Are you interested in creating your own Python trading bot and delving into the exciting world of algorithmic trading? Look no further! In this comprehensive...
This session aims to teach you about the methods of Optimal Portfolio Allocation Using Machine Learning. Learn how to use algorithms that leverage machine le...
问答环节结束后，主持人介绍了下一位演讲者 Javier Cervantes，他是来自墨西哥的公司债券交易员，在交易和信贷市场拥有超过 8 年的经验。 Javier 分享了他关于使用统计套利预测墨西哥市场股票趋势的研究，该市场的特点是市值小且集中。他解释了由于缺乏专项资金、参与者产生的流动性有限以及套利策略的竞争格局，这个机会很有吸引力。
Javier 讨论了建立数据库以收集墨西哥股票信息的过程，概述了遇到的挑战，例如不完整和错误的数据、过滤和清理问题，以及该策略的假设。为了应对这些挑战，约 40% 的发行人被剔除，日交易量低的股票被排除在外。
然后，演示者分析了 Javier 的统计套利策略应用于六种不同股票对的结果，这些结果产生了积极的结果。货币对的回报率显示出较低且大多呈负相关，这表明多元化可以显着有利于该策略作为总体投资组合的实施。在分析由所有六对组成的投资组合的结果时，演示者强调了 19% 的年增长率，最大回撤仅为 5%，夏普比率总和为 2.45，与单个对相比具有显着优势。此外，演示者强调了在部署实际资本之前应考虑的几种风险，包括交易成本、不同的时间范围、市场条件以及实施止损策略的必要性。
Siddhantu 解释了使用 newsapi.org 数据库收集新闻文章以及使用 Python 中的报纸库提取情绪分数的过程。然后利用情绪分数根据极端分数生成多头或空头交易方案。演讲者分享了在编程阶段面临的挑战，但强调了选择正确的工具和获得导师支持以取得成功的重要性。虽然结果令人鼓舞，但演讲者强调需要谨慎对待回溯测试，并承认项目的每一步都有改进的空间。他们推荐 Python 中的 Vader 情感分析器工具，因为它可以准确地生成情感分数。
演讲者阐述了情感分析及其在应用于新闻文章时的局限性。他们指出，虽然情绪分析可以有效检测推文和社交媒体评论中的情绪，但由于报告负面事件的差异，它可能不适用于新闻文章。他们还回答了观众关于情绪分析来源、将 Vader 分数转换为交易信号的过程、深度学习在情绪分析中的应用（他们尚未探索但认识到其潜力）以及其他相关主题的问题.
00:45:00 演讲者讨论了使用 newsapi.org 数据库收集新闻文章以及使用 Python 中的报纸库提取情绪分数的过程。然后使用情绪分数根据极端分数生成多头或空头交易方案。演讲者在编程方面面临一些挑战，但得到了导师的支持，并发现成功的关键是为项目选择合适的工具。结果令人鼓舞，但演讲者强调回测应该持保留态度。此外，项目的每一步总有改进的余地。演讲者推荐 Python 中的 Vader 情感分析器工具，因为它可以准确地生成情感分数。
00:50:00 演讲者讨论了新闻文章中的情绪分析及其局限性。虽然情绪分析可用于检测推文和社交媒体评论中的情绪，但它不适用于新闻文章，因为新闻文章有不同的方式报告负面事件。演讲者还回答了一些与用于情绪分析的来源、回溯测试、将 Vader 分数转换为交易信号以及在情绪分析中使用深度学习相关的问题。尽管演讲者尚未将深度学习用于情感分析，但他们承认值得继续探索。
There are three tutorials by EPAT alumni in this session - first by Desigan Reddy, second by Javier Cervantes, and third by Siddhant Vaidya.-----------------...
In this insightful video, Michael Harris explores the world of Quant Trading and Python trading strategies. He delves into the concepts of market complexity ...
在此视频中，演讲者全面概述了关于构思、创建和实施自动交易策略的大师班。演讲者 Aditya Gupta 介绍了 Hui Liu 博士，他是一名对冲基金创始人，也是与 Interactive Brokers API 交互的 python 软件包的作者。他还提到了 Liu 博士将讨论的与 API 相关的令人惊讶的发展。
强调了分析在算法交易中的重要性，重点关注三种类型的分析：定量分析、技术分析和基本面分析。分析的各个方面涉及研究历史图表、财务报表、微观和宏观经济因素，以及使用数学模型和统计分析来制定交易策略。这些策略本质上是处理数据并生成买卖信号的算法。该过程包括策略开发、测试和模拟交易，然后再进行实时交易。要连接实时交易，经纪人连接和 API 是必需的，iBridge PI 作为潜在的解决方案进行了讨论。还介绍了策略谱的概念，展示了不同的利润驱动因素和分析类型。
主持人讨论了对冲基金经理同时处理多个账户的有效工具的必要性，并介绍了称为 Average Pi 的混合交易平台。 Average Pi 被描述为 Contopian 和 Quantopian 的组合，能够控制算法和基于 Python 的交易。演示了在 Windows 系统上下载和设置 Average Pi 的过程，包括通过 Integrity Broker 配置 Interactive Brokers 交易平台。展示包的主入口文件runme.py，只需要修改两处：账户代码和选择执行的策略。
Hui Liu 博士和 Aditya Gupta 提供了算法交易教程，演示了如何使用示例显示账户。他们解释了 Average Pi 中初始化和处理数据函数的用法，它提供了专门为算法交易设计的各种函数。它们说明了使用 Average Pi 平台进行编码是多么容易。
Hui Liu 博士和 Aditya Gupta 解释了如何使用移动平均线来确定何时买入或卖出投资组合中的股票。他们使用 Average Pi 平台演示了该策略的实施，然后通过应用历史数据评估其性能来对其进行回测。本教程包括使用 Hybrid Pi 中的 Test Me Py 功能输入历史数据进行模拟，并获取账户余额和交易明细的结果。
演讲者解释了如何通过访问性能分析图表来查看算法交易策略的模拟结果。此图表显示余额日志和各种统计数据，例如夏普比率、均值和标准差，可以进一步自定义。演讲者强调 Average Pi 能够处理多个账户并重新平衡它们。该平台灵活、用户友好，可用于设置算法交易平台、回测、实时交易、与不同经纪商交易以及管理多个账户。此外，演讲者还邀请观众探索他们的编码器租赁服务以获得编码帮助，并订阅他们的 YouTube 频道以获取免费教程。
在视频的最后部分，Hui Liu 博士介绍了自己并分享了他作为对冲基金创始人的背景以及与 Interactive Brokers API 交互的 Python 包的作者。他使用 Python 与 TD Ameritrade 和 Interactive Brokers 简要讨论了即将到来的与算法交易相关的主题，为在未来的大师班中进一步探索这些主题奠定了基础。
该视频全面概述了算法交易，涵盖了从构思到实施自动交易策略的整个过程。它强调了分析的重要性，讨论了不同类型的分析（定量、技术和基本面），并探讨了策略开发、测试和执行的各个方面。演讲者展示了 iBridgePy 和 Average Pi 等基于 Python 的平台的实际应用，展示了它们在实时价格跟踪、历史数据检索、下单和投资组合再平衡方面的能力。
00:00:00 该视频预览了大师班将涵盖的内容，即构思、创建和实施自动交易策略的旅程。演讲者 Aditya Gupta 介绍了 Hui Liu 博士，他是一名对冲基金创始人，也是与盈透证券 API 交互的 python 包的作者，并提到了 Liu 博士将谈论的与 API 相关的令人惊讶的发展。然后，视频涵盖了自动交易的定义、算法交易的三个主要步骤，以及演讲者使用技术分析从全权交易转向系统交易的个人历程。
00:05:00 讨论了分析在算法交易中的重要性，并提到了三种类型的分析：定量分析、技术分析和基本面分析。不同类型的分析涉及研究历史图表、财务报表、微观和宏观经济因素，并使用数学模型和统计分析来制定策略。该策略是一种算法，它接收数据并提供买卖信号。该过程涉及开发和测试策略，以及在进行实时交易之前进行模拟交易。要连接实时交易，需要经纪人连接和 API，并且 I Bridge PI 被讨论为一个潜在的解决方案。还介绍了战略范围，显示了各种利润驱动因素和分析类型。
00:30:00 主持人讨论了耳机经理同时管理多个账户的好工具的必要性，并介绍了名为Average Pi的混合交易平台。他们解释说，Average Pi 是 Contopian 和 Quantopian 的混合体，支持控制算法和 Python 器官交易。演示者演示了如何在 Windows 系统上下载和设置 Average Pi，包括如何使用 integrity broker 和配置交互式经纪人交易平台。他们还展示了包的主入口文件，runme.py，只需要修改两处：账户代码和选择的策略即可运行。
00:35:00 Hui Liu 博士和 Aditya Gupta 提供了算法交易教程，并演示了如何使用示例显示账户。他们展示了如何在 Average Pi 中使用初始化和处理数据功能，Average Pi 是一个提供不同功能以用于算法交易的平台。他们还展示了如何使用打印跟踪标准普尔 500 指数的 SPY ETF 的要价示例来编写代码以显示实时价格。通过他们的演示，他们清楚地表明使用 Average Pi 平台进行编码是多么容易。
01:00:00 Hui Liu 博士和 Aditya Gupta 解释了如何使用移动平均线买卖投资组合中的股票。他们演示了如何使用 Average Pi 平台实施该策略，然后通过应用历史数据对其进行回测以查看其执行情况。本教程将介绍如何使用 Hybrid Pi 中的 Test Me Py 功能输入历史数据进行模拟，并输出账户余额和交易明细的结果。
01:05:00 演讲者讲解如何通过访问性能分析图表来查看算法交易策略的模拟结果。图表显示余额日志和统计数据，例如尖锐比率、均值和标准差，可以进一步自定义。演讲者还强调了 Average Pi 如何处理多个账户并重新平衡它们。该平台灵活、易用，可用于搭建算法交易平台、回测、实时交易、跨券商交易、多账户管理。演讲者还邀请观众查看他们的编码器租赁服务以获得编码帮助，并订阅他们的 YouTube 频道以获取免费教程。
In this hands-on masterclass, Dr Hui Liu and Aditya Gupta explained how to create an algorithmic trading strategy and implement it in live markets. They expl...
