Title: "Cross-Impact in Equity Markets" Joint Work with Francesco CapponiAbstract: The empirical finding that market movements in stock prices may be correl...
00:15:00 Adam 讨论了他们的个人投资算法如何运作。他们鼓励投资者长期保持他们的配置,每年只调整一次,以朝着他们的目标配置迈进。该团队每月调整客户的目标分配,这使得边际美元更接近正确的风险目标,而无需进行会带来潜在风险的再平衡交易。他们的投资组合完全基于广泛的基于市值的 ETF,并且他们优化了对风险资产类别的敞口,并产生了与之相关的风险溢价。该团队采用基于触发的再平衡算法来测量与目标分配的偏差,当偏离太远时,他们会重新平衡,从而管理风险。最后,Grealish 指出,精通金融知识的人与精通个人理财知识的人之间存在很大的脱节。
00:55:00 Adam Grealish 讨论了行为主题及其如何影响散户投资者。他解释了投资者如何倾向于在市场上涨时买入,在市场下跌时卖出,这会导致业绩不佳和财富减少。为了解决这个问题,机器人顾问设置智能默认值、使用自动化并鼓励基于目标的投资以促进更好的行为。 Adam 还提到了一些研究,这些研究量化了由于投资者行为导致的年化表现不佳,通常在 1-4% 之间。
01:00:00 Adam 讨论了 Betterment 通过有意设计和数据分析来打击不良投资行为的方法。他指出,他们大约四分之三的账户没有参与市场择时,公司密切监控客户活动。 Betterment 使用色彩设计来指示客户何时偏离实现其财务目标的轨道,从而促使他们采取行动重回正轨。在市场不确定时期,该公司依靠其平台测试不同的消息传递和干预措施,发现将负面市场趋势通知客户会引起警报并导致负面结果。相反,应用程序内的干预和消息传递被证明在减少负面结果和增加客户存款方面更有效。
01:05:00 在本节中,Betterment 的首席投资官 Adam Grealish 讨论了算法投资在多大程度上受到收集资产的动机以及是否合乎道德。他指出,该系统主要影响那些偏离目标或处于正轨边缘的个人,并表示如果这是公司的目标,还有更好的方法来提取资产。他讨论的其他策略包括改变储蓄和存款或改变一个人的目标计划。 Grealish 还描述了 Betterment 减轻行为偏差的方法,例如其“税收影响预览”功能,该功能向客户显示潜在的纳税义务,并被证明可有效降低轻率决策的可能性。
01:10:00 Adam 讨论了人工智能在金融科技领域的潜在用途。他认为,人工智能最先出现的一些地方是自动化外围金融领域,如机器人咨询和现金管理。例如,Betterment 正在探索使用 AI 将外部账户映射到代理代码,并使用交易数据来建议人们他们的支票账户中应该有多少现金。 Grealish 还表示,从长远来看,Betterment 的目标是让财务顾问成为每个人财务生活的中心,并广泛提供仅供超高净值人士和机构投资者使用的东西,包括税务准备。然而,个性化税务准备会使问题空间变得更加复杂。
01:15:00 Betterment 的 Adam Grealish 解释说,特定州的市政债券不在 Betterment 平台上,因为并不总是很明显州内是最好的选择,而且它有点像菜单外的项目.虽然 Betterment 平台允许您链接任何其他房地产资产的外部账户并手动跟踪您的净资产,但也无法对其他基金进行资源密集型风险回报评估。 Betterment 专注于考虑资产类别,而不是出于税收原因排除资产类别,并且由于其作为独立顾问的结构及其对客户日常交易的推动,成为更全面服务的财务顾问,因此在机器人咨询领域独树一帜.该公司在 AWS 上运行一些研究计算,尽管它还不是 AWS 或现有公共 API 的高用户。
In this talk, Adam Grealish of Betterment will explore how technology can be used to improve investor outcomes. Technology and automation can play a signific...
在这段综合视频中,Miquel Noguer i Alonso 探讨了深度学习在金融领域的潜力,尽管该行业具有内在的复杂性和经验性质。深度学习在捕获非线性关系和识别重复模式方面提供了宝贵的功能,尤其是在非结构化数据和金融应用程序中。然而,它也带来了一些挑战,例如过度拟合和在非平稳情况下的有效性有限。为了应对这些挑战,因素、情绪分析和自然语言处理的整合可以为处理大量数据的投资组合经理提供有价值的见解。需要注意的是,没有一刀切的模型,深度神经网络不应该取代传统的基准模型。此外,Alonso 强调了 BERT 的重要性,BERT 是一种开源且高效的语言模型,展示了对金融文本中数字的深刻理解,使其对金融数据集特别有价值。
Alonso 深入研究了在金融领域使用深度学习时遇到的挑战,例如数据生成过程的动态特性以及开发能够适应这些变化的模型的需求。他强调了信息论、复杂性和压缩信息以找到最简洁表示的概念。讨论了通用逼近定理,强调深度神经网络以任意精度逼近任何函数的能力,但不能保证泛化。演讲者建议进一步探索关于正则化、神经网络的内在维度和过度参数化神经网络的研究论文。
Alonso 提供了对深度学习模型在金融领域的表现的见解,展示了对多只股票使用长期短期记忆网络的结果,并展示了它们优于其他神经网络的优势。深度学习模型在选择标准普尔 500 指数中的最佳股票方面表现优于线性模型,从而获得更好的样本外信息比率。演讲者强调,深度学习始终表现良好,可以成为选择模型时的可靠选择。
00:00:00 Miguel Noguer i Alonso 讨论深度学习在金融领域的应用。他指出,深度学习在图像识别和语言模型等其他领域取得了成功,但由于该行业的经验性和嘈杂性,很难看出它如何成功应用于金融领域。尽管复杂,但在非结构化数据和金融应用程序中使用深度学习仍有令人兴奋的可能性。教育金融研究所正在与大学和公司合作,研究人工智能在金融领域的应用。
00:05:00 在视频的这一部分,Miquel Noguer i Alonso 讨论了在金融领域使用机器学习模型的潜力以及该领域缺乏研究。他接着强调了可用于金融的机器学习的各个领域,包括监督学习、非监督学习和强化学习。 Noguer i Alonso 鼓励研究人员专注于构建更多用于无监督学习的工具,因为目前该领域的研究有限。他最后指出,在金融领域没有任何地方不能将机器学习用于预测信用损失和组织数据集等目的。
00:20:00 Miquel Noguer i Alonso 解释了深度学习在金融领域面临的挑战,特别是数据生成过程不断变化的性质以及如何创建可以在其中工作的模型。他建议的一种解决方案来自信息论;复杂性和将信息压缩到尽可能短的程序的想法。他还讨论了通用逼近定理,以及它如何保证深度网络可以任意精度逼近任何事物,但不能保证它们会泛化。他鼓励读者阅读 Sun 的一篇论文,该论文认为正则化不足以泛化,并推荐有关神经网络的内在维度和过度参数化神经网络的论文。
00:45:00 Miguel Noguer i Alonso 讨论了自然语言处理在金融领域的应用,特别是情感分析。随着市场上产生的大量信息,需要大数据工具进行调查,而机器学习,尤其是深度学习,可用于处理高维空间。语言模型可用于情绪分析等任务,这可能是金融动量的先兆。事实证明,在互联网上抓取信息是搜索可能表明市场变化的信息变化的有效方式。总体而言,自然语言处理可以在处理大量数据时为投资组合经理提供有用的见解。
00:55:00 在本节中,Miquel Noguer i Alonso 讨论了金融领域深度学习的最新发展,重点是双向复杂架构、BERT 以及数字在语言模型中的重要性。 BERT 是一种开源、高效的语言模型,可用于金融数据集的训练,可以节省时间和人力。它比其他模型表现更好,特别擅长理解金融文本中的数字,这对于准确分析至关重要。多层感知器、记忆网络和 covnet 是在金融中有用的其他函数逼近器。
01:00:00 Miguel Noguer i Alonso 讨论了将金融数据转换为图像并使用卷积神经网络对其进行分析的想法,这对于无监督学习问题可能特别有用。他还介绍了自动编码器的概念,可用于数据的非线性压缩,以及记忆网络,如果环境足够稳定,可能适用于时间序列分析。最后,Noguer i Alonso 提到了在金融领域使用 transformer 模型进行语言处理,以及如何在 TensorFlow 中实现这些模型。
01:05:00 在视频的这一部分,ESADE 商学院金融创新总监兼金融学高级讲师 Miquel Noguer i Alonso 讨论了在金融领域实施开源深度学习模型的可行性。他解释说,有很多可用的开源代码,虽然可能需要专门针对金融应用程序的培训,但这并非遥不可及的目标。 Alonso 还强调了领域专家和机器学习者之间合作解决金融相关问题的重要性,因为机器学习在金融领域有很多机会。此外,他指出,虽然金融领域使用了手工制作的 NLP 方法,但深度学习模型尚未在该行业得到广泛采用。
01:10:00 演讲者讨论了金融领域手工控制的传统方法,其中涉及人们使用字典来描述 JP Morgan 等事物并确保没有拼写错误。他们继续讨论了机器学习在金融领域的应用以及各种算法的有效性,例如短远射记忆网络和 BERT,他们认为这是目前已发表研究中的最新技术。演讲者还讨论了将机器学习用于横截面投资的潜力,并建议使用因子或回报来帮助机器理解平坦的回报或因子。
01:15:00 在本节中,Noguer 和 Alonso 讨论了在深度学习中寻找最优值的困难以及它如何成为 NP 问题,需要人类数据科学家的技能和直觉根据经验和直觉做出启发式选择.他们强调了理解和解释深度网络的挑战,因为即使是数学家也很难创建方程式来理解为什么它如此有效,而必须求助于定性分析。尽管存在这些挑战,但在处理多个数据集后,数据科学家可以对用于给定情况的最佳参数产生直觉。
Title of Seminar: "Latest Developments in Deep Learning in Finance"Date of Seminar: 9/24/19Speaker Bio: Miquel Noguer i Alonso (Artificial Intelligence Finan...
