Thursday 26th October 20177:30 PM IST | 10:00 AM EST | 10:00 PM SGTLearn how to build, deploy, and launch basic algo using ADLThe webinar covers:- What is AD...
In this informative video on Quantitative Finance, Radovan Vojtko provides a comprehensive quantitative trading tutorial on the classification of quantitativ...
Hamer 深入研究了机器学习的过程,从指定问题陈述和识别机器学习问题的类型开始。他解释了机器学习中对数字数据的要求,并讨论了将数据划分为模型训练和评估的训练集和测试集。 Hamer 提供了一个示例,演示如何利用 Quantiacs Python API 对迷你标准普尔 500 指数期货合约进行预测,并使用 Keras 神经网络 API 显示结果。
00:15:00 Eric Hamer 介绍了机器学习的概念及其在量化金融中的应用。他提到美国证券交易所 85% 到 90% 的交易都是计算机生成的,回归、分类和聚类等机器学习技术正变得越来越普遍。 Hamer 解释了机器学习的一些缺陷,并强调了在不过度搅动的情况下最大化风险调整后回报的重要性。虽然使用神经网络可以获得非常好的结果,但执行时间可能会很长,而且传统的 CPU 架构也不是最优的。但是,有可用的高性能 GPU 可以显着缩短执行时间。尽管有 Python 和 MATLAB 等可用的开源库,但设置和训练机器学习算法可能是一个复杂的过程,需要付出努力和工作。
00:20:00 Eric Hamer 讨论了机器学习的过程,从指定问题陈述和识别机器学习问题的类型开始。 Hamer 解释说,在机器学习中,一切都必须是数字的,数据集通常分为训练数据和测试数据,分别用于训练和评估模型。 Hamer 还用一个例子来解释如何使用 Quantiacs Python API 对迷你标准普尔 500 期货合约进行预测并使用 Keras 神经网络 API 显示结果。
00:25:00 Eric Hamer 讨论了他创建的用于预测未来股票价格的机器学习模型的局限性。虽然该模型乍一看似乎能准确预测价格,但仔细观察就会发现它实际上只是使用今天的数据作为明天数据的代理。当将相同的算法应用于原始数据返回时,模型的预测遵循与真实值相同的形状但幅度不同。然后,Hamer 展示了该模型在应用于交易数据时的糟糕表现,并讨论了潜在的改进途径。他还简要概述了他的交易系统功能中使用的源代码。
00:30:00 Eric Hamer 演示了如何创建顺序 Keras 模型来预测标准普尔 500 指数期货的回报。该模型从基本模型开始,然后添加特定层。 Eric 然后用训练数据训练他的模型,训练数据是实际的价格数据,y 值是他希望预测的回报数据。一旦模型经过训练,Eric 就可以将他的模型从设置中拉出来,并使用它来预测基于最新数据的回报。 Eric 的简单 S&P 500 迷你模型效果不佳,但他解释了如何通过适当的技术和优化(例如梯度下降和提升)来解决该问题。
00:35:00 Eric Hamer 讨论了一些可用于提高应用于量化金融的机器学习算法有效性的技术,例如引导聚合技术,该技术涉及在许多不同的数据切碎版本上运行算法看看能从中学到什么。他建议保持策略简单并使用多个预测以达成共识,同时注意过度拟合、清理数据以及考虑缺失数据和随机变量。总的来说,他认为机器学习和人工智能将继续成为预测金融市场的关键工具。
00:40:00演讲者介绍了 EpAT 和 ConTA 课程,这两个课程都提供专门的机器学习课程。 EpAT 专为希望在算法或量化交易领域发展的专业人士而设计,ConTA 提供自定进度的课程,介绍使用 Python 机器学习实施回归技术。演讲者还回答了有关在机器学习中选择 R 和 Python 以及如何在测试替代数据集时避免过度拟合的问题。演讲者建议在训练数据和测试数据上训练模型,并查看两者之间的误差差异以避免过度拟合。
00:45:00 Eric Hamer 讨论了算法交易机器学习中过度拟合的缺陷,并建议使用引导聚合或装袋技术将数据集拆分成更小的子集以测试准确性。他还指出,由于存在噪声和波动,任何超过 50% 的准确度都可以被认为在财务数据中是好的。
00:50:00 Eric Hamer 强调了解技术对于自动化交易策略的重要性。他提到需要教育计划来培训人们掌握成为成功的算法交易员所需的各种技能。
Join Eric Hamer in this engaging YouTube video as he introduces you to the fascinating world of quantitative finance and its application in machine learning ...
定量研究员和 Python 开发人员 Brian Christopher 全面介绍了传统时间序列分析的局限性,并介绍了混合模型,特别是隐马尔可夫模型 (HMM),作为预测回报和识别市场机制的有前途的替代方案。他强调需要能够处理非平稳数据和近似非线性分布的模型,这在金融预测中是必不可少的。
Christopher 探讨了如何使用混合模型(尤其是 HMM)来估计资产最可能的状态,以及每个状态的相关均值和方差。他解释了计算过程,该过程涉及在计算类参数和评估似然数据之间交替进行。高斯混合模型 (GMM) 是一种著名的混合模型,它假设每个区域都服从高斯分布。 Christopher 演示了如何使用期望最大化算法来计算概率和状态参数,直到收敛。为了说明这一点,他展示了一个对间谍 ETF 的低波动性、中性和高波动性制度进行分类的示例。
接下来,Christopher 深入研究了 GMM 如何处理非平稳和非线性数据集,克服传统时间序列分析的局限性。他提出了一种玩具策略,该策略利用四个因素(包括资产回报率和美国国债十年期至三个月期利差)来估计序列回报率和参数。 GMM 用于拟合和预测,提取最后状态标签的估计以确定特定状态的均值和方差。 Johnson su 分布不是假设正态分布,而是用作策略的一部分来说明数据的非线性特性。
演讲者讨论了一种预测市场底部的策略,该策略基于置信区间之外的回报是异常值的假设。通过对一千个样本构建 99% 的置信区间,低于较低置信区间的回报被视为异常值。 Christopher 分析异常事件后的回报,假设在 ETF 中持有指定天数的多头或买入头寸。该模型适应不断变化的波动性,虽然整体准确率约为 73%,但股票曲线的表现不如买入并持有策略。 Christopher 鼓励观众自己探索数据,因为演示文稿中使用的数据集可在 GitHub 上获得。
演讲者解释了如何组织和分析输出数据以评估混合模型策略的有效性。可以采用各种切片和分组技术来评估指标和均值。 Johnson su 分布用于适应回报序列中不断变化的波动,并与正态分布进行比较。克里斯托弗建议正态分布的准确性很差,简单地持有市场可能更有利。但是,他鼓励个人探索 GitHub 上的数据,并提出解决任何问题或参加网络研讨会。
