多人将其与做空相关联。他还谈到了状态定义，它根据价格将市场分为三个部分：看涨、看跌和不确定，以及要做的事情：状态定义、相对序列和价值陷阱。 Bernut 建议关注表现不佳、“乏味”的股票，它们没有真实的故事或增长以及高股息收益率，因为它们往往会跟随谈话而表现不佳，而这正是卖空者想要的。
  
  
• 00:50:00 Laurent Bernut 讨论了卖空时创意产生的绊脚石，并将公司的增长与老化的概念进行了比较，在老化的概念中，它们的收益率更高，因为它们的增长发生在几年前，已经一无所有。他还展示了标准普尔 500 指数的图表，并解释了红色实线和绿色实线分别代表创下一年新高和新低的股票数量，而虚线代表相对系列的相同数据除以该指数。任何指数的成分股中，有一半大致跑赢大盘，一半跑输大盘，这意味着问题在于确定顶部和底部的时机。 Bernut 建议改为进行扇区轮换，并提供所有区域定义方法的热图，从而引发对制度定义的讨论。
  
  
• 00:55:00 Laurent Bernut 讨论了制度定义在交易中的重要性，无论是定量分析还是基本面分析。制度定义作为市场概览，告诉交易者市场是看涨还是看跌。通过分析该制度，交易员可以调查为什么某些股票表现优于或低于市场表现。这些问题的答案分为三类：行业轮动、暂时性错误定价和特定股票表现。 Bernut 还介绍了三种经典的交易策略：趋势跟踪、均值回归和 i-breed。
  
  
• 01:00:00 Laurent Bernut 讨论了经典趋势跟踪和均值回归策略的缺点，并强调了扩大规模和获取短期利润的重要性。这使交易者能够快速获取利润并提高获胜率，而类似彩票的交易可以长期运行。他还解释了卖空的动态以及了解净敞口漂移的必要性，这是卖空的基础。最后，他指出资金管理对于在这个游戏中获利至关重要。
  
  
• 01:05:00 演讲者回答有关他们首选的卖空时间框架的问题。他们解释说，他们的卖空方式是趋势跟踪，正如他们的朋友 Mike Covell 所采用的方法，Mike Covell 以趋势跟踪播客而闻名。他们还强调了卖空时利用借款的重要性，因为这表明机构投资者的参与。一旦借款利用率超过 50，演讲者断言这是机构投资者离开大楼的迹象，唯一让股票下跌的是不太可能出售的稳定股东。因此，紧跟板块轮动的周期，相对而言早点上手是至关重要的，因为在板块轮动结束之前，它可以持续很长时间。
  
  
• 01:10:00 Laurent Bernut 讨论了股票市场风险敞口的概念，特别是总风险敞口、净风险敞口和净 Beta。他解释说，在牛市中，投资者通常会持有净多头且净贝塔系数为正，而他们会做空波动性较低且多头高贝塔系数的防御性股票。然而，Bernut 指出，要实现负净贝塔值是非常困难的，而且世界上只有少数投资者能做到。
  
  
• 01:15:00 Laurent Bernut 讨论了如何在没有负净敞口的情况下在熊市中正确定位。在熊市中，应在公用事业、必需消费品和食品等低贝塔领域建立防御性多头头寸。由于波动性低，这些资产可以超大规模。另一方面，指数上涨的高贝塔值股票必须做空，因为它们跌得最厉害。这将创造一个沉重的多头和一个更轻、更不稳定的空头，从而导致剩余正的净敞口。虽然过去选股失败，但卖空是关于风险管理和头寸规模，使其成为熊市生存的策略。
  
  
• 01:20:00 Laurent Bernut 讨论了扩大赢家的重要性，以便让有利可图的交易随着时间的推移复合。他建议尽早获取高概率利润，然后让剩余的交易运行，从而从趋势跟踪中获得巨大收益的潜力。然而，在卖空时，由于存在轧空风险，迅速将资金撤出桌面非常重要。 Bernut 还强调，止损订单不应成为正常交易决策的一部分，而应仅放置在投资决策无效或被撤销的点上。在波动范围内设置止损单可能会产生噪音并对收益预期产生负面影响。
  
  
• 01:25:00 Laurent Bernut 讨论了止损以及它们如何成为收益预期中的头号变量，因为它们影响了四分之三的变量——平均损失、赢率和损失率。他建议将止损作为一个合乎逻辑的预算问题，并进行试验以找到最佳解决方案。在回答有关专门做空商品的问题时，Bernut 承认他缺乏知识，但建议使用他的相对阶段和观察制度的方法使股票交易比看起来更容易。他最后强调，钱是在资金管理模块中赚来的，选股不是回报的主要决定因素。
  
  
• 01:30:00 Laurent Bernut 谈到了资金管理回报的重要性，以及回报不仅仅是选股。他举了一个富达公司的例子，不同的投资组合拥有相同的股票，但由于投资规模不同，回报也不同。 Bernut 接着以图为例解释了不同的资金管理算法，包括等权、等风险、凸和凹。他将不同的算法比作以不同档位驾驶汽车，并强调根据市场条件调节风险的重要性。
  
  
• 01:35:00 Laurent Bernut 强调了资金管理对于在金融行业取得收益的重要性。他建议最大的进步将在头寸规模、风险管理和投资组合管理方面取得。他认为，凹凸底线的调制可用于调节风险并创建不同的风险状况，这是管理投入交易的投资组合规模的有效方式。根据 Bernut 的说法，这就是机器学习和人工智能将为下一代在金融领域取得重大进步做出贡献的地方。
  
  
• 01:40:00 Laurent Bernut 回答了观众关于风险管理、多空投资组合中的 Black Litterman 优化以及多空投资组合与杠杆之间关系的问题。 Bernut 解释说，管理风险涉及了解何时重新加速或缓慢减速，同时利用多空投资组合可以放大回报，但如果不小心使用，也可能是一把双刃剑。他还指出，虽然他没有亲自使用过 Black Litterman 优化，但它是一种封顶迭代。最后，Bernut 分享了他在自己的交易中使用公开风险和相对风险调整后回报来管理风险的个人方法。
  
  
• 01:45:00 Laurent Bernut 讨论了他更喜欢独立管理股票而不是使用综合方法。在时间框架方面，他每天都进行交易，因为市场在这个水平上提供了大量机会。他还认为，在较长的时间范围内更容易有积极的预期，但这可能会导致较低的回报和较慢的营业额。最后，Bernut 解决了与计算机交易的挑战，提醒我们我们是在与他们竞争而不是被他们惩罚。
  
  
• 01:50:00 Laurent Bernut 讨论了人工智能和机器学习在零售交易中的应用。他认为，使用人工智能和机器学习进行市场预测注定会失败，因为随机性会一直存在。至于零售交易者建立机构，这比人们想象的要容易。人们可以通过观察交易量的变化和股票的趋势来追赶大型机构。虽然零售交易者无法在高频交易中击败大型机构，但他们总能交易不需要广泛研究的趋势和利基市场。总而言之，Bernut 建议不要试图在逐笔交易中与大型机构竞争，并鼓励寻找更容易进入和成功的领域。
  
  
• 01:55:00 Laurent Bernut 讨论卖空者如何比分析师更快地处理信息，以及找到适合自己的位置并专注于负预期的重要性。当被问及如何保持做空心态时，Bernut 建议保持谦虚并在错误时接受，继续前进并设置止损。他甚至将狩猎股票比作钓鱼，解释如何无情地砍掉股票并广撒网。最后，他回答了低频和中频交易者是否有机会对抗高频交易者，并指出这不是高频交易更有利可图的问题，而是每个交易者找到自己的利基并靠自己的能力取得成功的问题。
  
  
• 02:00:00 演讲者讨论了高频交易在交易中的作用，以及它们在本质上是如何充当一种无论如何都会被削减的税收。他还提到，在高频交易中获胜是一场军备竞赛，要么你领先群雄，要么你为别人的午餐买单。与其从时间上看趋势，他认为时间是错误的容器，最好是看制度。在多头与空头敞口方面，他谈到了共同基金中宽客或枪手使用的标准多头扩展 130/30 或 140/40 模型。这些很受欢迎，因为它们仍然只在资产配置游戏中被归类为多头，但他建议考虑净贝塔基准，而不仅仅是总敞口水平。
  