00:15:00 Gordon Ritter 讨论了使用强化学习来发现金融市场中的套利机会。 Ritter 认为,与依赖一致的无套利价格的传统方法不同,强化学习可用于发现给定动态系统中是否存在任何套利机会。这种方法可以用来训练算法找到夏普比率高的策略,可以用来识别统计套利,这不是纯粹的套利,而是一种很好的交易策略。 Ritter 声称,这种方法类似于 AlphaGo Zero,它在零人类指导下学会了下围棋并击败了人类冠军。
00:20:00 Gordon Ritter 解释了在最大化财富的预期效用时使用的假设,以及它在数学上如何等同于最大化均值方差二次形式。他阐明了二次函数不能是效用函数,并解释了他用来训练理性代理人像冯诺依曼摩根斯坦投资者一样行事的奖励信号。他建议结合单个周期内的增量减去一个常量乘以奖励函数均值的平方,并建议选择将什么放入状态,强调包括有助于代理人做出正确决策的相关信息的重要性。
00:25:00 Gordon Ritter 讨论了如何在强化学习中构建状态向量和动作空间。他解释说,为了让代理学会使用信号来做出交易决策,该信号必须包含在状态向量中。此外,行动空间应包括选择使用哪种执行策略,选择算法中的参数以改变其行为,或决定是否跨越价差或加入订单簿近端的队列。 Ritter 还举例说明了如何在金融中使用 Ornstein 和 Limbic 过程来模拟均值回归动态,这可能会带来套利机会。
Seminar Date: March 20, 2019Info: Reinforcement learning is a way of training a machine to find an optimal policy for a stochastic optimal control system, ...
Marcos Lopez de Prado 发表了全面的演讲,概述了金融行业大多数机器学习基金失败的原因。他强调了有助于在该领域取得成功的几个关键因素的重要性。
de Prado 强调的主要因素之一是在全权委托基金方面缺乏完善的理论。他指出,由于缺乏坚实的理论基础,许多投资对话缺乏建设性和抽象的方法。如果没有指导决策的理论,全权委托基金很难与他人互动并检验他们的想法,从而导致错误的选择和潜在的损失。
De Prado 还讨论了在机器学习基金内部孤立工作的不利影响。他强调协作和沟通对于成功至关重要,并警告不要雇佣大量博士并将他们分成不同的任务。相反,他提倡以团队为基础的方法,让专家独立工作但了解彼此的专业知识,从而制定更好的战略和结果。
团队内部的专业化是 de Prado 强调的另一个重要方面。他强调了组建一支能够处理复杂系统和任务的专家团队的重要性。这些专家应该具备独立的技能,同时了解整体战略并了解同事的专业领域。这种元策略范式不仅对制定有效策略很有价值,而且对于在不确定情况下做出明智的决策(包括招聘、投资监督和定义停止标准)也很有价值。
正确处理财务数据是 de Prado 讨论的另一个关键因素。他强调需要在保留有价值的信息的同时实现数据的平稳性。他建议按分数区分数据,以保留来自先前观察的记忆信息,从而在特定点进行关键预测。此外,他建议使用一个特定的阈值来实现静止序列和原始序列之间几乎完美的相关性,而无需使用过多的内存。 De Prado 告诫不要在没有流动性未来合约的情况下使用回报,建议在大多数情况下使用单一观察。
de Prado 还解决了采样频率和适当的数据标签问题。他建议将采样频率建立在市场信息到达的基础上,而不是依赖于日常或分钟观察等传统方法。通过使用基于交易量抽样的美元条等技术,可以确保样本中包含等量的信息。适当标记观察结果,例如使用接触障碍标记方法,允许制定风险意识策略,同时考虑价格动态和被止损的可能性。
元学习的概念,即一个机器学习模型预测另一个模型预测的准确性,作为实现精确度和召回率的一种手段进行了讨论。通过组合两个独立的模型,可以使用调和平均数来平衡精确度和召回率之间的权衡。 De Prado 建议针对不同的任务采用不同的机器学习算法来优化性能。
De Prado 强调了在金融领域应用机器学习的挑战,强调人类专家在使用机器学习算法之前需要过滤数据。财务数据本质上是杂乱无章且非独立分布的,因此很难将特定观察结果与资产联系起来。此外,由于法规和法律导致金融市场不断变化,因此有必要采取谨慎而细致的方法来实施机器学习算法。简单地将财务数据插入机器学习模型并不足以在金融领域取得成功。
解决非唯一性和过度拟合问题是 de Prado 演讲的另一个重要方面。他提出了一种方法来确定观察的唯一性,建议删除包含比与测试集共享的信息更旧的信息的观察,这一过程称为“清除”。这有助于通过与交叉验证技术的假设保持一致来创建更准确的机器学习模型。 De Prado 还警告过拟合的危险,强调反复回溯测试策略可能会导致误报并随着时间的推移减少有用性。考虑发现策略所涉及的试验次数对于避免过度拟合和误报至关重要。 De Prado 建议为策略的性能设置一个高阈值,以减轻与过度拟合相关的风险。
de Prado 引入了“瘪草莓”的概念,说明许多对冲基金表现出负偏度和正超峰态,即使基金经理并没有刻意针对这些特征。这主要是因为基金经理是根据夏普比率进行评估的,而这些统计属性会夸大该比率。 De Prado 强调了在分析回报时考虑样本量和产生发现所涉及的试验次数的重要性。他告诫不要投资于实现真正的夏普比率大于零的可能性很低的策略。
de Prado 强调了在模型拟合和过度拟合之间取得平衡。他建议不要追求完美契合,因为这会导致过度自信并增加风险。相反,他建议找到一种在有效应用统计模型的同时保存重要记忆的方法。 De Prado 还告诫不要使用过于复杂的模型,因为它们会阻碍数据馈送和异花授粉,从而阻碍机器学习算法的整体有效性。
De Prado 解决了行业中某些特征或指标成为首选的现象,从而导致战略趋同。将其与人类偏好和审美塑造某些特征的狗的繁殖进行比较,他解释了特定指标的使用,例如夏普比率和负偏度的结合,如何受到对冲基金的青睐,即使最初并不是这样有针对性的。解决这一现象证明具有挑战性,因为它在没有任何特定触发事件的情况下发生。
总之,Marcos Lopez de Prado 的演讲阐明了大多数机器学习基金在金融行业失败的原因。他强调需要完善的理论、团队协作、专业化、正确处理和区分财务数据、适当的采样和标记、解决非唯一性和过度拟合等挑战,以及在实施机器学习算法时结合人类专业知识。通过了解这些因素并采取谨慎而细致的方法,从业者可以增加在充满活力和复杂的金融世界中取得成功的可能性。
00:00:00 Marcos Lopez de Prado 讨论了全权委托基金缺乏完善的理论如何阻碍人们就投资进行真正建设性和抽象的对话。在参加投资会议时,他发现大多数谈话都是轶事,没有讨论真正的理论。因此,可自由支配的资金可能无法与他人互动和检验理论。缺乏完善的理论可能会导致决策失误,并最终导致业务损失。
00:05:00 在本节中,Marcos Lopez de Prado 讨论了为什么大多数机器学习基金都失败了,并指出孤立工作的问题是一个主要因素。他解释说,不可能雇用 50 名博士,让他们在孤岛中一起工作,每个人都重复完成相同的任务,没有任何协作或沟通。这通常会导致尝试多种策略,导致错误的发现、失败的实施,并最终导致基金被关闭。 Lopez de Prado 断言,制定战略需要团队的努力,而要取得成功需要多种战略。