Application of AI & News Sentiment in Finance [Research Presentations]Topic 2: Long Term Enterprise Valuation Prediction by Prof S ChandrasekharThe talk focu...
早上好下午好晚上好。我叫 Vedant，来自 Quantum C。今天，我有幸成为您此次活动的主持人。 Parachronic Technologies 的联合创始人肖博士加入了我们的行列，他将分享他在使用深度学习进行信用风险建模方面的专业知识。肖博士的研究兴趣主要围绕资产定价、金融计量经济学和投资。他的工作得到了福布斯、CFA 协会和机构投资者等知名机构的认可。此外，肖博士还是 Journal of Portfolio Management 和 Global Commodities Applied Research Digest 的编辑委员会成员。他拥有芝加哥大学金融学博士学位。
在本次会议中，肖博士将深入探讨信用风险建模这一主题，并探讨深度学习在该领域的应用。他将讨论如何利用深度学习对复杂的信用风险模型进行定价和校准，特别是关注其在封闭式解决方案不可用的情况下的有效性。在这种情况下，深度学习提供了一种概念上简单而有效的替代解决方案。肖博士对参与 Quan Institute 10 周年表示感谢，并很高兴分享他的见解。
Application of AI & News Sentiment in Finance [Research Presentations]Topic 1: Credit Risk Modeling by Dr Xiao QiaoDeep learning can be used to price and cal...
Compared to discretionary choices that an old-school trader/investor makes, quant trading is based on, ostensibly, more objective criteria. Are they systemat...
00:00:00 Thomas Starke 博士介绍了交易的深度强化学习，这是他多年来一直感兴趣的话题。强化学习 (RL) 是一种允许机器在没有监督的情况下解决任务的技术，它会自行学习如何做才能产生有利的结果。他解释了一台想要学习如何玩电脑游戏的机器如何从游戏场景开始，然后从一个步骤移动到下一个步骤，同时响应它在屏幕上看到的内容。最后，游戏结束，机器根据其做出的决策链决定成败。
00:05:00 Thomas Starke 博士讨论了使用深度强化学习进行交易并解释了马尔可夫决策过程的概念。在这个过程中，一个状态与一个特定的市场参数相关联，一个动作将过程从一个状态转换到下一个状态。根据转换，代理会收到正奖励或负奖励。目标是在给定特定策略和状态的情况下最大化预期奖励。在交易中，市场参数用于识别代理所处的状态，并帮助其决定采取何种行动。
00:10:00 Thomas Starke 博士讨论了交易中涉及的决策过程，其中涉及根据告知系统状态的各种指标来决定是买入、卖出还是持有。目标是获得最好的回报，即交易的盈利或亏损。然而，如果交易在不久的将来对我们不利，传统的机器学习方法会给一个状态一个特定的标签，比如即时利润或亏损，可能会导致标签不正确。因此，机器必须知道什么时候留在交易中，即使它最初对我们不利，并且有信心等到交易恢复到平均线退出交易。
00:15:00 Thomas Starke 博士讨论了追溯标记以及它如何用于强化学习以解决标记交易损益中每一步的困难。他解释说，传统的机器学习会给交易中的每一步都贴上标签，因此很难预测如果交易出现亏损，未来是否会盈利。追溯标签使用贝尔曼方程为每个动作和状态分配一个非零值，即使它不会产生即时利润，也允许回归到均值和最终利润。
00:20:00 Thomas Starke 博士解释了如何使用强化学习来解决交易中的延迟满足问题。贝尔曼方程用于计算一个动作的奖励，“r”代表即时奖励，“q”代表累积奖励。 Gamma 是一个贴现因子，与以前的结果相比，它为未来的结果分配权重。通过使用强化学习，交易决策不仅基于即时回报，还基于持有头寸以获得更高的未来回报。与贪婪的决策相比，这允许做出更明智的决策。
00:25:00 Thomas Starke 博士讨论深度强化学习如何帮助根据未来结果做出交易决策。传统的强化学习涉及根据过去的经验构建表格，但在交易中，由于大量的状态和影响，这变得复杂。因此，解决方案是使用深度强化学习和神经网络来近似这些表，而无需创建庞大的表。他解释了使用交易游戏化并找到正确的奖励函数和输入来定义状态的实现。总的来说，深度强化学习的使用有助于交易决策。
00:35:00 Thomas Starke 博士讨论了如何构建使用强化学习进行训练的价格序列。他解释说，您可以在不同点随机进入和退出，而不是按顺序运行价格系列，由用户决定选择哪种方法。他还讨论了设计奖励函数的困难，并提供了各种示例和方法来构建可用于训练的奖励函数，例如使用纯百分比损益、每笔报价的利润、夏普比率和不同类型的惩罚来避免长途运输或缩编。
00:40:00根据 Thomas Starke 博士的说法，我们有很多选择，包括高开低收盘价和成交量值、烛台形态、技术指标，例如相对强弱指数、一天/一周/一年的时间、不同的时间粒度、输入其他工具的价格和技术指标，以及情绪或卫星图像等替代数据。然后将这些输入构造成一个复杂的状态，类似于计算机游戏如何使用输入特征来做出决定。最终，关键是找到适合您的交易风格的正确奖励函数，并相应地优化您的系统。
00:45:00 Thomas Starke 博士解释了他的强化学习者在用于金融市场交易之前必须经历的测试阶段。他应用了一系列测试，包括干净的正弦波、趋势曲线、无结构的随机序列、不同类型的顺序相关性、干净测试曲线中的噪声和重复模式，以确定机器是否持续获利并找出编码中的缺陷.他还讨论了他使用的不同类型的神经网络，包括标准、卷积和长短期记忆 (LSTM)，以及他对简单神经网络的偏好，因为它们足以满足他的需求并且不需要过多的计算工作。
00:50:00 Thomas Starke 博士讨论了使用强化学习进行交易的挑战，包括区分信号和噪声的困难以及局部最小值问题。他展示了强化学习在嘈杂的金融时间序列和不断变化的规则和市场制度下的动态金融系统中挣扎。不过，他还表明，使用简单的移动平均线平滑价格曲线可以显着提高强化学习机的性能，从而深入了解如何构建成功的机器学习系统，从而做出有利可图的交易决策。
01:00:00 Thomas Starke 博士回答了与深度强化学习交易相关的各种问题。他解释说，贝尔曼方程没有引入前瞻性偏差，技术指标有时可以在仔细分析后作为输入。卫星图像可用于预测股票价格，并且可以根据神经网络计算时间在较小的时间范围内进行强化交易。他还讨论了强化交易算法对市场异常的敏感程度，并解释了为什么使用强化学习训练随机决策树没有意义。
01:05:00 Thomas Starke 博士建议使用神经网络进行交易，而不是决策树或支持向量机，因为它们对问题的适用性。他解释说，根据使用的奖励函数调整损失函数是必不可少的。他提到人们曾尝试将强化学习用于高频交易，但最终得到的是速度较慢的神经网络，在实时市场中缺乏响应能力。他建议获得市场知识将大大有助于在金融行业从事交易职业，进行实际交易，并在此过程中学到很多东西。最后，他讨论了是否可以使用神经网络在期权交易中获得良好的结果，并解释了将神经网络与期权交易相结合的挑战。
01:10:00 Thomas Starke 博士讨论了如何将期权数据用作交易标的工具的输入，而不是仅仅依赖技术指标。他还回答了有关使用神经网络来决定买卖手数的问题，以及如何通过构建滑点模型并将这些因素纳入奖励函数，将点差、佣金和滑点纳入算法。他建议在使用神经网络决定交易量时要谨慎，并建议使用输出值来相应地调整投资组合权重。最后，他感谢听众提出问题和参加他的演讲。
Dr. Thomas Starke Speaks on Machine Learning Trading with Deep Reinforcement Learning (DRL). In this captivating video, join Dr. Thomas Starke as he unravels...