  
• 02:05:00 演讲者解释了 130/30 策略如何在资产配置方面发挥作用，以及残差如何仍被归类为多头。 130/30 策略意味着拥有 130% 的多头头寸和 30% 的空头头寸，净敞口为 100%，现金余额接近于零。使用这种策略的基金仍然可以归类为多头基金，并以各自的指数为基准。演讲者就净贝塔授权是否可能提供了一个有趣的学术观点，但他表示这是一个他以前从未想过的技术问题。会议在此结束，建议提供反馈和提问，并提醒参加下一次会议，了解在交易中使用情绪和替代数据。

[MetaQuotes]

Hui Liu博士如何选择最好的股票和实时交易|算法交易周第 2 天

Hui Liu博士如何选择最好的股票和实时交易|算法交易周第 2 天

在算法交易周第 2 天的介绍中，演讲者感谢了前几场以量化交易和算法交易专家为特色的会议。他们简要提及了这些专家分享的宝贵见解，为当天的演讲奠定了基础。 Day 2的重点是选股和实盘交易，由刘慧博士主持。

演讲者还强调了正在进行的算法交易竞赛，其中包括三个不同的测试，涵盖量化和算法交易的基础。比赛的获胜者将于 9 月公布，为赛事增添了期待和兴奋的元素。此外，演讲者透露，第二天的会议将是一个由 Aloha Bendu 主持的两小时卖空大师班。本课程的时间将进行调整，以适应来自不同时区的参与者。

Hui Liu 博士首先讨论了交易想法的产生、验证以及构建机器学习模型以测试其历史表现的过程。他建议交易员可以通过阅读财务报告或监控社交媒体平台来衡量公司的业绩来获得灵感。刘博士还介绍了SPY ETF，它跟踪标准普尔500指数，是一个宝贵的历史数据来源。他强调了在继续使用 iBridgePi 创建交易机器人之前，采用统计模型并进行回溯测试以验证交易想法的重要性。

刘博士随后解释了趋势交易的基础知识和低买高卖的意义。他详细阐述了历史数据的收集以及在 Jupyter Notebook 上利用 Python 开发机器学习模型。刘博士演示了如何使用该模型来创建股票筛选器，以帮助识别最有前途的股票以进行交易。他强调了通过回测和实时交易验证交易想法的重要性。

在他的下一部分中，刘博士提供了使用 Python 从 Yahoo Finance API 检索历史数据并对其进行操作以构建机器学习模型的实际操作演示。具体来说，他为 SPY 检索每日柱线数据，并使用“请求历史数据”功能。刘博士在数据中添加了额外的列，用于计算收盘价从前一天到当天以及从当天到第二天的百分比变化。他解释说，从昨天到今天的负收盘价变化，加上从今天到明天的正变化，意味着在价格下跌时买入股票的机会，因为他的预测表明价格即将上涨。

刘博士随后详细介绍了构建机器学习模型以预测股票价格的过程。他获取有关收盘价、昨天的价格变化以及今天到明天的价格变化的数据。通过使用线性回归模型，他拟合数据并分析结果。 Liu 博士展示了一个图表，其中黑线代表机器学习模型的预测，而分散的数据点描绘了雅虎财经对标准普尔 500 指数的每日股票价格。他解释说，负系数表示负相关，表明当价格下跌，则很可能上涨，反之亦然。刘博士考虑了使用这种模型进行自动交易以潜在产生利润的可行性。

刘博士继续讨论选择最佳股票和进行实时交易的过程。他建议交易员在交易日结束时检查价格，以确定其向上或向下的走势，然后再在收盘时下单。他演示了股票筛选器的构建，以深入了解该模型如何处理各种股票并确定要跟踪的有利股票。刘博士承认他的模型相对简单，依靠昨天的价格来预测明天的价格，因此考虑结合移动平均收敛散度（MACD）等高级指标来提高预测准确性和过滤交易。

刘博士探讨了利用 MACD 预测和过滤股票，并与低买高卖模型进行了比较。他展示了在 SPY 上使用 MACD 10 和 30 时获得的结果，揭示了相对较弱的趋势。因此，刘博士得出结论，使用 MACD 预测未来可能不会产生像以前那样有利的结果。他接着讨论了统计机器学习模型的构建，并将低买高卖模型视为一种潜在的获利方式。刘博士重点介绍了 Average Pi，这是一个促进回溯测试和实时交易的 Python 平台，强调了其 100% 隐私功能、与多个账户的兼容性以及数据提供者方面的灵活性。他说明了仅使用几行代码在 Average Pi 中构建低买高卖模型的简单性和效率。

刘博士解释了使用 Algo Trading Week Day 2 设置交易配置的过程。他强调在开始时执行初始化函数以定义变量并建立配置。例如，他安排“低买高卖”功能在每个交易日执行，在市场收盘前一分钟执行，指示如果昨天的价格低于今天的价格，则将 100% 的投资组合投资到 SPY。刘博士深入探讨了回溯测试的主题，说明了如何在各种时间范围内使用来自经纪人或第三方供应商的历史数据，包括每分钟、每小时或每天。

接下来，刘博士演示了使用不同的数据提供商和数据包对所选策略进行回测的过程。他建议选择回测期的开始时间和结束时间，并确认选择的数据提供者进行执行。转入演示模式，刘博士展示了整个过程，表示可以使用Interactive Brokers（IB）等数据提供商或本地历史数据来回测策略。他利用存储在本地文件中的可用历史数据，提供有关配置回溯测试设置的指导。

刘博士继续演示使用回测来测试使用历史数据的交易策略的有效性。他承认为广泛的回溯测试时间框架获取有意义的每日条形数据的挑战。为了克服这个障碍，他引入了模拟分钟柱数据的概念，可以利用每日柱的收盘价来模拟数据。这简化了交易者努力获取回溯测试所需的精确数据的过程。

刘博士介绍了 2000 年至 2020 年标准普尔 500 指数“低买高卖”模型与买入并持有策略的回溯测试结果。该模型优于买入并持有策略，从而形成了一个投资组合价值 800,000 美元与 200,000 美元相比。他承认，尽管通过简单线性回归观察到的相关性很小，但该模型仍然提供了积极的结果。刘博士接着转移到实盘交易的话题上，表示可以直接修改两行代码，选择需要的策略，输入盈透证券的账户代码，再执行程序。他通过邀请与会者通过电子邮件与他联系以获得编码帮助或安排在加利福尼亚州圣何塞举行的面对面会议来结束演示。

在问答环节中，提出了一个关于在实时交易中提供相同结果的回测策略的确定性的问题。刘博士解释说，虽然历史数据代表过去，模型可能表现出统计稳定性，但价格本身是波动的，尤其是在收盘时。因此，预测未来的变化是不可避免的。然而，在一段较长的时间里，整体模型应该是正确的。他指出，他使用线性回归模型是因为它简单易懂，但他承认更复杂的机器学习模型可能会产生更好的结果。刘博士还谈到了交易成本和滑点的问题，指出在实施实时交易策略时应考虑这些因素，并且会对策略的整体绩效产生影响。

另一个问题是关于其他技术指标与低买高卖模型的结合使用。刘博士的回应是强调了 Average Pi 平台的灵活性，该平台允许交易者将额外的指标纳入他们的策略。他提到移动平均收敛发散 (MACD) 指标可能是过滤交易和提高预测准确性的宝贵补充。

一位参与者询问交易信号和市场收盘之间的时间间隔的重要性。刘博士解释说，选择的时间间隔取决于个人偏好和交易策略。市场收盘前可能需要几分钟甚至几小时，具体取决于所需的交易执行时间。他建议交易者尝试不同的时间间隔，以找到最适合他们特定策略的时间间隔。

在回答有关市场波动对低买高卖模型的影响的问题时，刘博士承认波动增加可能会产生更多交易机会。不过，他警告说，较高的波动性也会带来较高的风险，交易者应仔细考虑自己的风险承受能力，并相应地调整策略。

一位参与者询问低买高卖模型的潜在局限性。刘博士承认，该模型的简单性既是一种优势，也是一种局限性。虽然它可以产生积极的结果，但它可能无法捕捉到更复杂的市场动态，并可能错失某些交易机会。他建议想要探索更高级策略和模型的交易者应该考虑更深入地研究量化金融并探索其他机器学习算法。