00:10:00 Marcos Lopez de Prado 强调团队内专业化的重要性,这是在金融领域成功实施机器学习的关键因素。他认为,创建一个专家团队对于构建能够处理复杂系统(如工业流程或机器学习策略)的高性能基础架构至关重要。个别专家应该能够独立工作,但仍然了解整个游戏计划,了解彼此的专业领域以及与他们相关的疑问和问题。这种元策略范式不仅对制定策略有用,而且对在不确定的情况下做出决策,包括招聘、监督投资和停止策略的标准。
00:15:00 在本节中,Marcos Lopez de Prado 强调了正确处理财务数据以实现平稳性同时保留最有价值信息的重要性。区分数据是有代价的,因为它会抹去有价值的信号信息,从而无法预测任何事情。因此,他建议按分数区分数据,以保留一些关于先前观察的记忆信息,从而可以辨别一个序列是否处于进行预测的关键点。微分和固定数据的组合为经典分析提供了有用的信息。
00:25:00 演讲者讨论了采样频率的重要性,并建议采样频率应基于到达市场的信息量,而不是使用每天或一分钟观察等规范方法。他举了一个使用 dollar bar 的例子,它基于交易量进行抽样,以确保样本包含等量的信息,而不仅仅是等量的时间或价格。演讲者还强调了在抽样时考虑价格的重要性,因为它提供了影响市场活动的关键信息。
00:30:00 Marcos Lopez de Prado 讨论了在金融领域正确采样和标记数据的重要性。他解释说,当大量信息进入市场时,采集更多样本至关重要,因为它们包含更多信息。他建议使用 Touch Barrier Labeling 方法通过考虑价格发生的变化以及价格如何达到特定结果来正确标记观察结果。通过这样做,它允许人们制定一种考虑风险水平的策略,这很重要,因为大多数人需要遵循风险水平并且需要考虑被止损的可能性。
00:35:00 Marcos López de Prado 讨论了元学习的概念,其中机器学习模型用于预测另一个机器学习模型的预测是否正确。他解释了将两个决策组合成两个不同模型的重要性,以及它如何有助于在机器学习算法中实现精确度和召回率。 López de Prado 还引入了调和平均数的概念,用于平衡精度和召回率之间的权衡,并建议使用不同的机器学习算法来处理两个截然不同的任务。
00:40:00 在本节中,Marcos Lopez de Prado 解释了在金融领域使用机器学习的挑战。他强调了在使用机器学习算法之前让人类专家过滤数据的重要性,因为财务数据杂乱无章且非独立同分布,这意味着将特定观察与特定患者联系起来并不容易,或者在这种情况下,与特定资产联系起来.此外,由于新的法规和法律,金融市场不断变化,这可能会对机器学习模型的性能产生重大影响。因此,在金融领域使用机器学习需要谨慎而细致的方法,不能简单地通过将金融数据插入机器学习算法来实现。
00:45:00 Marcos Lopez de Prado 讨论了观测值的非唯一性问题,并提出了解决该问题的方法。他建议确定每次观察中的重叠量并确定它们的独特性以得出解决方案。由于交叉验证技术假定观察值是独立且同分布的,他还建议确定应从训练集中删除哪些观察值以避免 IID 假设。这个过程称为“清除”,会删除包含比与测试集共享的信息更早的信息的观察结果,从而产生更准确的金融机器学习模型。
00:50:00 在本节中,Marcos Lopez de Prado 讨论了大多数机器学习基金失败的第七个原因,即过度拟合。他解释说,即使一个策略的夏普比率为零,通过反复回测该策略,最终也可以在纸面上找到一个惊人的策略。然而,反复回溯测试可能会导致误报,并且随着时间的推移它会变得不那么有用。为了避免过度拟合和误报,人们需要聪明并在实践中考虑到他们的发现所涉及的试验次数。练习的越多,对练习的要求就应该越高。
00:55:00 Marcos Lopez de Prado 解释了瘪草莓的概念,即大多数对冲基金都具有负偏度和正超峰度的想法,尽管基金经理并非有意针对这些时刻。这是因为基金经理是根据夏普比率进行评估的,在统计上,负偏度和正超峰度会夸大该比率。 De Prado 强调了在分析回报时考虑样本量和产生发现所涉及的试验次数的重要性,并警告不要投资于真正夏普比率大于零的可能性很低的策略。
01:00:00 Marcos Lopez de Prado 强调了平衡模型与数据拟合和避免过度拟合之间权衡的重要性。他建议不要过分专注于实现完美契合,因为这可能会导致过度自信和风险增加。相反,他建议找到一种方法来保存记忆,同时仍然能够有效地购买和应用统计模型。 Lopez de Prado 还指出,使用过于复杂的模型会使异花授粉和提供数据变得困难。
01:05:00 Marcos Lopez de Prado 解释了某些特征或指标如何成为机器学习基金和对冲基金的首选,从而导致行业融合。以饲养狗为例,由于人类偏好和审美,某些特征是首选,他将这种现象与夏普比率交易和负偏度的使用进行了比较,后者已成为对冲基金的首选组合,尽管最初并非如此有针对性的。他指出,解决这一现象具有挑战性,因为它是在没有特定事件发生的情况下发生的。
01:10:00 在本节中,Marcos López de Prado 讨论了在预测时使用近期价格数据的重要性,因为它与近期更相关。他建议使用权重呈指数衰减的所有可用数据来决定样本长度。 López de Prado 还强调需要控制试验次数并避免孤岛工作,因为这些是机器学习基金失败的常见原因。此外,他强调金融不同于机器学习取得重大进步的其他领域,雇佣统计学家并不总是开发成功交易算法的最佳方法。
Seminar Date: September 5, 2017For more information, please visit Marcos Lopez de Prado's website: http://www.quantresearch.org/Summary: In this popular thro...
http://www.onestepremoved.com/ Shaun Overton speaks to the meetup group Dallas Algorithmic Traders about quantitative trading. Most members of the audience h...
该视频深入探讨了过滤掉交易策略并使用回测作为过滤它们而不是直接将其投入生产的工具的重要性。它强调了在前进过程中预期更严重的回撤并利用过滤机制来确定实施策略的适用性的重要性。然后,对话深入探讨了纳西姆·尼古拉斯·塔勒布 (Nassim Nicholas Taleb) 对肥尾理论的信念,并探讨了如何利用机器学习技术来应用区间交易和趋势交易策略,从而实现市场机制检测。
http://www.onestepremoved.com/ Shaun Overton interviews Michael Halls-Moore, a quantitative developer. Mike jumped from postgraduate school straight into alg...