演讲者深入探讨了设计和实施交易策略所涉及的功能。他们强调，在实际市场中实现的收益是不可控的，无法改变。因此，在给定一些约束的情况下，通过改变参数来优化 Pi 的功能以改进策略是必不可少的。演讲者概述了策略制定的阶段，包括构思、假设检验、规则转换、回溯测试、风险估计、部署，以及部署后寻求下一个策略的重要性。
演示了如何使用编码和数据分析技术优化交易策略。该示例使用 Microsoft、Apple 和 Google 股票来计算交易信号，并根据今天的开盘价和收盘价估算随后的抛售价值。探索性分析通过绘制图表来可视化价格变动的差异。讨论数据标准化以使 X 的值在不同股票之间具有可比性，同时考虑波动率、价格和波动率百分比等因素。演讲者强调了印度市场大盘股和标准普尔 20 大指数中与高空跳空和低空跳空相关的统计现象，从而定义了开盘价和收盘价。
00:15:00 讲师首先解释设计和实施交易策略所涉及的不同功能。他强调实际市场中已实现的回报是你无法控制的，无法改变，这就是为什么必须通过改变 is NP 或 s 和 P 的参数来优化 Pi 的函数的原因。讨论战略发展的不同阶段，从构思开始，这会导致可验证的假设。然后通过将规则转换为可编程规则来测试假设，然后进行回溯测试以查看规则是产生利润还是失败。此测试阶段的结果是对风险和 P&L 概况的估计，之后部署策略，同时处理测试阶段未捕获的风险。最后，讲师强调了部署后寻找下一个策略的重要性。
This EPAT Demo Lecture was conducted by Prodipta Ghosh (Vice President, QuantInsti) which explained how one could Optimize a Trading Strategy.We have receive...
如何使用 Python 交易机器人进行投资
如何使用 Python 交易机器人进行投资
加入我们这个内容丰富的网络研讨会，我们将深入研究用于投资目的的 Python 交易机器人世界。该视频旨在同时满足新手和经验丰富的交易者的需求，对于有兴趣利用 Python 进行算法交易的个人来说，它是宝贵的资源。
在整个网络研讨会中，您将获得实用的见解和知识，从而提升您的算法交易策略。 Python 凭借其广泛的库和自动化功能，为简化和优化您的交易方法提供了巨大的潜力。通过利用 Python 的强大功能，您可以提高交易效率并把握市场机会。
无论您是刚刚开始算法交易之旅，还是想提高现有技能，本视频都提供了使用 Python 进行算法交易的全面概述。它是渴望在当今充满活力的金融环境中保持领先地位的交易者和投资者的必看资源。准备扩展您对 Python 在算法交易中的作用的理解，并为成功开启新的可能性。
涵盖的主题：
使用机器学习的最佳投资组合分配
使用机器学习的最佳投资组合分配
本次会议旨在向您介绍使用机器学习进行最佳投资组合分配的方法。了解如何使用以机器学习为核心的算法来做出资本配置选择。由摩根大通股票 (EDG) 建模量化研究副总裁 Vivin Thomas 主讲。
在本次讨论中，我们将探索算法交易的迷人领域，特别关注机器学习算法的利用。我们的主要目标是设计以机器学习为核心的复杂算法，以做出最佳的资本配置选择。
为实现这一目标，我们将制定一种低频策略，擅长定期将可用资本分配给一组精心挑选的底层资产，也称为篮子资产。通过结合机器学习技术，我们旨在提高资本配置过程的准确性和效率。
此外，我们将构建在此框架内运行的仅限多头、低频的资产配置算法。这些算法将旨在胜过仅依赖经验动量指标进行决策的普通分配策略。通过将这些算法的性能与基准策略进行比较，我们可以评估在资产配置过程中利用机器学习的价值和有效性。
通过这种探索，我们将深入了解将机器学习算法纳入资本配置策略的潜在好处和优势。加入我们，深入探索令人兴奋的算法交易世界，了解这些先进算法如何彻底改变我们进行资产配置和投资决策的方式。
情感分析教程 |学习预测股票趋势并使用统计套利
情感分析教程 |学习预测股票趋势并使用统计套利
在本次网络研讨会中，主持人介绍了三位有成就的人，Design Vetii、Javier Cervantes 和 Siddhantu，他们通过 E-PAT 计划踏上了算法交易之旅。他们将与观众分享他们的 E-PAT 演示和项目，涵盖各种主题和他们在 E-PAT 计划中的经验。
主持人强调，旗舰项目 E-PAT 为参与者提供了机会，可以专注于他们喜欢的资产类别或项目的战略范式。这种量身定制的方法允许参与者在他们选择的重点领域探索和发展专业知识。
需要强调的是，本次会议将被录制并在 YouTube 和他们的博客上分享，为有抱负的宽客和对算法交易感兴趣的个人提供宝贵的学习机会。主持人鼓励观众利用这些经验丰富的交易员分享的知识以及从他们的 E-PAT 项目中获得的见解。
第一个演示文稿由来自南非的固定收益交易商 Design Vetii 提供。 Design Vetii 分享了他们使用技术分析预测股票趋势的项目。他们收集了南非 40 强指数中前 10 名股票跨越 10 年的数据。 Python 被用来从这些数据中推导出六种常见的技术指标，然后将其纳入机器学习模型以进行股票趋势分析。主持人在整个项目中讨论了他们对机器学习领域的动机和兴趣。
接下来，演讲者讨论了所采用的投资策略并展示了他们的机器学习算法的结果。他们使用了由 10 只股票组成的等权重投资组合，并实施了每日和每周的再平衡策略。每日再平衡投资组合在过去两年半中的回报率为 44.69%，优于排名前 40 的基准回报率 21.45%。同样，每周重新平衡的投资组合表现出众，产生了比基准高出 36.52% 的回报率。演讲者承认微调机器学习模型参数所需的时间和精力，并强调了从该过程中获得的学习经验。然而，他们也认识到仅将策略与技术指标（如相对强度、布林带和 MACD）进行比较的局限性和潜在缺陷。
演讲者回顾了从他们的项目中吸取的教训，并思考了未来改进项目的方法。他们提到了探索包含前 10 只股票的指数的兴趣，并承认在金融时间序列的机器学习算法中使用混洗属性时犯了一个错误。演讲者对他们使用 Python 进行编码并制定结合机器学习和技术指标的策略的能力感到自豪。他们建议在未来的项目中纳入 P 比率、情绪分析和其他标记等基本因素，并探索替代机器学习模型。此外，演讲者还回答了听众关于技术指标选择和随机森林算法实施的问题。
演示结束后，演示者与观众进行问答环节。解决了各种问题，包括有关日内交易策略的查询以及在金融分析背景下学习机器学习的推荐书籍。主持人推荐了一本用于理解传统指标的技术分析书，还提到了将指标和基本因素的非常规观点纳入机器学习算法以供未来研究的潜在重点。
问答环节结束后，主持人介绍了下一位演讲者 Javier Cervantes，他是来自墨西哥的公司债券交易员，在交易和信贷市场拥有超过 8 年的经验。 Javier 分享了他关于使用统计套利预测墨西哥市场股票趋势的研究，该市场的特点是市值小且集中。他解释了由于缺乏专项资金、参与者产生的流动性有限以及套利策略的竞争格局，这个机会很有吸引力。
Javier 讨论了建立数据库以收集墨西哥股票信息的过程，概述了遇到的挑战，例如不完整和错误的数据、过滤和清理问题，以及该策略的假设。为了应对这些挑战，约 40% 的发行人被剔除，日交易量低的股票被排除在外。
然后，演示者分析了 Javier 的统计套利策略应用于六种不同股票对的结果，这些结果产生了积极的结果。货币对的回报率显示出较低且大多呈负相关，这表明多元化可以显着有利于该策略作为总体投资组合的实施。在分析由所有六对组成的投资组合的结果时，演示者强调了 19% 的年增长率，最大回撤仅为 5%，夏普比率总和为 2.45，与单个对相比具有显着优势。此外，演示者强调了在部署实际资本之前应考虑的几种风险，包括交易成本、不同的时间范围、市场条件以及实施止损策略的必要性。
演讲者强调了定期测试统计套利策略的重要性，以确保其随着时间推移的可靠性，因为即使观察到初始平稳性，货币对之间的长期关系也可能破裂。他们建议使用机器学习算法为交易策略选择符合条件的货币对的可能性，而不是根据对不同市场领域的假设手动选择它们。演讲者最后提到，有足够的空间进行进一步研究，以提高模型的效率并提高回报的可靠性。在问答环节中，他们解决了有关数据中使用的时间段、货币对回报之间负相关的关键要点以及实施日内策略的可行性的问题。
最后，主持人介绍了分享项目经验的交易员 Siddhantu。 Siddhantu 首先讨论了他们作为交易员的背景，并讲述了一个涉及 medcap 连锁酒店股票的事件，该事件促使他们质疑新闻和情绪对股价的影响。他们概述了他们的项目，该项目分为三个部分：新闻提取、情绪分析和交易策略。由于其流动性和波动性，英伟达公司被选为该项目的股票。
Siddhantu 解释了使用 newsapi.org 数据库收集新闻文章以及使用 Python 中的报纸库提取情绪分数的过程。然后利用情绪分数根据极端分数生成多头或空头交易方案。演讲者分享了在编程阶段面临的挑战，但强调了选择正确的工具和获得导师支持以取得成功的重要性。虽然结果令人鼓舞，但演讲者强调需要谨慎对待回溯测试，并承认项目的每一步都有改进的空间。他们推荐 Python 中的 Vader 情感分析器工具，因为它可以准确地生成情感分数。
演讲者阐述了情感分析及其在应用于新闻文章时的局限性。他们指出，虽然情绪分析可以有效检测推文和社交媒体评论中的情绪，但由于报告负面事件的差异，它可能不适用于新闻文章。他们还回答了观众关于情绪分析来源、将 Vader 分数转换为交易信号的过程、深度学习在情绪分析中的应用（他们尚未探索但认识到其潜力）以及其他相关主题的问题.