在问答环节中,Christopher 回答了观众关于他使用混合模型预测市场底部的网络研讨会的问题。他澄清说,他通过粗略的参数搜索确定了 Johnson 分布的形状参数,并没有对结果进行广泛研究。他还讨论了他如何为他的模型选择有用的因素,强调包含美国利益或固定收益指标以提高模型在预测美国资产回报方面的成功率。
Christopher 解决了其他听众的问题,这些问题涉及将 GMM 应用于收益而不是价格、使用价格时的规模问题、具有多个因素的偏差方差问题以及回顾和回溯测试之间的相似性。他建议进一步探索和研究在更广泛的资产范围内更具预测性的因素组合。他还强调了为 GMM 组件数量设置自然限制以避免过度拟合的重要性。克里斯托弗邀请听众与他联系以获取更多问题和详细信息。
00:00:00 定量研究员和 Python 开发人员 Brian Christopher 讨论了由于对平稳数据的严格要求以及对可以近似非线性分布的模型的需求,传统时间序列分析在预测回报或市场时机时的局限性。然后,他探索了混合模型的使用,特别是隐马尔可夫模型 (HMM),这些模型建立在马尔可夫模型等几个既定概念的基础上,可用于近似非线性分布并且不需要固定数据。
00:05:00 Brian Christopher 讨论了使用混合模型如何帮助预测市场底部和估计资产最可能的状态,包括每个状态的相关均值和方差。该模型在计算类参数和评估给定每个参数的似然数据之间轮换,包括每个状态的均值和方差以及它们之间的转换概率。最著名的模型是高斯混合模型,它假设每个状态都是由高斯过程生成的,并使用期望最大化算法来计算概率和状态参数,直到满足收敛或另一个停止标准。 Brian 展示了一个使用该模型对间谍 ETF 的低波动性、中性和高波动性机制进行分类的示例。
00:10:00 Brian Christopher 解释高斯混合模型 (GMM) 如何处理非平稳数据集和近似非线性数据集,克服传统时间序列分析模型的一些弱点。 Christopher 设计了一个玩具策略,使用四个因素来估计收益和参数的顺序,包括资产收益、美国国债十年期至三个月期利差等。该方法使用 GMM 来拟合和预测,提取最后一个状态标签的估计值以获得该特定状态的均值和方差的模型估计值,作为 Johnson su 分布而不是正态分布的一部分战略。
00:35:00 演讲者讨论如何组织和分析输出数据以确定混合模型策略的有效性。可以以各种方式对数据进行切片和分组,以评估指标和均值。 Johnson su 分布用于适应回报序列中不断变化的波动,并与正态分布进行比较。演讲者建议正态分布的准确性很差,最好只持有市场。但是,演讲者鼓励探索 github 上的数据,并愿意回答任何问题或参加网络研讨会。
00:40:00 Brian Christopher 回答了听众提出的关于他使用混合模型预测市场底部的网络研讨会的一些问题。他解释说,他通过粗略的参数搜索确定了约翰逊分布的形状参数,并没有对结果进行广泛研究。克里斯托弗还讨论了他如何确定他选择的因素是否对他的模型有帮助,并解释说他尝试了许多不同的因素并最终发现使用基于美国的利益或固定收益指标有助于使他的模型更成功地预测基于美国的资产回报。
00:45:00 Brian Christopher 回答了听众关于为什么他将 GMM 应用于收益而不是价格的一些问题、使用价格时的规模问题、K 因子上可能存在的偏差-方差问题以及使用回顾的相似性回测。他还建议进一步探索和研究在更广泛的资产范围内更具预测性的因素组合,并为 GMM 组件的数量设置自然限制以避免过度拟合。布赖恩·克里斯托弗 (Brian Christopher) 邀请听众与他联系以获取更多问题和详细信息。
Date and Time:Tuesday, April 25th, 20178:00 PM IST | 09:30 AM CST | 8:30 AM MST This session explains and illustrated the use of Mixture Models with a sample...
Date and Time: Tuesday, March 7, 2017 (9:30 PM IST | 8:00 AM PST)Volatility is a cornerstone concept in options trading, and all traders have a theory of how...
Date and Time:Tuesday, February 21, 20177:00 PM IST | 9:30 PM SGT | 10:30 AM ARTSpeakers:- Deepak Shenoy (Founder and CEO, Capitalmind)- Maxime Fages (Found...
演讲者讨论了算法交易平台及其基于策略类型的选择。对于低频交易策略,经纪商通常提供免费的、基于网络的平台,允许使用各种编程语言的 API 代码进行自动交易。为了对延迟具有更高的敏感性,可以以每月几百美元的成本使用可部署平台。发言人还强调,所使用的基础设施类型取决于战略,高频数据和分析需要顶级性能的服务器。
00:25:00 演讲者讨论了算法交易平台以及如何根据所使用的策略类型选择一个平台。对于低频交易策略,经纪商通常提供免费的、基于网络的平台,允许使用适用于各种编程语言的 API 代码进行自动交易。对于那些对延迟比较敏感的人,每月只需几百美元就可以使用一个可部署的平台。演讲者还指出,所使用的基础设施类型将取决于部署的策略类型,高频数据和分析需要服务器才能实现顶级性能。
Know everything you wanted to know about Algorithmic Trading from the stalwart market practitioner Nitesh Khandelwal, Founder of iRage.Most Useful linksJoin ...
Tuesday, July 19, 201606:00 PM IST | 08:30 PM SGT | 12:30 PM GMTIntroduction: Recent global event such as Brexit and the subsequent volatility in the currenc...
This session focuses on explaining Quantitative Trading using Sentiment Analysis. The video discusses how quantitative analysis of news can be used to make a...
Date and Time:Tuesday, May 24, 201606:00 PM IST | 08:30 PM SGT | 12:30 PM GMTSession Contents:An overview of the Algorithmic Trading industry- Current market...