问答环节以刘博士结束，他表示愿意协助与会者解决任何进一步的问题或编码帮助，并鼓励他们通过电子邮件与他联系。

• 00:00:00 演讲者介绍了算法交易周第 2 天，并简要提到了之前与量化和算法交易专家的会议。当天的演讲重点是如何选股和实盘交易，由刘辉博士主讲。演讲者还简要介绍了 Algo 交易竞赛及其对量化和算法交易支柱的三项不同测试，获胜者将于 9 月底公布。明天的会议将是 Aloha Bendu 的两小时卖空大师班，将根据参与者的位置比平时提前进行。
  
  
• 00:05:00 Hui Liu 博士讨论如何提出一个交易想法，验证它，然后建立一个机器学习模型来测试过去的表现。他建议阅读财务报告或使用社交媒体来了解公司的业绩可能是产生交易想法的一种方式。然后他谈到了跟踪标准普尔 500 指数的 SPY ETF 以及如何将其用作历史数据源。刘博士还提到在使用 iBridgePi 创建交易机器人之前使用统计模型和回测来验证交易想法。
  
  
• 00:10:00 Hui Liu 博士讨论了趋势交易的基础知识以及低买高卖的重要性。基于这一概念，他解释了如何在 Jupyter Notebook 上使用 Python 收集历史数据和构建机器学习模型。他还演示了如何使用该模型创建一个股票筛选器，以帮助识别最适合交易的股票。最后，他强调了通过回测和实时交易来验证您的交易想法的重要性。
  
  
• 00:15:00 Hui Liu 博士演示了如何使用 Python 从 Yahoo Finance API 中检索历史数据并操作数据以构建机器学习模型。 SPY 的数据是用每日柱检索的，用于检索历史数据的功能是“请求历史数据”。为了构建机器学习模型，刘博士添加了几列，以百分比计算从昨天到今天以及从今天到明天的收盘价变化。他解释说，如果从昨天到今天的收盘价变化是负的，而从今天到明天的收盘价变化是正的，这意味着价格下跌时有机会买入股票，因为他的预测是价格会上涨向上。
  
  
• 00:20:00 Hui Liu 博士解释了他构建机器学习模型以预测股票价格的过程。他首先收集有关收盘价、昨天的价格变化以及今天到明天的价格变化的数据。然后，他使用线性回归模型来拟合数据并分析结果。图中的黑线代表机器学习模型的预测，分散的数据点代表雅虎财经对标准普尔 500 指数的每日股价。刘解释说，负系数意味着负相关，这表明当价格下跌时，它很可能会上涨，当价格上涨时，很可能会下跌。最终，Liu 考虑是否可以将该模型用于自动交易以潜在获利。
  
  
• 00:25:00 刘慧博士讨论如何选股和实盘交易。他建议交易员在交易日结束时查看价格，看看价格是上涨还是下跌，然后在交易市场结束时下单。他演示了如何构建股票筛选器，以了解该模型如何适用于其他股票，以及哪只股票值得关注。刘博士解释说，他的模型太简单了，因为他用昨天的价格来预测明天，所以他考虑使用移动平均收敛散度 (MACD) 等高级指标来预测和过滤交易。
  
  
• 00:30:00 Hui Liu 博士讨论了使用 MACD 预测和过滤股票，以及它与低买高卖模型的比较。他展示了在 Spy 上使用 MACD 10 和 30 时的结果，揭示了相对较弱的趋势，并得出结论，使用 MACD 进行未来预测不会像以前那样成功。刘博士讨论了建立统计机器学习模型并考虑低买高卖模型以潜在获利。然后他转而讨论使用 Average Pi，这是一个用于回测和实时交易的 Python 平台，强调其 100% 隐私功能，允许管理多个账户并使用任何数据提供者进行回测。最后，刘博士介绍了如何仅用几行代码在 Average Pi 中构建低买高卖模型，强调其简单性和高效性。
  
  
• 00:35:00 Hui Liu 博士解释了使用 Algo Trading Week Day 2 设置交易配置的过程。Liu 博士在执行开始时运行初始化函数来定义变量和设置配置。在一个例子中，刘博士安排“低买高卖”功能在每个交易日运行，即收市前一分钟，如果昨天的价格低于今天的价格，则将其投资组合的 100% 买入 SPY。刘博士接着解释了如何使用来自经纪人或第三方数据提供商的历史数据以分钟、小时或天为基础进行回测。
  
  
• 00:40:00 Hui Liu 博士演示了如何使用不同的数据提供商和数据包对您选择的策略进行回测。他解释说，回测最简单的方法是选择一个开始时间，选择一个回测结束时间，并确认数据提供者来运行它。刘博士切换到演示模式来展示这个过程，并提到可以使用像IB这样的数据提供商或本地历史数据来回测他们的策略。他进一步指导如何在使用本地文件中可用的历史数据的同时设置回测过程。
  
  
• 00:45:00 Hui Liu 博士演示了如何使用回测来测试使用历史数据的交易策略的有效性。他解释说，数据需要有意义，但交易者可能很难找到长期回测时间框架的每日柱状数据。然而，为了解决这个问题，他引入了模拟分钟柱数据的概念，如果数据不可用，可以使用每日柱的收盘价来模拟数据。这有助于简化那些努力寻找正确数据进行回溯测试的交易者的流程。
  
  
• 00:50:00 Hui Liu 博士展示了 2000 年至 2020 年标准普尔 500 指数“低买高卖”模型与买入并持有策略的回测结果。该模型优于买入并持有策略，与 200,000 美元相比，产生了 800,000 美元的投资组合价值。他指出，尽管使用简单线性回归的相关性很小，但它仍然产生了很好的结果。刘博士随后过渡到实时交易，他说这很简单，只需更改两行代码即可选择策略并在运行程序之前输入 IB（Interactive Brokers）的账户代码。他通过邀请与会者通过电子邮件与他联系以获得编码帮助或亲自会面（如果他们碰巧在加利福尼亚州圣何塞）来结束演示。
  
  
• 00:55:00 Hui Liu 博士回答了一个关于回测策略在实时交易中提供相同结果的确定性的问题。他解释说，历史数据只是过去，虽然模型在统计上可能是稳定的，但价格是波动的，尤其是在接近市场收盘时。因此，预测未来总会有变化，但在很长一段时间内，整体模型仍然是正确的。他指出，他使用线性回归模型的原因是它最容易理解，但也可以使用其他模型，例如随机森林模型。然而，简单地解释模型是有挑战性的，应该使用更简单的模型来避免过度拟合。
  
  
• 01:00:00 刘博士讨论了重新训练模型的频率以及如何通过止损或获利来管理风险。他建议再训练取决于模型的种类和你拥有的数据量；拥有更多数据将带来更好的结果和可预测性。当谈到通过止损来管理风险时，他建议，虽然很难将其直接放入模型中，但可以将其纳入回测框架中以设置止损点并将结果与没有止损的策略进行比较。最后，他告诫普通交易员不要参与高频交易，因为在该领域没有办法击败机构。
  
  
• 01:05:00 Hui Liu 博士讨论回测所需的最低水平以及可靠结果所需的数据量。他说，可靠测试的最低水平是您可以获得的最高数据点数，您应该根据每日或每小时的柱线来做出判断。他建议，在比较模型的因素数量时，对于每个因素，你应该有一百个数据点来拟合你的模型，否则你的模型就不会那么好。最后，主持人表达了对刘博士的感谢并宣布了下一节课。

[MetaQuotes]

如何成为一名成功的量化分析师 | Ernest Chan 博士 |算法交易周第 1 天

如何成为一名成功的量化分析师 | Ernest Chan 博士 |算法交易周第 1 天

Ernest Chan 博士的问答环节首先介绍了一场算法交易竞赛，旨在为初学者提供学习算法交易基础知识的机会，同时让专家们更新知识。比赛为前三名获奖者提供奖学金和成就证书等奖品。 PredictNow.ai 和 QTS Capital Management 的创始人兼首席执行官，以及三本量化交易书籍的作者陈博士与听众分享了他的专业知识。