最后，演讲者深入研究了情绪分析程序中用于回测的数据。他们解释说，每天收集大约 10 到 15 篇有影响力的新闻文章来计算每天的平均情绪得分。该计划使用了大约六个月的这些文章。对于股票回报，纳入了 Nvidia 股票超过六个月的日级数据。发言人澄清说，在交易或回测期间没有考虑股票的基本面或技术方面，交易信号仅来自情绪评分。
量化交易 |迈克尔哈里斯解释的策略
量化交易 |迈克尔哈里斯解释的策略
在本教程中，介绍和讨论了市场复杂性和自反性的概念。重点是美国股票市场和其他市场发生的具体制度变化。主持人 Michael Harris 探讨了这些制度变化如何影响战略发展，并提供了有关通过调整数据和战略组合来最大限度地减少其影响的见解。
本教程旨在实用，允许与会者在自己的系统上复制分析。网络研讨会期间使用Amibroker进行分析，与会者可以在会议结束后下载Python代码进行进一步练习。
迈克尔还分享了一个新开发的指标，该指标衡量市场的动量和均值回归动态状态变化。提供了该指标的代码，使与会者能够将其纳入自己的交易策略。
演讲者迈克尔·哈里斯 (Michael Harris) 在交易商品和货币期货方面拥有 30 年的丰富经验。他是多本交易书籍的作者，包括《使用价格模式进行短期交易》、《基于价格模式的股票交易技术》、《获利能力和系统交易》以及《被技术分析愚弄：图表的危险》，回测和数据挖掘。”他还是 Price Action Lab 博客的作者和 DLPAL 软件的开发者。 Michael 拥有哥伦比亚大学的两个硕士学位，一个是机械工程专业，重点是控制系统和优化，另一个是运筹学专业，重点是预测和金融工程。
本教程分为章节，涵盖市场复杂性和制度变化的不同方面。演讲者的介绍为教程奠定了基础，随后是对要涵盖的主题的概述。解释了指数交易策略，强调了其在定量声明中的局限性。然后讨论均值回归策略，从而更深入地探索制度变化及其发生方式。分析了标准普尔市场均值回归的动态，强调了金融市场中存在的复杂性。
解决了市场复杂性的不利影响，强调了它给交易者带来的挑战。本教程最后讨论了金融市场中的其他复杂性，并提供了进一步探索的资源。随后是问答环节，与会者可以澄清任何疑问或寻求进一步的见解。
本教程提供了有关市场复杂性、制度变化及其对交易策略的影响的宝贵见解，由该领域经验丰富的交易员和作者提供。
章节：
00:00 - 演讲者介绍
02:23 - 教程概述
03:54 - 指数交易策略解释
07:30 - 定量声明的局限性
10:45 - 均值回归策略
11:38 - 政权更迭
16:30 - 它是如何发生的
18:17 - 标准普尔均值回归动力学
24:35 - 金融市场的复杂性
26:42 - 不良反应
36:56 - 金融市场更加复杂
42:17 - 资源
43:35 - 问答
算法交易 |完整教程 |活跃市场的想法 |刘慧博士和 Aditya Gupta
算法交易 |完整教程 |活跃市场的想法 |刘慧博士和 Aditya Gupta
在此视频中，演讲者全面概述了关于构思、创建和实施自动交易策略的大师班。演讲者 Aditya Gupta 介绍了 Hui Liu 博士，他是一名对冲基金创始人，也是与 Interactive Brokers API 交互的 python 软件包的作者。他还提到了 Liu 博士将讨论的与 API 相关的令人惊讶的发展。
该视频首先解释了自动交易的定义，并强调了算法交易中涉及的三个主要步骤。演讲者分享了他使用技术分析从全权委托交易过渡到系统交易的个人历程。
强调了分析在算法交易中的重要性，重点关注三种类型的分析：定量分析、技术分析和基本面分析。分析的各个方面涉及研究历史图表、财务报表、微观和宏观经济因素，以及使用数学模型和统计分析来制定交易策略。这些策略本质上是处理数据并生成买卖信号的算法。该过程包括策略开发、测试和模拟交易，然后再进行实时交易。要连接实时交易，经纪人连接和 API 是必需的，iBridge PI 作为潜在的解决方案进行了讨论。还介绍了策略谱的概念，展示了不同的利润驱动因素和分析类型。
演讲者深入探讨了定量分析及其在制定交易策略和投资组合管理中的作用。他们解释说，量化分析涉及使用数学模型和统计分析从历史数据中获得洞察力，这些洞察力可用于制定量化交易策略。定量分析对于风险管理和计算策略的止盈和止损水平特别有用。他们继续演示使用 pandas、numpy 和 matplotlib 等库创建简单移动平均线交叉策略并计算策略回报的过程。
讨论了算法交易中使用的不同性能指标，例如夏普比率、复合年增长率 (CAGR) 和最大回撤。强调了避免回测偏差和过程中常见错误的重要性。演讲者还概述了定量分析所需的技能组合，包括数学和统计学知识、对处理数据的兴趣、Python 编码的熟练程度以及对金融的理解。他们概述了自动交易策略创建的过程，从数据源和分析开始，一直到信号执行，并将其链接到应用程序编程接口 (API)。 Hui Liu 博士介绍了自己，简要介绍了背景，并概述了即将使用 Python 与 TD Ameritrade 和 Interactive Brokers 进行算法交易的主题。
演讲者随后重点介绍了使用 iBridgePy 平台进行算法交易的三个基石：实时价格显示、历史数据检索和下单。这三个基石是构建复杂策略的基石。演讲者展示了三个示例策略：投资组合再平衡、低买高卖策略和使用移动平均线交叉的趋势捕捉策略。强调了算法交易的好处，例如减轻压力和减少人为错误。演讲者建议利用像 iBridgePy 这样的交易平台，投入时间研究好的策略，而不是花费过多的精力在编码上。还强调了在 iBridgePy 平台内无缝切换回测和实时交易的灵活性。
该视频继续讨论可用于算法交易的各种经纪商和 Python 平台选项。 TD Ameritrade 是一家总部位于美国的经纪公司，提供零佣金交易的电子交易平台。 Interactive Brokers 被誉为 API 解决方案的领先供应商，通常被中小型对冲基金用于自动化交易。另一家美国经纪公司 Robinhood 因其免佣金交易和算法交易能力而被提及。探讨了使用 Python 交易平台 iBridgePy 的优势，包括保护交易者的知识产权、支持同步回测和实时交易以及与各种包选项的兼容性。 iBridgePy 还有助于与不同经纪人进行交易和管理多个账户。
主持人讨论了对冲基金经理同时处理多个账户的有效工具的必要性，并介绍了称为 Average Pi 的混合交易平台。 Average Pi 被描述为 Contopian 和 Quantopian 的组合，能够控制算法和基于 Python 的交易。演示了在 Windows 系统上下载和设置 Average Pi 的过程，包括通过 Integrity Broker 配置 Interactive Brokers 交易平台。展示包的主入口文件runme.py，只需要修改两处：账户代码和选择执行的策略。
Hui Liu 博士和 Aditya Gupta 提供了算法交易教程，演示了如何使用示例显示账户。他们解释了 Average Pi 中初始化和处理数据函数的用法，它提供了专门为算法交易设计的各种函数。它们说明了使用 Average Pi 平台进行编码是多么容易。
演讲者深入探讨了两个主题：显示实时价格和检索历史数据。对于实时价格，提供了一个演示，其中代码结构为使用句柄数据函数每秒打印时间戳和询价。为了出于研究目的获取历史数据，演讲者解释了请求历史数据功能，并演示了如何使用它来检索包含历史数据（包括开盘价、最高价、最低价、收盘价和交易量）的 pandas 数据框。检查代码结构，并显示一个演示，其中更新代码以检索历史数据并在控制台中打印输出。