通过 Trading Technologies 使用 ADL® 构建您自己的算法
通过 Trading Technologies 使用 ADL® 构建您自己的算法
Trading Technologies 自动交易工具产品经理 Andrew Reynolds 介绍了 ADL(算法设计实验室)作为简化交易算法开发过程的突破性解决方案。在 ADL 出现之前,有兴趣创建自己的算法的交易员必须学习编码,这既耗时又开发周期长。然而,ADL 通过提供直观的图形工具彻底改变了流程,使交易者无需编写一行代码即可设计和部署算法。这显着降低了技术能力方面的进入门槛,使交易者能够迅速利用市场机会。 ADL 通过将设计的算法转换为在同一位置的高性能服务器上运行的经过良好测试的代码来确保最佳性能。
Reynolds 继续解释 ADL 的主要特性和功能。 ADL 画布用作工作区,由代表不同交易概念和操作的大量块组成。交易者可以轻松拖放这些块来创建算法,每个块都有特定的属性,可以连接到其他块以定义所需的逻辑。组块允许封装特定逻辑并将它们保存为库块以供将来重用。为了加强组织,可以添加书签,并且可以使用搜索机制快速浏览块和部分。 ADL 结合了预测技术来检测潜在的块连接,进一步加快了开发过程。
随着演示的继续,讲师演示了使用 ADL 逐步创建算法。该平台提供实时反馈和用户友好的功能,以帮助高效开发。讲师展示了将入口侧逻辑添加到算法中,然后合并出口侧逻辑,最后创建具有入口侧逻辑和出口侧逻辑的算法。各种块,如命令块、消息信息提取器、字段块和警报块,用于定义算法的所需功能。在整个演示过程中,讲师重点介绍了跳块提供的可读性和自定义选项,让交易者可以根据自己的喜好定制算法。
然后,讲师介绍了订单管理算法 (OMA),它可以将算法逻辑应用于现有订单,提供根据需要灵活地操纵价格、数量、止损价和披露数量。他们解释了如何实施出价漂移策略,逐步增加价格直到订单被执行。讲师强调,ADL 旨在防止意外操作和无限循环,确保用户安全和预期行为。此外,ADL 包含 P&L 风险块功能,允许交易者设置预定义的损失阈值,如果损失超过指定金额,则自动停止算法。
演示者讨论了使用 ADL 的算法的启动和监控。 Algol 启动可以从前端 Auto Trader 算法仪表板、订单簿或 MD Trader 中的各种小部件启动。突出显示了直接从 MD Trader 阶梯中一键启动的功能,使交易者能够毫不费力地选择工具和修改算法参数。 ADL 还提供了根据仪器选择托管设施的能力,交易者可以直接从前端监控其算法的进度。此外,该平台支持在启动算法时为每个工具指定不同的账户,增强灵活性和账户管理选项。
演示者强调了可在 Trading Technologies 网站上了解更多关于 ADL 的资源,包括用于讨论 ADL 相关主题的支持论坛。他们告知观众即将添加的分析块,允许提取历史数据并在 ADL 中执行内置研究。用户将能够直接在算法中使用历史数据构建自定义研究。主持人强调,Trading Technologies 是经纪人中立的,可以连接到支持该平台的任何经纪人。还提到了定价细节,堆垛机输出算法类型被确定为常见用例。
演讲者深入探讨了使用 ADL 编写算法的多功能性,强调每个交易者都可以将他们独特的“秘密武器”带到算法交易中。他们推荐 Trading Technologies 社区论坛作为获取更多信息和流行算法策略见解的绝佳资源。解释了使用 autotraders 单击启动的优点,允许交易者同时模拟多个交易。他们还提到了移动应用程序上 ADL 仪表板的可用性,使交易者能够远程暂停和重启算法。
演示文稿继续讨论如何通过 TradeTT 网站上的免费模拟账户访问 ADL 平台,提供即时访问和探索平台功能的机会。值得注意的是,ADL 与主要交易所位于同一地点,提供位于不同地点设施的服务器池,包括供用户试验不同交易的 gen-pop 服务器。演讲者还谈到了网络服务和 API,提到了 TT REST API 的发布和 ADL 外汇交易平台的实用性。
关于外汇交易选项,发言人澄清说,虽然目前没有直接与外汇交易所连接的计划,但 CME 提供外汇功能,纽约证券交易所提供即期外汇合约。他们鼓励观众成员参与论坛,这些论坛跟踪和解决产品改进问题。结论包括对后台程序的预览以及要求与会者在结束网络研讨会之前填写调查表。
量化金融 | Radovan Vojtko 对量化交易策略的分类
量化金融 | Radovan Vojtko 对量化交易策略的分类
Arjuna 介绍了 Quantpedia 的首席执行官 Radovan Vojtko,这是一个作为量化交易策略百科全书的综合平台。凭借前投资组合经理的背景,Vojtko 成功管理了超过 3 亿欧元的量化基金,专注于多资产 ETA 趋势跟踪策略、市场时机和波动率交易。他强调了将金融学术研究纳入交易策略的重要性,强调许多有趣的交易想法发表在学术论文中,可以按原样使用或定制以适合个人交易系统。 Vojtko 还解决了与实施源自学术研究的策略相关的常见挑战。
Radovan Vojtko 深入研究了选择交易策略以纳入 Quantpedia 数据库的细致过程。他解释说,他们的团队广泛阅读了学术论文,并精心挑选了实用的实施策略,并展示了可靠的性能和风险特征。作为一个例子,他提到了股票中的动量策略,该策略最初由 Jagadeesh 和 Titman 在 1993 年的一篇论文中介绍,随后又发表了相关论文。 Vojtko 指出,他们不发布交易代码,因为机构客户更喜欢使用自己的数据测试策略。此外,他概述了对定量研究做出贡献的三个主要群体:学术界、卖方研究以及对冲基金和资产管理公司。
演讲者概述了量化交易策略及其分类。在学术研究中,股票成为一个广泛覆盖的资产类别,其次是商品、货币、债券和房地产。每月重新平衡是交易策略最受欢迎的时间框架,而高频交易由于需要更昂贵的数据和高级编程功能而被低估。话题方面,多空、动量等股票策略最受关注,其次是市场时机、价值和基本面收益效应。演讲者分享了他们对在 Quantpedia 数据库中分类和发现引人注目的交易策略的看法。
讨论了量化交易策略的不同分类,以及研究中的盲点概念。盲点是指研究领域覆盖面不够,提供了发现新阿尔法或交易策略的机会。演讲者提供了跨资产类别的策略分布,揭示了股票的主导地位,同时强调了债券和房地产投资信托 (REIT) 尚未充分开发的性质。虽然动量和套利等流行风格得到了广泛的报道,但演讲者指出了其他资产类别的时机策略的潜力以及货币交易有趣策略的发展。