继续讨论,Karen Rubin 深入探讨了她对财富 1000 强公司女性 CEO 的研究的发现和见解。分析显示,女性 CEO 的回报率为 68%,而男性 CEO 的回报率为 47%。然而,凯伦强调,她的数据尚未证明女性 CEO 的表现优于男性。她认为这项研究在高收入和高市值公司中是一个有趣的概念。
受到她的发现的启发,Karen 强调了多元化在金融和科技行业的重要性。她鼓励更多女性加入该领域并参与制定投资策略。她认为,结合投资女性 CEO 等理念,有助于创建多元化和包容性的基金。
扩大讨论范围,Karen 谈到了可能影响 CEO 成功的其他因素,包括他们的性别、招聘方式(内部或外部),甚至他们的出生月份。她承认这样一种理论,即当组织表现不佳时,公司可能会任命女性 CEO,然后用男性 CEO 取而代之,以从重组中获益。然而,到目前为止,Karen 还没有能够对这一理论进行套利。此外,她指出,在 CEO 发布公告后,股价通常会下跌,但她仍然不确定这种趋势在女性和男性 CEO 之间是否存在差异。
最后,Karen 强调,为 CEO 制定量化交易策略需要考虑各种因素并进行全面分析。虽然她的研究为女性 CEO 的绩效提供了宝贵的见解,但她强调需要进一步研究和探索,以更全面地了解行政领导中的性别动态及其对投资结果的影响。
00:00:00 在这一部分中,演讲者介绍了她自己以及她编写算法投资市场的经验。作为众包对冲基金 Quantiacs 的产品副总裁,她需要编写一种算法来了解用户的行为,以便为他们构建有效的软件。在阅读瑞士信贷的性别报告后,她对投资女性 CEO 产生了兴趣,并想知道她是否可以制定一种策略,从历史上看女性 CEO,并在她们不再担任 CEO 时出售。
00:05:00 在本节中,Karen Rubin 讲述了她在构建量化交易策略时采取的初始步骤。她需要获得特定时间段内所有女性 CEO 的历史名单,以便模拟一段时间内发生的事情。 Karen 解释说,在项目的早期阶段,获取和清理数据占用了她大量的时间,因为她必须手动搜索和分析每位 CEO 的开始和结束日期以及相应的股票代码。她还谈到了在分析之前确保定价数据准确和清理的挑战。尽管样本量很小,但卡伦继续推进她的研究。
00:10:00 在本节中,Karen Rubin 解释了她在算法交易中的回溯测试过程以及模拟在她的策略中的作用。她模拟自己的策略,就好像她在实际市场上交易一样,通过查看历史数据并根据她的女性 CEO 名单为她做出买卖决策。她将她的第一个算法版本与标准普尔 500 指数作为基准进行了比较。但是,由于她在之前的策略中没有考虑杠杆作用,因此后来在常驻量化分析师的帮助下重写了她的策略。
00:25:00 在本节中,Karen Rubin 讨论了在投资女性 CEO 时寻找正确基准的挑战。她强调,虽然财富 1000 强基准似乎是正确的选择,但购买其历史成分股名单的成本很高。相反,她创建了 Quanto 1000,这是一个新的基准,通过按收入对所有公司进行排名并选择前 1000 家公司。将她的算法的回报与 Quanto 1000 和标准普尔 500 进行比较,她发现该算法以 43% 的优势优于其他两个基准不同之处。她还探索了 Event Fessor 关于 CEO 变动的新数据集,这使她能够在男性和女性 CEO 之间创建比较策略。结果表明,在女性 CEO 上任之日并在她们离职之日停止投资的策略在七年期间的回报率为 28%,而男性 CEO 的回报率为 44%。
00:30:00 在本节中,Karen 详细介绍了她对财富 1000 强公司女性 CEO 的研究结果。分析显示,女性 CEO 的回报率为 68%,而男性 CEO 的回报率为 47%。然而,Karen 认为她的数据并未表明女性 CEO 的表现优于男性。她认为这项研究提供了一个关于高收入和高市值公司女性 CEO 的有趣想法。 Karen 希望鼓励金融和科技行业的多元化,并邀请更多女性加入该领域。她相信引入像投资女性 CEO 这样的想法来创建多元化基金的重要性。
00:35:00 在本节中,演讲者讨论了影响 CEO 成功的各种因素,包括他们的性别、内部或外部招聘以及出生月份。她还阐述了这样一种理论,即公司会在业绩不佳时聘请女性 CEO,然后用男性 CEO 取而代之,以从重组中获益。然而,她一直无法套利这一理论。此外,她指出,在 CEO 发布公告后,股价通常会下跌,但她不确定女性 CEO 与男性 CEO 的这种趋势是否不同。总的来说,在为 CEO 制定量化交易策略时,需要考虑很多因素。
PyCon Canada 2015: https://2015.pycon.ca/en/schedule/67/Talk Description:Upon joining Quantopian, in order to understand her users better, Karen Rubin embark...
Quantitative trading and algorithmic trading expert Dr. Ernie Chan teaches you machine learning in quantitative finance. You will learn:1) The pros and cons ...
Rama Cont 和 Francesco Capponi:“股票市场的交叉影响”
Rama Cont 和 Francesco Capponi:“股票市场的交叉影响”
Rama Cont 和 Francesco Capponi 通过对订单流和价格数据的分析深入研究了股票市场中交叉影响的概念。他们断言,交叉影响意味着资产的价格不仅受到其自身订单流的影响,还受到其他资产订单流的影响。虽然之前的理论研究试图推导交叉影响效应的后果并将单一资产最优交易执行模型扩展到多种资产,但 Cont 和 Capponi 提出了一种更简化的方法来解释资产回报与订单流之间的相关性。
他们认为,没有必要使用价格影响系数的综合矩阵来解释这些相关性。相反,他们认为观察到的相关性可以归因于市场参与者经常参与多种资产交易,从而在资产之间产生相关的订单流失衡。为了确定交叉影响系数的重要性和执行成本的主要驱动因素,演示者建议对回报和订单流失衡的相关矩阵使用主成分分析 (PCA)。
Cont 和 Capponi 提出了一个股票市场交叉影响的简约模型,重点关注股票自身的订单流平衡和订单流失衡的相关性。他们发现订单流失衡的单因素模型足以解释回报的交叉相关性。该模型可用于投资组合执行和交易成本分析,演示者建议使用可靠的单一资产影响模型,以及跨资产订单流的共同因素的良好模型。
发言者强调了为方程式建立因果模型和解释的重要性。他们表示愿意分享更多材料和更新,强调他们致力于加深对该研究领域的理解。
Adam Grealish:“个人投资的算法方法”
Adam Grealish:“个人投资的算法方法”
Betterment 的投资总监 Adam Grealish 就公司的个人投资算法方法及其基于目标的策略提供了见解。 Betterment 利用机器人咨询模型,利用算法和最少的人工干预为其客户提供投资建议和管理。
Grealish 强调了决定投资结果的三个关键因素:保持低成本、税收优化和智能交易。尽管所有因素都很重要,但 Betterment 非常重视前三个因素。该公司采用 Black Litterman 优化技术构建全球多元化投资组合,并持续监控其 50 万庞大客户群的目标权重。税收优化,包括税损收缴、资产定位和批次分类等策略,提供了跑赢市场的机会。
在讨论的第二部分,Grealish 将 Betterment 的方法与传统的自动化财务顾问区分开来。与传统机器人顾问的“一刀切”方法不同,Betterment 的算法方法考虑了目标、时间范围和风险承受能力等个人因素。这种定制允许根据每个投资者的独特情况量身定制个性化投资组合。 Betterment 还提供额外的功能,如税收损失收集和税收协调的投资组合,以最大限度地提高税收效率和增加回报。
Grealish 进一步深入研究了 Betterment 投资策略的细节。公司鼓励长期配置稳定,每年仅调整一次投资组合以实现目标配置。他们利用基于触发的再平衡算法来管理目标分配的偏差并最大限度地降低风险。 Betterment 的投资组合是使用基于广泛市值的 ETF 构建的,优化了对具有相关风险溢价的风险资产类别的敞口。