演讲者演示了当要价超过 iBridgePy 的 100.01 美元时，如何以 99.95 美元的价格下限价订单购买 100 股 SPY。定义要交易的合约和股票数量，并使用“订单”功能来下限价订单。演讲者还演示了如何使用“订单状态监控”功能以市场价格下订单来跟踪订单状态。在展示了这些基本步骤之后，演讲者解释说，下一阶段涉及确定要交易的合约和交易决策的频率，以构建交易策略。
讨论了执行算法交易策略所涉及的步骤。解释了使用 schedule 函数等函数定期处理数据和调度任务的必要性。探讨了计算技术指标的过程，这需要从经纪人那里请求历史数据并利用 pandas 的数据框功能进行计算。订单类型，如市场订单和限价订单，将被检查，并简要提及将止损订单合并到代码或算法中。
然后，演讲者继续解释基于交易指令重新平衡投资组合的示范策略，这是基金经理中流行的一种方法。演示了使用 Python 字典手动执行交易指令，并提供了一个简单的代码，每天安排交易决策并使用订单目标百分比自动重新平衡账户。提供了一个现场演示来展示重新平衡账户和查看其头寸的过程。
描述了可以使用 Python 实现的三种不同交易策略。第一个是简单的再平衡策略，允许用户监控他们的头寸、份额和成本基础。第二种是均值回归策略，用于在收盘价低于前一天的价格时识别交易机会。最后，讨论了移动平均线交叉策略，重点是利用历史数据计算潜在买卖机会的交叉点。这三种策略都涉及在特定时间收市前做出交易决策，并使用市价单执行交易。实现所有策略的代码简单明了，可以使用 Python 和调度函数轻松实现。
Hui Liu 博士和 Aditya Gupta 解释了如何使用移动平均线来确定何时买入或卖出投资组合中的股票。他们使用 Average Pi 平台演示了该策略的实施，然后通过应用历史数据评估其性能来对其进行回测。本教程包括使用 Hybrid Pi 中的 Test Me Py 功能输入历史数据进行模拟，并获取账户余额和交易明细的结果。
演讲者解释了如何通过访问性能分析图表来查看算法交易策略的模拟结果。此图表显示余额日志和各种统计数据，例如夏普比率、均值和标准差，可以进一步自定义。演讲者强调 Average Pi 能够处理多个账户并重新平衡它们。该平台灵活、用户友好，可用于设置算法交易平台、回测、实时交易、与不同经纪商交易以及管理多个账户。此外，演讲者还邀请观众探索他们的编码器租赁服务以获得编码帮助，并订阅他们的 YouTube 频道以获取免费教程。
演讲者讨论了盈透证券的 iBridge 如何用于交易期货和期权以及其他类型的合约。他们解释说，超级符号功能允许定义各种类型的合约，例如股票期权、过滤器、指数、外汇等。举了一个在香港交易所交易的结构性产品的例子，它不是股票。超级符号功能可以交易除股票以外的任何合约类型。简要提到了止损，强调了如何将它们合并到代码中或构建到算法中。
主持人继续讨论，强调风险管理在算法交易中的重要性。他们强调需要实施止损作为一种风险缓解策略，以在市场出现不利走势时限制潜在损失。止损可以集成到代码或算法中，以在达到预定价格水平时自动触发证券的销售。
接下来，他们深入研究头寸规模的概念，这涉及根据可用资本和风险承受能力确定适当的股票或合约数量进行交易。通过确保资本分配与交易者的风险管理策略保持一致，适当的头寸规模有助于管理风险和优化回报。
演讲者还谈到了算法交易中绩效评估和监控的重要性。他们讨论了用于评估交易策略有效性的各种绩效指标，包括夏普比率、复合年增长率 (CAGR) 和最大回撤。这些指标提供了对风险调整后回报、长期增长以及与该战略相关的潜在下行风险的洞察。
为了避免回溯测试中的常见陷阱和偏差，演示者强调了确保数据完整性和使用样本外测试的重要性。他们警告不要过度优化或“曲线拟合”，这是指根据历史数据过于紧密地调整策略，由于策略缺乏对不断变化的市场条件的适应性，导致实时交易表现不佳。
演讲者强调，成功的算法交易需要技能和知识的结合。他们提到必须具备扎实的数学和统计学基础、对处理数据的兴趣、熟练使用 Python 进行编码以及对金融市场有很好的了解。他们鼓励对算法交易感兴趣的个人通过学习资源和实际应用不断扩展他们的知识和技能。
在视频的最后部分，Hui Liu 博士介绍了自己并分享了他作为对冲基金创始人的背景以及与 Interactive Brokers API 交互的 Python 包的作者。他使用 Python 与 TD Ameritrade 和 Interactive Brokers 简要讨论了即将到来的与算法交易相关的主题，为在未来的大师班中进一步探索这些主题奠定了基础。
该视频全面概述了算法交易，涵盖了从构思到实施自动交易策略的整个过程。它强调了分析的重要性，讨论了不同类型的分析（定量、技术和基本面），并探讨了策略开发、测试和执行的各个方面。演讲者展示了 iBridgePy 和 Average Pi 等基于 Python 的平台的实际应用，展示了它们在实时价格跟踪、历史数据检索、下单和投资组合再平衡方面的能力。
S Chandrasekhar 教授的长期企业估值预测 |研究报告
S Chandrasekhar 教授的长期企业估值预测 |研究报告
S. Chandrasekhar 教授是班加罗尔 IFIM 商学院的高级教授和商业分析主任。他在学术界拥有 20 多年的经验，曾担任新德里 FORE 管理学院院长讲座教授和勒克瑙印度管理学院教授等职务。他拥有 IIT Kanpur 的电气工程学士学位、计算机科学硕士学位和美国佐治亚大学的定量与信息系统博士学位。
在本次演讲中，S. Chandrasekhar 教授重点介绍了使用高级机器学习和自然语言处理技术预测公司的长期企业价值 (EV)。与主要考虑股东价值的市值不同，企业价值通过纳入长期债务和现金储备等因素，为公司提供更全面的估值。
为计算 EV，通过添加长期债务和减去现金储备来调整市值。通过滚动预测提前六个月的企业价值，这种方法可以帮助投资者和评级公司获得投资增长的长期视角和管理相关风险。
小乔博士的信用风险建模 |研究报告
小乔博士的信用风险建模 |研究报告
早上好下午好晚上好。我叫 Vedant，来自 Quantum C。今天，我有幸成为您此次活动的主持人。 Parachronic Technologies 的联合创始人肖博士加入了我们的行列，他将分享他在使用深度学习进行信用风险建模方面的专业知识。肖博士的研究兴趣主要围绕资产定价、金融计量经济学和投资。他的工作得到了福布斯、CFA 协会和机构投资者等知名机构的认可。此外，肖博士还是 Journal of Portfolio Management 和 Global Commodities Applied Research Digest 的编辑委员会成员。他拥有芝加哥大学金融学博士学位。
在本次会议中，肖博士将深入探讨信用风险建模这一主题，并探讨深度学习在该领域的应用。他将讨论如何利用深度学习对复杂的信用风险模型进行定价和校准，特别是关注其在封闭式解决方案不可用的情况下的有效性。在这种情况下，深度学习提供了一种概念上简单而有效的替代解决方案。肖博士对参与 Quan Institute 10 周年表示感谢，并很高兴分享他的见解。
展望未来，讨论将围绕信贷市场展开，特别是市场的巨大规模和信用违约掉期 (CDS) 日益增长的重要性。截至 2019 年，CDS 名义未偿价值估计约为 8 万亿美元，该市场一直在稳步增长。 CDS 指数名义值也经历了大幅增长，近年来达到近 6 万亿美元。此外，全球债券市场规模超过 100 万亿美元，其中很大一部分是公司债券，由于发行机构可能违约，因此存在固有的信用风险。
随着信贷市场的发展和变得更加复杂，信用风险模型也变得越来越复杂，以捕捉违约风险的动态特性。这些模型通常使用随机状态变量来解释不同时间段和期限的金融市场中存在的随机性。然而，这些模型的复杂性不断增加，使得它们的估计和解决方案的计算成本很高。这个问题将在稍后的演讲中成为焦点。