Radovan Vojtko 进一步检查了按资产类别划分的量化交易策略的分类,特别强调了股票策略。他指出,股票交易风格比所有其他资产类别的总和还要多,并强调了六种主要的股票策略类型,包括择时、套利和价值交易。然而,他承认流行风格和未充分开发的领域存在盲点,例如债券和商品。 Vojtko 强调了日内和空头策略中独特而有趣的投资机会的潜力,这些策略尚未在研究论文中广泛涉及。
该视频详细探讨了两种量化交易策略。第一种策略涉及采用均值回归方法来交易商品期货。这种方法需要将具有相似特征的商品分组,计算每个组的商品总回报指数,并在每个组内构建对。根据历史背离并使用两个标准差的阈值,当价格背离时建立每日头寸。第二种策略侧重于盈余公告前的风险,利用盈余公告后股票波动的趋势。通过创建多空投资组合,投资者可以从这种现象中获利。虽然财报公布后的漂移是众所周知的,但演讲者强调了一个鲜为人知的事实,即股票也往往在财报公布前发生漂移。
Radovan Vojtko 解释了 alpha 衰减的概念,它指的是交易策略的样本内和样本外测试之间的性能差异。他还解决了定量研究中的 P-hacking 和复制问题,研究人员可以在其中测试交易策略的多种变体,直到他们发现有趣的东西,从而进行数据挖掘。为了缓解这个问题,Vojtko 建议使用动量匿名化,这是一种允许交易者确定策略是真正有利可图还是仅仅是统计侥幸的方法。尽管存在这些挑战,各种量化交易策略已在学术论文中发表,包括显示年回报率为 40% 的预盈利公告策略的示例。
演讲者驳斥了量化交易策略一旦发布并为他人所知就失效,从而导致其他市场参与者套利的误解。 McLean 和 Pontiff 进行的研究表明,某些策略即使在发布后仍会继续发挥作用,五年后仍有超过 40% 的阿尔法。演讲者还强调了交易中异常或因素的持久性,并指出任何策略都可以表现出持久性并在未来产生可观的回报。然而,投资者选择不当的时机可能会阻碍回报。演讲者警告不要进行数据挖掘或数据钓鱼,这涉及过度挖掘数据并可能导致错误发现。在实施之前,对任何策略进行严格测试都是至关重要的。
Radovan Vojtko 解决了学术研究中的复制问题,特别是关于量化交易策略。他强调了研究人员在事先没有特定假设的情况下挖掘数据和搜索模式的问题,导致统计显着性没有实际效用。 Vojtko 建议将统计显着性的分界点提高到 3.0 或 3.5,以保持已确定策略的严格标准。根据已发布数据比较股票因子投资组合的样本外测试有助于准确复制和在未来交易中的潜在使用。
Vojtko 引入了一种动量未发布的异常策略,该策略涉及根据年度表现对异常进行排名,然后交易下一年表现最好的异常。这种方法有助于过滤掉不切实际、表现不佳或套利驱动的策略,增加通过学术研究发现盈利策略的可能性。然而,Vojtko 警告说,必须考虑流动性和交易成本,并且异常的表现会随着时间的推移而减弱。他建议建立一个全面的策略数据库,并选择性能最佳的策略,以提高找到有利可图的交易策略的机会。
演讲者积极回答观众的问题,并提供资源建议以探索量化交易策略。他们建议访问社会科学网络网站,该网站是社会科学研究论文的存储库,可以使用配对交易或动量交易等关键字进行搜索。演讲者还推荐他们自己的网站 Quantpedia,该网站提供包含 60 多种常见策略的免费部分和包含更多独特策略的高级部分。当被问及适合初学者的策略时,演讲者建议探索资产成本选择和每股收益 (EPS) 的动量策略。为了计算 β 衰变,演讲者建议参考他们出版物中提到的学术论文或对相关学术论文进行谷歌搜索。
演讲者讨论了量化金融中常用的编程语言,并指出网上有很多选择。最终,编程语言的选择取决于个人喜好。他们提供了指向其网站的链接,该网站提供了指向大约 50 位后台测试人员的多个链接。虽然他们个人偏爱 Python,但他们承认其他语言的有效性。演讲者建议选择一种人们熟悉的语言,并利用来自 Tradestation、Ninjatrader 或 Ami Broker 等平台的预构建解决方案来开始交易或测试。此外,演讲者强调,成功的算法交易需要金融和技术技能的融合,并提供教育计划来培训这两个领域的个人。
公告鲜为人知。
量化金融 |机器学习简介 |量化 |埃里克·哈默
量化金融 |机器学习简介 |量化 |埃里克·哈默
Quantiacs 首席技术官 Eric Hamer 介绍了 Quantiacs 与 Quantinsti 之间的合作伙伴关系,旨在使对冲基金行业民主化。该合作提供培训课程,使学生能够使用 Quantiacs 的开源工具和数据掌握实用技能。 Quantiacs 充当众包对冲基金,将开发算法的量化分析师与资本联系起来,而 Quantinsti 则提供算法交易课程。 Hamer 强调,参赛的宽客可以参加 Quantiacs 比赛,他们有机会赢得投资资本和利润分成。
Hamer 深入研究了 Quantiacs 如何将编码员的算法与资本市场联系起来,如果这些策略被证明是成功的,那么宽客和 Quantiacs 都会受益。 Quantiacs 致力于通过提供可下载的 MATLAB 和 Python 桌面工具包、样本交易策略以及可追溯到 1990 年的免费日终期货数据来促进量化交易。他们还结合了宏观经济指标来帮助客户改进他们的算法。此外,Quantiacs 提供了一个在线平台,用户可以在该平台上免费提交和评估他们的算法。 Quantiacs 目前专注于期货,旨在为未来的股票市场提供可比数据。
演讲者解释了 Quantiacs 平台中交易策略的两个主要功能:成本函数和交易系统。成本函数通过利用给定日期高价和低价之间差异的 5% 来计算交易成本和佣金。另一方面,交易系统允许用户请求价格信息并提供决定投资组合分配的权重向量或矩阵。 Quantiacs 不鼓励使用全局变量并提供设置参数来维护必要的状态信息。 Hamer 提供了一个简单交易策略的示例,该策略已产生 2.5% 的年回报率。该策略的输出包括权益曲线、多头和空头头寸的表现,以及个别期货的表现。 Quantiacs 根据积极的表现、低波动性和衡量风险调整后回报的夏普比率来评估策略。
Hamer介绍了机器学习的概念及其在量化金融中的应用。他强调说,美国证券交易所的大部分交易(大约 85% 到 90%)都是计算机生成的。回归、分类和聚类等机器学习技术在该领域正变得越来越普遍。 Hamer 讨论了与机器学习相关的一些陷阱,强调了在不过度交易的情况下最大化风险调整后回报的重要性。虽然神经网络可以产生出色的结果,但它们的执行时间可能很长,而且传统的 CPU 架构可能不是最优的。但是,可以使用高性能 GPU,从而显着缩短执行时间。尽管存在 Python 和 MATLAB 等开源库,但设置和训练机器学习算法可能是一个复杂的过程,需要付出努力和奉献精神。