陈博士首先强调了过去十年量化交易的主导地位，据估计，美国交易所高达 90% 的交易量来自算法交易。虽然他没有声称量化交易优于全权委托交易，但他强调了不要忽视将交易策略自动化或系统化的机会的重要性。就个人交易者与机构竞争而言，陈博士建议，能力有限的利基策略提供了最好的机会。这些策略通常对大型机构没有吸引力并且涉及不频繁的交易，使它们成为独立交易者的可行选择。

陈博士继续讨论在大型机构没有竞争的算法交易中找到利基市场的重要性。他建议不要与大型企业直接竞争，并建议寻找几乎没有竞争的领域。陈博士回答有关拥有博士学位的重要性的问题。在量化和算法交易中。他强调，“参与其中”，意思是将自己的钱投入其中，对于成为一名成功的量化分析师至关重要。他建议交易者通过自己回测交易策略和阅读有关交易的博客和书籍，专注于培养对市场的直觉理解，而不是仅仅依靠理论知识。

陈博士建议，成功的量化交易员应该优先考虑实践经验和市场理解，而不是博士学位。他指出，成为一名成功的量化分析师需要时间，并建议在寻求加入顶级量化基金时通过以白皮书的形式撰写原创研究，重点关注交易策略或特定市场现象来脱颖而出。他告诫说，短期的业绩记录，例如一次成功的交易，不足以证明一致性和知识。在回答有关将订单流数据纳入交易策略的问题时，陈博士承认其作为指标的价值，但强调应将其与其他指标结合使用，因为没有一个指标可以单独使用。

Chan 博士讨论了使用单个指标构建交易策略的局限性。他指出，许多人使用这些指标，降低了它们的有效性。他建议将它们作为机器学习程序中的众多功能之一。当被问及量化行业中的年龄歧视时，陈博士强调，如果某人以独资经营，年龄歧视就不是问题。他还分享了他对使用机器学习生成 alpha 的看法，警告过度拟合的风险，并建议将其作为风险管理工具。关于低延迟交易，陈博士认为量化交易是该领域的必要条件。最后，他建议，除了成功的业绩记录外，管理技能对于任何想要启动基于量化的对冲基金的人来说都是必不可少的。

陈博士强调，成功的基金管理不仅涉及交易技巧，还涉及管理和业务发展技巧。具有领导才能和商业管理背景是至关重要的。当被问及如何从数量上了解印度市场时，他承认主要是由于法规原因缺乏知识。关于在采用策略之前应该花多少时间进行纸面交易的问题，陈博士解释说，这取决于交易的效率。对于每秒执行交易的高频交易策略，两周的纸面交易可能足以上线。相反，对于持有策略，可能需要三个月的模拟交易才能根据所进行的交易数量获得统计显着性。

Chan 博士进一步讨论了时间序列方法是否仍应作为一个人的 alpha 投资组合的核心，尽管最近的研究表明盈利的 alpha 大多是非价格基础的。他建议参加行业会议，通过 LinkedIn 等平台与专业人士建立联系，并在交易中建立良好的业绩记录，以吸引经验丰富的宽客的注意。他鼓励个人寻找导师并采取积极措施接触潜在的合作者。

接下来，陈博士分享了关于如何聘用和培训成功的量化交易团队的见解。他建议，所聘用的个人应具备团队所关注的特定职能方面的专业知识，无论是风险管理、衍生品定价还是数据科学。如果团队的目标是制定有利可图的交易策略，最好聘请已经在该领域有业绩记录的人。此外，陈博士强调，没有普遍理想的交易市场，团队应该专注于他们最了解的领域。他还解释了与中低频交易者相比，高频交易者如何在预测短期市场方向方面具有优势。

讨论继续进行，Chan 博士深入探讨了在短时间范围内准确预测市场走势的挑战以及利用高频交易预测所涉及的复杂性。他分享了他个人的交易方法，即聘请熟练的交易员而不是自己交易。陈博士强调了聘用具有良好业绩记录的交易员的重要性，无论他们采用的是全权委托策略还是量化策略。当被问及他的累计年增长率时，他澄清说，由于美国证券交易委员会的规定，他不能透露这一信息。最后，他指出，量化交易员通常不会在所有资产类别中使用相同的策略，这使得比较 Python 和 MATLAB 等编程语言用于算法交易目的具有挑战性。

陈博士讨论了MATLAB和Python在交易中的使用，承认虽然他个人更喜欢MATLAB，但不同的交易者有自己的偏好，语言的选择并不是最关键的因素。他认为，即使对于该领域的专家来说，优化交易成本也很困难，因此它不应该成为交易者的首要任务。关于修改或重新训练机器学习策略，他建议只有在市场机制发生重大变化时才这样做。他还建议通过学习 Python 或 MATLAB 等新语言来扩大交易机会，以提高交易技能。

Chan 博士通过为有兴趣成为量化交易员的个人提供职业建议来结束会议。他建议探索不同的领域，例如期权交易，以更好地了解个人的优势和劣势。他提到他目前的重点是让他的基于机器学习的风险管理系统更广泛地可用，并澄清他没有计划在不久的将来发布他的机器交易书的第二版。在招聘交易员时，他会寻找长期且一致的业绩记录，并建议使用时间序列技术和计量经济学模型进行短时间交易。退出策略应与特定的交易策略保持一致，并相应地实施止损或利润目标退出。

视频结束时，主持人对 Ernest Chan 博士的宝贵见解和花时间回答与成为一名成功的量化分析师相关的各种问题表示感谢。鼓励观众通过电子邮件发送任何未回答的问题，以确保它们得到解决。主持人宣布在下周与算法交易领域的其他尊贵嘉宾举行额外的会议，对观众的支持表示感谢，并鼓励他们继续收看。

• 00:00:00 本次与 Ernest Chan 博士的问答环节，听众提出的问题将与预选问题一起进行解答。在进入问答环节之前，演讲者介绍了算法交易竞赛，它为初学者提供了学习算法交易基础知识的机会，同时也为专家们提供了温习知识的机会。比赛前三名的获奖者将获得奖学金和成就证书等奖品。陈博士是 PredictNow.ai 和 QTS Capital Management 的创始人兼首席执行官，也是三本量化交易书籍的作者。
  
  
• 00:05:00 Ernest Chan 博士解释说，量化交易已经成为过去 10 年的主要交易形式，一些估计表明美国交易所高达 90% 的交易量来自算法交易。虽然他并不声称量化交易优于全权委托交易，但他强调，忽视将策略自动化或系统化的机会并不明智。当谈到个体交易者与机构竞争时，陈博士建议，容量有限的利基策略提供了最好的机会。这些策略通常对大型机构没有吸引力并且涉及不频繁的交易，使它们成为独立交易者的可行选择。
  
  
• 00:10:00 Ernest Chan 博士讨论了在算法交易中找到利基市场的重要性，在该市场中，大型机构没有竞争并不惜一切代价避免竞争。他建议不要与大公司竞争，并建议找到一个没有竞争的利基市场。他还回答了有关拥有博士学位的重要性的问题。在量化和算法交易中，他建议参与游戏对于成为一名成功的量化分析师至关重要。如果不把自己的钱放在线上，一个人永远不会学会交易，也不会专注于数学或数据科学等次要问题。通过自己回溯测试交易策略并阅读有关交易的博客和书籍来培养对市场的直观理解至关重要。
  
  
• 00:15:00 Ernest Chan 博士建议，成功的量化交易员的重点应该放在市场本身，而不是从博士那里获得的理论知识。他建议，需要特别关注实践经验，并且要成为一名成功的量化分析师需要时间。为了在寻求加入顶级量化基金时脱颖而出，他建议以白皮书的形式撰写原创研究，重点关注交易策略或特定市场现象。他还警告说，短期的业绩记录（例如成功的交易）本身并不足以证明一致性和知识。在回答有关合并订单流数据的后续问题时，他建议这是一个很好的指标，但作为独立指标还不够，还有许多其他指标应该结合使用。
  
  
• 00:20:00 Ernest Chan 博士讨论了使用个人指标构建交易策略的局限性，因为使用它们的人数众多。他建议将它们作为机器学习程序中的众多功能之一。当被问及量化行业的年龄歧视时，陈博士指出，如果某人是独资经营者，年龄歧视就不是问题。他还分享了他对使用机器学习生成 alpha 的看法，强调了过度拟合的风险，并建议将其作为风险管理工具。关于低延迟交易，陈博士认为量化交易是该领域的必要条件。最后，他建议，除了成功的业绩记录外，管理技能对于想要创办基于量化的对冲基金的人来说也是必不可少的。
  