近年来，机器学习因其对包括金融在内的各个领域的变革性影响而受到关注。它越来越多地用于实证金融，例如横截面资产定价和股票投资组合构建。值得注意的是，深度学习已被用于近似衍生品定价和期权定价，以及校准随机波动率模型。在这篇论文中，肖博士和他的同事，来自 Kempos Capital 的 Gerardo Munzo，提议将深度学习应用于信用风险建模。他们的研究表明，深度学习可以有效地替代复杂的信用风险模型解决方案，从而实现高效准确的信用利差计算。
为了提供更多背景信息，肖博士介绍了信用风险建模的概念。他解释说，可违约债券的价格由违约和非违约情况下贴现现金流的概率加权平均值决定。违约概率是信用风险模型中的一个关键量，因为它量化了违约的可能性。存在两种主要类型的信用风险模型：结构模型和简化模型。结构模型在违约事件和实体的资本结构之间建立直接联系。另一方面，简化模型将违约风险表示为统计过程，通常使用具有默认强度参数的泊松过程。肖博士强调，信用风险模型涉及求解定价函数以得出信用利差，由于需要数值积分和网格搜索，这可能需要大量计算。
这就是深度学习发挥作用的地方。肖博士继续解释神经网络和深度学习，说明它们如何应用于信用风险建模。神经网络引入了非线性。
神经网络是深度学习的一个基本组成部分，由模仿人脑结构的相互连接的人工神经元层组成。这些网络可以通过称为训练的过程从数据中学习复杂的模式和关系。在训练期间，网络调整其内部参数以最小化预测输出与实际输出之间的差异，从而优化其性能。
肖博士解释说，通过在历史数据上训练神经网络，可以利用深度学习来近似复杂的信用风险模型。神经网络学习经济和金融因素等输入变量与相应信用利差之间的映射。经过训练后，该网络可用于有效地估计新输入数据的信用利差。
在信用风险建模中使用深度学习的主要优势之一是它能够近似复杂的定价函数。传统上，信用风险模型采用数值积分技术和网格搜索来求解定价函数，这在计算上要求很高且耗时。深度学习通过神经网络的学习映射直接逼近定价函数，从而提供了一种更有效的替代方案。
肖博士强调，深度学习模型可以捕获输入变量之间的非线性关系和相互作用，这在信用风险模型中经常出现。这种灵活性使神经网络能够适应信贷市场的复杂性并生成准确的信贷利差估计。
此外，与传统方法相比，深度学习模型可以更有效地处理缺失或不完整的数据。他们有能力从可用数据中学习，即使在信息缺失的情况下也能做出合理的预测。这在信用风险建模中特别有用，因为数据可能稀疏或存在间隙。
为了验证深度学习在信用风险建模中的有效性，肖博士和他的同事使用大型公司债券数据集进行了广泛的实证实验。他们将基于深度学习的信用利差估计的性能与从传统信用风险模型获得的性能进行了比较。结果表明，深度学习模型在准确性和计算效率方面始终优于传统模型。
肖博士最后强调了深度学习在信用风险建模中的变革潜力。他强调了深度学习模型在近似复杂信用风险模型方面的效率、准确性和灵活性，特别是在封闭形式的解决方案不可用或计算要求高的情况下。
演讲结束后，观众可以提问。与会者可以询问深度学习在信用风险建模、数据需求、模型可解释性以及任何其他相关主题中的具体应用。肖博士很高兴有机会与观众互动，并根据他的专业知识和研究成果提供进一步的见解。
肖博士报告后的问答环节：
听众 1：“肖博士，感谢您的信息丰富的介绍。我很好奇深度学习模型在信用风险建模中的可解释性。传统模型通常提供驱动信用利差估计的因素的透明度。深度学习模型如何做处理可解释性？”
肖博士：“这是一个很好的问题。由于其固有的复杂性，解释深度学习模型可能具有挑战性。深度神经网络作为黑匣子运行，因此很难直接理解内部工作原理和解释单个神经元激活。但是，有一直在努力提高深度学习的可解释性。”
“特征重要性分析、基于梯度的方法和注意机制等技术可以帮助阐明影响模型预测的因素。通过检查网络对不同输入变量的响应，我们可以深入了解它们在确定信用利差方面的相对重要性”
“此外，与模型无关的可解释性方法，例如 LIME（本地可解释模型不可知解释）或 SHAP（SHapley 加法解释），可以应用于深度学习模型。这些方法通过在局部近似模型来为单个预测提供解释具体输入。”
“重要的是要注意，虽然这些技术提供了一定程度的可解释性，但深度学习模型的主要优势在于它们能够捕获数据中的复杂模式和关系。可解释性和模型性能之间的权衡是信贷的一个考虑因素风险建模，研究人员正在积极探索在两者之间取得平衡的方法。”
观众2：“谢谢肖博士的讲解。我很好奇在信用风险建模中训练深度学习模型对数据的要求，能不能详细说说需要的数据数量和质量？”
肖博士：“当然。深度学习模型通常受益于大量数据以进行有效训练。在信用风险建模中，拥有多样化和全面的数据集对于捕捉信贷市场的复杂性至关重要。”
“训练深度学习模型的数据应该包括各种经济金融指标，比如宏观经济因素、行业特定变量、历史信用利差、相关市场数据等。数据集越多样化、越具有代表性，模型的泛化能力就越好到新的信用风险场景。”
“关于数据质量，重要的是要确保输入变量的准确性、一致性和相关性。数据清理、规范化和特征工程等数据预处理技术在为训练准备数据集方面发挥着至关重要的作用。去除异常值，解决缺失值并适当缩放数据是确保模型性能可靠的关键步骤。”
“此外，保持最新数据是必不可少的，因为信用风险模型需要适应不断变化的市场条件。定期更新和监控数据质量和相关性对于确保深度学习模型的持续准确性是必要的。”
这些只是听众提出的几个问题，但问答环节继续进行各种其他询问和讨论，主题包括模型稳健性、深度学习在信用风险建模中的潜在局限性以及现实世界的实施挑战。肖博士积极与听众交流，分享他的专业知识和从他的研究中获得的见解。
什么影响量化策略？ [小组讨论] - 2020 年 9 月 24 日
什么影响量化策略？ [小组讨论] - 2020 年 9 月 24 日
在关于金融领域寻求 alpha 策略的小组讨论中，Nicholas 认为在共同基金和对冲基金中创造 alpha 非常困难，并指出 99% 的投资者不应该积极寻求 alpha 头寸。他强调了在市场中性对冲基金中产生阿尔法的挑战，并建议因子投资是跑赢市场的更可行选择。
该小组同意 Nicholas 的观点，并强调寻找独特数据源并使用它们来制定系统的因子投资策略的重要性。他们认为这种方法是成功产生阿尔法的关键。他们还讨论了在当前市场上实现真正阿尔法的困难，并提出了资产配置和风险管理等替代策略。
该小组建议不要只专注于寻求阿尔法，并建议关注市场中覆盖较少、因此效率较低的利基市场。他们强调构建完善的投资组合基准（例如 beta 策略）的重要性，并鼓励投资者将目光投向标准普尔 500 指数以外的股票，寻找可能盈利的股票。
小组成员警告说，即使确定了 alpha，由于与主要经纪人的潜在冲突，也可能无法收获它。他们还讨论了交易不属于期货主要投资范围或不属于经理授权的资产的好处。与市场上众所周知的资产相比，此类资产通常不那么拥挤，导致夏普比率更高。但是，他们承认交易这些资产可能需要更小的投资组合规模，并且由于流动性较低和交易工作量增加而产生更高的费用。
Laurent 同意 Nicholas 的观点，即传统的积极管理策略，例如长期选择股票，从来没有奏效过。他认为举证责任已经转移到主动型基金经理身上，以证明他们在困难市场中发展和表现的能力。
该小组还讨论了考虑多空投资策略空头的重要性。他们强调风险管理的必要性，并通过广泛的回溯测试对策略进行压力测试，包括检查交易成本和市场结构变化的影响。该小组建议花足够的时间来确定少数在验证过程中幸存下来的策略。
讨论转向了 alpha 生成策略的实际意义和可视化。该小组承认学术研究的价值，但指出它往往缺乏实际意义和实施细节。他们强调制定可以从投资组合的角度执行、承受交易成本并符合客户期望的战略的重要性。可视化表示，例如说明交易回撤的图表，优于表格，因为它有助于投资者在大幅回撤期间坚持策略。
演讲者强调了制定符合客户目标并与经济和基本面原因同步的战略的重要性。他们强调简单性和可解释性的必要性，并指出策略应该能够用几个简单的句子来概括。回溯测试不仅仅意味着证明一种策略有效，而且通过突破其极限来测试其弹性。
该小组反思了量化策略的影响，并将均值回归和趋势跟踪确定为两种基本策略，无论资产类别或时间框架如何。他们将趋势跟踪与购买彩票进行比较，具有低获胜率和高波动性，并强调均值回归是一种一次产生一美元且具有高获胜率和低波动性的策略。他们讨论了通过倾斜和混合这些策略来管理损失和优化收益预期的重要性。他们还谈到了卖空和跟随机构持有人尾巴的挑战。
风险管理在讨论中占据中心位置，专家组强调在股票市场策略中需要积极的预期。他们将股票市场视为无限、随机且复杂的游戏，并建议将高赢率交易与彩票相结合，以减轻潜在损失。该小组还讨论了何时退出策略，强调了保持最新研究并考虑可能影响策略的结构变化或市场波动的重要性。只有在进行彻底的研究和框架更改后，才应淘汰策略。
该小组解决了管理多种投资策略和处理表现不佳的策略的困难。他们强调坚持投资授权和了解客户期望的重要性。该小组建议制定一个流程来寻找新策略并实施它们，同时知道何时淘汰表现不佳的策略。他们讨论了两种处理表现不佳的策略的方法，要么长期持有它们，要么使用趋势跟踪技术并将它们从投资组合中移除。该决定取决于多策略、多资产基金的具体授权和资金来源。
小组成员强调了量化投资的挑战以及对所做工作有信心的重要性，无论研究量如何。他们提到了将策略转变为更好策略的可能性，并强调了真正多元化策略的稀缺性。他们还谈到做空特斯拉等股票，并指出做空股票本质上是做空一种想法或信念，尤其是基于故事的估值做空。他们提供了 2005 年日本的一个例子，当时一家消费金融公司的估值很高，但在几年后最终破产之前一直处于平静的空头状态。
演讲者讨论了关闭基于与传统预期不符的超现实估值的策略的陷阱。他们提到了像特斯拉这样的公司，其市值已经超过了丰田这样的大公司。小组成员强调对称性对于短边和长边具有相同规则的重要性，尽管他们承认这更具挑战性。他们认为，很多策略都可以改进，甚至不同的资产类别，本质上都是对经济增长的押注。
该小组还讨论了寻找真正多样化并从金融不确定性和波动性中受益的策略的难度。他们强调了经典对冲基金策略在这方面的局限性，并建议有抱负的宽客按照模板思考，并愿意放弃无效的策略。他们建议散户投资者关注低成本的多元化ETF，并优先考虑风险管理。
该小组通过解决金融市场的效率和个人投资者在与专业人士竞争时面临的挑战来结束讨论。他们建议将学术研究论文作为灵感而非福音，并寻找非主流的想法，以避免与大盘过度相关。他们为那些有兴趣进一步探索他们的工作的人提供他们的 Twitter 用户名、LinkedIn 个人资料和网站。
该小组深入探讨了 alpha-seeking 策略的各个方面，强调了困难、替代方法、风险管理考虑因素以及实际影响和可视化的重要性。他们的见解为驾驭复杂金融环境的投资者和宽客提供了宝贵的指导。
使用深度强化学习进行交易 |托马斯·斯塔克博士
使用深度强化学习进行交易 |托马斯·斯塔克博士
交易深度强化学习专家 Thomas Starke 博士介绍了强化学习 (RL) 的概念及其在交易领域的应用。强化学习允许机器通过确定要采取的最佳行动来学习如何在没有明确监督的情况下执行任务，以最大化有利的结果。他使用机器学习的例子来玩电脑游戏，它在响应屏幕上的视觉提示的同时通过不同的步骤进行。机器的成败取决于它在整个游戏过程中所做的决定。
Starke 博士通过讨论马尔可夫决策过程深入探讨了使用深度强化学习进行交易的细节。在这个过程中，每个状态对应一个特定的市场参数，采取的行动将过程转换到下一个状态。根据转换，代理（机器）收到正面或负面的奖励。目标是在给定特定策略和状态的情况下最大化预期奖励。在交易环境中，市场参数有助于识别当前状态，使代理能够就采取哪些行动做出明智的决定。
交易中的决策过程涉及根据告知系统状态的各种指标来确定是买入、卖出还是持有头寸。最终目标是获得最好的回报，即交易产生的利润或损失。 Starke 博士指出，传统的机器学习方法会为状态分配特定的标签，例如即时利润或亏损。但是，如果交易暂时违背预期，这可能会导致标签不正确。机器需要知道什么时候留在交易中，即使它最初会蒙受损失，并有信心等到交易恢复到平均线后再退出。
为了解决标记交易盈亏每一步的困难，Starke 博士在强化学习中引入了追溯标记。传统的机器学习会标记交易中的每一步，因此很难预测交易在最初亏损的情况下未来是否会盈利。追溯标签利用贝尔曼方程为每个动作和状态分配一个非零值，即使它不会立即产生利润。这种方法允许回归到均值和最终盈利能力的可能性。
延迟满足是交易中的一个关键挑战，Starke 博士解释了强化学习如何帮助克服这一障碍。贝尔曼方程用于计算一个动作的奖励，包括即时奖励（“r”）和累积奖励（“q”）。贴现因子（“伽玛”）决定了未来结果与之前结果相比的权重。通过利用强化学习，交易决策不仅基于即时回报，还考虑到未来更高回报的潜力。与纯粹的贪婪决策相比，这种方法可以做出更明智的决策。
由于金融市场的复杂性以及需要考虑的大量状态和影响，深度强化学习在交易中特别有用。 Starke 博士强调了使用深度神经网络根据过去的经验来近似表格，从而消除了对巨大表格的需求。他强调了选择具有预测价值的输入并针对已知行为测试系统的重要性。交易状态涉及历史和当前价格、技术守卫数据、情绪或卫星图像等替代数据源等。找到正确的奖励函数和输入来定义状态至关重要。由神经网络逼近的表格的不断更新使机器能够逐步学习并做出更好的交易决策。
Starke 博士讨论了如何构建使用强化学习进行训练的价格序列。您可以在不同点随机进入和退出，而不是按顺序运行价格系列。方法的选择取决于用户的具体要求和偏好。他还深入研究了设计奖励函数的挑战，提供了使用纯百分比损益 (P&L)、每笔报价的利润、夏普比率以及各种类型的惩罚以避免长期回撤或交易持续时间过长的示例。
在输入方面，Starke 博士建议使用多个选项，包括开盘价、最高价、最低价、收盘价和成交量值、烛台形态、相对强弱指数等技术指标，以及各种与时间相关的因素。输入还可以包括其他工具的价格和技术指标以及情绪分析或卫星图像等替代数据源。这些输入被组合起来构建一个复杂的状态，类似于计算机游戏如何利用输入特征来做出决定。找到符合个人交易风格的正确奖励函数至关重要，因为它可以相应地优化系统。
测试阶段是交易中强化学习的重要步骤。 Starke 博士解释了他进行的一系列测试，包括干净的正弦波、趋势曲线、没有结构的随机序列、不同类型的顺序相关、干净的测试曲线中的噪声以及重复出现的模式。这些测试有助于评估机器是否持续产生利润并识别编码中的任何缺陷。他还讨论了不同类型神经网络的使用，例如标准、卷积和长短期记忆 (LSTM) 网络。 Starke 博士更喜欢能够满足他的需求并且不需要过多计算工作的更简单的神经网络。
Starke 博士承认使用强化学习进行交易的挑战，例如区分信号和噪声以及局部最小值问题。强化学习与嘈杂的金融时间序列和以不断变化的规则和市场制度为特征的动态金融系统作斗争。然而，他证明了用简单的移动平均线平滑价格曲线可以显着提高强化学习机的性能。这种见解为构建能够做出有利可图的交易决策的成功机器学习系统提供了指导。
对于听众的问题，Starke博士提供了进一步的见解。他确认贝尔曼方程避免引入前瞻偏差，技术指标经过仔细分析后可以作为输入。他建议卫星图像对于预测股票价格可能很有价值。在时间框架方面，根据神经网络的计算时间，强化交易可以应用于小时间框架。他讨论了强化交易算法对市场异常的敏感性，并解释了为什么使用强化学习训练随机决策树没有意义。
当被问及神经网络的选择时，Starke 博士建议使用神经网络代替决策树或支持向量机进行交易，因为它们对问题的适用性。根据奖励函数调整损失函数对于获得最佳性能至关重要。他承认，已经进行了一些尝试将强化学习用于高频交易，但在实时市场中缺乏响应能力的缓慢神经网络一直是一个限制。 Starke 博士强调获得市场知识对于成功从事交易事业、进行实际交易以及在整个过程中广泛学习的重要性。最后，他讨论了与神经网络和期权交易相结合的相关挑战。
Starke 博士还谈到了使用期权数据作为基础工具交易的输入，而不是仅仅依赖技术指标。他提供了关于使用神经网络确定买卖手数的见解，并通过构建滑点模型并将这些因素整合到奖励函数中，将点差、佣金和滑点等因素纳入算法。他建议在使用神经网络来决定交易量时要谨慎，并建议使用输出值来相应地调整投资组合权重。最后，他对听众的提问和出席他的演讲表示感谢，并邀请通过 LinkedIn 进一步参与和互动。
在演讲中，Starke 博士强调了在强化学习交易领域不断学习和改进的重要性。他强调需要不断更新神经网络并根据新数据和市场条件完善系统。这种迭代过程使机器能够适应不断变化的动态并随着时间的推移增强其决策能力。
Starke 博士还讨论了模型验证的概念和样本外测试的意义。评估经过训练的模型在未见数据上的性能至关重要，以确保它能够很好地概括并且不会过度适应特定的市场条件。样本外测试有助于验证系统的稳健性，并对其性能提供更真实的评估。
此外，他还谈到了强化学习交易中数据预处理和特征工程的挑战。以合适的格式准备数据和选择信息特征是构建有效交易模型的关键步骤。 Starke 博士建议探索各种技术，例如归一化、缩放和特征选择，以优化神经网络的输入数据。
此外，Starke 博士承认强化学习的局限性及其对市场异常或极端事件的敏感性。虽然强化学习可以提供有价值的见解并生成有利可图的策略，但重要的是要谨慎行事并了解交易中涉及的固有风险。风险管理和多元化战略在减轻潜在损失和确保长期成功方面发挥着至关重要的作用。
最后，Starke 博士的演讲全面概述了强化学习在交易中的应用。他讨论了与使用深度强化学习算法做出明智的交易决策相关的关键概念、挑战和最佳实践。通过利用神经网络的力量和强化学习的原则，交易者可以增强他们的策略，并有可能在动态和复杂的金融市场中取得更好的表现。
EPAT 先睹为快讲座 - 如何优化交易策略？ - 2020 年 2 月 27 日
EPAT 先睹为快讲座 - 如何优化交易策略？ - 2020 年 2 月 27 日
在视频中，演讲者首先提供了内容 C 的背景信息，并介绍了他们在交易和银行业务方面的经验。他们讨论了交易中的不同方法论，包括系统交易、量化交易、算法交易和高频交易。该视频的主要重点是提供有关以可量化方式开发和优化交易策略的见解，并比较全权委托和量化交易方法。
演讲者强调了跑赢大盘和命中率在交易中的重要性。他们解释说，要以 95% 的概率在至少 50% 的股票中取得优异表现，交易员的预测必须正确一定次数，随着被跟踪和交易的资产数量的增加而增加。允许跟踪更多股票的系统交易在这方面优于全权交易。然而，全权委托交易可以通过跟踪更少的股票来提供更深入的专有见解。演讲者介绍了投资管理的基本规律，即投资经理超过基准的业绩与其命中率和下注次数的平方根成正比。
不同类型的交易者，例如技术交易者、基本面交易者和宽客，以不同的方式捕捉风险和回报。演讲者解释说，几乎所有这些交易方式都可以表达为规则，使系统交易成为可能。交易策略被定义为一组数学规则，决定何时买入、卖出或持有，无论市场阶段如何。交易策略的目标是根据传入数据生成信号函数，并将其转换为标的资产的目标头寸。虽然由于市场的随机性和随机性，交易变得复杂，但基于规则的策略可以帮助管理风险。
演讲者深入探讨了设计和实施交易策略所涉及的功能。他们强调，在实际市场中实现的收益是不可控的，无法改变。因此，在给定一些约束的情况下，通过改变参数来优化 Pi 的功能以改进策略是必不可少的。演讲者概述了策略制定的阶段，包括构思、假设检验、规则转换、回溯测试、风险估计、部署，以及部署后寻求下一个策略的重要性。
考虑到 alpha、beta 和 epsilon 等因素，解释了交易策略中投资回报的方程式。演讲者还讨论了战略中的风险和面板，解释了特殊风险如何分散并且不属于预期回报的一部分。引入了 beta 和 alpha 的概念，并为市场因素暴露和通过价值或动量等购买因素进一步多样化的潜力建议了被动的广泛指数。创造 alpha 被认为是一项具有挑战性的任务，需要仔细选择或把握时机。
演讲者强调了阿尔法和市场时机在交易策略中的重要性。他们解释说，有效的策略需要捕获恒定的阿尔法并预测市场因素的变化。如果一个人缺乏这种能力，被动投资就成为唯一可行的选择。演讲者建议在进行回溯测试之前，通过构思和仔细观察开始开发简单的交易策略。建议使用每日价格深入研究潜在想法以获得初步见解。
演示了如何使用编码和数据分析技术优化交易策略。该示例使用 Microsoft、Apple 和 Google 股票来计算交易信号，并根据今天的开盘价和收盘价估算随后的抛售价值。探索性分析通过绘制图表来可视化价格变动的差异。讨论数据标准化以使 X 的值在不同股票之间具有可比性，同时考虑波动率、价格和波动率百分比等因素。演讲者强调了印度市场大盘股和标准普尔 20 大指数中与高空跳空和低空跳空相关的统计现象，从而定义了开盘价和收盘价。
然后，演讲者继续讨论 EPAT（算法交易执行计划）计划对交易者和有兴趣从事交易职业的个人的好处。他们强调，EPAT项目是一个专注于交易的实用项目，适合那些有志成为交易员或在经纪交易柜台工作的人。该计划提供了对交易策略、风险管理技术和算法交易实践方面的全面理解。
与更侧重于理论方面的课程相比，EPAT 课程提供可直接应用于现实世界交易场景的实践知识。演讲者鼓励旨在成为风险量化分析师的个人探索更深入研究理论概念的其他项目。
当被问及对交易至关重要的统计主题时，演讲者建议参考任何大学水平的统计书籍，以深入了解在交易中应用统计数据。他们还建议关注量化金融博客和 Twitter 帐户，以获取有价值的学习材料，并随时了解该领域的最新趋势和发展。
关于策略开发，演讲者强调了从统计和量化角度思考将交易想法转化为代码的重要性。 EPAT 计划为交易者提供必要的技能，以定义良好且有利可图的交易策略。他们强调需要努力制定战略，并承认在算法交易中获得稳定的利润需要奉献精神和毅力。
演讲者解决了听众提出的具体问题，就定义代码中的局部低点和高点、获取和使用期权交易代码以及查找示例代码等主题提供了指导。他们提到可以在 GitHub 上找到代码示例，并澄清 EPAT 程序包括交易策略的组成部分，但他们不确定是否涵盖头寸规模。
接下来，演讲者讨论了算法交易在铁秃鹰等简单期权策略中的应用。他们强调了执行速度在高频交易中的重要性，其中执行时间起着至关重要的作用。然而，对于中长期策略，alpha 来源比速度更重要。算法交易在监控不同股票的多个期权以确保不会遗漏任何潜在交易方面特别有用。
演讲者分享了他们对在交易策略中使用替代数据的看法。他们对其有效性表达了复杂的情绪，指出虽然一些替代数据可能很有价值，但并非所有数据源都能产生有用的见解。将异常值纳入交易策略的决定取决于所采用策略的具体交易和风险状况。
还讨论了自适应策略，这些策略能够根据不断变化的市场条件进行自我优化。演讲者重点介绍了创建自适应策略的各种技术，并强调了它们提高交易绩效和适应性的潜力。
最后，演讲者重申，虽然基于各种类型的图表构建交易策略是可能的，但必须制定特定的规则以确保成功。他们告诫说，市场上没有“免费午餐”，并强调采用有纪律和系统的方法进行交易决策的重要性。
视频结束时邀请观众提出有关 EPAT 计划或其对他们的职业和业务的潜在好处的任何其他问题。鼓励有兴趣的个人与项目顾问联系，通过提供的论坛或其他沟通渠道查询录取细节和费用灵活性。