Hamer 深入研究了机器学习的过程,从指定问题陈述和识别机器学习问题的类型开始。他解释了机器学习中对数字数据的要求,并讨论了将数据划分为模型训练和评估的训练集和测试集。 Hamer 提供了一个示例,演示如何利用 Quantiacs Python API 对迷你标准普尔 500 指数期货合约进行预测,并使用 Keras 神经网络 API 显示结果。
Hamer 讨论了为预测未来股票价格而创建的机器学习模型的局限性。虽然该模型最初似乎可以准确预测价格,但仔细检查会发现它只是使用今天的数据作为明天数据的代理。将相同的算法应用于原始数据返回时,模型的预测遵循与真实值相似的形状但幅度不同。 Hamer 展示了该模型在应用于交易数据时的糟糕表现,并探索了潜在的改进途径。他还简要概述了他的交易系统功能中使用的源代码。
Hamer 继续展示用于预测标准普尔 500 指数期货回报的顺序 Keras 模型的创建。该模型从基本结构开始,并包含特定层。 Hamer 使用训练数据训练模型,训练数据包括实际价格数据,而 y 值代表要预测的回报数据。训练完成后,Hamer 可以从设置中提取模型,并使用它根据最新数据预测回报。虽然他的简单 S&P 500 迷你模型表现不佳,但 Hamer 解释说,适当的技术和优化(例如梯度下降和增强)可以解决问题。
Hamer 讨论了增强机器学习算法在量化金融中有效性的技术。他建议使用引导聚合技术,该技术涉及在多个数据子集上运行算法以获得洞察力。还建议保持策略简单,利用多个预测达成共识,并谨慎对待过度拟合、数据清理以及处理缺失数据和随机变量。 Hamer 认为机器学习和人工智能将继续成为预测金融市场的重要工具。
演讲者介绍了 EpAT 和 ConTA 课程,这两个课程都提供有关机器学习的专门课程。 EpAT 迎合了在算法或量化交易领域寻求发展的专业人士,而 ConTA 提供了一个自定进度的课程,介绍使用 Python 机器学习实现回归技术。 Hamer 回答了关于在机器学习中选择 R 还是 Python 的问题,并提供了在测试替代数据集时避免过度拟合的建议。他建议在训练和测试数据上训练模型,并检查两组之间的误差差异以防止过度拟合。
Hamer 强调了算法交易在机器学习中过度拟合的危险,并建议采用引导聚合或装袋技术将数据集拆分为更小的子集以进行准确性测试。由于财务数据的噪音和波动,任何超过 50% 的准确度都可以被认为是好的。
最后,Hamer 强调了理解技术对自动化交易策略的重要性。他强调需要教育计划来提供成功成为算法交易员所需的各种技能培训。
基于积极的表现、低波动性和衡量风险调整后回报的夏普比率。
我们可以使用混合模型来预测市场底部吗?布赖恩·克里斯托弗 - 2017 年 4 月 25 日
我们可以使用混合模型来预测市场底部吗?布赖恩·克里斯托弗 - 2017 年 4 月 25 日
定量研究员和 Python 开发人员 Brian Christopher 全面介绍了传统时间序列分析的局限性,并介绍了混合模型,特别是隐马尔可夫模型 (HMM),作为预测回报和识别市场机制的有前途的替代方案。他强调需要能够处理非平稳数据和近似非线性分布的模型,这在金融预测中是必不可少的。
Christopher 探讨了如何使用混合模型(尤其是 HMM)来估计资产最可能的状态,以及每个状态的相关均值和方差。他解释了计算过程,该过程涉及在计算类参数和评估似然数据之间交替进行。高斯混合模型 (GMM) 是一种著名的混合模型,它假设每个区域都服从高斯分布。 Christopher 演示了如何使用期望最大化算法来计算概率和状态参数,直到收敛。为了说明这一点,他展示了一个对间谍 ETF 的低波动性、中性和高波动性制度进行分类的示例。
接下来,Christopher 深入研究了 GMM 如何处理非平稳和非线性数据集,克服传统时间序列分析的局限性。他提出了一种玩具策略,该策略利用四个因素(包括资产回报率和美国国债十年期至三个月期利差)来估计序列回报率和参数。 GMM 用于拟合和预测,提取最后状态标签的估计以确定特定状态的均值和方差。 Johnson su 分布不是假设正态分布,而是用作策略的一部分来说明数据的非线性特性。
演讲者讨论了一种预测市场底部的策略,该策略基于置信区间之外的回报是异常值的假设。通过对一千个样本构建 99% 的置信区间,低于较低置信区间的回报被视为异常值。 Christopher 分析异常事件后的回报,假设在 ETF 中持有指定天数的多头或买入头寸。该模型适应不断变化的波动性,虽然整体准确率约为 73%,但股票曲线的表现不如买入并持有策略。 Christopher 鼓励观众自己探索数据,因为演示文稿中使用的数据集可在 GitHub 上获得。
Christopher 分享了他使用混合模型预测各种 ETF 市场底部的分析。他检查了每个 ETF 在不同回顾和持有时间段内的中值回报分布。 SPY、Triple Q 和 TLT 在不同维度上始终表现出色,而 GLD、EFA 和 EEM 表现出更对称的分布。他还评估了总和比率,它衡量大于 0 的事件的总回报除以小于 0 的回报,将大于 1 的值视为成功。 SPY、Triple Q 和 TLT 在多个维度和回顾期表现出强劲的表现。然而,克里斯托弗警告说,持有时间越长,可能越受整体市场趋势的影响。
演讲者讨论了使用混合模型预测市场底部的不同资产在市场中的表现。该研究表明,SPY、Triple Q、TLT 和 GLD 等资产表现良好,具体取决于步数或回溯期等变量。然而,某些资产的表现会随着持有时间的延长而恶化。该研究评估了不同成分的中值回报,并确定了 EEM 和 Aoife 等资产的有希望的结果。强调了正确抽样分布的重要性,并证明了 Johnson su 分布的使用是有效的。总的来说,利用混合模型预测市场底部的策略被证明是有说服力的。
Christopher 解释说,虽然 GMM 在 SPY、Triple Q 和 TLT 等资产方面一直取得成功,但还有其他策略可以达到同样或更好的效果。他简要讨论了模型运行器类的代码和实现 GMM 组件的运行模型便利函数。他强调该模型是以前瞻性方式实施的,以避免前瞻性偏差。此外,Christopher 在 GitHub 上以 HDF5 格式提供了他使用的数据。
演讲者解释了如何组织和分析输出数据以评估混合模型策略的有效性。可以采用各种切片和分组技术来评估指标和均值。 Johnson su 分布用于适应回报序列中不断变化的波动,并与正态分布进行比较。克里斯托弗建议正态分布的准确性很差,简单地持有市场可能更有利。但是,他鼓励个人探索 GitHub 上的数据,并提出解决任何问题或参加网络研讨会。