  
• 00:25:00 Ernest Chan博士强调，成功的基金管理不仅涉及交易技巧，还涉及管理和业务发展技巧。因此，具有领导素质和商业管理背景至关重要。当被问及对印度市场的定量了解时，他承认主要是由于法规的原因不了解印度市场。关于在采用策略之前应该花多少时间进行纸面交易的问题，陈博士解释说，这取决于交易的效率。对于每秒交易的高频交易策略，两周的纸面交易就足够上线了。同时，对于持有策略，可能需要进行三个月的模拟交易以获得基于特征数量的统计显着性。最后，他讨论了时间序列方法是否仍然应该是一个人的 alpha 投资组合的核心，尽管最近的研究表明盈利的 alpha 大多是非价格基础的。
  
  
• 00:30:00 Ernest Chan 博士建议参加行业会议，通过 LinkedIn 或其他平台与专业人士建立联系，并在交易中建立良好的记录。他还建议寻找导师并积极主动地接触潜在的合作者。建立良好的声誉并表现出学习和改进的意愿有助于吸引经验丰富的宽客的注意。
  
  
• 00:35:00 Ernest Chan 博士讨论如何聘用和培训成功的量化交易团队。他建议，被聘用的人需要在团队专注的特定职能方面表现出专业知识，无论是风险管理、衍生品定价还是数据科学。如果团队的目标是制定有利可图的交易策略，那么最好聘请已经拥有业绩记录的人。此外，Chan 表示，没有普遍适用的交易市场，团队应该专注于他们最了解的领域。最后，他讨论了高频交易者与中低频交易者相比如何在预测短期市场方向方面具有优势。
  
  
• 00:40:00 Ernest Chan 博士讨论了准确预测短期内市场走势的困难，以及利用高频交易预测的挑战。他还谈到了他个人的交易方式，包括聘请熟练的交易员而不是自己交易。 Chan 强调了聘用具有良好业绩记录的交易员的重要性，无论他们使用的是全权委托策略还是量化策略。当被问及他的累计年增长率时，Chan 表示，由于 SEC 的规定，他不能透露这一信息。最后，他指出，量化交易员通常不会在所有资产类别中使用相同的策略，并且很难比较 Python 和 MATLAB 的算法交易。
  
  
• 00:45:00 Ernest Chan 博士讨论 Matlab 和 Python 在交易中的使用。虽然他个人更喜欢 Matlab，但他承认不同的交易者有自己的偏好，语言并不是最重要的方面。他还认为，优化交易成本是困难的，即使对于该领域的专家来说也是如此，因此它不应该成为交易者的优先事项。在修改或重新训练机器学习策略时，他建议只有在市场机制发生巨大变化时才这样做，通过学习 Python 或 Matlab 等新语言来提高技能可以帮助交易者扩大机会。
  
  
• 00:50:00 Ernest Chan 博士为有兴趣成为量化交易员的个人讨论职业建议。他建议尝试不同的领域，例如期权交易，以更好地了解个人的优势和劣势。他还提到，他目前的重点是让他的基于机器学习的风险管理系统得到更广泛的应用，他没有计划在不久的将来发布他的机器交易书的第二版。在雇用交易员时，他会寻找长期且一致的业绩记录，并建议使用时间序列技术和计量经济学模型进行短时间交易。他指出退出策略取决于具体的交易策略，并建议相应地实施止损或利润目标退出。
  
  
• 00:55:00 视频结束时，主持人感谢 Ernest Chan 博士抽出宝贵时间，并对与成为一名成功的量化分析师相关的各种问题做出了深刻的回答。鼓励观众通过电子邮件发送会议期间未回答的任何问题，以确保他们得到解决。主持人宣布，下周将与算法交易领域的其他尊贵嘉宾举行额外的会议。感谢观众的支持，并鼓励他们继续收看。

[MetaQuotes]

在你进入量化和算法交易之前...... [小组讨论] |算法交易周第 0 天

在你进入量化和算法交易之前...... [小组讨论] |算法交易周第 0 天

Algo Trading Week 以由主持人和行业专家主持的引人入胜的小组讨论拉开序幕。主持人首先邀请营销和外展计划的负责人介绍活动的一些背景及其目的。营销负责人解释说，Algo Trading Week 的主要目标是让算法交易更容易获得并将其带入主流。该活动旨在通过网络研讨会、研讨会和免费资源等各种教育活动来实现这一目标。此外，Algo Trading Week 是为了庆祝公司成立 11 周年，将持续 7-8 天，提供范围广泛的会议和竞赛。

演讲者随后介绍了他们的 Quantra 课程，强调其中很大一部分课程（大约 20-25% 或更多）是免费提供的。这得益于社区的支持和贡献。演讲者表达了他们做更多事情的愿望，并解释了这是如何促使他们组织为期一周的学习节的。该节日汇集了一些行业顶级专家，他们将分享他们的知识和见解。演讲者对收到的积极回应表示感谢。

接下来，演讲者介绍了将参与讨论的小组成员。该小组成员包括领导魂斗罗内容团队的 Ishaan、QuantInsti 的联合创始人兼首席执行官 Nitish、Blue Shift 的副总裁 Pradipta 和 iRage 的联合创始人兼首席执行官 Rajiv。这些受人尊敬的小组成员带来了不同的观点和专业知识。

然后讨论转移到量化和算法交易职业所需的必要技能和教育背景的主题。该小组强调了在深入研究该领域之前调整个人兴趣和热情的重要性。他们建议个人做好投入大量时间和精力的准备，并强调需要清楚地了解金融市场、编程方法以及统计和计量经济学。该小组强调，这些领域中的一两个领域的专业知识是必要的，但所有三个领域都必须满足最低水平的资格标准。该小组还讨论了短期课程如何帮助个人发展必要的技能以成为该领域的竞争者。

然后，小组成员深入探讨了参加定量和算法交易课程的好处。他们强调遵循正确的交易流程并利用数学和统计数据探索市场异常的重要性。这些课程教授 Python 技能，这对于回测和验证假设至关重要。此外，参与者能够在 BlueShift 等平台上进行书面或实时交易他们的策略。小组成员还讨论了市场中 alpha 的不同来源，以及零售用户如何从使用研究和实时交易平台而不是仅仅依赖现成的策略中获益。他们强调，评估交易策略的风险不仅要孤立地考虑该策略，还要考虑它对一个人的头寸和整体投资组合的影响。

小组进一步讨论了测试策略和获得 alpha 的重要性。他们强调利用 BlueShift 等平台进行系统研究的重要性，而不是构建自己的平台，后者需要一套不同的技能和流程。小组成员指出，交易可以分为不同的风格，市场发展的影响也相应不同。他们使用机器学习国际象棋程序的类比来说明量化交易行业如何从技术和数据分析的进步中受益。由于市场容量和数据可用性的增加，他们还强调了可用于中高频交易策略的大量信息。

小组成员将注意力转移到技术对量化和算法交易的影响上。他们强调大数据和自动化日益增长的重要性，并承认高频交易者面临着日益激烈的竞争。小组成员解决了考虑进入该领域的散户投资者的担忧，告诫不要过快实施策略。

小组成员强调在投资之前彻底测试和理解策略的重要性。他们强调需要避免在没有适当评估的情况下仓促实施的危险。他们强调，在使用某项策略之前理解其预期成功的原因至关重要。

小组成员强调了关注阿尔法想法、测试和风险管理等输入以增加交易成功概率的重要性。他们承认这个过程可能看起来缓慢而乏味，但有必要坚持下去，避免仓促做出决定。对于那些希望从自主交易过渡到系统交易的人，小组成员建议对市场交易、基础数学和策略技能以及编程有基本的了解，尤其是 Python。他们还建议个人阅读有关成功交易者的资料，并从他们的经验中学习，以避免通过反复试验造成损失。

小组成员讨论了算法交易的潜在陷阱以及如何避免它们。他们强调识别策略偏差并通过全面的回溯测试和分析确保它们在各种市场条件下有效的重要性。小组成员告诫不要低估交易所活动的模型，因为缺乏理解会导致错失机会或高频交易策略的交易执行出现重大延迟。他们建议采用系统的方法来制定战略，并使用简单和复杂的因素对其进行广泛测试。小组成员建议通过课程、网络研讨会和实践获得必要的技能，成为精通和成功的量化交易员。

小组成员为对算法交易感兴趣的个人提供了宝贵的建议。他们告诫不要前瞻性偏见、过度依赖回溯测试，以及在不考虑相关风险的情况下对高回报过度自信。小组成员还强调了避免过度杠杆化的重要性，并提醒交易者在评估回报时考虑所涉及的风险。他们强调了可能扭曲回测结果的偏见的存在，并强调需要适当地理解和解决这些偏见。

演讲者强调了在回测时使用正确的工具和方法以提高交易成功机会的重要性。他们强调了开源系统和数据科学库的兴起所带来的机会，这些系统和数据科学库可供拥有正确解释数据能力的交易者免费访问。此外，他们还提到了使用云基础架构灵活租用服务器的可能性，这有助于降低成本。演讲者承认在交易中取得成功的挑战，并强调客观和系统化方法的重要性，以避免交易决策中的恐惧和贪婪等情绪影响。他们建议参加 Quantra 提供的课程，以提高量化和算法交易的技能。

演讲者然后讨论了客观地学习交易的所有组成部分和了解现有的各种策略的重要性。他们强调投资教育的价值，无论是在定量和算法交易还是任何其他领域。演讲者宣布了一项面向有兴趣学习交易基础知识的个人的竞赛，该竞赛面向交易员、程序员和任何希望增强其知识的人开放。比赛将包括三个测验，涵盖金融市场、数学和统计、编程和机器学习。演讲者提供备考资源。

演讲者提供了有关即将举行的算法交易周测验的详细信息，指定了日期和要涵盖的主题。鼓励参与者使用指定的资源或他们喜欢的任何其他方式进行准备，因为分数将决定最终的排行榜。演讲者建议参加所有三个测验，以增加进入前三名或前十名参与者的机会。此外，演讲者还讨论了量化设置所需的硬件要求，解释说执行硬件可以像笔记本电脑一样简单，也可以是云上的最低配置。然而，更高级的研究能力可能需要一台至少有 4GB RAM 的更好的计算机。

然后，该小组深入研究了高频交易 (HFT) 和计算量大的基金的硬件要求。他们强调，HFT 需要频繁的硬件升级和增强，以实现更快的交易所连接，这是其 alpha 生成的关键因素。需要速度和广泛研究和数据分析的交易策略需要服务器级基础设施。该小组还告诫不要将算法交易视为一种“即发即弃”机制，强调需要定期监控策略性能并在必要时采取纠正措施，即使在使用基于云的交易系统时也是如此。

随着小组讨论接近尾声，小组成员对观众收看并积极参与会议表示感谢。他们感谢在长达一个小时的讨论过程中表现出的耐心，并在第二天举行的下一届会议上告别。座谈会以对所有参加活动的人的最后一轮感谢和良好祝愿结束。

• 00:00:00 算法交易周的主持人以行业专家的小组讨论拉开了活动的序幕。主持人邀请营销和外联计划的负责人介绍活动的一些背景以及举办活动的原因。营销负责人解释说，目标是让算法交易更容易获得，并通过网络研讨会、研讨会和免费资源等教育活动使其成为主流。 Algo Trading Week 是为了庆祝公司成立 11 周年，并将在接下来的 7-8 天内举办各种会议和比赛。
  
  
• 00:05:00 演讲者谈到了他们的 Quantra 课程，指出由于社区的支持和贡献，20-25% 或更多的课程是免费的。他们解释说，他们想做更多的事情，因此他们组织了为期一周的学习节，与业内一些最优秀的人分享他们的知识，得到了积极的回应。演讲者接着介绍了小组成员，包括 Contra 内容团队负责人 Ishaan、QuantInsti 的联合创始人兼首席执行官 Nitish、Blue Shift 的副总裁 Pradipta 和愤怒。然后讨论转移到量化和算法交易所需的必要技能和教育背景的主题。
  
  
• 00:10:00 小组讨论了在进入量化和算法交易世界之前调整兴趣和热情的重要性。他们建议个人需要愿意投入大量时间和精力，并对金融市场、编程方法、统计和计量经济学有清晰的了解。他们强调，所有三个支柱都同样重要，并且需要一两个方面的专业知识，但所有三个方面都必须满足最低水平的资格标准。该小组还讨论了短期课程如何帮助用户培养必要的技能，成为该领域的竞争者。
  
  
• 00:15:00 小组成员讨论了参加定量和算法交易课程的好处。该课程强调在交易中遵循正确流程以及使用数学和统计数据探索异常情况的重要性。课程中教授 Python 技能来回测和验证您的假设，同时还让您能够在 BlueShift 等平台上进行书面或实时交易您的策略。小组成员还讨论了市场中 alpha 的不同来源，以及零售用户如何从使用研究和实时交易平台而不是依赖现成的策略中受益。交易策略的风险不仅是独立的，而且与您的头寸和整体投资组合有关。
  
  
• 00:20:00 小组讨论了测试策略和获得 alpha 的重要性，即使对于零售交易者也是如此。他们还讨论了使用 Blueshift 这样的平台进行系统研究而不是构建自己的平台的好处，后者需要一组不同的技能和流程。小组成员指出，交易可以分为不同的风格，市场发展的影响也相应不同。他们使用机器学习国际象棋程序的类比来解释量化交易行业如何从技术和数据分析的进步中受益。他们还提到交易所交易量的增加以及可用于中高频交易策略的大量信息。
  
  
• 00:25:00 演讲者讨论技术对量化和算法交易领域的影响。大数据和自动化变得越来越重要，高频交易者面临着更多的竞争。演讲者解决了正在考虑进入该领域的散户投资者的担忧，警告他们过快实施策略的危险，并强调在投资前彻底测试和理解策略的重要性。在使用之前了解特定策略为何会成功至关重要。
  
  
• 00:30:00 关注 alpha 想法、测试和风险管理等输入对于确保更高的成功概率至关重要。虽然这看起来是一个缓慢而乏味的过程，但有必要坚持下去，避免仓促实施。对于那些希望从自主交易过渡到系统交易的人来说，获得对市场交易、基础数学和策略技能以及编程（尤其是 Python）的基本了解很重要。还建议阅读有关成功交易者的信息，避免因反复试验而亏损。
  
  
• 00:35:00 小组成员讨论了算法交易的潜在陷阱以及如何避免这些陷阱。他们强调识别策略中的任何偏差并通过回溯测试和分析确保其在各种市场制度中发挥作用的重要性。此外，他们告诫不要低估交易活动的模型，缺乏理解可能导致错失机会或高频交易策略的交易执行显着延迟。演讲者建议采用系统的方法来制定战略，并使用简单和更复杂的因素对其进行广泛测试。最后，他们建议通过课程、网络研讨会和实践获得必要的技能，成为一名熟练且成功的量化交易员。
  
  
• 00:40:00 小组成员为那些对算法交易感兴趣的人提供建议。他们警告不要前瞻性偏见、过度依赖回溯测试，以及在不考虑相关风险的情况下对高回报过于自信。小组成员还警告不要过度杠杆化，并建议交易者记住，如果不考虑所涉及的风险，回报本身并没有多大意义。此外，他们认为存在许多偏差会影响回测结果，因此了解和解决这些偏差至关重要。
  
  
• 00:45:00 演讲者强调了在回测时使用正确的工具和方法以提高交易成功机会的重要性。他们还强调了开源系统和数据科学库的兴起所带来的机遇，这些系统和数据科学库可供理解数据语言并能够正确解释的交易者免费使用。此外，他们还注意到使用云基础设施以每分钟、每小时、每秒或每天为基础租用服务器以节省成本的可能性。演讲者还强调了成功交易的难度，并强调需要客观和系统地采取方法，以避免恐惧和贪婪等情绪影响交易决策。他们建议参加 Quantra 提供的课程，以提高定量和算法交易的技能。
  
  
• 00:50:00 演讲者讨论了客观地学习交易的所有组成部分并了解现有的各种策略的重要性。他们强调投资于一个人的教育，无论是在定量交易、算法交易还是其他任何领域。演讲者随后介绍了一项面向有兴趣学习交易基础知识的个人的竞赛。比赛对交易员、程序员和任何想复习知识的人开放，比赛将包括三场测验，涵盖金融市场、数学和统计、编程和机器学习。测验将在特定日期举行，获奖者将于 9 月底公布。演讲者还提供了备考资源。
  
  
• 00:55:00 演讲者提供有关即将举行的算法交易周测验的信息，指定日期和要涵盖的主题。参与者可以使用指定的资源或他们喜欢的任何其他方式准备测验，但分数将决定最终的排行榜。演讲者建议参加所有三个测验，以增加进入前三名或前十名的几率。然后，演讲者讨论了量化设置所需的硬件要求，并解释说执行硬件可以像笔记本电脑一样简单，也可以是云上的最低配置，而更高级的研究能力需要一台至少具有 4GB RAM 的更好的计算机。
  
  
• 01:00:00 小组讨论高频交易 (HFT) 和计算量大的基金的硬件要求。他们指出，高频交易需要频繁的硬件升级和增强，以便更快地到达交易所，这是他们的关键阿尔法。需要速度和大量研究和数据的交易策略需要服务器级基础设施。他们还告诫不要将算法交易视为“即发即弃”机制，并指出定期监控策略性能并在必要时采取纠正措施很重要，即使交易系统是基于云的。
  
  
• 01:05:00 小组成员感谢听众收听他们的讨论。他们感谢大家在长达一个小时的会议中的耐心等待，然后告别，直到第二天他们再次见面进行下一场会议。小组以最后一轮的感谢和祝福结束。

[MetaQuotes]

如何自动化交易策略 |算法交易课程

如何自动化交易策略 |算法交易课程

Rishabh Mittal 是 Quantra 内容团队的一名定量分析师。他的专长在于应用无监督学习技术（尤其是 K-Means）来生成可交易信号。他积极参与开发用于金融市场头寸调整的创新算法，利用诸如等比例投资组合保险 (CPPI) 等方法。在加入 Quantra 之前，Rishabh 获得了使用 TradingView 为各种客户创建系统交易策略的经验。

在这个名为“如何使交易策略自动化”的网络研讨会中，Rishabh 将深入探讨自动化交易策略的过程，并指导参与者如何实施他们的系统交易策略。网络研讨会将首先解决自动化策略所需的先决条件。

然后，Rishabh 将专注于自动交易必不可少的事件驱动方法。他将探讨与经纪人联系、获取实时数据、根据获取的数据生成信号以及最终向经纪人下订单等主题。

在会议结束时，Rishabh 将分步演示如何使用 Blueshift 为市场中的纸面交易设置演示策略。参与者将获得在模拟交易环境中实施和测试其策略的实际见解。

与 Rishabh Mittal 一起参加这个内容丰富的网络研讨会，他将分享他在自动化交易策略方面的专业知识，并提供宝贵的指导，帮助您将系统的交易方法从理论付诸实践。

[MetaQuotes]

机器学习和情绪分析 [算法交易项目网络研讨会]

机器学习和情绪分析 [算法交易项目网络研讨会]

女士们，先生们，

希望大家能听清楚。

欢迎来到量子城的 YouTube 频道。对于那些经常参加我们的网络研讨会的人，您可能还记得我们最近的一次算法交易项目网络研讨会，该研讨会侧重于情绪分析和投资组合分配中的机器学习。我们有幸邀请了两位受人尊敬的 EPAT 校友 Carlos Peral 和 Vivian Thomas 来展示他们的项目工作。不幸的是，后期演示因硬件故障而中断，当时我们无法详细介绍。然而，我们很幸运，卡洛斯花了一些额外的时间来单独录制他的演讲并与我们分享。

那么，事不宜迟，让我们继续观看 Carlos 的演讲。谢谢。

“大家好。在今天的演讲中，我将展示我去年 3 月完成的 EPAT（算法交易执行程序）计划的最终项目。首先，让我自我介绍一下。我叫 Carlos Martin，我拥有计算机工程学士学位。我已经为多个客户工作超过 10 年，主要位于西班牙和比利时。我的主要技能是软件开发，过去五年我一直在欧洲机构工作。

这个项目背后的动机源于我对机器学习的兴趣，尤其是对情感分析的兴趣。我相信这些技术近年来取得了令人瞩目的进步，机器学习模型被应用于文本分析、语音识别、语言翻译和情感分析等各个领域，这是本项目的重点。主要目标是找到新闻情绪和价格敏感度之间的相关性，并利用情绪分数生成交易信号。

与依赖技术或定量分析的传统方法不同，该项目利用定性数据作为新的信息来源。目标是将这些定性数据转化为交易信号。该项目分为两个主要部分：文本分析和交易策略实施。

文本分析部分涉及下载新闻、执行预处理和实施机器学习模型以生成情感分数。对于这个项目，我选择了长短期记忆 (LSTM) 模型来生成情绪分数。交易部分涉及执行交易策略、分析股票价格和评估策略的性能。

让我们详细研究项目的结构。文本分析部分由新闻管理器组成，负责处理新闻数据的初始检索和预处理。我使用了一个类来连接到外部 Web 服务并以 JSON 格式检索新闻。然后将这些新闻数据存储在 CSV 文件中。情感分析部分包括文本预处理和 NLP（自然语言处理）处理程序，后者使用名为 Analytic Evaluator 的库生成极性分数。该库为新闻分配二进制分数，将它们标记为负 (-1) 或正 (1)。这一步对于训练模型至关重要。

该模型采用预处理的新闻，并使用 sigmoid 函数进行二元分类训练。输出情绪分数被分类为正面或负面。然后实施交易策略，并将生成的情绪分数转化为交易信号。值 -1 表示卖出信号，而值 1 表示买入信号。

该项目使用四种股票进行了测试：Apple、Amazon、Twitter 和 Facebook。将情绪评分策略与买入并持有策略进行了比较。使用回报、夏普比率和策略回报评估绩效。结果因股票而异，与买入并持有策略相比，一些股票使用情绪评分策略表现更好。然而，在某些情况下，情绪评分策略表现不佳，尤其是在某些时期。

总之，该项目强调了负面趋势、坏消息和潜在交易机会之间的相关性。通过将情绪分析纳入交易策略，可以系统地利用定性数据和捕捉市场情绪。这种方法可以提供额外的信息层来补充传统的技术和定量分析。

但是，需要注意的是，情绪分析并不是万无一失的方法，其有效性会因各种因素而异。市场状况、新闻来源的质量和可靠性以及情绪分析模型的准确性都对策略的成功起到决定性作用。

此外，持续评估和改进情绪分析模型以适应不断变化的市场动态和不断变化的新闻模式至关重要。有必要定期监测战略的绩效并进行必要的调整，以确保其长期有效。

总体而言，该项目展示了算法交易中情绪分析的潜力。它为将定性数据纳入交易策略开辟了新途径，并为该领域的进一步研究和开发提供了框架。

我要感谢 EPAT 计划和 Quantum City 团队为我提供平台和资源来承担这个项目。这是一次丰富的经历，我相信情绪分析可以为算法交易领域提供有价值的见解。

感谢您的收看，我希望您发现此演示文稿内容丰富。如果您有任何问题或想进一步讨论，请随时与我联系。祝你有美好的一天！

• 00:00:00 Carlos Peral 介绍了他的 QuantInsti 计划的最终项目，该项目侧重于情绪分析和投资组合分配中的机器学习。 Carlos 拥有计算机工程背景，在软件开发领域工作了 10 多年，他的主要兴趣是机器学习主题。他讨论了近年来机器学习模型令人印象深刻的增长以及它们使用的广泛领域，包括情感分析。 Carlos 项目的目的是找到敏感价格与新闻情绪得分之间的相关性，并利用此信息来创建交易信号。他使用定性数据而不是定量数据作为新的信息来源来解决这个问题，并将这些数据转化为交易信号。
  
  
• 00:05:00 演讲者讨论了用于情感分析和机器学习项目的算法的两个主要部分。第一部分侧重于文本分析，其中情感分数是通过长短期记忆模型和从网络服务检索到的新闻的预处理生成的。第二部分涉及实施交易策略和分析股票价格。该项目的五个步骤包括新闻下载、预处理、创建 LCT 模型、新闻情绪评分预测和股价分析。情感分析组件包括预处理文本以获得更好的性能。项目中提供了与检索新闻和生成情绪分数相关的类。
  
  
• 00:10:00 演讲者解释了他们在情绪分析算法交易项目中所涉及的不同步骤。首先，新闻被下载并进行预处理，然后使用名为 Analytic Evader 的库将其分类为正面或负面。下一步涉及训练一个模型来对以前的新闻和分类数据进行分类。接下来是回测阶段以验证交易指标。该项目于 2018 年 3 月至 2020 年 12 月期间进行了测试。
  
  
• 00:15:00 演讲者讨论了为情绪分数设置值的重要性，尤其是因为它对回溯测试有重大影响。他们解释说，他们不使用中性新闻，并为低于 0.08 的新闻设置负分，为更高的分数设置正分。演讲者接着解释了他们如何使用 NLTK 库生成分数，以及如何使用用于二元分类的 sigma 函数训练和编译 LCT 模型。他们比较了四只股票的情绪评分策略和买入并持有策略的回报：Apple、Amazon、Twitter 和 Facebook。演讲者展示了每只股票的图表，并解释说，在某些时期，基于情绪的交易似乎优于买入并持有，包括在大流行期间有所改善。
  
  
• 00:20:00 主持人得出结论，与买入和看涨策略相比，负面趋势和坏消息之间存在一定的相关性，并且表现良好。然而，他建议必须使用高质量的数据源并改进情绪极性的细化，以准确地对新闻进行分类并分配正面或负面标签。他认为需要做更多的工作才能完全信任基于情绪的策略，并建议可以将一个好的模型纳入某些策略。总之，该演示文稿阐明了将情绪分析纳入投资策略的潜力，但警告说，这需要进一步研究和改进来改善情绪极性。

[MetaQuotes]

如何从头开始创建交易算法 [算法交易网络研讨会] - 2021 年 7 月 22 日

如何从头开始创建交易算法 [算法交易网络研讨会] - 2021 年 7 月 22 日

在网络研讨会期间，Ashutosh 分享了他在金融衍生品交易领域十多年的丰富经验。他强调了他在应用高级数据科学和机器学习技术分析财务数据方面的专长。 Ashutosh 拥有著名的硕士学位，并且是一名注册金融分析师 (FF)。目前，他是 Quantum City 团队的重要成员，负责 EPAT 课程的开发和指导，这是世界上第一个经过验证的算法交易认证。

网络研讨会主要侧重于指导参与者完成从头开始创建交易算法的过程。 Ashutosh 强调了理解交易算法、它们在市场上的各种应用以及将想法转化为策略并最终转化为交易算法的重要性。本质上，算法作为一种计算机程序，通过分析数据并根据预定规则生成买卖订单，帮助交易者做出有利可图的决策。它还促进了与外部环境的交互，以有效地发送和接收订单。

在深入探讨交易的实际方面之前，Ashutosh 强调了定义交易范围和确定所需阿尔法的重要性。 Alpha 代表利润背后的驱动力，它可以来自不同的来源，例如独特的市场视角、在竞争中获得优势或实施针对个人目标量身定制的特定策略。

视频内容涵盖了交易的三个基本阶段：研究、交易和交易后。 Ashutosh 阐明了这些阶段并提供了不同交易策略的示例，重点关注将想法转化为具体交易算法的过程。他展示了即使是简单的规则，例如在过去 63 天内的变化率 (roc) 超过 2 时购买股票，也可以构成交易算法的基础。

在整个网络研讨会中，各种交易员展示了他们从头开始构建交易算法的方法。一位交易员利用视觉编码，利用来自印度市场的数据，并结合了订单限制和每股佣金。另一位交易员演示了分步过程，从定义他们的交易领域开始，然后创建一个 alpha 函数来计算 roc，建立交易规则，最后使用逻辑块实施策略。

该视频全面介绍了交易算法的基本组成部分，即条件、订单发送和订单接收。此外，它还展示了如何安排自动执行的算法。基于 beta 和动量的策略被提出作为利用市场趋势的一种手段，同时包含均值转移策略。

Ashutosh 解释了从头开始创建交易算法的过程，涵盖了定义股票范围、计算相关对冲和执行交易规则等关键方面。他还强调了对算法进行回溯测试并对其进行优化以提高性能的重要性。

讨论了定量方法及其在提高交易技能方面的作用，重点是利用贝塔和与市场的相关性来做出明智的决策。 Ashutosh 还为参与者提供了免费咨询电话的机会，以进一步支持他们的交易之旅。

此外，网络研讨会探讨了可在算法中使用的不同类型的数据，并解决了 EPAT 课程的成本评估过程。还向与会者提供了一份课程辅导员名单，以提供指导和支持。

Ashutosh 的网络研讨会提供了从头开始创建交易算法的综合指南。鼓励与会者提交他们在演示过程中可能遇到的任何未解答的问题，以确保对主题有透彻的理解。

• 00:00:00 Ashutosh 讲述了他如何在金融衍生品交易领域涉足十余年，并且拥有将先进的数据科学和机器学习技术应用于金融数据的经验。名牌大学硕士，注册金融分析师（FF）。他目前是quantumcity团队的一员，负责开发和教授epact课程，这是世界上第一个经过验证的算法交易认证。
  
  
• 00:05:00 本次网络研讨会的重点是如何从头开始创建交易算法，涵盖的主题包括为什么我们需要学习交易算法、算法在市场上的不同使用方式以及如何转换将想法转化为策略，将策略转化为交易算法。
  
  
• 00:10:00 算法是一种计算机程序，可以帮助交易者做出有利可图的交易决策。它分析数据并根据预设规则生成买卖订单。它还与外界交互以发送和接收订单。
  
  
• 00:15:00 在开始交易之前，重要的是定义您的交易范围并确定您希望达到的 alpha。 Alpha 是利润背后的原因，它可以来自多种来源，例如以特殊方式查看市场变量、在市场上具有优势或遵循特定策略。
  
  
• 00:20:00 该视频介绍了如何从头开始创建交易算法，重点关注交易的三个阶段：研究、交易和交易后。该视频提供了不同交易策略的示例，并解释了如何将想法转化为交易算法。
  
  
• 00:25:00 在此视频中，演示者解释了如何从头开始创建交易算法。规则可以像购买过去 63 天内的变化率 (roc) 大于 2 的股票一样简单。
  
  
• 00:30:00 在此视频中，一位交易员解释了如何使用可视化编码从头开始创建交易算法。交易员使用来自印度市场的数据，并设置订单和每股佣金限制。
  
  
• 00:35:00 在此视频中，一位交易员展示了如何从头开始创建交易算法。首先，他们定义了他们的宇宙，其中包括他们将在交易策略中使用的所有股票。接下来，他们创建一个 alpha 函数来计算 roc，然后定义交易规则。最后，他们展示了如何使用逻辑块来执行交易策略。
  
  
• 00:40:00 该视频介绍了如何从头开始创建交易算法。该视频涵盖了算法的三个部分：条件、订单发送和订单接收。该视频还展示了如何安排算法自动运行。
  
  
• 00:45:00 该视频介绍了如何从头开始创建交易算法。该策略基于贝塔和动量，旨在利用市场趋势。该视频还介绍了平均转移策略。
  
  
• 00:50:00 演示者解释了如何从头开始创建交易算法，包括定义股票范围、计算相关对冲和执行交易规则。演示者还解释了如何对算法进行回测以及如何对其进行优化。
  
  
• 00:55:00 该视频讨论了如何从头开始创建交易算法，包括 beta 的重要性以及与市场的相关性。演讲者还讨论了如何借助量化方法提高您的交易技巧。最后，主持人分享了有关免费咨询电话的信息。
  
  
• 01:00:00 本次网络研讨会讨论了如何从头开始创建算法，并讨论了可以在算法中使用的不同类型的数据。网络研讨会还讨论了如何计算课程费用，并提供了一份课程辅导员名单。
  
  
• 01:05:00 在此视频中，Blueshift 的 Ashitosh Sharma 分享了如何使用 Blueshift 的可视化编辑器和策略从头开始创建交易算法。 Blueshift 允许用户回测他们的策略，甚至可以进行模拟交易。
  
  
• 01:10:00 主持人讨论如何从头开始创建交易算法。之后，与会者可以提交演示中未回答的问题。