成本优化是 Betterment 投资理念的一个重要方面。该公司利用 ETF 费用下降的趋势,每季度审查整个 ETF 领域。选择过程考虑了费用比率以外的因素,包括跟踪误差和交易成本,从而为 Betterment 的客户提供低成本的投资组合。
税收优化是 Betterment 战略的另一个关键要素。 Grealish 解释了税收管理的重要性,并概述了三种有效的策略:税损收缴、资产定位和批次分类。税收损失收割涉及亏本出售证券以实现出于税收目的的资本损失,而资产定位通过战略性地跨账户分配资产来最大化税后回报。批次分类需要首先出售损失最大的批次,以优化税收优惠。
Grealish 承认投资者行为对投资结果的影响。 Betterment 通过实施智能默认设置、使用自动化和鼓励基于目标的投资来打击负面行为。该公司采用有意的设计和数据分析来提示用户在偏离财务目标时采取行动。
在未来发展方面,Grealish 讨论了人工智能在金融科技领域的潜在用途。 Betterment 正在探索人工智能在自动化财务任务(如机器人咨询和现金管理)中的应用。该公司的目标是让更广泛的受众可以使用以前仅限于高净值个人和机构的金融服务。然而,个性化报税的复杂性给这一领域带来了挑战。
总体而言,Adam Grealish 为 Betterment 的个人投资算法方法提供了宝贵的见解,强调基于目标的策略、成本优化、税收管理和行为缓解。
Miquel Noguer i Alonso:“金融深度学习的最新发展”
Miquel Noguer i Alonso:“金融深度学习的最新发展”
在这段综合视频中,Miquel Noguer i Alonso 探讨了深度学习在金融领域的潜力,尽管该行业具有内在的复杂性和经验性质。深度学习在捕获非线性关系和识别重复模式方面提供了宝贵的功能,尤其是在非结构化数据和金融应用程序中。然而,它也带来了一些挑战,例如过度拟合和在非平稳情况下的有效性有限。为了应对这些挑战,因素、情绪分析和自然语言处理的整合可以为处理大量数据的投资组合经理提供有价值的见解。需要注意的是,没有一刀切的模型,深度神经网络不应该取代传统的基准模型。此外,Alonso 强调了 BERT 的重要性,BERT 是一种开源且高效的语言模型,展示了对金融文本中数字的深刻理解,使其对金融数据集特别有价值。
在整个视频中,Alonso 分享了重要的见解并讨论了在金融领域使用深度学习模型的各个方面。他探索使用卷积神经网络将金融数据转换为图像进行分析,利用自动编码器进行非线性数据压缩,以及应用内存网络进行时间序列分析。强调领域专家和机器学习从业者之间的协作是使用深度学习技术有效解决金融相关问题的关键因素。
Alonso 深入研究了在金融领域使用深度学习时遇到的挑战,例如数据生成过程的动态特性以及开发能够适应这些变化的模型的需求。他强调了信息论、复杂性和压缩信息以找到最简洁表示的概念。讨论了通用逼近定理,强调深度神经网络以任意精度逼近任何函数的能力,但不能保证泛化。演讲者建议进一步探索关于正则化、神经网络的内在维度和过度参数化神经网络的研究论文。
演讲者还谈到了插值机制的概念,其中深度神经网络可以发现更大的函数类,这些函数类可以识别具有较小范数的插值函数。他们讨论了深度神经网络的定性方面,强调了不同层的不同重要性及其在时间序列预测中的作用。但是,强调线性模型仍然是基准,深度学习模型的结果应该与它们进行比较。
Alonso 提供了对深度学习模型在金融领域的表现的见解,展示了对多只股票使用长期短期记忆网络的结果,并展示了它们优于其他神经网络的优势。深度学习模型在选择标准普尔 500 指数中的最佳股票方面表现优于线性模型,从而获得更好的样本外信息比率。演讲者强调,深度学习始终表现良好,可以成为选择模型时的可靠选择。
因素在金融深度学习模型中起着至关重要的作用,能够探索与回报的非线性关系。非线性的利用将这种方法与纯时间序列练习区分开来。演讲者还强调了训练期间参数选择的重要性,并警告不要假设使用更多数据总是会提高准确性。重要的是要注意,这些模型不包含成本或现实生活中的考虑因素,因为它们主要用于基于历史数据的研究目的。
演讲者阐明了他们论文的重点,强调其目的不是声称深度神经网络更优越,而是强调需要将它们与传统基准模型一起使用。讨论了捕获非线性关系和理解循环的重要性,以及考虑学习窗口等参数的必要性。深度神经网络可以通过捕获线性模型可能忽略的二阶或三阶效应,在特定场景中提供独特的见解。但是,强调没有通用的模型,深度神经网络应该补充现有的基准模型而不是取代它们。
还探索了自然语言处理,特别是情感分析在金融领域的应用。鉴于市场中产生的大量信息,大数据工具对于调查和分析高维空间至关重要。机器学习,尤其是深度学习,在应对这些挑战方面被证明是有价值的。语言模型可用于情绪分析等任务,从而提供对市场动能的洞察。事实证明,抓取互联网是检测可能表明市场变化的信息变化的有效方法。总体而言,自然语言处理为处理大量数据的投资组合经理提供了宝贵的见解。
在视频中,演讲者深入探讨了金融领域情绪分析的两种方法。传统方法涉及计算正面和负面词的频率,而更先进的方法利用深度学习和词嵌入来掌握词的上下文和语义。演讲者强调了来自 transformers (BERT) 的双向编码器表示的有效性,这是一种尖端语言模型,可提供更准确、更高效的单词表示。 BERT 理解金融文本中数字的能力对于准确的金融分析尤为重要。其他函数逼近器,如多层感知器、记忆网络和 covnet,也被认为是金融领域的有用工具。
此外,演讲者还讨论了将金融数据转换为图像并使用卷积神经网络进行分析的概念。这种方法被证明对无监督学习问题特别有益。介绍了使用自动编码器进行非线性数据压缩和使用记忆网络进行时间序列分析。如果环境足够稳定,内存网络可以适用于分析时间序列数据。此外,演讲者还谈到了 Transformer 模型在金融语言处理中的使用,并提供了对使用 TensorFlow 实施这些模型的见解。
关于在金融领域实施开源深度学习模型,演讲者强调,虽然可能需要针对金融应用程序进行专门培训,但由于可用的开源代码非常丰富,因此这是一个可以实现的目标。领域专家和机器学习者之间的协作对于解决金融相关问题至关重要,因为在该领域有很多利用机器学习的机会。演讲者指出,虽然手工制作的自然语言处理方法目前用于金融领域,但深度学习模型尚未在行业中得到广泛采用。
该视频还深入探讨了传统的金融手工控制方法,其中个人使用字典来描述摩根大通等实体,同时确保没有拼写错误。讨论了各种机器学习算法的有效性,例如长短期记忆网络和 BERT。 BERT 在已发表的研究中被认为是最先进的。还探讨了机器学习在横截面投资中的潜力,建议使用因子或回报来帮助机器解释平坦的回报或因子。
谈到在深度学习中寻找最优值的困难,演讲者承认这可能是一个 NP 问题。具有经验和直觉的人类数据科学家必须根据他们的专业知识做出启发式选择。理解和解释深度神经网络的挑战凸显出来,因为即使是数学家也难以制定方程式来解释其卓越性能。在这种情况下通常会采用定性分析。然而,随着时间的推移,在处理了各种数据集之后,数据科学家可以培养一种直觉,为特定情况选择最合适的参数。
Gordon Ritter:“强化学习和套利机会的发现”
Gordon Ritter:“强化学习和套利机会的发现”
在本视频中,Gordon Ritter 探讨了强化学习在金融市场环境中的应用,特别侧重于发现衍生品交易中的套利机会。他强调了面对不确定性时复杂的多时期规划和战略的重要性。 Ritter 演示了使用价值函数来指导寻找最优策略,并提出了一个奖励函数,该函数将单周期增量与常量乘以与均值偏差的平方相结合。
Ritter 讨论了创建包含套利机会的模拟的过程,但没有明确指示机器在哪里找到它。他强调使用随机模拟对金融市场进行建模,并建议在有足够数据的情况下,通过强化学习训练的代理人可以识别市场套利。然而,他承认强化学习的局限性,例如过度拟合和处理不可预见场景的挑战。建议进行进一步的测试,例如探索伽马中性交易策略,以扩展受过训练的代理人的能力。
该视频包括对强化学习代理与衍生品对冲中基线代理的性能分析。训练有素的代理人在保持类似范围的已实现波动率的同时,展示了显着的成本节约,展示了其在成本和风险之间进行权衡的能力。 Ritter 讨论了价值函数在衍生品交易强化学习中的相关性,因为衍生品价格本身可以被视为价值函数的一种形式。
Ritter 还强调了在强化学习中构建适当的状态向量和动作空间的重要性。在状态向量中包含相关信息并定义适当的操作对于有效决策至关重要。他介绍了使用 Ornstein 和 Limbic 过程作为模拟均值回归动力学的方法,这可能会带来套利机会。
此外,该视频还讨论了使用短期回报来寻找交易机会的挑战以及有限状态空间的局限性。 Ritter 建议采用连续状态空间和函数逼近方法(例如模型树和神经网络)来应对这些挑战并改进价值函数的估计。
最后,Ritter 承认,虽然强化学习可以成为发现套利机会的宝贵工具,但它并不是现实交易中的可靠方法。他最后强调了强化学习通过随机系统发现有利可图的交易的潜力,但告诫不要期望它在市场上不存在套利机会的情况下找到套利机会。还认识到强化学习的局限性,包括过度拟合及其无法处理不可预见的情况。
Marcos Lopez de Prado:“大多数机器学习基金失败的 7 个原因”
Marcos Lopez de Prado:“大多数机器学习基金失败的 7 个原因”
Marcos Lopez de Prado 发表了全面的演讲,概述了金融行业大多数机器学习基金失败的原因。他强调了有助于在该领域取得成功的几个关键因素的重要性。
de Prado 强调的主要因素之一是在全权委托基金方面缺乏完善的理论。他指出,由于缺乏坚实的理论基础,许多投资对话缺乏建设性和抽象的方法。如果没有指导决策的理论,全权委托基金很难与他人互动并检验他们的想法,从而导致错误的选择和潜在的损失。
De Prado 还讨论了在机器学习基金内部孤立工作的不利影响。他强调协作和沟通对于成功至关重要,并警告不要雇佣大量博士并将他们分成不同的任务。相反,他提倡以团队为基础的方法,让专家独立工作但了解彼此的专业知识,从而制定更好的战略和结果。
团队内部的专业化是 de Prado 强调的另一个重要方面。他强调了组建一支能够处理复杂系统和任务的专家团队的重要性。这些专家应该具备独立的技能,同时了解整体战略并了解同事的专业领域。这种元策略范式不仅对制定有效策略很有价值,而且对于在不确定情况下做出明智的决策(包括招聘、投资监督和定义停止标准)也很有价值。
正确处理财务数据是 de Prado 讨论的另一个关键因素。他强调需要在保留有价值的信息的同时实现数据的平稳性。他建议按分数区分数据,以保留来自先前观察的记忆信息,从而在特定点进行关键预测。此外,他建议使用一个特定的阈值来实现静止序列和原始序列之间几乎完美的相关性,而无需使用过多的内存。 De Prado 告诫不要在没有流动性未来合约的情况下使用回报,建议在大多数情况下使用单一观察。
de Prado 还解决了采样频率和适当的数据标签问题。他建议将采样频率建立在市场信息到达的基础上,而不是依赖于日常或分钟观察等传统方法。通过使用基于交易量抽样的美元条等技术,可以确保样本中包含等量的信息。适当标记观察结果,例如使用接触障碍标记方法,允许制定风险意识策略,同时考虑价格动态和被止损的可能性。
元学习的概念,即一个机器学习模型预测另一个模型预测的准确性,作为实现精确度和召回率的一种手段进行了讨论。通过组合两个独立的模型,可以使用调和平均数来平衡精确度和召回率之间的权衡。 De Prado 建议针对不同的任务采用不同的机器学习算法来优化性能。
De Prado 强调了在金融领域应用机器学习的挑战,强调人类专家在使用机器学习算法之前需要过滤数据。财务数据本质上是杂乱无章且非独立分布的,因此很难将特定观察结果与资产联系起来。此外,由于法规和法律导致金融市场不断变化,因此有必要采取谨慎而细致的方法来实施机器学习算法。简单地将财务数据插入机器学习模型并不足以在金融领域取得成功。
解决非唯一性和过度拟合问题是 de Prado 演讲的另一个重要方面。他提出了一种方法来确定观察的唯一性,建议删除包含比与测试集共享的信息更旧的信息的观察,这一过程称为“清除”。这有助于通过与交叉验证技术的假设保持一致来创建更准确的机器学习模型。 De Prado 还警告过拟合的危险,强调反复回溯测试策略可能会导致误报并随着时间的推移减少有用性。考虑发现策略所涉及的试验次数对于避免过度拟合和误报至关重要。 De Prado 建议为策略的性能设置一个高阈值,以减轻与过度拟合相关的风险。
de Prado 引入了“瘪草莓”的概念,说明许多对冲基金表现出负偏度和正超峰态,即使基金经理并没有刻意针对这些特征。这主要是因为基金经理是根据夏普比率进行评估的,而这些统计属性会夸大该比率。 De Prado 强调了在分析回报时考虑样本量和产生发现所涉及的试验次数的重要性。他告诫不要投资于实现真正的夏普比率大于零的可能性很低的策略。
de Prado 强调了在模型拟合和过度拟合之间取得平衡。他建议不要追求完美契合,因为这会导致过度自信并增加风险。相反,他建议找到一种在有效应用统计模型的同时保存重要记忆的方法。 De Prado 还告诫不要使用过于复杂的模型,因为它们会阻碍数据馈送和异花授粉,从而阻碍机器学习算法的整体有效性。
De Prado 解决了行业中某些特征或指标成为首选的现象,从而导致战略趋同。将其与人类偏好和审美塑造某些特征的狗的繁殖进行比较,他解释了特定指标的使用,例如夏普比率和负偏度的结合,如何受到对冲基金的青睐,即使最初并不是这样有针对性的。解决这一现象证明具有挑战性,因为它在没有任何特定触发事件的情况下发生。
此外,de Prado 强调了在预测时使用近期价格数据的重要性,因为它与近期的未来具有更大的相关性。他建议在使用所有可用数据时采用指数权重衰减来确定样本长度。此外,他还强调了控制试验次数和避免孤立工作环境的重要性,因为这是导致机器学习基金失败的常见陷阱。他指出,金融不同于机器学习取得重大进步的其他领域,聘请统计学家可能并不总是开发成功交易算法的最有效方法。
总之,Marcos Lopez de Prado 的演讲阐明了大多数机器学习基金在金融行业失败的原因。他强调需要完善的理论、团队协作、专业化、正确处理和区分财务数据、适当的采样和标记、解决非唯一性和过度拟合等挑战,以及在实施机器学习算法时结合人类专业知识。通过了解这些因素并采取谨慎而细致的方法,从业者可以增加在充满活力和复杂的金融世界中取得成功的可能性。
Irene Aldridge:“长期投资组合优化中的实时风险”
Irene Aldridge:“长期投资组合优化中的实时风险”
Able Alpha Trading 总裁兼董事总经理 Irene Aldridge 全面讨论了高频交易 (HFT) 对长期投资组合经理的影响以及影响整个行业的市场系统性变化。她探讨了在大数据和机器学习进步的推动下金融业日益自动化,及其对投资组合优化的影响。此外,Aldridge 深入研究了日内成交量数据带来的挑战和机遇,并提出了一种循序渐进的方法,利用大数据集成实时风险识别。她提倡采用更细微的投资组合优化策略,该策略包含微观结构因素,并建议使用因素作为防御措施。 Aldridge 还谈到了量化策略的三年生命周期、虚拟现实和自动化在数据分析中的潜力,以及计算机矩阵在投资组合优化中的应用。
在她的整个演讲中,奥尔德里奇挑战了高频交易对长期投资组合经理没有影响的误解。她认为,市场的系统性变化会影响所有投资策略,无论其时间范围如何。凭借她在电气工程、软件开发、风险管理和金融方面的专业知识,Aldridge 强调了探索实时风险评估和投资组合优化等新领域的重要性。
Aldridge 强调了金融行业向自动化的重大转变,并指出手动交易已经让位于股票、外汇、固定收益和商品交易中的自动化系统。为了保持相关性,行业参与者已经接受了大数据和机器学习技术。然而,她承认一些交易员最初的抵制,他们担心自动化会使他们的专业知识过时。
演讲者探讨了大数据的演变及其在投资组合优化中的作用。她指出,大量结构化和非结构化数据的可用性彻底改变了金融格局。 Aldridge 解释了奇异值分解 (SVD) 等技术如何支持处理大型数据集以提取有价值的见解。 SVD 越来越多地用于自动化投资组合分配,目的是整合尽可能多的数据来为投资决策提供信息。
Aldridge 深入研究了使用奇异值分解来减少数据维度的过程。通过绘制通过此过程得出的奇异值,研究人员可以识别包含重要信息的向量,同时将其余向量视为噪声。该技术可应用于各种金融数据集,包括市值、贝塔系数、价格和日内波动率。由此产生的简化数据集为研究目的提供了可靠的指导,并有助于确定长期投资组合优化的关键因素。
演讲者讨论了投资组合分析师使用的常见因素,例如价格、市场风险 (beta)、市值和股息收益率。机构活动也是一个重要因素,Aldridge 强调使用大数据来分析报价数据和检测模式。识别机构活动为市场参与者提供了可见信号,从而导致交易量增加和有利的执行。
奥尔德里奇区分了激进型和被动型高频交易策略及其对流动性的影响。以订单取消为特征的激进高频交易策略会侵蚀流动性并增加风险,而被动高频交易策略(例如做市)可以通过提供流动性来降低波动性。她指出,机构投资者偏好成交量加权平均价格,并在外汇等某些市场使用时间加权平均价格,因为在这些市场中,成交量信息可能并不总是可用。
演讲者解决了日内交易量数据带来的挑战,考虑到交易所数量众多、时间间隔缩短以及需要在多个交易所中确定最佳业务和最佳报价。尽管存在这些挑战,Aldridge 仍然看到了在切片和分析日内成交量数据方面进行创新和进一步研究的重要机会。她提到了 SEC 运行的安全信息处理器 (SIP),该处理器汇总了来自多个交易所的限价订单,但她承认在不同交易所之间协调和解决问题一直存在挑战。
Aldridge 强调了投资组合优化中未探索的微观结构因素和风险。虽然长期投资组合经理传统上关注风险回报特征而忽视微观结构因素,但奥尔德里奇建议将它们作为输入并利用大量可用数据。她提出了一种循序渐进的方法,包括使用奇异值分解来根据先前的回报预测绩效,并利用大数据来识别和解决实时风险。算法可以帮助识别和利用交易中复杂的复杂性,例如 ping 订单,这些可能会被人类交易者忽视。
在挑战传统投资组合优化的局限性时,Aldridge 引入了一种更全面的方法,将微观结构因素和其他市场动态相结合。她强调了 ETF 和闪电崩盘等因素的破坏性潜力,并强调仅靠相关矩阵可能不足以分析风险。通过考虑超越更广泛市场走势的独立微观结构因素,Aldridge 提倡一种微妙的投资组合优化策略,可以提高回报并改善夏普比率。关于她的方法的更多细节可以在她的书中找到,她欢迎听众提出有关高频交易的问题。
Aldridge 进一步研究了一天内高频交易的持续性及其对长期投资组合分配的影响。她以谷歌的日内高频交易量为例说明了这一点,该交易量在一段时间内表现出一定范围内的稳定性。 Aldridge 强调了与高价股票的高频交易相关的较低成本以及便士股票的高频交易量百分比较低。此外,她指出,编码的复杂性通常会阻止高频交易员参与高股息股票。激进的高频交易策略涉及市场订单或接近市场价格的激进限价订单。
演讲者解释了量化策略的三年生命周期,阐明了量化分析师在制定成功策略时所面临的挑战。第一年通常涉及从以前的工作中获得成功的策略并获得丰厚的奖金。第二年以创新尝试为标志,但在此期间许多人都在努力制定成功的战略。第三年,找到成功策略的人可能会获得丰厚的奖金,而其他人可能会选择离开,将之前的策略带到新公司。这有助于集中类似的高频交易策略,这些策略可能会被调整或略微修改,并且通常会在大约同一时间执行交易。奥尔德里奇强调,高频交易与其他形式的自动化一样,是有益的,不应被忽视。
Aldridge 通过讨论虚拟现实和自动化在数据分析中的潜力来结束她的演讲。她谈到了基于贝塔的投资组合和因素的有用性,以购买一双袜子与购买戴尔电脑为例,以及贝塔的变化如何不同地影响它们的价格。还强调了在工作日规范化回报和解决随机性的重要性。奥尔德里奇建议使用因子作为一种防御形式,并强调使用因子可能是一种令人愉快的方法。
在一节中,奥尔德里奇解释了计算机矩阵在确定投资组合中每只股票的重要性或系数方面的应用。该矩阵结合了方差协方差和收缩技术来调整回报并获得更精确的结果。通过识别前几天回报的模式,该矩阵可以预测未来的结果并优化投资组合。虽然所讨论的玩具模型代表了一个基本示例,但它举例说明了使用计算机矩阵进行长期投资组合优化的潜力。
总而言之,艾琳·奥尔德里奇 (Irene Aldridge) 的演讲就高频交易对长期投资组合经理的影响以及金融业不断发展的格局提供了宝贵的见解。她强调了自动化、大数据和机器学习在投资组合优化中的作用。 Aldridge 讨论了日内成交量数据带来的挑战和机遇,提倡纳入微观结构因素,并提出了一种实时风险识别的分步方法。她的想法有助于更细致地理解投资组合优化,并突出了虚拟现实和数据分析自动化的潜力。 Aldridge 的综合方法鼓励投资组合经理接受技术进步并利用大量可用数据做出明智的投资决策。
此外,Aldridge 强调了考虑传统投资组合优化中经常被忽视的微观结构因素的重要性。通过将 ETF 和闪电崩盘等因素纳入分析,投资组合经理可以更准确地了解市场动态和相关风险。她挑战了仅相关矩阵就足以进行风险分析的观点,并提出了一种考虑独立微观结构因素的更复杂的方法。这种方法有可能提高投资组合回报并改善风险调整后的业绩。
奥尔德里奇还阐明了高频交易的错综复杂的世界。她讨论了激进型和被动型高频交易策略之间的区别,强调了它们对市场流动性和波动性的影响。虽然涉及取消订单的激进策略可能会削弱流动性并增加风险,但专注于限价订单和做市的被动策略可以提供流动性并降低波动性。了解高频交易的动态及其对投资组合分配的影响对于长期投资组合经理来说至关重要。
此外,Aldridge 还讨论了与日内成交量数据相关的挑战和机遇。随着多次交换和时间间隔的缩短,有效地分析和解释这些数据可能会很复杂。然而,Aldridge 将此视为创新和进一步研究的机会。她提到了由 SEC 运营的安全信息处理器 (SIP),该处理器汇总来自各个交易所的限价订单,以确定最佳业务和最佳报价。然而,她承认协调和解决不同交易所之间的问题仍然是一个挑战。
Aldridge 的演讲还强调了使用因子作为投资组合优化防御形式的重要性。通过考虑传统风险回报特征之外的各种因素,投资组合经理可以获得更深入的见解并改进他们的决策过程。市值、贝塔系数、价格和日内波动等因素可以为优化长期投资组合提供有价值的信息。
最后,Aldridge 谈到了虚拟现实和自动化在数据分析中的潜力。这些技术进步为分析复杂的金融数据和加深对市场动态的了解提供了新的可能性。通过利用自动化的力量和利用虚拟现实工具,投资组合经理可以增强他们的数据分析能力并做出更明智的投资决策。
总之,艾琳·奥尔德里奇 (Irene Aldridge) 关于高频交易的影响和不断变化的金融格局的讨论为长期投资组合经理提供了宝贵的见解。她对自动化、大数据和机器学习的探索突出了这些技术在投资组合优化方面的变革潜力。通过结合微观结构因素,将因素作为一种防御形式,并采用技术进步,投资组合经理可以适应不断变化的市场动态,并为实现最佳的长期投资组合绩效创造新的机会。
量化交易基础
量化交易基础
在这段关于量化交易基础的视频中,算法交易员 Shaun Overton 讨论了算法交易中涉及的挑战和机遇。 Overton 解释说,数据收集、分析和交易是算法交易中涉及的三个简单问题,尽管由于找到高质量的数据和适当的分析,这个过程可能会变得复杂。选择具有良好数据和功能的正确平台来满足交易者的目标可能具有挑战性,最受欢迎的平台是 MetaTrader、NinjaTrader 和 TradeStation,具体取决于交易者喜欢的交易类型。 Overton 还讨论了在真实市场交易时爆仓的严酷现实,以及管理风险的重要性。此外,他还解释了量化交易员如何预测市场的过度波动,并讨论了货币战争的影响。
YouTube 上的“量化交易基础”视频涵盖了算法交易的各种策略,包括情绪分析和基于图表线的长期策略;然而,最大的回报是在大尾巴事件和趋势期间获得的。视频的与会者讨论了用于回测的不同平台、集成多个平台进行交易分析的挑战,以及对交易策略形式化和自动化的日益增长的兴趣。一些长线交易者寻求自动化,因为他们已经在游戏中待了很长时间,推荐使用编程语言 NinjaTrader,但有局限性。
什么是量化交易员?
什么是量化交易员?
“什么是量化交易员?”是 Michael Halls-Moore 深入研究量化交易世界的视频,解释了如何使用数学和统计学来制定交易策略和分析市场低效率。虽然量化基金主要关注短期策略,但演讲者强调还使用了低频和自动化方法。机构交易者优先考虑风险管理,而零售交易者则受利润驱动。有效的市场制度检测至关重要,但由于市场中存在随机事件,因此具有挑战性。建议量化交易者不要仅仅依赖单一模型,而是要不断研究和测试新模型,以解释已知和未知的市场动态。尽管存在风险,但成功的量化交易者可以获得令人印象深刻的 35% 的年费用回报率。
在视频中,Michael Halls-Moore 对“量化交易员”的概念提供了深刻的见解。他解释说,量化交易员在金融领域运用数学和统计技术,利用计算和统计方法。他们的工作涵盖广泛的活动,从编程交易结构到进行深入研究和开发稳健的交易策略。虽然买卖规则发挥作用,但它们并不是唯一的焦点,因为量化交易员在一个更大的系统中运作,而信号发生器只是其中的一个组成部分。
量化基金通常从事高频交易,并努力优化市场资产中的技术和微观结构。量化交易涉及的时间范围可能相差很大,从几微秒到几周不等。零售交易者有很大的机会采用高频策略。
与普遍看法相反,量化交易不仅仅专注于高频交易和套利。它还结合了低频和自动化策略。然而,由于他们利用系统中物理效率低下的科学方法,量化基金主要集中在短期策略上。演讲者强调了融合科学和交易背景以在量化交易领域蓬勃发展的重要性。
零售交易者和机构交易者之间的显着区别在于他们的风险管理方法。零售交易者主要受利润动机驱动,而机构交易者优先考虑风险管理,即使这意味着牺牲潜在回报。机构交易员秉承风险至上的心态,强调尽职调查、压力测试和下行保险政策,以有效降低风险。
风险管理涉及各种技术,例如使用凯利准则等数学框架根据账户净值调整杠杆。更保守的交易者选择减少回撤以实现可控的增长率。 VIX 等领先风险指标被用来衡量未来的波动性。在这些交易中,风险管理系统比入场系统更重要。虽然在趋势跟踪中采用了止损,但均值回归策略要求重新评估和探索不同的场景和历史数据以进行回撤计划。在实施交易算法之前,会进行回溯测试以有效管理风险因素。
该视频深入探讨了过滤掉交易策略并使用回测作为过滤它们而不是直接将其投入生产的工具的重要性。它强调了在前进过程中预期更严重的回撤并利用过滤机制来确定实施策略的适用性的重要性。然后,对话深入探讨了纳西姆·尼古拉斯·塔勒布 (Nassim Nicholas Taleb) 对肥尾理论的信念,并探讨了如何利用机器学习技术来应用区间交易和趋势交易策略,从而实现市场机制检测。
有效的市场制度检测是量化金融的一个重要方面。然而,由于它依赖于随机事件,例如利率下降和市场趋势,它带来了挑战。更成熟的公司跟踪基本数据并将其纳入他们的模型以加强市场制度检测。交易时,股票或 ETF 的选择取决于具体市场,选择合适的资产可能是一项复杂的任务。演讲者强调,数学模型和市场基本面的结合对于有效防御黑天鹅事件至关重要,因为之前的高波动期可以为预测未来的波动性和市场变化提供洞察力。
该视频进一步探讨了与量化交易相关的潜在回报和风险。量化交易员有可能获得令人印象深刻的 35% 的年回报率,尤其是在拥有扎实的教育背景(如博士学位)和高效的管理流程的情况下。然而,当底层硬件或交易所发生变化时,高频量子可能会面临挑战,可能导致系统崩溃。
尽管存在风险,但通过长期利用盈利机会实现 15% 至 20% 的持续回报被认为是有利的。量化交易者不会依赖单一的神奇算法,也不会在遇到问题时惊慌失措。相反,他们深入研究可能分析起来很复杂但提前准备应对潜在挑战的统计特性。
该视频强调了在量化交易中避免过度依赖单一模型的重要性。模型无法准确预测所有未来事件,历史上的华尔街崩盘和模型缺陷导致的投资失败就是明证。量化交易员必须不断研究和测试新模型,评估其表现。回撤期是交易过程中固有的一部分,交易者必须准备好驾驭它们。
总而言之,虽然一些交易者可能过于专注于微观管理他们的模型,但了解模型是否考虑了所有市场动态,包括未知的未知数,是至关重要的。量化交易者应采用多维方法,将数学模型与市场基本面相结合,以全面了解市场行为。通过不断完善和多样化他们的策略,量化交易者可以增加他们在不断变化的金融环境中取得成功的机会。
PyCon 加拿大 2015 - Karen Rubin:建立量化交易策略(主题演讲)
PyCon 加拿大 2015 - Karen Rubin:建立量化交易策略(主题演讲)
继续讨论,Karen Rubin 深入探讨了她对财富 1000 强公司女性 CEO 的研究的发现和见解。分析显示,女性 CEO 的回报率为 68%,而男性 CEO 的回报率为 47%。然而,凯伦强调,她的数据尚未证明女性 CEO 的表现优于男性。她认为这项研究在高收入和高市值公司中是一个有趣的概念。
受到她的发现的启发,Karen 强调了多元化在金融和科技行业的重要性。她鼓励更多女性加入该领域并参与制定投资策略。她认为,结合投资女性 CEO 等理念,有助于创建多元化和包容性的基金。
扩大讨论范围,Karen 谈到了可能影响 CEO 成功的其他因素,包括他们的性别、招聘方式(内部或外部),甚至他们的出生月份。她承认这样一种理论,即当组织表现不佳时,公司可能会任命女性 CEO,然后用男性 CEO 取而代之,以从重组中获益。然而,到目前为止,Karen 还没有能够对这一理论进行套利。此外,她指出,在 CEO 发布公告后,股价通常会下跌,但她仍然不确定这种趋势在女性和男性 CEO 之间是否存在差异。
最后,Karen 强调,为 CEO 制定量化交易策略需要考虑各种因素并进行全面分析。虽然她的研究为女性 CEO 的绩效提供了宝贵的见解,但她强调需要进一步研究和探索,以更全面地了解行政领导中的性别动态及其对投资结果的影响。
Ernie Chan 博士的量化交易机器学习网络研讨会
Ernie Chan 博士的量化交易机器学习网络研讨会
金融界知名人士 Ernie Chan 博士分享了他对机器学习在交易中的见解和经验。他首先回顾了自己早期将机器学习应用于交易的尝试,并承认最初并没有取得成功。陈博士强调了解机器学习在交易中的局限性的重要性,尤其是在数据可能不足的期货和指数交易中。
然而,他强调了机器学习在应用于个别科技股、订单簿数据、基本面数据或新闻等非传统数据源时在生成有利可图的交易策略方面的潜力。为了解决数据可用性和数据窥探偏差的局限性,Chan 博士建议使用重采样技术,例如过采样或装袋。这些技术有助于扩展数据集,但在将它们用于交易策略时,保留时间序列数据中的序列自相关性至关重要。
特征选择在机器学习在交易中的成功应用中起着至关重要的作用。 Chan 博士强调了通过选择相关特征或预测变量来减少数据采样偏差的重要性。他解释说,虽然许多人认为特征越多越好,但在交易中,特征丰富的数据集可能会导致虚假的自相关和糟糕的结果。他讨论了三种特征选择算法:正向特征选择、分类和回归树 (CART) 以及随机森林,它们有助于识别最具预测性的变量。
陈博士深入研究支持向量机 (SVM) 分类算法,该算法旨在预测未来的一日收益及其正面或负面性质。 SVM 找到一个超平面来分离数据点,可能需要非线性变换才能有效分离。他还谈到了其他机器学习方法,例如神经网络,但强调了它们在捕捉相关特征方面的局限性,以及由于金融市场的非平稳性,它们不适合交易。
网络研讨会还强调了自定义目标函数在交易策略中的重要性。 Chan 博士推荐使用逐步回归、决策树和集合回归等技术来开发预测模型。他强调了减少交易数量的平方根以实现高精度保护回报的重要性。夏普比率是评估策略有效性的有效基准,大于等于 2 的比率被认为是有利的。
陈博士就机器学习在金融业的应用提供了宝贵的见解,强调了其在某些领域的潜力,同时告诫其局限性。他强调了特征选择、数据重采样和选择合适的目标函数对于在量化交易中成功应用机器学习的重要性。