在问答环节中,Christopher 回答了观众关于他使用混合模型预测市场底部的网络研讨会的问题。他澄清说,他通过粗略的参数搜索确定了 Johnson 分布的形状参数,并没有对结果进行广泛研究。他还讨论了他如何为他的模型选择有用的因素,强调包含美国利益或固定收益指标以提高模型在预测美国资产回报方面的成功率。
Christopher 解决了其他听众的问题,这些问题涉及将 GMM 应用于收益而不是价格、使用价格时的规模问题、具有多个因素的偏差方差问题以及回顾和回溯测试之间的相似性。他建议进一步探索和研究在更广泛的资产范围内更具预测性的因素组合。他还强调了为 GMM 组件数量设置自然限制以避免过度拟合的重要性。克里斯托弗邀请听众与他联系以获取更多问题和详细信息。
从理论到实践的隐含波动率 Arnav Sheth - 2017 年 3 月 7 日
从理论到实践的隐含波动率 Arnav Sheth - 2017 年 3 月 7 日
Arnav Sheth 是一位受人尊敬的教授,对波动率有着广泛的了解,他作为演讲者登上了一场名为“从理论到实践的隐含波动率”的网络研讨会。主持人介绍了 Sheth,强调了他在该领域的专业知识,包括他的书籍出版以及咨询和分析平台的创建。该网络研讨会旨在让与会者全面了解隐含波动率、不同类型的波动率、利用隐含波动率的交易策略,以及可供进一步探索的可用在线资源和芝加哥期权交易所 (CBOE) 指数。
Sheth 首先简要概述了期权,涵盖了各种波动率,例如历史波动率和隐含波动率。他详细探讨了一种交易策略并讨论了几个 CBOE 指数,提供了对其应用的实用见解。为了提供历史背景,Sheth 分享了期权的起源,可追溯到公元前 500 年左右的第一份有记录的期权合约。他讲述了数学家兼哲学家泰勒斯 (Thales) 的故事,他在丰收时获得了所有橄榄压榨机的专有权。这个故事说明了期权交易的早期表现。
进入期权的现代定义,Sheth 阐明了看涨期权的概念,将它们描述为允许对标的资产的未来进行投机或对冲的合约。他强调,看涨期权为接收者提供了退出合同的权利,但不是义务。 Sheth 继续解释看涨期权和看跌期权交易的基础知识,强调看涨期权赋予买方以指定价格购买标的资产的权利,而看跌期权赋予买方以预定价格出售标的资产的权利价格。他强调,期权交易是一场零和游戏,即有赢家就有输家,导致总盈亏为零。 Sheth 警告在没有标的股票的情况下卖出看涨期权的风险,但他指出,如果持有股票,卖出看涨期权有助于降低风险。
Sheth 进一步研究期权合约,涵盖多头看涨期权、空头看涨期权、多头看跌期权和空头看跌期权。他解释了他们潜在的损益结果,告诫初学者不要参与“裸期权”交易。此外,他还强调了在计算利润与回报时考虑货币时间价值的重要性。 Sheth区分了欧式和美式期权,明确了欧式期权只能在到期时行权,而美式期权可以随时行权。他在本节的最后介绍了 Black-Scholes-Merton 定价模型,他将其比作“杠杆股票购买”。
然后重点转移到 Black-Scholes-Merton (BSM) 模型及其基本假设。 Sheth 强调了其中一个假设,指出回报的波动性是已知的,并且在期权的整个生命周期内保持不变。他继续讨论历史波动率,它代表历史资产回报的标准差。 Sheth 解释了它在预测期权潜在盈利能力方面的重要性,并强调较高的波动性会增加期权价格,因为资产最终“实值”的可能性更大。
接下来,Sheth 探讨了隐含波动率及其在使用市场期权的 Black-Scholes 模型中对波动率进行逆向工程的作用。隐含波动率被解释为市场的预期波动率,并根据市场期权价格计算。 Sheth 介绍了 VIX,它利用 30 天到期的标普 500 指数期权来估计隐含波动率。 VIX 衡量市场在期权到期期间预期的波动性。他指出,交易员经常使用从期权价格得出的隐含波动率来为期权定价,而不是相反。 Sheth 强调,如果不同的行使价与同一标的资产相关联,则它们的隐含波动率应保持不变。
Sheth 继续解释期权定价中波动率偏斜的概念。他展示了隐含波动率如何随着执行价格的不同而偏离历史波动率,从而导致波动率偏斜。 Sheth 强调,倾斜出现在 1987 年之后,并为交易者提供了机会,因为它反映在期权价格中。他引入了“波动率风险溢价”一词,代表隐含波动率和实际波动率之间的差异。这种溢价可以在交易策略中加以利用。 Sheth 澄清说,虽然 Black-Scholes 模型主要用于为期权定价,但更常用于获取隐含波动率。
期权市场隐含波动率的计算成为下一个讨论的话题。 Sheth 解释了交易员如何利用标的资产特定期权的市场价值,并将这些价值输入 Black-Scholes 模型以逆向设计波动性。隐含波动率随后被解释为期权市场在特定时期(通常为 30 天)内的预期波动率。 Sheth 引入了波动率风险溢价的概念,展示了期权市场如何倾向于高估实际波动率。他通过呈现波动率溢价的频率分布来结束本节。
演讲者深入研究了基于隐含波动率的交易策略,重点介绍了跨式卖出的概念。 Sheth 强调,隐含波动率通常高于实际波动率,导致期权定价过高。因此,该策略涉及卖出跨式期权和做空波动率。为了评估与这些策略相关的风险,Sheth 引入了希腊度量,它提供了评估风险的框架。他提供了一个涉及购买平价跨式组合的示例场景,并讨论了基于标的股票价格的损益结果。 Sheth 最后警告说,如果股票价格大幅波动,期权定价可能不再对波动敏感。
该视频继续讨论使用期权作为对冲股票价格变化的方法。 Sheth 解释说,通过同时购买最接近股票价格的看涨期权和看跌期权,或同时卖出两者,可以实现 delta 中性,但不能完全对冲 vega。 Sheth 随后介绍了 CBOE 指数作为利用波动率溢价的便捷方式,特别提到了 BXM(BuyWrite Monthly)指数,该指数涉及备兑看涨期权和 BFLY 铁蝶期权。他解释说,为持有的股票写备兑看涨期权可以降低与单独持有标的股票相关的风险,但如果被看涨,也有可能损失股票。最后,Sheth 解释了铁蝴蝶策略,即买卖四个期权,对标准普尔 500 指数执行三次。
在网络研讨会快结束时,Sheth 提出了一种策略,涉及购买价外看跌期权和价外看涨期权。该策略导致类似于反向跨式组合的空头波动率头寸,但回报略微夸大以增加盈利潜力。
如何使用金融市场数据进行基础和定量分析 - 2017 年 2 月 21 日
如何使用金融市场数据进行基础和定量分析 - 2017 年 2 月 21 日
演讲嘉宾:
学习盈利的基本面交易,了解围绕高频数据分析的挑战,发现期货交易中的机会和陷阱,并观看关于最流行的交易策略之一——配对交易的分步教程的现场演示战略!
关于算法交易的信息会议
关于算法交易的信息会议
在关于算法交易的信息会议开幕式上,演讲者对人们对该领域日益增长的兴趣表示感谢,并承认它多年来产生的重大影响。他们介绍了 IH 和 Quant Institute 的联合创始人 Nitesh 作为会议的发言人。 Nitesh 被描述为在金融市场拥有丰富的经验,并将提供算法交易、趋势和机会的概述,特别是对于初学者。演讲者重点介绍了最近的新闻文章,这些文章表明算法交易越来越受欢迎,预计未来五年全球复合年增长率将超过 10%。
演讲者深入探讨了算法交易的增长和机遇,强调其在全球范围内以两位数的百分比迅速扩张。他们展示了来自不同交易所的数据,展示了股票和商品市场中不断增加的算法交易量。为了定义算法交易,他们将其解释为使用以一组定义的指令编程的计算机以高速和频繁地下达交易订单,旨在产生利润的过程。强调了技术在算法交易中的关键作用,尤其是在高频交易中,它占交易策略盈利能力的很大一部分(高达 60-70%)。
继续讨论算法交易的关键方面,演讲者讨论了技术、基础设施和策略。他们强调了技术在当今算法交易世界中的突出作用,技术官僚和以技术为导向的交易员处于领先地位。基础设施被确定为定义交易者成功概率的关键因素,强调所用基础设施类型的重要性。最后,演讲者解释说,交易策略本身是最终决定盈利能力和成功的因素,占交易者整体成功概率的 30-70%。他们概述了战略制定的不同阶段,包括构思、建模、优化和执行。
演讲者描述了算法交易的各个阶段,例如优化、测试和执行。他们强调优化交易模型的输入变量以确保在继续执行之前输出一致的重要性。此外,在自动化执行时,演讲者提醒注意潜在风险,并强调需要强大的风险管理系统来确保安全并防止操作风险。他们提到,在统计上,腿上的报价会导致每笔交易的主要收益和更高的回报。
讨论了算法交易中涉及的风险,包括重大损失的可能性,并强调了操作风险管理的重要性。演讲者还强调了算法交易所需的基础设施,例如高速线路和搭配,它们可以加快执行速度。解释了设置算法交易台的实际步骤,从通过获得会员资格或在经纪人处开立账户进入市场开始。演讲者提到许可要求可能因监管机构而异。选择正确的算法交易平台至关重要,取决于要执行的具体策略。
演讲者讨论了算法交易平台及其基于策略类型的选择。对于低频交易策略,经纪商通常提供免费的、基于网络的平台,允许使用各种编程语言的 API 代码进行自动交易。为了对延迟具有更高的敏感性,可以以每月几百美元的成本使用可部署平台。发言人还强调,所使用的基础设施类型取决于战略,高频数据和分析需要顶级性能的服务器。
演讲者详细阐述了算法交易所需的不同类型的访问和基础设施,并考虑了各种法规和技术。他们解释了协同定位和邻近托管的概念,强调了延迟、订单路由线路和市场数据等因素。强调了拥有强大的数据库和分析策略优化的重要性,尤其是在处理大量逐笔数据时。探讨了使用这些工具的成本以及不同交易策略所需的数据使用水平。
演讲者解释说,算法交易需要比 Excel 更复杂的工具,例如 R 或 Matlab,用于数据处理和模型构建。他们还提到了自动化带来的更高的合规性和审计要求,这是一种全球趋势。建议交易者确保他们的交易是可审计的,他们的代码和策略对边缘案例或失控案例有适当的保护,并有适当的礼仪保护。还建议组建一支对分析、技术和金融市场有基本了解的团队,其中至少有一名团队成员精通这三个领域。这与传统的交易成功秘诀相比,后者需要数字运算、模式识别、打字速度、金融市场理解和纪律等技能。
演讲者讨论了使用算法交易进行量化交易的成功秘诀。他们强调需要强大的数学和统计知识,以及精通金融计算的能力。了解技术和市场结构至关重要,同时全面了解硬件功能和网络如何在交易成功中发挥作用。对金融市场的了解也很重要,知道如何对策略进行编码和建模是一个额外的优势。对于那些建立高频商店的人来说,所有这些要素都是至关重要的。演讲者强调了 EPAT 对于进入交易世界的个人的重要性,特别是因为金融界的许多人缺乏成功所必需的技术理解。
演讲者谈到解决交易所需的量化分析工具中缺乏技术理解的问题。他们提到为希望获得算法交易专业知识的工作专业人士创建 ePACT(算法交易执行程序)。 ePACT 计划是一个为期六个月的综合在线计划,包括四到四个半月的周末课程,以及随后的一个半月到两个月的额外项目工作。项目工作允许参与者专注于他们选择的领域。该计划由行业从业者教授的九个不同模块组成,以确保所涵盖的材料符合行业需求和趋势。
讨论了 ePACT 程序的各个模块,从介绍金融市场、基本统计、衍生品和风险、高级统计和量化交易策略开始。量化交易策略模块涵盖各种交易策略,还包括与设置算法交易台和考虑所涉及的业务方面相关的主题。该计划还包括使用 Python 实现算法交易平台,提供有关 Python 基础知识以及如何在不同平台上实施交易策略的指导。参与者被指派一名导师来监督他们的项目工作,这是他们所选领域的专业化。
演讲者讨论了职业服务团队为算法交易计划的参与者和校友提供的支持服务。他们强调边做边学、现场讲座和访问录制的讲座的重要性。演讲者展示了一张图表,显示了行业要求和公司正在寻找申请人的概况,以确保该计划涵盖相关主题。他们提到该项目有来自不同国家的行业领袖作为讲师,他们的校友遍布全球 30 多个国家。还重点介绍了该研究所为提高算法交易意识而组织的各种活动和计划。
演讲者继续回答观众提出的与算法交易相关的各种问题。他们确认美国公民可以在印度开立交易账户,但需要通过托管人并遵循特定流程才能在清算经纪人处开立账户。演讲者向那些有兴趣建立算法交易台或开始进行算法交易的人推荐 Ap Chan 博士和 Larry Harris 的书籍。他们还提到了印度可用的几个算法交易平台,例如 Symphony Fintech、Automated Trading 和 YouTrade 等。可以直接从交易所或通过经纪人获得真实的技术数据。此外,他们确认学生可以采用他们在课程中开发的相同策略并将其应用于实时交易。
演讲者继续回答观众关于算法交易的各种问题。他们解释说,使用不同工具对策略进行编码和回测是可能的,并且不难移植到实时交易中。还解决了有关印度市场交易的法规、合规性和许可的问题。演讲者解释说,符合条件的自动交易策略需要交易所的许可,并且需要演示。他们还讨论了流行的交易策略,例如基于动量、统计套利和基于机器学习的策略。
演讲者讨论了课程中涵盖的交易策略类型,并强调了学习如何开发、测试和执行新策略的重要性。他们回答有关课程毕业生的工作前景、提供的平均工资以及分析烛台模式所需的编程技能的问题。还解决了对参加该课程的在职专业人员的知识水平和时间承诺的担忧,以及与在印度设立算法交易台相关的成本。演讲者强调了在开始该计划以最大化其价值之前对关键概念有基本了解的重要性。
演讲者回答了与算法交易相关的各种问题,建议对股票市场了解有限的人可以联系销售专家寻求指导,以便在继续课程之前对这些领域有基本的了解。他们解释说,算法交易对于希望确保交易纪律并扩大其策略以包括多种工具的个人交易者很有用。演讲者还解决了有关从一门课程过渡到另一门课程以及提供算法交易服务的印度经纪人的担忧。最后,他们解释说,服务器托管在交易所不会为算法交易者提供不当优势,但可以通过提供更小的买卖差价使散户交易者受益。
演讲者讨论了算法交易对零售交易者的好处,以及技术如何帮助最大程度地减少损失。他们解决了有关非程序员学习 Python 进行算法交易以及印度居民是否可以在全球市场进行交易的问题。他们澄清说,他们的公司主要专注于教育,而不是提供经纪或算法交易平台。演讲者强调,他们的计划已帮助来自 30 多个国家/地区的数百名参与者,并鼓励感兴趣的个人联系他们的业务开发和销售团队以获取更多信息。
演讲者回答了观众提出的几个问题,包括是否所有策略都需要交易所批准以及如何保护策略。他们解释说,算法提供商看不到交易者的策略,而交易所主要关心的是确保策略不会造成市场破坏。他们提到了该计划的学生折扣,并讨论了印度商品市场上算法交易的可用性。此外,他们根据角色强调线性代数和概率分布在高频交易配置文件中的重要性,并强调算法交易可以在全球范围内应用于任何交易工具,包括期权和外汇。
演讲者讨论了编码策略、提供可重用代码以及学习 Python 和 R 的必要性。他们还回答了有关策略验证、潜在投资回报率以及适度数量交易者所需基础设施的问题。演讲者告诫不要与他人分享策略,并建议专注于学习最佳实践和开发独特的交易策略理念。
演讲者回答了有关算法交易的各种问题,包括回测策略的理想时间框架、中等交易量交易所需的最低互联网带宽,以及如何绕过经纪获取。他们还讨论了印度算法交易的最佳供应商,以及是否可以对像艾略特波浪理论这样的自主交易策略进行编程。发言者建议,如果一个人对编程感到满意并且心中有明确的规则,那么任何策略都可以被编码。他们建议贸易商根据他们的个人要求和每个供应商的优缺点来选择供应商。
最后,演讲者感谢与会者并提供进一步的帮助。尽管由于时间限制他们无法回答所有问题,但演讲者鼓励听众发送他们的询问并提供了 Quant Institute 团队的联系信息。他们对算法交易的兴趣表示赞赏,并强调在该领域不断学习和实践的重要性。
英国退欧和近期市场事件对算法交易的影响 - 2016 年 7 月 19 日
英国退欧和近期市场事件对算法交易的影响 - 2016 年 7 月 19 日
Nitesh Khandelwal 带来了丰富的金融市场经验,曾在不同资产类别担任过不同职务。他是 iRageCapital Advisory Private Limited 的联合创始人,这是一家著名的公司,专门在印度提供算法交易技术和策略服务。 Nitesh 在推动 iRageCapital 和 QuantInsti 的业务方面发挥了关键作用。在 QuantInsti,他还担任衍生品和跨市场研究培训部门的负责人。目前,他在新加坡 iRage Global Advisory Services Pte Ltd 担任董事一职。 Nitesh 拥有银行财务背景、外汇和利率领域的专业知识,以及自营交易柜台的经验。他拥有 IIT Kanpur 的电气工程学士学位和 IIM Lucknow 的管理学研究生学位。
英国脱欧等近期全球事件及其导致的货币市场波动引起了投资者的极大关注。由于市场参与者在交易活动中谨慎行事,因此在此类事件发生后,风险厌恶情绪自然会增加。然而,即使在如此动荡的时期,自动交易员仍在蓬勃发展。媒体报道表明,采用算法交易的对冲基金始终优于手动交易员,尤其是在压力大的市场条件下。
信息会议内容:
本季最大交易事件分析
成为量化/算法交易员的要求
使用情绪分析进行量化交易 |拉吉布·兰詹·博拉 (Rajib Ranjan Borah)
使用情绪分析进行量化交易 |拉吉布·兰詹·博拉 (Rajib Ranjan Borah)
情绪分析。也称为意见挖掘,是通过计算识别和分类一段文本中表达的意见的过程,特别是为了确定作者对特定主题、产品等的态度是积极的、消极的还是中立的。
Nitesh Khandelwal 关于算法交易的信息会议 - 2016 年 5 月 24 日
Nitesh Khandelwal 关于算法交易的信息会议 - 2016 年 5 月 24 日
会议内容: