고주파 거래 전략에 대한 제 논문을 발표하도록 오늘 저를 초대해 주셔서 감사합니다. 제 이름은 Amy Kwan이고 University of Sydney에서 왔습니다. 이 논문은 Babson College의 Michael Goldstein과 마찬가지로 시드니 대학의 Richard Phillip과 공동 저술되었습니다.
이 백서의 목적은 고주파 거래(HFT)가 금융 시장에 미치는 영향에 관한 규제 기관, 시장 참여자 및 학계 간의 지속적인 논쟁에 기여하는 것입니다. 우리는 Sean의 프레젠테이션과 어젯밤 토론을 포함하여 이 문제에 대한 다양한 관점을 들었습니다.
HFT에 대해서는 다양한 의견이 있지만 플래시 보이즈(Flash Boys)의 저자인 마이클 루이스(Michael Lewis)와 같은 일부 사람들은 미국 주식 시장이 속도에 기반한 계급 시스템이 되었다고 주장합니다. 다른 사람들은 이러한 작은 시간 간격의 가치를 인식하지 못합니다. 반면 Ray Katsuyama와 같은 HFT 지지자들은 HFT가 거래 신호를 포착하고 일반 투자자를 이용할 수 있다고 주장합니다.
초기 학술적 증거는 유동성을 강화하고 스프레드 감소, 깊이 증가, 단기 변동성 감소와 같은 전통적인 시장 품질 측정을 개선한다고 믿었기 때문에 일반적으로 HFT 및 알고리즘 거래를 지원했습니다. 그러나 보다 최근의 연구에서는 HFT의 몇 가지 부정적인 측면을 발견했습니다. 예를 들어, HFT는 다른 투자자의 주문 흐름을 예상하고 시장 세력으로부터 임대료를 추출할 수 있습니다.
또한 Banker, Blending, Courageous, Canorkey 등의 최근 연구에 따르면 HFT는 처음에는 바람에 맞서 거래하다가 대규모 거래가 진행됨에 따라 바람과 함께 거래하는 것으로 나타났습니다. 이를 설명하기 위해 대규모 연기금이 Apple 주식을 매입하려는 시나리오를 가정해 보겠습니다. HFT는 이 거래를 감지하면 구매 압력으로 인해 향후 가격 상승을 예상하기 때문에 동일한 방향으로 거래하기 위해 기관과 경쟁할 수 있습니다.
HFT의 효과에 대한 이해가 어느 정도 있지만 HFT가 실제로 어떻게 거래되고 금융 시장에 영향을 미치는지에 대해서는 문헌이 명확하지 않습니다. 기존 증거의 대부분은 거래 실행을 기반으로 하며 호주의 주문 제출 행동에 대해서는 알려진 바가 거의 없습니다.
이 격차를 해결하기 위해 우리 연구는 전체 지정가 주문서 데이터를 분석하여 HFT 거래 전략을 직접 조사합니다. ASX의 상위 100개 주식에 대한 주문 제출, 수정, 취소 및 거래에 대한 자세한 정보에 액세스할 수 있습니다. 거래자를 HFT 회사, 기관 거래자 및 소매 중개인으로 분류하여 그들의 행동과 시장 역학에 미치는 영향을 이해하는 것을 목표로 합니다.
우리의 주요 결과는 HFT가 오더북을 모니터링하고 불균형 거래에 탁월하다는 것을 보여줍니다. 주식 매수 또는 매도에 대한 수요가 높을 때 HFT는 다른 거래자 범주에 비해 이 정보를 활용하는 데 더 성공적입니다. 또한, HFT는 필요하지 않은 경우에도 주문장의 고정된 측면에서 유동성을 제공하는 반면, 비 HFT는 HFT의 전략적 거래 행동으로 인해 주문장에 대한 액세스가 제한되는 문제를 겪습니다.
우리는 또한 "it"라는 더 빠른 데이터 피드의 도입을 검토하고 HFT가 구현 후 전략적 거래에서 훨씬 더 효과적이라는 것을 발견했습니다. 그러나 HFT가 아닌 주문은 지정가 주문장에서 밀려나므로 이러한 거래자의 성공적인 체결 가능성이 줄어듭니다.
결론적으로, 우리의 연구는 전체 지정가 주문서 데이터를 분석함으로써 HFT 거래 전략의 이해에 기여합니다. 우리는 HFT가 오더북을 모니터링하고 불균형에 대한 거래에서 다른 거래자 범주를 능가한다는 것을 발견했습니다. 더 빠른 데이터 피드를 도입하면 거래 이점이 더욱 향상됩니다. 이러한 결과는 HFT가 시장 역학에 어떻게 영향을 미치고 규제 기관, 시장 참가자 및 학계에 귀중한 통찰력을 제공하는지에 대해 조명합니다.
제 프레젠테이션의 목적 중 일부는 교수진이 수행한 연구를 사람들에게 친숙하게 만드는 것입니다. 주요 주제를 탐구하기 전에 응용 수학자로서 제 자신의 작업에 대한 배경 지식을 제공하고 싶습니다. 내 시간의 약 절반은 불확실성이 있는 상황에서 시간이 지남에 따라 결정을 내리는 것과 관련된 확률적 제어 문제를 탐구하는 데 할애됩니다. 이러한 추상적인 수학적 문제는 상당한 도전을 제기하지만 많은 엔지니어링 및 비즈니스 문제가 유사한 특성을 공유하므로 근본적입니다. 내 연구의 나머지 절반은 금융 공학 분야에서 확률적 제어 문제의 보다 응용적인 측면에 초점을 맞추고 있습니다.
헤지 펀드 매니저로서의 이전 경험을 바탕으로 저는 최적 거래, 시장 미세 구조 및 금융 시장의 고주파 거래에 특별한 관심을 가지고 있습니다. 오늘 저는 현대 전자 시장의 복잡성에 대한 통찰력을 제공하기 위해 이러한 주제에 대해 논의할 것입니다. 당면한 문제를 이해하기 위해서는 지난 5~10년 동안 크게 발전한 미국 주식 시장의 주요 특징을 이해하는 것이 중요합니다.
무엇보다도 전자 거래가 시장을 지배하고 있어 뉴욕 증권 거래소 바닥에 있는 트레이더의 전통적인 이미지가 거의 무의미해졌습니다. 거래는 이제 주로 컴퓨터에서 이루어지며 전자 거래가 교환의 기본 메커니즘입니다. 또 다른 주목할만한 변화는 거래의 분권화 또는 세분화입니다. 과거에는 특정 주식이 주로 나스닥이나 뉴욕 증권 거래소에서 거래되었습니다. 그러나 현재 여러 거래소가 있으며 각각 주식 거래의 상당한 비율을 차지합니다.
이러한 거래소는 시장 참가자가 지정된 가격으로 매수 및 매도 주문을 제출할 수 있는 전자 지정가 주문서로 구성됩니다. 가격이 교차하면 거래가 체결됩니다. 이것은 뉴욕증권거래소의 역사적 딜러 시장이나 전문가 시장 구조와 대조됩니다. 또한 거래의 약 30%가 전자 교차 네트워크, 다크 풀 및 내부화와 같은 대체 장소에서 발생하여 거래의 분산된 특성에 더욱 기여합니다.
현대 시장의 가장 눈에 띄는 특징 중 하나는 참여자의 자동화가 증가하고 있다는 것입니다. 이전에는 인간 거래자가 대량 주문을 처리했지만 이제는 알고리즘과 고주파 거래가 이어졌습니다. 알고리즘 거래를 통해 투자자는 시간이 지남에 따라 거래소 간에 대량 주문을 분할하고 주사위를 던질 수 있으며, 종종 시장 조성자로 분류되는 초단타 거래자는 유동성을 제공합니다. 이러한 최근 추세는 시장을 더욱 복잡하게 만들고 알고리즘 트레이더와 초단타매매 트레이더 간에 예측할 수 없는 상호 작용을 초래했습니다.
이러한 발전은 정책 수준과 개별 참여자 모두에게 중요한 질문을 제기했습니다. 정책 입안자와 규제 당국은 현재 복잡한 시장 구조의 이점과 단점을 평가해야 합니다. 그들은 또한 2010년 5월 6일의 유명한 플래시 크래시와 같은 사건의 발생과 같은 문제를 해결해야 합니다. 여기서 시장 가격은 알고리즘 거래자와 고주파 거래자 사이의 병리학적 상호 작용으로 인해 몇 분 만에 크게 떨어졌습니다.
개별 참가자 수준에서 의사 결정 문제를 해결해야 합니다. 시장의 복잡성과 예측 불가능성을 고려할 때 참가자는 자신의 거래 전략에 가장 효과적인 접근 방식을 결정해야 합니다. 이러한 맥락에서 나는 초단타매매 및 시장 미세구조와 관련된 두 가지 특정 문제, 즉 대기 시간의 중요성 이해와 시장에서 다크 풀의 역할 조사에 대한 연구를 수행했습니다.
대기 시간은 거래 결정과 실행 사이의 지연을 나타냅니다. 낮은 대기 시간으로 빠르게 거래할 수 있는 능력이 점점 더 중요해지고 있습니다. 대기 시간과 관련된 가치와 비용을 평가하려면 거래 결정에서 그 중요성을 평가해야 합니다. 수년에 걸쳐 미국 주식 시장의 대기 시간은 극적으로 감소했으며 현재 거래는 마이크로초 단위로 이루어지고 있습니다. 이러한 기술 발전은 초단타 거래자와 더 빠른 체결을 원하는 사람들의 요구에 의해 주도되었습니다.
대기 시간의 중요성을 이해하면 추가 질문이 제기됩니다. 짧은 대기 시간이 최신 정보로 의사 결정을 내리는 데 도움이 됩니까? 경쟁사보다 빠르다는 것이 이익 확보에 유리합니까? 또한 거래소의 규칙과 조직은 종종 초기 진입을 우선시하여 대기 시간이 짧은 거래자에게 이점을 제공합니다. 이것은 공정성과 시장 기회에 대한 평등한 접근에 대한 우려를 제기합니다.
이러한 질문을 해결하기 위해 제 연구에는 고주파 거래의 역학과 거래 전략에 대한 대기 시간의 영향을 포착하는 수학적 모델 개발이 포함됩니다. 다양한 시나리오를 시뮬레이션하고 결과를 분석하여 거래 결정에서 속도와 정확성 사이의 최적의 균형에 대한 통찰력을 제공하는 것을 목표로 합니다. 이 연구는 헤지 펀드 또는 기관 투자자와 같은 시장 참여자가 경쟁이 치열한 환경에서 성과를 극대화할 수 있는 거래 알고리즘 및 인프라를 설계하는 데 도움이 될 수 있습니다.
내 연구의 또 다른 영역은 현대 시장에서 다크 풀의 역할에 초점을 맞추고 있습니다. 다크 풀은 참가자가 공개 시장에서 벗어나 익명으로 대규모 거래를 실행할 수 있는 비공개 거래 장소입니다. 이러한 대체 장소는 시장 영향을 최소화하고 거래량이 많은 기관 투자자의 실행 품질을 향상시킬 수 있는 잠재력으로 인해 인기를 얻었습니다.
그러나 다크 풀의 부상은 시장 투명성과 공정성에 대한 우려를 불러일으켰습니다. 비평가들은 이러한 장소의 투명성 부족이 정보 비대칭을 만들고 가격 발견에 부정적인 영향을 미칠 수 있다고 주장합니다. 또한 고주파 거래자가 자신의 이익을 위해 다크 풀의 사전 거래 투명성 부족을 악용하는 경우가 있습니다.
내 연구에서 나는 다크 풀이 시장 유동성, 가격 형성 및 시장 참여자의 행동에 미치는 영향을 조사합니다. 수학적 모델을 개발하고 경험적 분석을 수행함으로써 나는 다크 풀 거래와 관련된 이점과 단점을 이해하는 것을 목표로 합니다. 이 연구는 다크 풀의 규제 및 감독에 대한 지속적인 논쟁에 기여하고 시장 참가자가 거래 전략에 대해 정보에 입각한 결정을 내리는 데 도움이 될 수 있습니다.
결론적으로 오늘 제 프레젠테이션은 특히 고주파 거래, 시장 미세 구조, 대기 시간 및 다크 풀에 중점을 둔 금융 공학 분야의 연구에 대한 개요를 제공합니다. 이러한 주제를 탐구함으로써 현대 전자 시장의 복잡성과 이들이 시장 참여자와 규제 기관에 제시하는 문제를 조명하는 것을 목표로 합니다. 수학적 모델링, 시뮬레이션 및 실증적 분석을 통해 저의 연구는 귀중한 통찰력을 제공하고 금융 시장 분야의 지속적인 토론과 발전에 기여하는 것을 목표로 합니다.
또한 제 연구의 또 다른 측면은 규제 정책이 금융 시장에 미치는 영향에 관한 것입니다. 규제 기관은 시장 무결성, 안정성 및 투자자 보호를 보장하는 데 중요한 역할을 합니다. 그러나 규정의 설계 및 구현은 의도하지 않은 결과를 초래하고 시장 역학에 영향을 미칠 수 있습니다.
내 연구의 초점 영역 중 하나는 규제 발표에 대한 시장 반응을 조사하는 것입니다. 과거 데이터를 분석하고 이벤트 연구를 수행하여 거래자 및 투자자와 같은 시장 참여자가 규제 변화에 대응하여 전략과 포지션을 어떻게 조정하는지 조사합니다. 이 연구는 시장 유동성, 변동성 및 전반적인 효율성에 대한 규제의 즉각적이고 장기적인 영향을 이해하는 데 도움이 됩니다.
또한 의도한 목표를 달성하는 데 있어 다양한 규제 조치의 효과를 탐구합니다. 예를 들어 극단적인 시장 변동 중에 일시적으로 거래를 중단하도록 설계된 메커니즘인 서킷 브레이커가 시장 안정성에 미치는 영향을 연구합니다. 과거 시장 데이터를 분석하고 시뮬레이션을 수행하여 서킷 브레이커가 시장 충돌을 효과적으로 예방하거나 악화시키는지 평가합니다.
또 다른 관심 분야는 금융 시장의 시스템적 위험을 줄이기 위한 규제 검토입니다. 여기에는 자본 요구 사항, 스트레스 테스트 및 은행의 독점 거래 제한과 같은 조치의 영향 분석이 포함됩니다. 이러한 규제가 금융 시스템의 안정성에 미치는 영향을 연구함으로써 규제의 효과와 잠재적인 의도하지 않은 결과에 대한 통찰력을 제공하는 것을 목표로 합니다.
또한 특히 블록체인 및 암호화폐와 같은 신흥 기술의 맥락에서 기술과 규제의 교차점을 탐구합니다. 이러한 기술은 기존 금융 시스템을 방해하고 새로운 위험을 초래할 수 있으므로 규제 기관에 고유한 문제와 기회를 제공합니다. 이 분야에 대한 나의 연구는 이러한 기술의 규제 영향을 이해하고 시장 무결성과 투자자 보호를 보장하면서 혁신을 촉진할 수 있는 잠재적인 프레임워크를 탐색하는 데 중점을 둡니다.
금융 공학에 대한 나의 연구는 규제 정책의 영향, 규제 변화에 대한 시장 반응, 기술과 규제의 교차점을 포함하여 광범위한 주제를 포괄합니다. 엄격한 분석, 수학적 모델링 및 경험적 연구를 통해 저는 금융 시장의 기능에 대한 귀중한 통찰력을 제공하고 효과적이고 정보에 입각한 규제 프레임워크 개발에 기여하기 위해 노력합니다.
On November 13, 2012, Ciamac Moallemi, Associate Professor of Decision, Risk, and Operations at Columbia Business School, presented High-Frequency Trading an...
이 자리에 오게 되어 기쁘고 와주신 모든 분들께 감사드립니다. 모두가 이 주제에 열광하는 모습을 보니 기쁩니다. 오늘은 헤지펀드에서 일반적으로 사용하는 구체적인 퀀트 전략에 대해 말씀드리겠습니다. 이 전략은 종종 상당한 영향력으로 구현되며 Sunnah Reyes 교수와 Wong 교수가 다루고 있는 주제를 보완합니다. 제 목표는 퀀트 투자의 개념을 소개하고 이 특정 전략에 대한 통찰력을 제공하는 것입니다.
또한 가격 모멘텀의 원인과 시장에서 발생하는 현상을 이해하기 위한 연구를 진행하고 있습니다. 저는 주로 투자자의 불완전한 정보 처리로 인해 시장이 완전히 효율적이지 않다고 주장합니다. 따라서 나는 모멘텀의 특성을 탐구하고 근본적인 원인에 대한 몇 가지 생각을 제공할 것입니다.
최근에 나는 업계에서 주목할만한 인물인 Cliff Asness가 등장하는 Bloomberg 잡지의 기사를 접했습니다. 그의 회사는 주로 모멘텀으로 인해 과거에 도전에 직면했습니다. 나는 이것이 오늘 우리의 토론과 특히 관련이 있다고 생각합니다. 사실 Asness와 그의 회사는 추진력을 포기하지 않았습니다. 그들은 헤지 펀드 노력 외에도 AQR Momentum Fund라는 뮤추얼 펀드를 출시했습니다.
뮤추얼 펀드 및 헤지 펀드와 함께 AQR은 수학적 규칙을 사용하여 특정 편향으로 다양한 포트폴리오를 구성합니다. 모멘텀의 경우 승자에게 투자하고 패자를 파는 데 집중한다. 오늘은 이 전략에 대해 자세히 알아보겠습니다. 그러나 구체적인 내용을 살펴보기 전에 Asness, Moskowitz 및 Patterson의 연구 논문에서 얻은 몇 가지 통찰력을 공유하고 싶습니다. 이 백서는 다양한 자산군에 걸친 모멘텀의 존재를 조사합니다.
그들의 연구 결과에 따르면 모멘텀은 역사적으로 미국, 영국, 유럽 대륙을 포함한 다양한 지역에서 좋은 성과를 거두었습니다. 그러나 일본에서는 같은 긍정적인 결과를 얻지 못했습니다. 또한 이 연구는 각 영역에서 다양한 성공 정도와 함께 주식 국가 선택, 채권 국가 선택, 외화 및 상품의 모멘텀을 탐구합니다.
그렇다면 모멘텀을 이끌어내는 것은 무엇일까요? 나의 예비 작업과 이론을 바탕으로 가장 설득력 있는 설명은 투자자의 정보 처리에 관한 것입니다. 투자자는 새로운 정보를 접할 때 상황이 상대적으로 변하지 않을 것이라고 가정하는 현상 유지 편향을 보이는 경향이 있습니다. 그들은 정보에 대한 반응으로 약간의 가격 변동을 예상하지만 그 영향을 완전히 이해하지는 못합니다. 결과적으로 가격은 약간 움직이지만 정보가 가격에 완전히 반영되기까지는 보통 1년 정도의 시간이 걸립니다.
금융 시장의 맥락에서 정보와 연결된 가격 움직임을 관찰하면 모멘텀이 계속될 가능성이 높습니다. 이러한 가격 움직임의 지속성은 특정 방향으로 특정 속도로 움직이는 물체가 외부 힘이 작용하지 않는 한 계속 움직이는 경향이 있는 물리학의 모멘텀 개념과 일치합니다.
이제 모멘텀 전략을 구성하는 방법을 살펴보겠습니다. AQR의 접근 방식과 유사한 간단한 모멘텀 전략을 구현하려고 한다고 가정합니다. 다음은 단계별 안내입니다. 특정 월 초부터 시작하여 지난 12개월에서 한 달 전까지 NYSE, Amex 및 NASDAQ에 상장된 모든 주식의 월별 수익률을 계산합니다. 수익률을 기준으로 주식의 순위를 매기고 상위 10%를 승자로, 하위 10%를 패자로 식별합니다. 시가 총액에 따라 가중치가 부여된 승자로 구성된 포트폴리오를 구성합니다. 마찬가지로 1달러 상당의 손실 주식을 공매도하여 롱숏 포트폴리오를 구성하십시오. 형성 기간 수익 및 순위를 업데이트하여 매월 초에 포트폴리오의 균형을 재조정하십시오.
이 전략은 최근 수익률이 비슷할 가능성이 높기 때문에 상대적으로 회전율이 낮은 포트폴리오를 만듭니다. 그러나 기간을 12개월로 연장하면 수익이 크게 달라지기 시작합니다.
이제 1949년부터 2007년까지 이 전략의 성과를 평가해 보겠습니다. 국채에 대한 투자는 연간 평균 초과 수익률이 16.5%로 상당한 수준입니다. 이는 승자를 매수하고 패자를 매도하는 모멘텀 전략이 장기적으로 수익성이 높다는 것을 나타냅니다.
이제 이 초과 수익률이 다른 기간에 걸쳐 일관성이 있는지 궁금할 것입니다. 이를 검토하기 위해 데이터를 서로 다른 수십 년으로 분류하고 모멘텀이 어떻게 수행되는지 살펴보겠습니다. 다음은 각 10년에 대한 초과 수익입니다.
1950년대: 13.5%
1960년대: 14.7%
1970년대: 14.3%
1980년대: 13.7%
1990년대: 9.4%
2000년대: 13.1%
보시다시피 모멘텀은 규모는 다르지만 매 10년마다 플러스 초과 수익률을 가져왔습니다. 1990년대는 다른 10년에 비해 초과수익률이 상대적으로 낮았지만 여전히 긍정적이었다는 점은 주목할 만하다.
그렇다면 모멘텀이 수익성 있는 전략으로 지속되는 이유는 무엇일까요? 한 가지 설명은 투자자들이 새로운 정보에 과소 반응하는 경향이 있어 가격이 느리게 조정된다는 것입니다. 결과적으로 긍정적인 수익을 경험한 주식은 가격이 모든 이용 가능한 정보를 완전히 반영하지 않았기 때문에 계속해서 아웃퍼폼합니다. 이 지연된 조정은 투자자가 모멘텀을 타고 이익을 얻을 수 있는 기회를 제공합니다.
모멘텀이 일관된 수익성을 보여주었지만 그것이 위험이 없다는 것을 의미하지는 않는다는 점을 언급하는 것이 중요합니다. 다른 투자 전략과 마찬가지로 고유한 위험과 과제가 있습니다. 시장 상황은 변할 수 있으며 과거 실적이 미래 결과를 보장하지 않습니다. 따라서 모멘텀 기반 투자 방식을 시행할 때 철저한 분석, 위험 관리 및 지속적인 모니터링이 중요합니다.
결론적으로, 승자를 매수하고 패자를 매도하는 모멘텀 전략은 역사적으로 금융 시장에서 상당한 초과 수익을 창출해 왔습니다. 수십 년 동안 수익률의 변동에도 불구하고 모멘텀은 전반적으로 수익성 있는 전략으로 남아 있습니다. 그러나 투자자는 이 전략을 투자 접근 방식에 통합하기 전에 주의를 기울이고 다양한 요소를 고려해야 합니다.
On November 9, 2010, Kent Daniel, professor of Finance and Economics at Columbia Business School, presented Price Momentum. The presentation was part of the ...
좋아요, 코스타스, 초대해주셔서 감사합니다. 또한 내가 발표할 토론에 대한 귀중한 맥락을 제공하는 통찰력 있는 연설을 해준 Eric에게도 감사를 표하고 싶습니다. 오늘 저는 이러한 거래소의 다른 쪽에서 운영하고 고주파 거래자(HFT) 및 기타 상대방을 다루는 경험에 초점을 맞출 것입니다. 저는 제 이야기가 게임 이론을 명시적으로 다루지는 않을 것임을 분명히 하고 싶습니다. 그러나 지난 12년 동안 월스트리트에서 Quantitative Trading Group과 함께 일한 경험을 바탕으로 실질적인 측면을 탐구할 것입니다.
무엇보다 먼저 제가 논의할 모든 작업의 공동 저자인 제 거래 파트너인 By Vaca에게 특별한 감사를 전하고 싶습니다. 우리의 연구와 통찰력은 거래 그룹 내의 독점적인 상업적 맥락에서 나왔습니다. 내가 강조할 측면은 우리가 시간이 지남에 따라 과학적으로 흥미로워하는 비독점적 요소입니다.
월가는 의심할 여지 없이 기술적으로나 사회적으로 흥미로운 곳입니다. 자동화와 풍부한 데이터로 인해 상당한 변화를 목격했습니다. 이러한 변화로 인해 학습 기반 접근 방식, 특히 기계 학습이 필요한 수많은 거래 문제가 발생했습니다. 인간의 이해를 넘어서는 시간적, 공간적 규모로 방대한 양의 데이터를 사용할 수 있게 되면서 알고리즘은 거래에서 없어서는 안 될 존재가 되었습니다. 이러한 알고리즘은 합리적인 거래 결정을 내리기 위해 최근 데이터를 포함한 과거 데이터에 적응하고 훈련되어야 합니다.
프레젠테이션에서 나는 현대 전자 시장 내에서 알고리즘 거래에서 발생하는 세 가지 특정 문제 영역을 간략하게 설명할 것입니다. 이러한 삽화 또는 사례 연구는 알고리즘 문제를 조명하고 새로운 기술을 사용하여 문제를 해결하는 방법에 대한 힌트를 제공합니다.
처음 두 가지 문제는 최적화된 실행에 관한 것입니다. 특정 수량의 주식을 사든 팔든 거래를 실행할 때 즉시성과 가격 사이에는 트레이드 오프가 있습니다. 거래를 신속하게 실행하여 가격에 영향을 주지만 일시적인 정보 이점을 활용할 수 있습니다. 반면에 시장이 더 오랜 기간 동안 원하는 가격에 수렴할 수 있도록 더 여유로운 접근 방식을 취할 수 있습니다. 나는 이러한 장단점을 탐구하고 전자 시장에서 직면한 문제를 보여주는 구체적인 사례를 제시할 것입니다.
세 번째 문제는 평균 분산 최적화와 같은 고전적인 포트폴리오 최적화의 알고리즘 버전과 관련이 있습니다. 여기에는 위험이나 변동성을 고려하면서 수익을 극대화하는 다양한 포트폴리오를 보유하는 것이 포함됩니다. 본질적으로 알고리즘이지만 이 문제는 기존 포트폴리오 최적화 접근 방식과 연결됩니다.
앞서 Eric이 설명한 것처럼 지속적인 이중 지정가 주문 경매가 이러한 도전의 배경이 된다는 점은 주목할 가치가 있습니다. 플래시 크래시의 이미지와 초단타매매에 관한 Michael Lewis의 책은 우리가 현재 월스트리트에서 경험하고 있는 흥미롭고 역동적인 시대를 강조합니다. 고주파 거래를 포함한 모든 거래 활동에 대해 도덕적인 판단을 내릴 생각은 없지만, 전통적인 통계적 주식 거래 프레임워크 내에서 운영되는 양적 거래 그룹의 관점에서 현대 전자 시장에서 직면한 알고리즘 문제를 설명하는 것을 목표로 합니다.
우리 트레이딩 그룹은 국내 및 국제 시장의 다양한 유동성 상품을 포괄하는 장단기 주식 거래를 전문으로 합니다. 포지션을 헤지하기 위해 복잡한 파생 상품을 피하고 선물만 사용합니다. 상대적으로 단순한 시장과 상품에서의 거래에도 불구하고 월스트리트에서 데이터의 자동화 및 가용성이 높아지면서 종종 기계 학습을 사용하는 학습 접근 방식이 필요한 다양한 거래 문제가 발생했습니다.
그건 그렇고, 이것의 한 가지 예는 한 분석가가 주식에 대한 자신의 견해를 업그레이드할 때 다른 분석가가 동일한 주식에 대한 견해를 빠르게 연속적으로 업그레이드하는 경향이 있다는 것을 종종 관찰한다는 것입니다. 따라서 이것이 실제로 신선한 뉴스인지 아니면 단순히 다른 기본 뉴스가 시장에 진입한 결과인지 판단해야 합니다. 이러한 경우 이 정보를 기반으로 거래하는 것이 바람직하지 않을 수 있습니다.
자, 마지막에 질문 시간을 포기하지 않고 나머지 책을 구입하려는 이유에 대한 귀하의 질문에 대해 두 가지 답변이 있습니다. 첫째, 우리가 알고리즘 트레이딩 데스크를 갖춘 Bank of America와 같은 중개 회사라면 고객의 지시에 따라 거래를 실행합니다. 그들은 특정 기간 내에 얼마나 많은 주식을 매수해야 하는지에 대한 지침을 제공합니다. 프로세스 중에 확인을 요청하지 않습니다. 둘째, 사용 가능한 정보를 기반으로 적절한 구매량을 결정하기 위해 전략을 최적화했습니다. 이 거래량은 일반적으로 주식 가격에 큰 영향을 미치지 않고 거래할 수 있는 최대 거래량입니다. 귀하가 제안한 접근 방식을 구현하는 것이 가능하지만 복잡한 거래 세계에서 의사 결정을 단순화하기 위해 관련된 매개 변수의 수를 최소화하는 것이 좋습니다.
테스트 프로세스와 관련하여 연구 후 6개월 동안 실시간 테스트를 실시합니다. 이를 통해 실제 시장 조건에서 모델의 성능을 평가할 수 있습니다. 그러나 모델 자체는 테스트 단계에서 기록 데이터를 사용합니다.
사람들에게 우리의 정책을 설명할 때, 우리는 눈으로 보는 것보다 경험적인 접근에 주로 의존합니다. 이 특정 문제에서 분별 있는 행동을 구성하는 것이 무엇인지는 분명합니다. 효과적인 이유에 대한 명확한 이해 없이 잘 작동하는 전략을 다룰 때 문제가 발생합니다. 그러한 경우, 우리는 때때로 인류학적 관점에서 문제에 접근하여 특정 거래의 일관된 수익성 뒤에 있는 이유를 이해하려고 노력합니다.
우리는 우리가 배우는 것의 복잡성이 해석의 측면에서 도전을 제기한다는 것을 인정합니다. 특정 상태 변수에서 일관된 예측력을 식별할 수 있지만 세부적인 수준에서 근본적인 이유를 이해하는 것은 매우 어렵습니다. 특히 초단타매매에서 금융 시장의 미세 구조적 특성은 정상적인 인간의 이해를 능가하는 거래량과 데이터 속도를 포함합니다. 따라서 일관된 성능을 보장하기 위해 신중한 교육 및 테스트 방법론에 중점을 둡니다.
실험에서 오더북의 다양한 기능과 성능에 미치는 영향을 살펴보았습니다. 예를 들어 입찰-매도 스프레드를 상태 공간에 통합하는 것은 거래 실행을 최적화하는 데 가치가 있음이 입증되었습니다. 그러나 모든 기능이 동일한 이점을 제공하는 것은 아니며 일부 변수는 과적합으로 인해 성능에 부정적인 영향을 미칠 수도 있습니다. 가장 유용한 기능을 선택함으로써 우리는 제어 이론적 접근 방식을 통해 달성한 35% 개선에 추가로 13% 개선을 달성했습니다.
우리는 솔루션을 실험적으로 평가해 왔지만 지금 당장은 세부 사항을 조사할 시간이 없습니다. 그러나 만화 모델을 사용하여 유동성에 대한 간단한 설명을 제공할 수 있습니다. 대체 거래 장소인 다양한 다크 풀은 다양한 시간과 다양한 주식에 대해 다양한 유동성 속성을 나타냅니다.
지정가 주문장이든 다크 풀이든 새로운 거래소가 등장하면 특정 주식 클래스에 대해 특혜, 리베이트 또는 수수료를 제공하여 시장에서 자리를 잡으려고 하는 경우가 많습니다. 그들은 특정 유형의 주식을 거래하기 위해 선호하는 다크 풀로 자신을 홍보합니다. 결과적으로 해당 주식에 관심이 있는 거래자들은 특정 다크 풀에 이끌려 유동성을 창출합니다. 대조적으로, 다른 다크 풀은 유동성 프로필이 다를 수 있으며 많은 거래 활동을 유치하지 못할 수 있습니다.
이 개념을 시각화하기 위해 고정된 확률 분포로 표시되는 특정 주식에 대한 고유한 유동성 프로필을 갖는 각 다크 풀을 상상해 보십시오. x축은 공유 수를 나타내고 y축은 각 개별 시간 단계에서 실행할 수 있는 공유를 찾을 확률을 나타냅니다. 거래 주문을 다크 풀에 제출하면 이 분포에서 특정 시간 단계에서 거래하려는 거래 상대방의 양을 나타내는 숫자가 추출됩니다. 실행된 볼륨은 그려진 볼륨(s)과 요청된 볼륨(vns) 중 최소값으로 결정되며 필요한 경우 부분 실행을 보장합니다.
이제 부분 실행이 발생할 때 어떻게 유동성 곡선이 감소하지 않을 수 있는지 궁금할 것입니다. 유동성 곡선은 단순히 특정 범위 내에서 사용 가능한 거래량을 찾을 가능성을 나타냅니다. 볼륨이 작을수록 실행에 사용할 가능성이 높고 볼륨이 클수록 가능성이 낮음을 보여줍니다. 부분 실행은 단순히 실행된 볼륨이 요청된 볼륨보다 적다는 것을 의미하지만 유동성 곡선의 전체 모양에는 영향을 미치지 않습니다.
다크 풀의 확산은 흥미로운 현상입니다. 시장 균형과 이러한 장소 간의 경쟁에 대한 질문을 제기합니다. 시장이 궁극적으로 통합되어 소수의 다크 풀이 지배하게 될지는 여전히 불확실합니다. 금융 시장의 규제 완화로 여러 거래소가 동시에 운영될 수 있게 된 이후로 지속적인 이중 경매에서 유사한 역학 관계가 관찰되었습니다. 규제 환경과 신생 기업이 새로운 메커니즘을 제안할 수 있는 능력은 시장 구조의 복잡성에 기여합니다.
이 연구와 Eric의 논문 사이의 연관성을 고려하면 서로 다른 시장 구조, 알고리즘 간의 상호 작용 및 시장 안정성과 세분화에 미치는 영향을 탐색할 수 있습니다. 유사한 알고리즘을 사용하는 여러 플레이어가 관련된 시나리오를 시뮬레이션함으로써 계산 결과를 조사하고 시장 구조 및 알고리즘 다양성이 가격 및 기타 규제 문제에 어떤 영향을 미치는지 연구할 수 있습니다. 이러한 연구 노력의 조합은 시장 구조, 알고리즘 거래 및 시장 안정성 사이의 복잡한 관계에 대한 귀중한 통찰력을 얻을 수 있습니다.
또한 서로 다른 알고리즘과 시장 구조 사이의 상호 작용 및 이들이 시장 역학을 형성하는 방식과 같은 보다 정교한 질문을 탐구할 수 있습니다. 다양한 시장 시나리오를 검토하여 안정성을 달성하고 파편화 문제를 해결하기 위한 다양한 시장 구조 및 알고리즘의 적합성을 분석할 수 있습니다.
금융 시장의 진화는 특정 측면의 자동화로 이어져 종종 유용한 인적 요소를 대체했습니다. 그러나 기능을 복제하고 향상시키기 위해 새로운 전자 메커니즘이 도입되었습니다. 이러한 역학 관계를 이해하고 그에 따라 전략을 조정하면 현대 금융 시장의 복잡성을 탐색할 수 있습니다.
제 강연은 현대 전자 금융 시장 거래에 내재된 알고리즘 문제에 대해 밝힐 것입니다. 내가 제시할 세 가지 사례 연구는 최적화된 실행 및 알고리즘 포트폴리오 최적화에서 직면하는 복잡성과 장단점을 강조합니다. 시간 제약으로 인해 모든 주제를 완전히 다루지 못할 수도 있지만 이러한 영역에 대한 귀중한 통찰력을 제공하고자 합니다.
시뮬레이션과 전산 분석은 알고리즘 거래의 잠재적인 결과를 이해할 수 있는 방법을 제공하지만 추상적 모델링과 실제 관련성 사이의 균형을 맞추는 것이 필수적입니다. 문제는 특히 복잡하고 끊임없이 진화하는 금융 시장 환경에서 실질적인 관련성을 희생하지 않고 어떤 세부 사항이 중요하고 안전하게 간과할 수 있는지 식별하는 데 있습니다.
대단히 감사합니다, 코스타스. 이 강연은 저에게 다소 파격적일 것입니다. 하지만 저는 그것이 이 컨퍼런스의 정신과 열린 방향이라는 주제와 일치하기를 바랍니다. 이는 금융 거래소의 설계, 특히 연속 지정가 주문장으로 알려진 일반적인 설계와 관련이 있습니다. 저는 최근에 Peter Crampton 및 John Shimm과 함께 작업한 현재 금융 거래소 설계의 경제적 결함을 강조하는 논문에 대해 논의하는 것으로 시작하겠습니다. 이 결함은 고주파 거래의 부정적인 측면에 기여한다고 주장합니다.
강연의 첫 번째 부분은 이 문서를 다룰 것인데, 여러분 중 일부에게는 친숙할 수 있지만 대부분은 그렇지 않을 것입니다. 이산 시간 거래 또는 빈번한 일괄 경매라는 대안적인 접근 방식에 대한 경제적 사례를 제시합니다. 우리 논문은 전 세계적으로 널리 사용되는 연속 지정가 주문서가 초단타매매와 관련된 다양한 문제로 이어지는 구조적 결함을 겪고 있다고 제안합니다. 이전에 여러 번 제시된 것처럼 이 부분의 압축되고 접근 가능한 버전을 제시하겠습니다.
강연의 두 번째와 세 번째 부분은 금융 거래의 설계에 관한 열린 질문과 연구 방향을 탐구할 것입니다. 이러한 조사 영역은 경제학과 컴퓨터 과학의 교차점에 있습니다. 이후 섹션에서는 현재 시장 설계와 비교하여 이산 시간 거래의 계산상의 이점에 대해 정리나 데이터가 없는 정성적 주장을 제시하는 Quarterly Journal of Economics 논문의 뒷면에 있는 두 페이지 분량의 부분에 대해 논의할 것입니다. . 이 토론은 수많은 질문을 제기하고 추가 탐구를 자극하는 것을 목표로 합니다.
강연의 뒷부분은 내가 익숙했던 것보다 덜 형식적이지만 열린 질문을 제기하고 향후 연구를 위한 의제를 설정하는 데 중요하다고 생각합니다. 이는 경제학과 컴퓨터 과학의 교차점에 대한 탐구를 장려하고 향후 탐구를 위한 유익한 방향을 제안하는 이 회의의 목적과 일치합니다.
이제 이산 시간 거래의 경제적 사례와 연속 지정가 주문장에 비해 장점을 살펴보겠습니다. 이에 대해 자세히 설명하겠습니다. 연속 지정가 주문서는 매일 수조 달러의 경제 활동을 처리하는 시장 설계입니다. 증권의 가격, 수량 및 방향(매수 또는 매도)을 지정하는 지정가 주문을 기반으로 작동합니다. 시장 참가자는 하루 종일 지정가 주문을 제출, 취소 또는 수정할 수 있으며 이러한 메시지는 거래소로 전송됩니다.
새로운 요청이 지정가 주문서의 기존 주문과 일치하면 거래가 발생합니다. 예를 들어, 미결 매도 제안보다 가격이 같거나 높은 매수 요청은 거래로 이어집니다. 이것이 연속 지정가 주문서의 기본 기능입니다.
그러나 우리의 연구에 따르면 이러한 시장 디자인에는 내재된 결함이 있습니다. 한 가지 중요한 문제는 우리가 "저격"이라고 부르는 것입니다. 공개된 정보나 시그널에 변화가 있을 때 유동성 공급을 담당하는 트레이딩 회사는 이에 따라 호가를 조정합니다. 그들은 이전 입찰을 취소하거나 요청하고 업데이트된 정보를 반영하는 새 입찰로 교체합니다. 이제 내가 견적을 조정하는 이러한 무역 회사 중 하나라고 가정합니다. 동시에 Thomas와 같은 다른 사람들도 교체되기 전에 이전 호가에서 거래하라는 메시지를 거래소에 보냅니다.
시장은 이러한 메시지를 연속적인 시간과 일련의 순서로 처리하기 때문에 어떤 메시지가 먼저 거래소에 도달하는지는 임의적입니다. 여러 거래 회사가 새로운 정보에 동시에 반응하는 경우 Thomas 또는 다른 참가자의 요청이 내 것보다 먼저 처리되어 이전 가격으로 거래할 수 있습니다. 이러한 저격 현상은 문제가 있으며 몇 가지 의미를 내포합니다.
첫째, 효율적인 시장에서는 일어날 수 없는 대칭적 공개 정보를 기반으로 한 기계적 차익 거래 기회를 가능하게 합니다. 둘째, 그러한 차익 거래 기회로부터의 이익은 유동성 공급을 희생하여 발생합니다. 스나이퍼가 이전 가격에서 성공적으로 거래를 실행함에 따라 유동성 공급 거래 회사는 견적을 신속하게 조정하는 것을 주저하게 됩니다. 이러한 망설임은 저격 당하고 잠재적인 이익을 잃을 수 있다는 두려움에서 비롯됩니다. 결과적으로 유동성 공급자가 새로운 정보에 대한 응답으로 시세를 업데이트하려는 의지가 줄어들면서 시장의 효율성이 떨어집니다.
연속 지정가 주문서의 또 다른 문제는 주문 예상 가능성입니다. 이 시나리오에서 거래자는 새로운 지정가 주문의 도착을 관찰하고 미래의 거래를 예상하여 선제적으로 견적을 조정합니다. 이러한 행동은 거래자들이 서로에 대한 반응으로 지속적으로 견적을 조정하여 시장에 불필요한 변동성과 불안정성을 야기하는 계단식 효과로 이어질 수 있습니다.
이러한 결함을 해결하기 위해 본 논문에서는 이산 시간 거래 또는 빈번한 배치 경매로 알려진 대체 시장 설계를 제안합니다. 이 디자인에서는 연속 시간에 주문을 처리하는 대신 시장이 이산 시간 간격 또는 배치로 작동합니다. 각 배치 동안 시장 참가자는 지정가 주문을 제출할 수 있으며 배치가 끝나면 시장이 청산되고 단일 균일 가격으로 거래가 실행됩니다.
불연속 거래를 도입함으로써 스나이핑 및 주문 예상 문제를 제거합니다. 배치 내에서 제출된 모든 주문이 동시에 처리되기 때문에 주문 실행에 임의성이 없습니다. 거래자는 자신의 주문이 동일한 배치 내의 다른 참가자와 동일한 가격으로 실행될 것이라고 확신할 수 있으므로 공정성을 보장하고 스나이핑에 대한 인센티브를 줄일 수 있습니다.
또한 빈번한 배치 경매는 안정성을 촉진하고 시장의 불필요한 변동성을 줄입니다. 트레이더는 더 이상 들어오는 모든 주문에 대응하여 견적을 지속적으로 조정할 필요가 없습니다. 대신 정보를 분석하고 정보에 입각한 거래 결정을 내리는 데 집중할 수 있습니다. 주문이 일괄 처리가 끝날 때 공정한 가격으로 실행될 것임을 알고 있기 때문입니다.
금융 시장에 투자하려면 종종 거래가 발생하기까지 일정량의 대기 시간이 필요합니다. 이 대기 시간이 중요한 비용인지 또는 중요하지 않은 비용인지에 대해 사람마다 의견이 다를 수 있습니다. 예를 들어, 당신이 100만분의 1초 더 빠른 것과 같이 거래를 실행하는 데 나보다 약간 더 빠르다면 그 시간 프레임 내에서 뉴스 이벤트에 대해 조치를 취하는 데 유리할 수 있습니다. 반면 조금 느린 속도로 인해 연기할 기회를 놓칠 수도 있다. 이 속도 이점은 종종 연속 시장에서 속도 차이(Delta)와 배치 간격(tau)의 비율로 측정됩니다.
이산 시장에서 나보다 조금 더 빠르다면 경매 기반 경쟁 때문에 항상 특정 시간 간격(Delta over tau)에서 나를 "저격"할 수 있습니다. 그러나 당신과 몇몇 다른 거래자들이 모두 나보다 조금 더 빠르다면 우리는 속도만으로 경쟁하는 대신 나와 거래하기 위해 경매에서 경쟁해야 할 것입니다. 이것은 서로 다른 시장이 이 동기화된 시계 접근 방식을 균일하게 채택하는지 또는 관련된 실질적인 문제가 있는지에 대한 질문을 제기합니다.
현재 연속 시장에서는 서로 다른 거래소 간에 가격 변동이 동시에 발생하지 않기 때문에 단일 가격의 법칙이 지속적으로 위반된다는 점에 유의해야 합니다. 이 위반은 사람의 관찰이나 사용 가능한 연구 데이터로는 쉽게 감지할 수 없습니다. 그러나 여러 거래소가 동시에 빈번한 일괄 경매를 채택한다면 일가의 법칙 위반을 보다 쉽게 적발할 수 있을 것이다. 이것은 반드시 한 접근 방식이 더 좋다거나 나쁘다는 것을 의미하는 것이 아니라 데이터가 더 명확한 통찰력을 제공한다는 것을 의미합니다.
단일 거래소가 개별 시장으로 전환되고 다른 시장은 계속 유지되는 경우 해당 거래소는 지연 차익 거래를 제거하고 유동성 제공에 대한 세금을 제거합니다. 경제적 의미에서 이것은 시간이 지남에 따라 개별 시장 교환에 이점을 줄 수 있습니다. 그러나 현재 시장 설계에서 혜택을 받는 기존 거래소의 기득권, 새로운 시장, 규제 모호성, 기득권을 시작하는 데 어려움이 있습니다.
지속적인 시간 교환을 유지하면서 모든 주문에 대기 시간을 도입하려는 IEX의 제안과 관련하여 수신 및 발신 주문을 특정 시간 간격으로 지연시키는 방식으로 작동합니다. IEX는 순식간에 시장의 변화를 모니터링하고 그에 따라 가격을 조정합니다. 그러나 설계의 잠재적인 약점은 외부 소스에서 가격 정보에 액세스하는 데 의존한다는 것입니다. 이것은 IEX의 접근 방식이 가격 발견에 기여하는지 아니면 단순히 다른 곳의 정보에 의존하는지에 대한 의문을 제기합니다.
반면에 모든 주문에 임의 지연을 도입하면 스나이핑을 효과적으로 처리하지 못할 수 있으며 무한 메시지 트래픽으로 이어질 수 있습니다. 이 문제를 해결하기 위해 제안된 몇 가지 아이디어가 있었지만, 그 중 많은 아이디어를 분석했을 때 효과가 없는 것으로 입증되었습니다. 대조적으로, 우리 논문은 공개 정보에서 임대료를 생성하고 속도 경쟁을 장려하는 시장 설계의 결함에 대한 해결책으로 시간 이산 및 일괄 처리를 제안합니다.
논문에서 논의하는 한 가지 측면은 이산 시간 거래의 계산상의 이점입니다. 현대 금융 시장은 플래시 크래시(flash crash) 및 교환 결함과 같은 다양한 계산 문제에 직면해 있습니다. 불연속 시간은 연속 시간에 비해 계산의 단순성을 제공하며 교환, 알고리즘 거래자 및 규제 기관에 특정한 이점을 제공합니다.
교환의 경우 연속 시간 처리는 백로그 문제로 이어질 수 있으며, 여기서 알고리즘은 활동이 많은 시간 동안 주문 상태와 시장에 대해 불확실합니다. 대조적으로, 불연속 배치 경매는 보다 효율적으로 처리될 수 있으며 최악의 경우 처리 시간에 비해 상대적으로 쿠션 시간을 제공합니다. 이는 거래소가 직면한 불확실성과 백로그 문제를 줄여줍니다.
이산 시간은 또한 교환을 위한 메시지 처리를 단순화하여 다양한 유형의 메시지 배포에 우선 순위를 지정할 필요가 없습니다. 이렇게 하면 정보 비대칭을 악용할 가능성이 줄어듭니다. 또한 이산 시간은 교환을 위한 프로그래밍 환경을 단순화하여 글리치 발생을 잠재적으로 줄이고 전반적인 시스템 안정성을 향상시킵니다.
이산 시간 거래의 또 다른 컴퓨팅 이점은 알고리즘 전략의 분석 및 모델링을 단순화한다는 것입니다. 연속 시간 시장에서 알고리즘 트레이더는 들어오는 데이터에 대한 반응을 실시간으로 최적화해야 하는 문제에 직면해 있습니다. 변화하는 시장 상황을 고려하면서 신속하게 결정을 내려야 합니다. 속도와 지능 사이의 이러한 절충안은 해결해야 할 복잡한 문제입니다.
그러나 이산 시간 거래에서 데이터의 일괄 처리를 통해 알고리즘 트레이더는 고정된 간격으로 분석하고 결정을 내릴 수 있습니다. 예를 들어 배치 간격이 100밀리초로 설정된 경우 거래자는 즉각적인 실행에 대한 압박 없이 철저한 분석에 처음 100밀리초를 할애할 수 있는 사치를 누립니다. 이는 보다 정교하고 정확한 의사 결정 프로세스로 이어질 수 있습니다.
이러한 계산상의 이점에서 연구 문제가 발생합니다. 알고리즘 트레이더는 의사 결정에서 어떻게 속도와 인텔리전스 사이에서 올바른 균형을 맞출 수 있습니까? 시장에서 지능보다 속도를 선호하는 것과 관련된 부정적인 외부 효과가 있습니까? 이산 시간 프레임 워크는 연속 시간 거래에 비해 가격 형성의 정확성을 향상 시키나요?
규제 기관의 경우 이산 시간 거래는 더 깨끗한 종이 추적의 이점을 제공합니다. 연속 시간 시장에서 시계 동기화 및 타임스탬프 조정은 이벤트 시퀀스를 재구성할 때 복잡성을 유발할 수 있습니다. 서로 다른 시장에서 행동의 연대순을 결정하는 것이 어려워집니다. 대조적으로 불연속 거래는 이 프로세스를 단순화하여 시장 활동에 대한 명확하고 정확한 기록을 보다 쉽게 설정할 수 있도록 합니다.
이산 시간 거래에서 깨끗한 서류 추적의 잠재적 이점은 공개 질문입니다. 직관적으로 잘 문서화되고 쉽게 추적 가능한 시장 활동은 투명성과 책임성을 향상시킬 수 있습니다. 그것은 시장 감시를 강화하고 규제 기관이 조작적이거나 불법적인 거래 관행을 보다 효과적으로 식별하고 해결하는 데 도움이 될 수 있습니다.
우리의 연구는 일반적인 연속 지정가 주문장 디자인의 경제적 결함을 강조하고 이산 시간 거래 또는 빈번한 일괄 경매라는 대안 접근 방식을 제시합니다. 이 대체 디자인은 스나이핑 및 주문 예측, 금융 교환의 공정성, 안정성 및 효율성 촉진과 같은 문제를 해결합니다. 이러한 열린 질문과 연구 방향을 탐색함으로써 우리는 금융 거래 설계에 대한 추가 조사를 촉진하고 경제와 컴퓨터 과학 분야를 연결하여 시장 기능과 성능을 향상시키는 것을 목표로 합니다.
이산 시간 거래는 연속 시간 거래에 비해 몇 가지 계산상의 이점을 제공합니다. 교환을 위한 메시지 처리를 단순화하고 계산 병목 현상을 줄이며 보다 정교한 알고리즘 전략을 허용합니다. 또한 규제 기관에 더 깨끗한 문서 추적을 제공하여 시장 감시 및 투명성을 향상시킵니다. 그러나 실제로 이산 시간 거래의 영향과 잠재적인 단점을 탐구하기 위해서는 추가 연구가 필요합니다.
발표자는 거래 업계에서 ChatGPT와 같은 자연어 처리(NLP) 모델을 활용하는 주제에 대해 자세히 살펴보며 뉴스 기사, 소셜 미디어 게시물, 재무제표와 같은 텍스트 소스를 분석하고 이해하는 능력을 강조합니다. 특히 강력한 언어 모델인 ChatGPT는 방대한 양의 금융 데이터를 분석하고 자연스러운 응답을 생성하는 데 매우 적합하여 트레이더가 거래 기회에 대한 대화에 참여할 수 있도록 합니다.
금융 커뮤니티는 ChatGPT가 거래 전략의 개발 및 최적화에 기여할 것으로 기대하며 높은 기대치를 가지고 있습니다. 발표자는 인공 지능(AI), 기계 학습(ML) 및 딥 러닝 간의 차이점을 자세히 설명하고 기계 학습이 인간 행동을 시뮬레이션하고 지능적인 결정을 내리도록 기계를 가르치는 기술을 사용하는 AI의 하위 집합임을 강조합니다.
계속해서 발표자는 거래에서 ML의 일반적인 워크플로우에 대해 논의합니다. 그들은 ML을 통해 기계가 일련의 단계에 따라 데이터에서 학습하고 예측할 수 있다고 설명합니다. 처음에는 품질과 관련성을 보장하기 위해 데이터를 수집하고 사전 처리합니다. 다음으로 원시 데이터를 기계가 이해할 수 있는 의미 있는 속성으로 변환하도록 기능을 설계합니다. 그런 다음 데이터를 훈련 세트와 테스트 세트로 나누고 ML 알고리즘을 사용하여 모델을 구성합니다. 마지막으로 모델은 새로운 데이터에 대해 테스트되며 만족스럽게 수행되면 예측을 수행하고 거래 프로세스를 용이하게 하는 데 사용할 수 있습니다.
ML의 적용을 설명하기 위해 발표자는 금과 같은 자산의 다음 거래일의 고가와 저가를 예측하는 예를 제공합니다. 이 예측은 거래자가 정보에 입각한 결정을 내리고 거래 전략을 개선하는 데 크게 도움이 될 수 있습니다.
또한 발표자는 ChatGPT가 금 가격 예측을 위한 선형 회귀 모델 생성과 같은 거래 문제를 해결하는 데 유용한 도구 역할을 할 수 있는 방법을 탐구합니다. ChatGPT의 접근 방식을 데이터 수집, 정리, 모델 생성, 파이프라인 개발, 라이브 거래 및 지속적인 개선을 포함하는 보다 포괄적인 정량적 접근 방식과 비교합니다. 데이터 준비, 사전 처리, 가격 예측, 전략 및 성능 분석과 같은 문제 해결과 관련된 네 가지 주요 단계를 설명하는 기계 학습 회귀 코드 노트북의 예가 공유됩니다. ChatGPT는 아이디어 생성에 도움이 될 수 있지만 발표자는 각 개념에 대한 미묘한 이해와 오류를 피하기 위한 신중한 고려가 필요함을 강조합니다.
ML 기반 알고리즘 거래에서 ChatGPT 사용과 관련된 제한 및 위험도 해결됩니다. 발표자는 도메인 전문 지식 부족, 제한된 교육 데이터 및 해석 가능성 문제를 포함하여 잠재적인 문제를 강조합니다. 그들은 거래 결정을 위해 ChatGPT에만 의존하는 것에 대해 경고하고 다양한 재무 기간에 걸쳐 정확성 확인을 수행하는 것이 중요하다고 강조합니다.
또한 발표자는 코드를 정확하게 생성하는 ChatGPT의 기능에 대해 실시한 설문 조사 결과에 대해 논의합니다. 청중의 대다수(74%)는 ChatGPT가 합리적인 정확성을 제공할 수 있지만 도메인 전문 지식이 필요한 복잡한 프로그래밍 작업에는 적합하지 않다고 정확하게 식별했습니다. 프로세스를 설명하기 위해 발표자는 ChatGPT에서 생성된 Python 코드를 사용하여 데이터를 교육 및 테스트 세트로 분할하는 방법을 시연합니다. 그들은 특히 거래에서 시계열 데이터의 맥락에서 데이터의 올바른 시퀀싱을 강조합니다.
백 테스트 및 전략 분석을 통한 ML 기반 거래 알고리즘의 평가는 성과를 평가하는 중요한 단계로 강조됩니다. 발표자는 거래 및 전반적인 성과에 대한 통찰력을 얻기 위해 샤프 비율, 연간 수익률, 수익률 변동성과 같은 다양한 지표를 사용한 심층 분석의 필요성을 강조합니다. 알고리즘의 효율성을 평가하는 초기 단계로 거래 알고리즘과 매수 및 보유 전략의 수익 간의 비교가 표시됩니다.
또한 발표자는 수익성 있는 거래 전략의 예를 공유하고 거래 프로세스에서 데이터 시각화 및 분석의 중요성을 강조합니다. 연간 수익 및 누적 수익을 포함한 전략 분석은 전략의 성공을 평가하는 도구입니다.
발표자는 기어를 바꿔 거래에서 재무 분석에 GPT를 사용할 때의 한계를 설명합니다. 청중은 이전에 설문 조사에 참여했으며 대다수는 합리적인 정확성을 위해 사실 확인이 필요하고 GPT가 재무 분석에 적합하지 않을 수 있다는 의견을 표명했습니다. 이러한 한계를 설명하기 위해 발표자는 GPT에 2020년 Apple과 Microsoft의 연간 재무제표를 비교하도록 요청합니다. 그러나 GPT는 도메인 전문성이 부족한 생성기 모델로서의 한계를 강조하면서 부정확한 응답을 제공합니다. 발표자는 GPT와 같은 ML 알고리즘을 거래에 적용하기 전에 금융 관련 지식 습득, 책 읽기, 팩트 체크의 중요성을 강조합니다.
발표자는 재무 분야에서 도메인 관련 지식의 중요성을 인식하고 전문 지식을 습득할 수 있는 과정을 수강할 것을 제안합니다. 이 전문 지식을 통해 트레이더는 ChatGPT와 같은 기계 학습 도구를 더 잘 활용할 수 있습니다. 이를 지원하기 위해 발표자는 기계 학습 교육 과정을 통한 거래에서 4개의 노트북에 대한 무료 액세스를 제공하여 시청자가 코드와 해당 응용 프로그램을 더 깊이 이해할 수 있도록 합니다.
Q&A 세션 동안 ChatGPT가 금융 시장의 일상적인 변화를 따라잡는 능력과 관련하여 한 가지 일반적인 질문이 발생합니다. 발표자는 언어 모델로서 ChatGPT의 효율성은 훈련된 데이터에 의해 제한되며 매일 업데이트되지 않는다고 설명합니다. ChatGPT 또는 금융 분야의 기계 학습 모델을 효과적으로 활용하려면 최신 시장 데이터로 최신 상태를 유지하는 것이 필수적입니다.
연사는 다양한 기타 청중 질문에 답하여 유용한 정보를 제공합니다. 나중에 참조할 수 있도록 녹음된 세션이 이메일과 YouTube 채널을 통해 공유될 것임을 청중에게 알립니다. 또한 향후 24시간 동안 노트북의 가용성에 대해 논의하고 머신 러닝의 파이프라인 개념을 설명합니다.
벡터화된 Python 코드를 라이브 거래 라이브러리에 배포할 수 있는 형식으로 변환하는 것과 관련하여 특정 질문이 제기됩니다. 발표자들은 ChatGPT가 코드 변환을 지원할 수 있지만 이벤트 트리거 정의는 여전히 필요하다고 설명합니다. 또한 그들은 Chargeability 3.5가 2022년에 대한 정보를 제공하지 않는다고 언급합니다.
결론적으로 스피커는 기계 학습 기술을 사용하여 최적화된 익일 고점 및 저점 예측을 활용하는 거래 전략에 대해 논의합니다. 그들은 시계열 예측, 포트폴리오 최적화 및 위험 관리와 같은 거래에서 딥 러닝의 적용을 강조합니다. 강화 학습과 결합된 딥 러닝은 에이전트가 보상과 처벌을 통해 실수로부터 학습할 수 있도록 하여 거래 전략의 성능을 향상시킬 수 있습니다.
발표자는 거래에서 기계 학습을 안정적으로 사용하려면 도메인 전문성과 직관이 중추적 역할을 한다는 점을 강조합니다. ChatGPT와 같은 도구는 과거 데이터를 분석하고 향후 거래의 성공 가능성을 평가하는 데 도움이 될 수 있지만 전적으로 의존해서는 안 됩니다. 도메인 관련 지식 습득, 사실 확인 및 최신 시장 데이터에 대한 지속적인 업데이트 유지의 중요성은 거래 업계에서 정확하고 정보에 입각한 의사 결정을 보장하기 위해 강조됩니다.
00:00:00 ML 알고리즘은 시장의 추세와 패턴을 이해한 다음 해당 정보를 사용하여 향후 시장 움직임을 예측할 수 있습니다. 이 프로세스를 지원하기 위해 기계 학습 알고리즘이 자주 사용되며 여기에서 ChatGPT가 사용됩니다. ChatGPT는 거래자가 대량의 금융 데이터를 분석하고 시장 동향에 대한 통찰력을 제공하는 데 도움이 되는 자연어 처리 도구입니다. 그러나 ChatGPT를 사용하는 데에는 고유한 일련의 문제와 위험이 따르며 이에 대해서는 프레젠테이션 후반부에서 설명합니다. 전반적으로 ML과 ChatGPT는 더 정확한 예측과 더 나은 정보에 입각한 의사 결정을 가능하게 함으로써 거래 산업에 혁명을 일으켰습니다.
00:05:00 발표자가 거래 업계에서 ChatGPT와 같은 자연어 처리(NLP) 모델의 사용에 대해 논의합니다. 이러한 모델은 뉴스 기사, 소셜 미디어 게시물 및 재무제표와 같은 텍스트 소스를 분석하고 이해할 수 있습니다. 대규모 언어 모델인 ChatGPT는 이러한 데이터를 분석하는 데 특히 적합하며 텍스트 프롬프트에 대한 자연스러운 응답을 생성하여 거래 기회에 대한 대화에 참여할 수 있습니다. 금융 커뮤니티는 ChatGPT가 거래 전략을 개발하고 최적화하는 데 도움이 될 것으로 기대하므로 높은 기대치를 가지고 있습니다. 연사는 또한 인공 지능, 기계 학습 및 딥 러닝의 차이점을 설명합니다. 기계 학습은 AI에서 기계가 인간 행동을 시뮬레이션하고 지능적인 결정을 내리도록 가르치는 데 사용되는 기술 모음입니다.
00:10:00 연사는 기계 학습(ML)이 거래에 어떻게 사용될 수 있는지에 대해 논의하고 거래에서 기계 학습의 일반적인 워크플로를 설명합니다. 그들은 ML이 기계가 데이터에서 학습하고 예측할 수 있도록 하는 인공 지능(AI)의 하위 집합이라고 설명합니다. ML을 적용하려면 먼저 데이터를 수집하고 사전 처리한 다음 원시 데이터를 기계가 이해할 수 있는 속성으로 변환하도록 기능을 엔지니어링합니다. 그런 다음 데이터를 수정하고 교육 및 테스트 세트로 분할하고 모델에 빌드합니다. 마지막으로 새로운 데이터에 대해 모델을 테스트하고 만족스러운 경우 예측을 수행할 수 있습니다. 연사는 나중에 ML을 사용하여 다음 거래일의 금과 같은 자산의 고가와 저가를 예측하는 예를 제공하며, 이는 거래 프로세스를 용이하게 하는 데 도움이 될 수 있습니다.
00:15:00 연사는 다음 날 금 가격을 예측하기 위해 선형 회귀 모델을 만드는 것과 같은 문제를 해결하는 데 ChatGPT를 어떻게 사용할 수 있는지에 대해 논의합니다. 그들은 ChatGPT의 접근 방식을 데이터 수집 및 정리, 모델 및 파이프라인 생성, 데이터 AP 확인, 라이브 거래 수행, 프로덕션에 배포하는 동시에 지속적으로 개선하는 것을 포함하는 보다 전문적인 정량적 접근 방식과 비교합니다. 또한 기계 학습 회귀 코드 노트북의 예를 보여주고 문제 해결의 네 가지 부분인 데이터 준비, 사전 처리, 가격 예측, 전략 및 성능 분석을 설명합니다. 발표자는 ChatGPT를 아이디어 생성에 사용할 수 있지만 각 개념을 자세히 이해하고 접근 방식의 미묘한 차이를 파악하여 실수를 방지하는 것이 중요하다고 말합니다. 또한 ChatGPT를 사용하여 코드를 생성하고 설문 조사를 시작하는 방법에 대해서도 논의합니다.
00:20:00 발표자가 코드를 정확하게 생성하는 ChargeGPT의 능력에 대한 설문 조사에 대한 청중의 반응에 대해 논의합니다. 청중의 대다수(74%)는 ChargeGPT가 합리적인 정확도를 제공할 수 있지만 도메인 전문 지식이 필요한 복잡한 프로그래밍 작업에는 적합하지 않다고 올바르게 선택했습니다. 그런 다음 발표자는 ChargeGPT에서 생성된 Python 코드를 사용하여 데이터를 기차 및 테스트 세트로 분할하는 방법을 시연하고 거래에서 시계열 데이터에 대해 데이터를 올바르게 시퀀싱하는 방법을 보여줍니다.
00:25:00 연사는 백테스팅 및 전략 분석을 수행하여 기계 학습 기반 거래 알고리즘의 성능을 평가하는 것의 중요성에 대해 논의합니다. 그들은 이를 위해서는 전략의 성과에 대한 상세한 분석과 거래 및 성과에 대한 통찰력을 얻기 위해 예리한 비율, 연간 수익률 및 수익률의 변동성과 같은 다양한 지표의 사용이 필요하다고 설명합니다. 연사는 또한 거래 알고리즘이 잘 수행되고 있는지 이해하는 첫 번째 단계로 거래 알고리즘의 수익을 매수 전략과 비교하는 방법의 예를 보여줍니다.
00:30:00 연사는 기계 학습 알고리즘을 거래 전략에 적용한 결과에 대해 논의하고 데이터 시각화 및 분석의 중요성을 강조합니다. 그들은 수익성 있는 전략을 제시하고 연간 수익률 및 누적 수익률과 같은 전략 분석의 필요성을 강조합니다. 그런 다음 연사는 ML 기반 알고리즘 거래에 ChatGPT를 사용하는 것과 관련된 문제와 위험으로 이동하여 도메인 전문 지식 부족, 제한된 교육 데이터 및 해석 가능성 문제와 같은 제한 사항에 주목합니다. 그들은 거래 결정을 위해 ChatGPT에만 의존하는 것에 대해 경고하고 다양한 재무 기간에 대한 정확성 확인의 중요성을 강조합니다.
00:35:00 연사는 거래에서 재무 분석을 위한 언어 모델 GPT 사용의 한계에 대해 논의합니다. 청중은 이전에 설문 조사에 참여했으며 대다수는 합리적인 정확성을 위해서는 사실 확인이 필요하며 GPT는 재무 분석에 적합하지 않을 수 있다고 믿었습니다. 연사는 GPT에 2020년 Apple과 Microsoft의 연간 재무제표를 비교하도록 요청하여 부정확한 답변을 내림으로써 이러한 한계를 보여줍니다. 연사는 GPT가 생성기 모델이고 도메인 전문 지식이 부족하여 잘못된 결론이나 제안으로 이어질 수 있다고 강조합니다. 따라서 화자는 ML 알고리즘을 거래에 적용하기 전에 더 많은 책을 읽고 금융 관련 지식을 습득하고 사실 확인을 할 것을 권장합니다.
00:40:00 발표자는 기계 학습을 금융에 적용할 때 도메인 관련 지식의 중요성을 강조합니다. 그는 ChatGPT와 같은 기계 학습 도구를 더 잘 사용할 수 있는 이 전문 지식을 얻기 위해 과정을 수강할 것을 제안합니다. 발표자는 또한 시청자가 코드를 더 잘 이해할 수 있도록 기계 학습 교육 과정을 사용한 거래에서 노트북 4개에 대한 무료 액세스를 제공합니다. Q&A 세션 동안 ChatGPT가 금융 시장의 매일 변화를 따라갈 수 있는지에 대한 일반적인 질문이 제기되었습니다. 발표자는 언어 모델로서 훈련된 데이터만큼만 우수하며 매일 업데이트되지 않는다고 설명합니다. ChatGPT 또는 금융 분야의 모든 기계 학습 모델을 효과적으로 사용하려면 최신 시장 데이터에 대한 업데이트를 유지하는 것이 필수적입니다.
00:45:00 연사는 청중의 다양한 질문에 답합니다. 그들은 녹음된 세션이 이메일과 YouTube 채널을 통해 공유될 것이라고 설명합니다. 또한 향후 24시간 동안 노트북의 가용성과 기계 학습에서 파이프라인의 정의에 대해 논의합니다. 연사는 벡터화된 Python 코드를 실시간 거래를 위해 라이브러리에 배포할 수 있는 코드로 변환하는 것에 대한 질문에 응답합니다. Charge가 코드 변환을 도울 수 있지만 여전히 이벤트 트리거를 정의해야 한다고 설명합니다. 연사들은 또한 Chargeability 3.5가 2022년에 대한 정보를 제공하지 않는다고 언급합니다. 마지막으로 연사는 익일 고점과 저점을 활용한 거래 전략과 머신 러닝을 사용하여 최적화된 방법에 대해 이야기합니다.
00:50:00 연사는 시계열 예측, 포트폴리오 최적화 및 위험 관리를 포함하여 거래에서 딥 러닝을 적용하는 방법을 설명합니다. 딥 러닝이 보상과 처벌을 통해 실수로부터 배우는 특정 에이전트를 생성하는 방법과 딥 러닝과 강화 학습의 조합을 사용하여 거래 전략의 성과를 개선하는 방법을 설명합니다. 발표자는 거래에서 기계 학습을 안정적으로 사용하는 열쇠는 도메인 전문성과 직관이며 ChatGPT와 같은 도구를 사용하여 과거 데이터를 분석하고 미래 거래의 성공 가능성에 대한 통찰력을 제공할 수 있다고 강조합니다.
00:55:00 연사는 도메인 자체에 대한 깊은 이해가 필요하기 때문에 청구 가능성만을 사용하는 것이 거래의 위험도를 결정하는 최선의 접근 방식이 아닐 수 있다고 설명합니다. 문제를 해결하기 위해 도구나 코드에 의존하기 전에 도메인에 대한 지식과 이해를 얻는 것이 중요합니다. 또한 두 거래 과정의 차이점을 언급하고 거래 플랫폼별 코드를 Python으로 변환하는 방법에 대한 질문에 답합니다. 청구 가능성은 일반 프로그래밍 언어를 변환하는 데 도움이 될 수 있지만 플랫폼별 코드 변환에는 도움이 되지 않을 수 있습니다.
This session discusses the basics, uses & needs of ChatGPT and machine learning in trading. Attendees will learn how to integrate ChatGPT and machine learnin...
주최자는 금융 시장 행동 이해와 다양한 데이터 범주의 역할에 대한 주제를 소개하면서 웨비나를 시작합니다. 고담 미트라 교수, 어니스트 챈 박사, 마테오 캄폴로니 박사 등 패널리스트는 트레이딩과 학계에서 폭넓은 경험을 가진 전문가로 소개된다. 이 웨비나는 최근 점점 더 중요해지고 있는 주제인 금융 시장 행동을 이해하고 예측하는 데 다양한 범주의 데이터가 어떻게 중요한 역할을 하는지 탐구하는 것을 목표로 합니다. 이 세션은 Opticks Systems 및 QuantInsti에서 제공하는 Sentimentalysis and Alternative Data for Finance 인증서의 일부라고 언급됩니다.
첫 번째 연사는 금융 시장 행동을 이해하는 데 있어 데이터의 중요성을 강조합니다. 초기에는 시장 가격, 매수 및 매도 주문, 책의 깊이와 같은 제한된 데이터만 사용할 수 있었지만 이제는 고려해야 할 데이터 범주가 광범위합니다. 여기에는 뉴스 데이터, 미디어 감정 데이터 및 대체 데이터가 포함됩니다. 시장은 결국 모든 정보를 통합한다는 효율적인 시장 가설에도 불구하고 시장에는 여전히 단기적인 비효율성이 존재합니다. 따라서 데이터는 새로운 알파를 발견하고 포트폴리오 계획과 위험 통제라는 두 가지 주요 시장 문제를 해결하는 데 중요한 역할을 합니다. 연사는 또한 데이터 처리에서 인공 지능(AI)과 머신 러닝의 중요성이 커지고 있음을 강조합니다.
다음 연사는 인과관계 투자의 개념을 소개하는데, 이는 통계적 상관관계만을 분석하는 것이 아니라 다양한 예측 변수와 목표 변수 사이의 인과관계를 조사하는 것과 관련이 있습니다. 옵션 활동과 같은 대체 데이터를 활용함으로써 투자자는 가격 변동의 근본 원인에 대한 통찰력을 얻고 거래 전략의 정확성을 높일 수 있습니다. 평균 회귀 전략의 예가 인용되어 때때로 실패하는 이유를 이해하는 것이 중요함을 강조합니다. 가격 변동의 원인을 밝히기 위해 대체 데이터를 사용함으로써 투자자는 전략을 적용할 시기에 대해 더 많은 정보에 입각한 결정을 내릴 수 있습니다.
시장 운영자를 위한 데이터, 특히 대체 데이터의 중요성은 다음 연사가 논의합니다. 대체 데이터는 아직 업계 표준이 아닌 모든 데이터를 말하며 지속적으로 새로운 참여자와 데이터 공급업체가 등장하면서 지속적으로 확장되는 생태계를 형성합니다. 이 데이터는 신용 카드 거래, 위성 이미지, 모바일 장치 데이터, 날씨 데이터 등과 같은 다양한 채널에서 가져올 수 있습니다. 연사는 또한 자연어 처리 도구를 사용하여 텍스트 문서를 분석하고 투자 전략을 보완하는 데 있어 투자자에게 유용할 수 있는 감정 지표를 생성한다고 언급합니다.
투자 전략에서 대체 데이터를 활용하는 과정은 다음 연사가 설명합니다. 여기에는 새로운 정보 소스 식별, 구조화되지 않은 데이터를 구조화 데이터 세트로 통합 및 변환하는 작업이 포함됩니다. 투자 전략을 개발한 후 검증은 데이터의 신뢰성과 결과의 통계적 유의성을 이해해야 하는 중요한 단계가 됩니다. 발표자는 모델을 만들 때 대체 데이터에만 의존하지 않고 시장 데이터도 고려하는 것이 중요하다고 강조합니다.
발표자들은 시장 동향을 파악하는 데 있어 대체 데이터의 중요성과 그러한 데이터를 백테스팅하는 것과 관련된 문제에 대해 탐구합니다. 이전에는 기술 거래자들이 120일 이동 평균과 같은 단순한 지표에 의존했지만, 이제는 반품 원인을 이해하기 위해 더 넓은 범위의 데이터 범주를 통합하려는 노력이 있습니다. 그러나 대체 데이터는 상대적으로 새롭기 때문에 이를 백테스트하는 방법과 시간이 지남에 따라 일관성을 유지하는 방법에 대한 우려가 있습니다. 투자 전략의 영향을 이해하려면 무작위 변동에 대한 시스템의 안정성을 평가해야 합니다.
강력한 투자 전략을 개발하기 위해 트레이더가 Bloomberg Icon 및 Reuters Quantum과 같은 대체 데이터 플랫폼을 사용하는 것에 대해 발표자가 논의합니다. 이러한 플랫폼에는 정서 및 뉴스와 같은 다양한 형태의 데이터를 정량화하는 자체 모델이 있지만 연사는 거래자에게 자체 모델을 만들 것을 권장합니다. 대체 데이터 입력을 수신하기 위해 API를 활용하는 것의 중요성이 강조되고 회사 발표를 분석할 때 Credit Suisse와 같은 조직화된 웹사이트의 가치가 언급됩니다. 마지막으로 발표자들은 좁고 전문화된 접근 방식이 시장 행동을 분석하는 데 매우 효과적일 수 있다는 점에 주목합니다.
연사는 금융 시장에서 다양한 자산 클래스의 행동을 이해하고 투자 스타일과 기간을 기반으로 시장을 추적하는 방법을 이해하는 데 활용할 수 있는 다양한 도구와 웹사이트에 대해 논의합니다. 만병통치약이 없다는 점을 인정하면서 그들은 Bloomberg와 같은 웹사이트의 정성적 정보가 이와 관련하여 도움이 될 수 있다고 제안합니다. 그들은 또한 마이크로블로그 및 대화방과 같은 대체 데이터 소스 및 감정을 이해하는 것의 중요성을 강조합니다. 그러나 그들은 이러한 분야의 전문가가 되는 것이 반드시 금융 시장에서 더 나은 경력으로 이어질 것이라는 보장은 없다는 점에 주목합니다.
그런 다음 발표자는 대형 펀드를 위한 고급 거래 전략 개발과 독립 거래자를 위한 간단한 전략 개발의 차이점을 설명합니다. 복잡한 기술은 대규모 펀드의 구직자에게 더 적합할 수 있는 반면, 독립 거래자는 기관에 관심이 없을 수 있는 틈새 전략으로 시작하는 것이 좋습니다. 이 접근 방식은 복잡한 데이터 피드와 관련된 높은 비용을 피하는 데 도움이 됩니다. 발표자는 거래를 위한 새로운 데이터 소스에 대한 관심이 증가하고 있으므로 배우고 추구해야 할 관련 분야를 강조합니다. 그들은 또한 펀드 관리에서 개인적으로 대체 데이터를 어느 정도 활용하고 고객이 기계 학습 및 자연어 처리 기반 모듈을 구현하거나 데이터 세트를 사용하여 자체 전략을 검증하도록 지원한다고 언급합니다.
질의응답 시간에는 트위터가 블루틱을 팔고 검증된 계정이 자연어 처리(NLP)에서 더 많은 비중을 차지할 것인지에 대한 질문이 제기됩니다. 처음에는 패널리스트들이 질문을 이해하기 어려웠지만 나중에는 답변할 자격이 없음을 인정합니다. 그런 다음 논의는 초보자와 학생에게 적합한 전통적인 금융 데이터 소스로 이동하며 잠재적인 옵션으로 Bloomberg 및 Definitive가 언급됩니다. 데이터 공급자가 특정 수준의 상호 작용이 있는 무료 데이터 세트를 제공할 수 있다는 제안이 있습니다.
연사는 이어서 금융 시장 분석을 위한 대체 데이터 소스의 사용에 대해 논의하며, 특히 글로벌 및 지역 뉴스 소스에서 데이터를 수집하는 DGLT 회사를 언급합니다. 관련 정보를 필터링하는 데 필요한 노력을 인정하면서도 수집된 데이터는 1800년대로 거슬러 올라가는 시장 행동에 대한 역사적 관점을 제공할 수 있다는 점에 주목합니다. 대체 데이터를 유일한 소스로 사용해야 하는지 또는 기존 데이터와 함께 검증을 위해 사용해야 하는지 묻는 질문에 화자는 일반적인 규칙이 없으며 사용 중인 특정 전략에 따라 다르다고 말했습니다. 그러나 그들은 시장 데이터가 여전히 주요 동인이며 대체 데이터에 전적으로 의존해서는 안 된다고 강조합니다.
연사는 금융 시장에서 대체 데이터의 사용과 그러한 데이터를 분석하기 위해 기계 학습을 사용할 수 있는 방법에 대해 논의하면서 웨비나를 마무리합니다. 가격 및 기본 데이터를 포함한 여러 유형의 데이터를 기계 학습 예측 알고리즘에 입력해야 할 필요성을 강조합니다. 그러나 그들은 또한 대체 데이터만으로는 유일한 동인이 될 수 없으며 시장 가격 입력과 결합되어야 한다고 강조합니다. 청중은 추가 질문이 있으면 연락할 것을 권장합니다.
00:00:00 주최자는 금융 시장 행동과 여러 데이터 범주의 역할을 이해하는 웨비나 주제를 소개합니다. 토론자로는 무역 및 학계 경력이 풍부한 Gotham Mitra 교수, Ernest Chan 박사, Mateo Campoloni 박사가 있습니다. 웨비나의 주요 초점은 최근 점점 더 중요해지고 있는 금융 시장 행동을 이해하고 예측하는 데 여러 범주의 데이터가 어떻게 중요한 역할을 하는지 탐구하는 것입니다. 이 세션은 Opticks Systems 및 QuantInsti에서 제공하는 Sentimentalysis and Alternative Data for Finance 인증서의 일부입니다.
00:05:00 연사는 금융 시장 행동을 이해하는 데 있어 데이터의 중요성에 대해 논의합니다. 초기에는 사용 가능한 유일한 데이터가 시장 가격, 매수 및 매도 주문, 책의 깊이뿐이었지만 이제는 뉴스 데이터, 미디어 정서 데이터 및 대체 데이터를 포함하여 더 많은 범주의 데이터가 있습니다. 시장이 궁극적으로 모든 정보를 소화한다는 효율적인 시장 가설에도 불구하고 단기적인 시장 비효율성은 여전히 존재합니다. 결과적으로 데이터는 새로운 알파를 찾고 시장의 두 가지 주요 문제인 포트폴리오 계획 및 위험 관리를 해결하는 데 중요합니다. 연사는 또한 지식 데이터의 AI 및 기계 학습 부분이 데이터 장면에서 점점 더 중요해지고 있다고 지적합니다.
00:10:00 연사는 단순히 통계적 상관 관계를 분석하는 것이 아니라 다양한 예측 변수와 대상 변수 간의 인과 관계를 살펴보는 인과 관계 투자의 개념에 대해 논의합니다. 옵션 활동과 같은 대체 데이터를 사용하여 투자자는 가격 변동의 근본 원인을 이해하고 이 정보를 사용하여 거래 전략의 정확성을 높일 수 있습니다. 화자는 평균 회귀 전략의 예와 그것이 때때로 실패하는 이유를 이해하는 것의 중요성을 인용합니다. 가격 변동의 원인을 밝히기 위해 대체 데이터를 사용함으로써 투자자는 언제 전략을 실행해야 하는지에 대해 더 많은 정보에 입각한 결정을 내릴 수 있습니다.
00:15:00 연사는 시장 운영자를 위한 데이터, 특히 이미 업계 표준이 아닌 데이터를 의미하는 대체 데이터의 중요성에 대해 논의합니다. 대체 데이터는 지속적으로 등장하는 데이터 세트의 새로운 플레이어 및 공급업체와 함께 지속적으로 성장하는 생태계입니다. 이 데이터는 신용 카드 거래, 위성 이미지, 모바일 장치 데이터, 날씨 데이터 등과 같은 다양한 소스에서 가져올 수 있습니다. 연사는 또한 자연어 처리 도구를 사용하여 텍스트 문서를 처리하고 투자자가 투자 전략을 보완하는 데 사용할 수 있는 감정 지표를 생성하는 방법에 대해 언급합니다.
00:20:00 연사는 투자 전략에서 대체 데이터를 사용하는 과정을 설명합니다. 여기에는 새로운 정보 소스 찾기, 정보 포함, 비정형 데이터 세트에서 구조화 데이터 세트로 변환이 포함됩니다. 투자 전략을 수립한 후 중요한 단계는 데이터의 신뢰성과 결과가 통계적으로 얼마나 중요한지 이해해야 하는 검증입니다. 또한 대체 데이터에만 의존하지 않고 모델을 만들 때 시장 데이터도 고려하는 것이 중요합니다.
00:25:00 연사는 시장의 추세를 파악하는 데 있어 대체 데이터의 중요성과 데이터 백테스팅의 어려움에 대해 논의합니다. 이전에는 기술 거래자들이 120일 이동 평균과 같은 간단한 지표에 의존했지만, 이제는 수익률의 원인을 이해하기 위해 다양한 범주의 데이터를 포함시키려는 노력이 있습니다. 그러나 대체 데이터는 과거에 존재하지 않았기 때문에 백 테스트 방법과 시간이 지남에 따라 얼마나 일관성이 있는지에 대한 질문이 있습니다. 발표자들은 투자 전략의 효과를 이해하려면 무작위 변동에 대한 시스템의 안정성을 평가해야 한다고 강조합니다.
00:30:00 연사는 건전한 투자 전략을 수립하기 위해 트레이더가 Bloomberg Icon 및 Reuters Quantum과 같은 대체 데이터 플랫폼을 사용하는 방법에 대해 논의합니다. 이러한 플랫폼에는 정서 데이터 및 뉴스 데이터와 같은 다양한 형태의 데이터를 정량화하는 자체 모델이 있지만 거래자는 자체 모델을 만드는 것이 좋습니다. 또한 발표자는 대체 데이터 입력을 수신하기 위해 API를 사용하는 것의 중요성과 회사 발표를 분석하기 위해 Credit Suisse와 같은 조직화된 웹사이트를 사용하는 것의 가치에 대해 이야기합니다. 마지막으로 발표자들은 협소하고 전문화된 접근 방식이 시장 행동을 분석하는 데 매우 효과적일 수 있다고 언급합니다.
00:35:00 연사들은 금융 시장에서 다양한 자산 클래스의 행동을 이해하는 데 사용할 수 있는 다양한 도구와 웹사이트는 물론 투자 스타일과 기간에 따라 시장을 따라가는 방법에 대해 논의합니다. 만능 솔루션은 없지만 Boomberg와 같은 웹사이트의 정성적 정보가 도움이 될 수 있습니다. 연사들은 마이크로블로그 및 대화방과 같은 정서 및 대체 데이터를 이해하는 것의 중요성에 대해서도 이야기합니다. 그러나 이러한 분야의 전문가가 되는 것이 반드시 금융 시장에서 더 나은 경력으로 이어지는지는 분명하지 않습니다.
00:40:00 연사는 대형 펀드를 위한 고급 거래 전략 개발과 독립 거래자를 위한 간단한 전략 개발의 차이점을 설명합니다. 복잡한 기술이 대규모 펀드의 구직자에게 더 적합할 수 있지만 독립 거래자는 기관에 관심이 없을 수 있는 틈새 전략으로 시작하고 복잡한 데이터 피드와 관련된 높은 비용을 피하는 것이 좋습니다. 연사는 또한 거래를 위한 새로운 데이터 소스에 대한 관심이 증가하고 있으므로 배우고 추구해야 할 관련 분야가 되고 있다고 언급합니다. 또한 펀드 운용 시 대체 데이터를 어느 정도 활용하고 있으며, 고객이 머신러닝 및 자연어 처리 기반 모듈을 구현하거나 데이터 세트를 활용해 자신의 전략을 검증할 수 있도록 지원하고 있다고 언급했다.
00:45:00 파란색 진드기를 판매하는 트위터에 대한 질문과 확인된 계정이 자연어 처리(NLP)에서 더 많은 가중치를 받을지 여부를 묻습니다. 패널리스트는 처음에는 질문을 이해하는 데 어려움을 겪었고 나중에 답변할 자격이 없음을 인정했습니다. 그런 다음 토론은 Bloomberg 및 Definitive가 잠재적인 옵션으로 언급되고 데이터 공급자가 일정량의 상호 작용이 있는 무료 데이터 세트를 제공할 수 있다는 제안과 함께 초보자와 학생을 위한 전통적인 금융 데이터 소스로 이동합니다.
00:50:00 발표자는 특히 글로벌 및 지역 뉴스 소스에서 데이터를 수집하는 DGLT 회사를 언급하면서 금융 시장 분석을 위한 대체 데이터 소스의 사용에 대해 논의합니다. 필요한 정보를 필터링하는 데 많은 작업이 필요할 수 있지만 수집된 데이터는 빠르면 1800년대로 거슬러 올라가 시장 행동에 대한 역사적 관점을 제공할 수 있습니다. 대체 데이터를 단독 소스로 사용해야 하는지 또는 기존 데이터와 함께 유효성 검사를 위해 사용해야 하는지 묻는 질문에 화자는 일반적인 규칙이 없으며 사용 중인 특정 전략에 따라 다르다고 말합니다. 그러나 화자는 시장 데이터가 왕이며 대체 데이터에 전적으로 의존해서는 안 된다고 강조합니다.
00:55:00 연사는 금융 시장에서 대체 데이터의 사용과 기계 학습을 사용하여 이 데이터를 분석하는 방법에 대해 논의합니다. 그는 가격 및 기본 데이터를 포함한 여러 유형의 데이터를 기계 학습 예측 알고리즘에 입력해야 한다고 지적합니다. 그러나 그는 또한 대체 데이터를 독립적인 동인으로 사용할 수 없으며 시장 가격 입력과 결합해야 한다고 언급합니다. 연사는 웨비나를 마무리하고 시청자가 질문이 있는 경우 연락하도록 권장합니다.
Financial markets are influenced by news, (micro) blogs and other categories of online streaming data. These sources of information reach financial market pa...
이 비디오는 퀀트 팩터 투자의 개념과 이를 가치, 모멘텀, 품질 및 크기를 포함한 다양한 팩터로 분류하는 방법을 소개합니다. 연사는 팩터 투자가 수익을 창출할 것으로 예상되는 특정 요인을 기반으로 유가 증권을 선택하는 것과 관련이 있으며 장기적으로 그렇게 한다고 설명합니다. 이 비디오는 통계 분석, 요인 모델링, 기계 학습, 최적화 모델, 시계열 분석, 위험 모델 및 몽타고리 시뮬레이션을 포함하여 정량적 요소 투자를 적용하는 데 사용할 수 있는 다양한 정량적 방법을 다룹니다. 연사는 또한 퀀트 팩터 투자의 장점과 팩터를 선택하고 결합하는 과정에 대해 논의하고 데이터 소스 및 중/고빈도 거래에 대한 적합성을 포함하여 주제와 관련된 질문에 답합니다.
웨비나에서 QuantInsti의 퀀트 애널리스트인 Varun Kumar는 퀀트 팩터 투자에 대한 포괄적인 소개를 제공합니다. 그는 투자자를 정량화할 수 있는 수익으로 안내하는 광범위하고 지속적인 위험 및 수익의 원천인 팩터의 개념을 설명하는 것으로 시작합니다. 몇 가지 일반적인 요소에는 가치, 모멘텀, 품질, 크기 및 변동성이 포함됩니다. Kumar는 예를 들어 고품질 특성을 가진 회사에 투자하는 것과 관련된 품질 요소에 중점을 둡니다. 자기 자본 수익률 및 성장률 수익성과 같은 재무 비율은 회사의 품질을 정량화하는 데 사용됩니다. 높은 비율과 높은 마진을 가진 주식은 고품질로 간주되는 반면 낮은 비율과 마진은 낮은 품질로 간주됩니다. 과거 데이터에 따르면 고품질 주식으로 구성된 포트폴리오는 장기간에 걸쳐 초과 수익을 창출했습니다.
그런 다음 Kumar는 퀀트 팩터 투자의 팩터 분류에 대해 자세히 설명합니다. 요인은 거시적 요인, 스타일 기반 요인, 부문별 요인, ESG 기반 요인, 정서 기반 요인, 유동성 기반 요인, 기술적 요인 등 7가지 유형으로 분류됩니다. 그는 이러한 각 요소가 어떻게 기능하고 요소 포트폴리오를 구성하는 데 어떻게 사용될 수 있는지에 대한 통찰력을 제공합니다. 이를 설명하기 위해 그는 거시 경제 및 스타일 기반 요소를 사용하여 구축된 전략의 예를 제시합니다. 이러한 전략에는 GDP 성장률, 인플레이션율, 이자율, 자기자본수익률 등의 변수를 활용하여 종목을 선택하고 포트폴리오를 구성하는 것이 포함됩니다. Kumar는 또한 포트폴리오에 대한 주식을 선택할 때 높은 자기 자본 수익률 및 낮은 부채 비율과 같은 요소를 고려하는 것이 중요하다고 강조합니다.
웨비나는 스타일 팩터, 부문별 매트릭스, ESG 기준, 정서, 유동성 및 기술 지표를 포함하여 퀀트 팩터 투자 전략에 통합할 수 있는 다양한 팩터를 추가로 탐색합니다. Kumar는 이러한 요소를 활용하여 포트폴리오 구성을 위한 논리적 프레임워크를 개발하는 방법을 설명하고 이러한 요소를 사용하여 구현할 수 있는 전략의 실제 예를 제공합니다. 그는 환경, 사회 및 거버넌스 기준을 나타내는 ESG 기준과 사회 및 환경에 미치는 영향을 기반으로 기업을 평가하는 역할에 대해 간략하게 설명합니다.
퀀트 팩터 투자에서 수학적 모델과 통계 분석의 활용도 논의됩니다. Kumar는 이러한 방법이 투자 결정에서 감정적 편향을 제거하고 덜 직관적인 요소를 탐색할 수 있도록 도와준다고 강조합니다. 그는 통계 분석, 요인 모델링, 기계 학습, 최적화 모델, 시계열 분석, 위험 모델 및 Monte Carlo 시뮬레이션을 포함하여 이 분야에서 가장 일반적으로 사용되는 7가지 정량적 방법을 설명합니다. 동영상은 증권과 팩터 간의 패턴과 상관관계를 식별하기 위해 통계 분석을 사용하는 방법을 강조합니다.
웨비나에서는 투자 포트폴리오의 구성 및 관리에 있어 퀀트 팩터 투자의 이점을 살펴봅니다. 주요 이점 중 하나는 투자자가 포트폴리오의 한계를 더 잘 이해하는 데 도움이 되는 극단적인 시장 조건을 시뮬레이션할 수 있는 능력입니다. 발표자는 주가수익비율이 낮은 대형주 포트폴리오의 사례 연구를 사용하여 전통적인 팩터 투자와 퀀트 팩터 투자 간의 접근 방식의 차이점을 강조합니다. 전통적인 투자가 팩터 식별, 대형주 유니버스 결정, P/E 비율에 따라 분류하기 전에 각 주식의 팩터 계산을 포함하는 반면, 퀀트 팩터 투자는 데이터 수집, 사전 처리 및 기능 선택을 사용합니다. 선택한 기능을 기반으로 주가를 예측하는 모델이 구축됩니다.
퀀트 팩터 투자의 과정을 설명하고 특정 기능을 기반으로 주가를 예측하기 위한 정확한 모델을 구축하는 것이 중요함을 강조합니다. 발표자는 이 접근 방식이 데이터 기반이며 기존 팩터 투자에 비해 더 객관적이어서 보다 정확하고 신뢰할 수 있는 분석이 가능하다고 강조합니다. 투자에 가장 적합한 팩터를 선택하기 위해서는 팩터가 지속적이고, 다양한 시장과 부문에 걸쳐 작용하며, 다양한 시장 상황에 강건하고, 시장 윤리의 변화에 지나치게 민감하지 않으며, 충분한 유동성과 능력을 보유해야 합니다.
웨비나는 또한 퀀트 팩터 투자의 팩터 조합을 다룹니다. 공통적으로 사용되는 5가지 방법에 대해 설명합니다. 여기에는 동일 가중치 및 요소 점수 매기기가 포함되며 각 요소는 과거 실적을 기준으로 점수를 매기고 전체 점수를 얻기 위해 가중 평균을 취합니다. 포트폴리오 위험을 줄이고 다각화를 증가시키며 성과의 변동성을 최소화하기 때문에 요소 결합의 중요성이 강조됩니다. 발표자는 경험적 증거에 의해 뒷받침되는 것, 경제적 또는 재정적 기반을 갖는 것, 장기 투자 기회를 제공하는 것, 투자할 수 있는 것, 직관적이고 널리 받아들여지는 것을 포함하여 최고의 요소의 5가지 주요 특성을 설명합니다.
연사는 계속해서 퀀트 팩터 투자에서 팩터를 결합하는 몇 가지 방법에 대해 논의합니다. 이러한 방법 중 하나는 주성분 분석(PCA)으로, 여러 요인을 더 작은 상관관계가 없는 구성 요소 집합으로 결합합니다. 이 접근 방식은 요인의 수를 줄이고 다중 공선성이라고도 하는 상관 요인 문제를 해결합니다. 또 다른 방법은 특정 요인을 강조하기 위해 포트폴리오의 가중치 또는 할당을 조정하는 팩터 틸팅입니다. 이 기술은 유연성을 제공하고 투자자가 특정 요인을 목표로 삼을 수 있도록 합니다. 또한 기계 학습을 활용하여 과거 성과를 기반으로 요소를 선택하거나 결합하여 비선형 관계를 효과적으로 캡처할 수 있습니다. 발표자는 딥 러닝 알고리즘을 사용할 때 상당한 양의 데이터가 필요하고 과적합되기 쉬울 수 있으므로 주의해야 한다고 강조합니다. 최적의 결과를 위해 전통적인 통계 방법과 결합하는 것이 좋습니다.
또한 연사는 퀀트 팩터 투자와 관련된 청중의 질문에 답합니다. 질문은 가격 움직임과 장기 차트를 투자의 요소로 사용하는 것과 같은 다양한 주제를 다루며, 화자는 적절하게 정의하고 역사적 성과를 연구하여 기술적 요소로 사용할 수 있다고 제안합니다. 거래되는 요소와 거래되지 않는 요소의 구분을 설명하는데, 유동성을 결정하기 어렵기 때문에 거래되지 않는 요소인 부동산을 예로 들어 설명합니다. 퀀트 팩터 투자의 초점은 데이터에 쉽게 접근할 수 있고 백테스팅이 가능하기 때문에 주로 거래되는 팩터에 있습니다. 연사는 또한 회사가 가치주를 정의하기 위해 주가수익비율을 사용하는 것과 같은 기술을 제안하면서 회사가 더 많은 가치 또는 성장 중심인지 결정하는 데 대한 통찰력을 제공합니다.
토론은 퀀트 팩터 투자에 사용되는 다양한 알고리즘을 탐색하면서 계속됩니다. 반복 신경망(RNN) 및 장단기 기억(LSTM)과 같은 알고리즘이 언급되며 분석되는 데이터 유형에 따라 관련성이 달라집니다. 딥 러닝 기술을 사용하여 요소를 결합하고 각 요소에 대한 최적의 가중치를 결정하여 포트폴리오 성능을 향상시킬 수 있습니다. 연사는 백테스팅 요인 전략에 대한 조언을 제공하고 여러 데이터 세트 및 시장에서 통계적 유의성을 테스트하는 것의 중요성을 강조합니다. 측면 시장을 식별하기 위한 기술 지표로 볼린저 밴드를 사용하는 것도 언급됩니다.
마지막으로 웨비나는 마지막 Q&A 세션으로 마무리되며, 여기에서 연사는 청중의 추가 질문에 답합니다. 질문에는 산업 분야 선택에서 딥 러닝 알고리즘의 역할이 포함되며 의사 결정 트리, 신경망 및 랜덤 포레스트와 같은 다양한 옵션이 강조됩니다. 알고리즘의 선택은 당면한 특정 작업 및 데이터 세트에 따라 다르다는 점을 강조합니다. 연사는 데이터 요구 사항과 과적합 가능성으로 인해 딥 러닝 알고리즘을 신중하게 사용하는 것의 중요성을 반복합니다. 청중은 참여에 감사하며 세션에 대한 피드백을 제공하도록 권장됩니다.
00:00:00 QuantInsti의 퀀트 분석가인 Varun Kumar는 퀀트 팩터 투자의 개념과 가치, 모멘텀, 품질 및 크기와 같은 다양한 팩터로의 분류를 소개합니다. 그는 팩터 투자에는 수익을 창출할 것으로 예상되는 특정 팩터를 기반으로 증권을 선택하는 작업이 포함되며 이러한 팩터는 기술적으로 광범위하고 지속적인 위험 및 수익 소스라고 설명합니다. 웨비나는 퀀트 팩터 투자를 적용하는 데 사용할 수 있는 다양한 퀀트 방법과 일반 팩터 투자와 퀀트 팩터 투자의 차이점을 다룹니다. 세션은 최상의 요인 선택에 대한 사례 연구와 요인을 결합하는 방법에 대한 토론으로 마무리됩니다.
00:05:00 퀀트 팩터 투자에 대한 소개와 팩터가 무엇인지 설명하는 영상입니다. 팩터는 위험과 수익의 광범위하고 지속적인 원천이며 투자자를 정량화할 수 있는 특정 수익으로 안내합니다. 일반적인 요소에는 가치, 모멘텀, 품질, 크기 및 변동성이 포함됩니다. 설명을 위해 비디오는 고품질 특성을 가진 회사에 투자하는 것과 관련된 품질 요소에 중점을 둡니다. 회사의 품질은 자기 자본 수익률 및 수익성 성장률과 같은 재무 비율의 조합을 사용하여 정량화됩니다. 고품질 주식은 높은 비율과 높은 마진을 갖는 반면, 낮은 품질의 주식은 낮은 비율과 낮은 마진을 갖습니다. 그런 다음 역사적으로 오랜 기간 동안 초과 수익을 창출한 고품질 주식의 조합으로 포트폴리오를 만들 수 있습니다. 팩터는 광범위하고 지속적이어야 하며 각각 광범위한 자산과 장기간에 걸쳐 수익을 창출해야 합니다.
00:10:00 연사는 퀀트 팩터 투자에서 팩터 분류에 대해 논의합니다. 요인은 거시적 요인, 스타일 기반 요인, 부문별 요인, ESG 기반 요인, 정서 기반 요인, 유동성 기반 요인, 기술적 요인 등 7가지 유형으로 분류됩니다. 이러한 요소가 작동하는 방식과 요소 포트폴리오를 만드는 데 사용할 수 있는 방법을 설명합니다. 그들은 GDP 성장률, 인플레이션율, 이자율, 자기 자본 수익률과 같은 변수를 사용하여 주식을 선택하고 포트폴리오를 만드는 것과 관련된 거시 경제 및 스타일 기반 요인을 사용하여 구축된 전략의 예를 제공합니다. 헤지 펀드 매니저는 두 가지 기준을 사용하여 주식을 선택하고 포트폴리오를 생성합니다. 즉, 높은 자기 자본 수익률과 낮은 부채 비율입니다.
00:15:00 연사는 퀀트 팩터 투자 전략에 사용할 수 있는 다양한 팩터에 대해 설명합니다. 이러한 요소에는 스타일 요소, 부문별 매트릭스, ESG 기준, 정서, 유동성 및 기술 지표가 포함됩니다. 연사는 이러한 요소를 사용하여 포트폴리오 논리를 만드는 방법을 설명하고 이러한 요소를 사용하여 구현할 수 있는 전략의 예를 제공합니다. 연사는 또한 환경, 사회 및 거버넌스 기준을 나타내는 ESG 기준과 조직이 사회 및 환경에 미치는 영향을 기준으로 기업을 평가하는 데 이 기준을 사용하는 방법에 대해 간략하게 설명합니다. 마지막으로 발표자는 ESG 기준에 대한 질문을 받고 다음 섹션에서 더 자세히 논의할 것이라고 언급합니다.
00:20:00 비디오는 정량적 요소 투자와 수학적 모델 및 통계 분석을 사용하여 요소 및 주식과의 관계를 식별하는 방법에 대해 설명합니다. 이러한 방법을 사용하면 투자 결정에서 감정적 편향을 제거하고 덜 직관적인 요소를 탐색할 수 있습니다. 비디오에는 또한 통계 분석, 요인 모델링, 기계 학습, 최적화 모델, 시계열 분석, 위험 모델 및 Montagorial 시뮬레이션을 포함하여 가장 일반적으로 사용되는 7가지 정량적 방법이 나와 있습니다. 마지막으로 동영상은 증권과 팩터 간의 패턴과 상관관계를 식별하기 위해 통계 분석을 사용하는 방법을 간략하게 다룹니다.
00:25:00 이 비디오는 특정 요인에 대한 주식의 반응을 결정하기 위해 통계 분석을 사용하는 양적 요인 투자를 소개합니다. 그런 다음 이 정보는 포트폴리오를 설계하는 데 사용되며 식별된 요인에 더 강하게 반응하는 주식에 더 많은 돈이 투입됩니다. 기계 학습 기술은 요소를 발견 및 결합하고 미래 성능을 예측하는 방법으로도 논의됩니다. 시계열 분석을 사용하여 과거 데이터를 분석하고 수익 추세를 식별할 수 있으며 위험 모델과 Monte Carlo 시뮬레이션은 위험 관리에 도움이 될 수 있습니다. 최적화 기법은 포트폴리오를 구성하고 위험 및 거래 비용을 최소화하면서 요소 노출을 최대화하는 데 사용됩니다.
00:30:00 비디오는 투자 포트폴리오의 구성 및 관리에 대한 정량적 요소 투자의 다양한 이점을 탐구합니다. 주요 이점 중 하나는 포트폴리오의 한계를 완전히 이해할 수 있도록 극단적인 시장 조건을 시뮬레이션할 수 있는 능력입니다. 비디오는 또한 낮은 가격 대비 수익 비율을 가진 대형주 포트폴리오의 사례 연구를 사용하여 전통적인 팩터 투자와 퀀트 팩터 투자 간의 접근 방식의 핵심 차이점을 강조합니다. 전통적인 접근 방식은 팩터를 식별하고 대형주 유니버스를 결정한 후 각 주식에 대한 팩터를 계산하고 최저 PER에서 최고 PER로 정렬하는 것입니다. 반면 퀀트 팩터 투자 방식은 특성을 기반으로 주가를 예측하는 모델을 구축하기 전에 데이터 수집, 전처리 및 특성 선택을 사용합니다.
00:35:00 연사는 특정 특성을 기반으로 주가를 예측하는 모델을 구축하고 포트폴리오를 구성하기 전에 모델의 정확성을 평가하는 퀀트 팩터 투자 과정을 설명합니다. 이 접근 방식은 데이터 기반이며 기존 팩터 투자에 비해 더 객관적이므로 보다 주관적인 분석이 가능합니다. 퀀트 팩터 투자를 사용하는 주요 이점은 보다 정확하고 신뢰할 수 있는 데이터 분석을 제공한다는 것입니다. 투자에 가장 적합한 팩터를 선택하려면 팩터가 지속적이고, 다양한 시장과 부문에 걸쳐 작동하며, 다양한 시장 조건에 견고하고, 시장 윤리의 변화에 과도하게 민감하지 않으며, 충분한 유동성과 용량으로 투자할 수 있어야 합니다.
00:40:00 강사는 경험적 증거에 의해 뒷받침됨, 경제적 또는 재정적 기반이 있음, 장기 투자 기회 제공, 투자 가능함, 직관적이고 널리 수용됨을 포함하는 최고의 요소의 5가지 주요 특성에 대해 논의합니다. 포트폴리오 위험을 줄이고 분산을 증가시키며 성과의 변동성을 줄이기 때문에 요인을 결합하는 것이 중요합니다. 요소를 결합하는 데 일반적으로 사용되는 5가지 방법에는 동일 가중치 및 요소 점수가 포함되며, 여기에서 각 요소는 과거 실적을 기준으로 점수가 매겨지고 가중 평균을 사용하여 전체 점수를 얻습니다. 강사는 좋은 포트폴리오는 높은 수익을 창출할 뿐만 아니라 여러 주기와 다양한 시장 역학에 걸쳐 안정적으로 수행된다고 강조합니다.
00:45:00 연사는 정량적 팩터 투자에서 팩터를 결합하는 몇 가지 방법에 대해 설명합니다. 이러한 방법 중 하나는 여러 요소를 더 작은 상관 관계가 없는 구성 요소 집합으로 결합하는 PCA(주성분 분석)입니다. 이것은 요인의 수를 줄이고 다중 공선성으로 알려진 상관 요인의 문제를 제거합니다. 또 다른 방법은 특정 팩터에 대한 포트폴리오의 가중치 또는 할당을 조정하는 팩터 틸팅입니다. 이는 유연하며 특정 요소를 대상으로 하는 데 사용할 수 있습니다. 마지막으로 기계 학습을 사용하여 과거 실적을 기반으로 요인을 선택하거나 결합하여 비선형 관계를 포착할 수 있습니다. 그런 다음 연사는 청중의 질문을 초대하고 참석자에게 몇 가지 제안을 공유합니다.
00:50:00 화자는 양적 요소 투자와 관련된 몇 가지 질문에 답합니다. 첫 번째 질문은 가격 움직임과 장기 차트를 투자의 요소로 사용하는 것에 관한 것인데, 화자는 적절히 정의하고 과거 실적을 연구하면 기술적인 요소로 사용할 수 있다고 응답합니다. 두 번째 질문은 자본화가 요인인지 여부인데 화자는 크기가 요인이라고 말하며 시장 상황에 따라 전략을 결정하는 요인 중 하나로 자본화를 사용할 수 있습니다. 연사는 또한 Yahoo Finance와 같은 웹사이트와 Alpha Vantage와 같은 유료 API를 언급하면서 데이터를 어디서 얻을 수 있는지에 대한 질문에 답합니다. 마지막으로 연사는 중/고빈도 매매에서 퀀트 팩터 투자를 어떻게 활용하느냐는 질문에 팩터 투자가 장기 투자자에게 더 적합하다고 답한다.
00:55:00 알고리즘은 산업 부문을 선택하는 데 특히 유용합니다. 의사 결정 트리, 신경망, 랜덤 포레스트 등 이러한 목적으로 사용할 수 있는 다양한 딥 러닝 알고리즘이 있습니다. 특정 작업 및 당면한 데이터 세트에 따라 다릅니다. 그러나 딥 러닝 알고리즘은 많은 양의 데이터가 필요하고 과적합되기 쉬우므로 주의해서 사용해야 한다는 점에 유의해야 합니다. 최적의 결과를 위해 전통적인 통계 방법과 함께 사용하는 것이 좋습니다.
01:00:00 연사는 RNN 및 LSTM과 같은 양적 팩터 투자에 사용되는 다양한 알고리즘과 이들이 분석되는 데이터 유형에 어떻게 의존하는지에 대해 논의합니다. 딥 러닝을 사용하여 요인을 결합하고 가중치를 결정하여 최적의 성능을 위해 각 요인에 제공할 수 있습니다. 연사는 요인 전략을 백테스팅하고 여러 데이터 세트와 시장에서 통계적 유의성을 테스트하는 방법에 대한 조언도 제공합니다. 그들은 측면 시장을 식별하기 위해 Bollinger Bands를 기술적 지표로 사용할 것을 제안합니다. 거래되는 요소와 거래되지 않는 요소의 차이점도 설명합니다. 거래되는 요소는 공개적으로 거래되는 증권을 기반으로 하며, 거래되지 않는 요소는 공개 시장에서 포착할 수 없는 요소입니다.
01:05:00 연사는 유동성을 쉽게 결정할 수 없기 때문에 거래되지 않는 요소의 예로 부동산을 사용하여 거래되는 요소와 거래되지 않는 요소의 차이점에 대해 논의합니다. 퀀트 팩터 투자의 초점은 데이터에 쉽게 접근할 수 있고 공개되어 백테스트가 가능하기 때문에 거래된 팩터에 있습니다. 연사는 또한 회사가 가치주를 정의하기 위해 주가수익비율을 사용하는 것과 같은 기술을 제안하면서 회사가 더 가치 또는 성장 중심인지 결정하는 방법에 대한 시청자 질문에 답합니다. 마지막으로 청중의 참여에 감사를 표하고 세션에 대한 피드백을 제공하도록 권장합니다.
This session covers the concept of factor investing and different types of factor investing strategies including a discussion of passive vs active investing ...
옵션 거래를 위한 기계 학습에 관한 웨비나에서 연사인 Varun Kumar Patula는 기계 학습과 그 기본 목적에 대한 소개로 시작합니다. 그는 기계 학습 알고리즘을 사용하여 데이터를 분석하고 사람이 알아채지 못할 수도 있는 패턴을 발견한다고 설명합니다. 바룬은 인공지능, 머신러닝, 딥러닝을 구분하며 머신러닝이 데이터를 기반으로 예측이나 결정을 내리기 위해 모델을 훈련시키는 데 초점을 맞춘 AI의 하위 집합임을 강조합니다. 그는 기계 학습을 지도 학습, 비지도 학습 및 강화 학습의 세 가지 유형으로 분류하며 각각 고유한 특성과 응용 프로그램이 있습니다.
그런 다음 연사는 웨비나의 핵심 초점인 옵션 거래에 기계 학습을 적용하는 방법에 대해 자세히 설명합니다. 옵션 거래는 보유자에게 특정 기간 내에 지정된 가격으로 자산을 사고 팔 수 있는 권리를 부여하는 옵션 계약의 매수 또는 매도를 포함합니다. Varun은 옵션 거래와 관련된 높은 위험을 강조하고 기계 학습이 분석 정확도를 향상시켜 위험을 줄이는 방법을 설명합니다. 가격 옵션, 거래 전략 설계, 변동성 계산 및 내재 변동성 예측을 포함하여 옵션 거래에서 기계 학습의 다양한 응용 프로그램에 대해 자세히 설명합니다. 이러한 응용 프로그램은 옵션 거래에서 의사 결정을 개선하고 수익성을 높이는 것을 목표로 합니다.
옵션 거래에서 기계 학습의 필요성을 이해하기 위해 Black-Scholes 모델과 같은 기존 모델의 한계에 대해 설명합니다. Black-Scholes 모델은 실제 시나리오에서는 사실이 아닐 수 있는 일정한 무위험 금리와 변동성을 가정합니다. Varun은 German Candy 모델 및 Heston 모델과 같은 대체 모델에 대해 언급했는데, 이 모델에는 고유한 제한 사항과 입력 매개변수 요구 사항이 있습니다. 제안된 솔루션은 확장된 기능 및 입력 매개변수 세트를 허용하므로 이러한 모델의 대체 또는 조합으로 기계 학습을 활용하는 것입니다. 기계 학습 모델은 내재 또는 실현 변동성, 금리 및 기타 관련 기능과 같은 요소를 고려하여 옵션의 공정한 가격을 결정할 수 있습니다. 이를 통해 보다 정확한 가격 책정, 행사 가격 선택 및 헤지 전략이 가능합니다. Varun은 실증적 연구에서 다층 퍼셉트론 모델과 같은 여러 개의 숨겨진 레이어가 있는 딥 러닝 모델이 Black-Scholes 모델보다 성능이 뛰어나며, 특히 돈이 없거나 비용이 많이 드는 옵션에 대해 강조합니다.
웨비나는 옵션 전략을 위한 기계 학습 모델을 사용하여 거래 결정의 최적화를 탐색합니다. 일반적인 프로세스에는 기본 자산의 강세 또는 약세 정서를 분석하고 그에 따라 적합한 전략을 선택하는 것이 포함됩니다. 그러나 많은 옵션 전략은 위험-보상 분포를 왜곡하여 보다 정교한 분석이 필요합니다. 기계 학습은 과거 수익률, 모멘텀 및 변동성과 같은 기능을 고려하여 기본 자산에 대한 통찰력을 제공함으로써 이 분석을 향상시킬 수 있습니다. 그런 다음 이러한 기능을 기계 학습 모델에 입력하여 다음 거래 기간을 강세 또는 약세로 분류합니다. 비디오는 또한 SP500 지수 데이터에 사용되는 기능을 다루고 옵션 전략 결정에서 기능 분석의 중요성을 강조합니다.
다음으로 연사는 수직 옵션 스프레드에 대한 거래 결정을 위한 기계 학습 모델을 구성하는 데 중점을 둡니다. 그들은 입력 매개변수가 다음 거래일을 강세 또는 약세로 분류하는 데 결정 트리 분류기가 사용되는 이전 예와 동일하게 유지된다고 설명합니다. 옵션을 활용하기 위해 위험을 제한하는 강세 콜 스프레드 또는 약세 풋 스프레드와 같은 스프레드가 도입됩니다. 기계 학습 모델을 결합하여 계약의 거래 범위와 변동성을 예측합니다. 트레이더는 이러한 결합 모델을 활용하여 거래 전략에서 수직 스프레드에 대한 최적의 설정을 결정하는 동시에 옵션 거래에서 중요한 내재 변동성을 예측할 수 있습니다.
옵션 거래에서 기계 학습의 또 다른 적용은 내재 변동성을 예측하고 옵션 전략에 대해 계산된 결정을 내리는 것입니다. 과거 내재 변동성 및 기타 관련 기능을 기계 학습 모델에 입력함으로써 트레이더는 변동성을 예측하고 매도 스트래들 또는 매도 스트랭글과 같은 적절한 전략을 선택할 수 있습니다. 발표자는 기본 데이터 및 옵션 데이터를 포함하여 전략 및 입력 기능 목록을 기반으로 가장 적합한 옵션 전략을 예측하기 위해 기계 학습 모델이 구축된 사례 연구를 공유합니다. 전략 유니버스를 설계하고 다양한 계약을 포함하도록 연구를 확장함으로써 거래자는 기계 학습을 활용하여 거래 목표에 맞는 최상의 전략을 만들고 선택할 수 있습니다.
웨비나에서 연사는 포지션과 계약의 다양한 조합을 탐색하여 옵션 거래를 위한 27가지 전략을 만든 방법을 설명합니다. 전략을 다듬기 위해 콜러에서 포지션이 부족하거나 짧은 스트래들과 같은 비실용적인 조합에 의존하는 조합을 제거하여 20개로 걸러냈습니다. 이 20가지 전략 중 최대 수익을 제공하는 전략을 결정하기 위해 화자는 기계 학습 모델, 특히 장단기 기억(LSTM) 모델을 사용했습니다. 이 모델은 기본 자산, 옵션 및 변동성의 입력 기능을 통합하고 다중 클래스 분류 시스템을 활용하여 최적의 배포 전략을 식별했습니다.
비디오는 또한 옵션 등급과 관련된 기능과 LSTM 모델에 사용되는 신경망의 구조에 대해 조명합니다. 약 10년 간의 데이터로 모델을 교육하고 입력 기능을 기반으로 전략 레이블을 생성했습니다. 결과는 기계 학습 모델이 시간이 지남에 따라 기본 자산을 능가하는 것으로 나타났습니다. 옵션에 대한 기계 학습 모델의 예측 정확도를 향상시키기 위해 발표자는 몇 가지 모범 사례를 권장합니다. 여기에는 미세 조정을 위한 확률 수준 활용, 다중 비전 모델 사용, 투표 분류기 기술 구현, 정확도 및 수익성 향상을 위해 다른 기계 학습 모델을 교육하기 위해 여러 분류기의 출력을 활용하는 것이 포함됩니다.
또한 연사는 옵션 거래에서 분류 모델의 성능을 개선하는 방법을 탐구합니다. 이러한 방법에는 확률 수준 활용, 여러 분류기를 결합하여 앙상블 기술 사용, 기계 학습 모델을 사용하여 서로 다른 모델의 출력을 집계하는 것이 포함됩니다. 모델에서 더 높은 정확도를 달성하기 위해 하이퍼파라미터 튜닝 및 교차 검증 기술의 중요성이 강조됩니다. 연사는 또한 실제 돈으로 전략을 전개하기 전에 종이 거래의 중요성을 강조합니다. 이 관행을 통해 거래자는 실제 자본을 위험에 빠뜨리기 전에 실질적인 문제나 문제를 식별하고 해결할 수 있습니다.
이어지는 Q&A 세션에서 연사는 참석자들의 질문에 답합니다. 질문은 옵션 거래를 위한 기계 학습 전략의 성능, 모델의 기능을 선택하는 데 사용되는 방법론, 기존 기술 지표에 대한 기계 학습의 이점, 기능 중요도 계산 및 적절한 보유 기간을 포함한 다양한 주제를 다룹니다. SPY(Standard & Poor's 500 지수). 연사는 모델에 사용된 데이터가 2010년까지 거슬러 올라가고 2020년 이후의 기간을 포함하기 때문에 전략의 성과가 2020년의 시장 방향에 의해서만 결정되는 것은 아니라고 설명합니다. 그들은 옵션 그리스와 같은 요인을 고려하여 옵션 거래가 보다 복잡한 분석을 필요로 한다고 설명합니다. 내재 변동성으로 인해 머신 러닝이 유용한 도구가 되었습니다. 모델의 기능 선택은 거래 경험과 정보에 입각한 의사 결정의 조합을 기반으로 합니다.
웨비나 말미에는 연사가 수반되는 과정의 전제 조건에 대해 논의하고 머신 러닝에 대한 사전 지식과 이점을 극대화할 수 있는 관련 과정을 추천합니다. 이 과정은 주로 S&P 500 옵션 거래를 위한 기계 학습 모델을 구축하는 데 중점을 두지만 추가 교육 및 사용자 정의를 통해 개념을 다른 계약에 적용하고 적용할 수 있습니다. 이 과정은 사전 구축된 기계 학습 모델을 제공하지 않지만 참가자에게 자신의 모델을 구성하는 데 필요한 지식과 기술을 제공합니다.
웨비나는 옵션 거래에서 기계 학습의 적용에 대한 포괄적인 개요를 제공합니다. 기계 학습의 기초, 다른 관련 분야와의 차이점, 기계 학습 알고리즘의 세 가지 유형을 다룹니다. 웨비나는 분석 정확도를 높이고 위험을 완화할 수 있는 능력으로 인해 옵션 거래에서 기계 학습의 필요성을 강조합니다. 가격 옵션, 거래 전략 설계, 내재 변동성 예측을 포함하여 옵션 거래에서 기계 학습의 다양한 응용에 대해 논의합니다. 웨비나는 또한 수직 옵션 스프레드 및 거래 결정 최적화를 위한 기계 학습 모델의 구축을 탐구합니다.
00:00:00 연사인 Varun Kumar Patula가 옵션 거래를 위한 기계 학습에 관한 웨비나의 의제를 소개합니다. 그는 기계 학습에 대한 간략한 소개와 기계 학습 알고리즘을 사용하여 데이터를 이해하거나 분석하고 인간이 일반적으로 놓치는 내부 패턴을 찾는 핵심 목적으로 시작합니다. 이어 바룬은 인공지능, 머신러닝, 딥러닝의 차이점을 설명한다. 그는 또한 지도 학습, 비지도 학습 및 강화 학습의 세 가지 유형의 기계 학습 알고리즘이 있다고 언급합니다. 마지막으로 그는 옵션 거래에 기계 학습을 적용해야 할 필요성을 강조하고 연구 및 실무에 있는 주요 응용 프로그램과 옵션 거래에 기계 학습 기술을 적용할 때 염두에 두어야 할 모범 사례에 대해 자세히 설명합니다.
00:05:00 연사는 기계 학습의 개념과 다양한 분야, 특히 알고리즘 거래, 포트폴리오 관리 및 사기 탐지와 같은 금융 서비스에서의 응용을 소개합니다. 이 웨비나의 초점은 옵션 거래를 위한 기계 학습의 적용에 있습니다. 연사는 옵션 거래가 특정 설정 가격 및 특정 부채로 구매 또는 판매할 수 있는 선택권을 제공하는 옵션 계약 구매 또는 판매를 포함한다고 설명합니다. 거래자는 헤징, 소득 창출 또는 투기를 위해 옵션 거래를 사용합니다. 연사는 옵션 거래와 관련된 높은 위험을 강조하고 기계 학습이 어떻게 분석의 정확도를 높여 위험을 줄일 수 있는지 설명합니다. 기계 학습은 가격 옵션, 거래 전략 설계, 변동성 계산 및 옵션의 내재 변동성 예측에 사용됩니다. 이 섹션은 일반적으로 사용되는 Black-Scholes 모델의 한계를 논의하는 것으로 결론을 내립니다.
00:10:00 무위험이자율과 변동성이 일정하다고 가정하는 블랙숄즈 모델의 한계에 대해 논의하고 있으며, 저먼 캔디 모델과 헤스톤 모델과 같이 입력 매개변수에 대한 고유한 한계가 있는 다른 모델도 논의합니다. 제안된 솔루션은 기계 학습이 기존 모델과 달리 기능 세트 및 확장된 입력 매개 변수의 증가를 허용하므로 이러한 모델의 대체 또는 조합으로 기계 학습을 구현하는 것입니다. ML 모델은 내재 또는 실현 변동성, 이자율 및 기타 기능을 입력으로 사용하여 옵션의 공정한 가격을 식별하여 가격 책정, 행사 가격 선택 및 헤지 애플리케이션을 허용할 수 있습니다. 경험적 연구에 따르면 가장 성능이 좋은 모델은 특히 돈이 부족하거나 돈이 없을 때 Black-Scholes 모델을 능가하는 다중 계층 퍼셉트론 모델인 다중 숨겨진 레이어가 있는 딥 러닝 모델입니다.
00:15:00 비디오는 기계 학습을 사용하여 옵션 상태 전략을 사용하여 거래 결정을 최적화하는 방법에 대해 설명합니다. 거래자의 일반적인 프로세스에는 기본 자산을 분석하고 강세인지 약세인지 결정하고 이를 기반으로 전략을 선택하는 것이 포함됩니다. 그러나 많은 옵션 전략은 위험-보상 분포가 왜곡되어 매우 위험하므로 기계 학습을 구현하면 기본 자산 분석을 개선하고 더 나은 정서 분석을 제공할 수 있습니다. ML 아키텍처를 구성하는 체계에는 ML 모델을 사용하여 감정 분석을 수행하거나 기본 자산을 예측하는 것이 포함됩니다. 과거 수익률, 모멘텀, 변동성과 같은 특징은 자산에 대한 정보를 제공하는 데 사용되며 다음 거래 기간이 강세인지 약세인지를 분류하기 위해 기계 학습 모델에 입력됩니다. 동영상에서는 SP500 지수 데이터에 사용된 기능과 기능 분석의 중요성에 대해서도 설명합니다.
00:20:00 연사는 수직 옵션 스프레드에 대한 거래 결정을 위한 기계 학습 모델 구축에 대해 논의합니다. 입력 매개변수는 다음 거래일을 강세 또는 약세로 분류하는 데 결정 트리 분류기가 사용되는 이전 예와 동일하게 유지됩니다. 옵션을 활용하기 위해 위험이 제한적인 강세 콜 스프레드 또는 약세 풋 스프레드와 같은 스프레드가 도입됩니다. 기계 학습 모델을 결합한다는 아이디어는 한 모델이 거래 범위를 예측하고 다른 모델은 계약의 변동성이 높은지 낮은지를 예측할 때 작동합니다. 이러한 모델의 조합을 사용하여 트레이더는 거래 전략에 대한 최적의 수직 스프레드 설정을 결정하는 동시에 옵션 거래에서 특히 중요한 내재 변동성을 예측할 수 있습니다.
00:25:00 연사는 묵시적 변동성을 예측하고 어떤 전략을 취할지 계산된 결정을 내림으로써 기계 학습 모델이 옵션 거래에 어떻게 사용될 수 있는지 설명합니다. 기계 학습 모델에 대한 입력으로 역사적 내재 변동성 및 기타 기능을 입력함으로써 트레이더는 변동성을 예측하고 그에 따라 스트래들 매도 또는 스트랭글 매도와 같은 전략으로 포지션을 취할 수 있습니다. 그런 다음 연사는 기본 데이터 및 옵션 데이터와 같은 전략 및 입력 기능 목록을 기반으로 배포할 옵션 전략을 예측하기 위해 기계 학습 모델이 구축된 사례 연구에 대해 설명합니다. 전략 유니버스를 설계하고 다양한 계약을 포함하도록 연구를 확장함으로써 거래자는 기계 학습을 사용하여 거래 요구에 가장 적합한 전략을 만들고 선택할 수 있습니다.
00:30:00 연사는 포지션과 계약의 다양한 조합을 사용하여 옵션 거래를 위한 27가지 전략을 만든 방법을 설명합니다. 그들은 콜러의 포지션을 포함하지 않거나 짧은 스트래들과 같은 비현실적인 조합에 의존하는 조합을 제거하여 이러한 전략을 20개까지 필터링했습니다. 그런 다음 기계 학습 모델, 특히 장단기 기억 모델을 사용하여 이 20가지 전략 중 최대 수익을 제공할 전략을 결정했습니다. 이 모델은 기본 자산, 옵션 및 변동성에서 입력 기능을 가져오고 다중 클래스 분류 시스템을 사용하여 배포할 최상의 전략을 결정했습니다.
00:35:00 비디오는 옵션 등급과 관련된 특정 기능의 사용과 LSTM 모델에 사용되는 신경망 구조에 대해 설명합니다. 이 모델은 약 10년 간의 데이터로 학습되며 입력 기능을 기반으로 전략 레이블을 제공합니다. 결과는 시간이 지남에 따라 기본 자산을 능가하는 것으로 나타났습니다. 옵션에 대한 기계 학습 모델의 더 나은 예측을 위해 제안된 모범 사례에는 미세 조정을 위한 확률 수준 사용, 다중 비전 모델 사용, 투표 분류기 기술 사용, 더 나은 정확도와 수익성을 위해 여러 분류기의 출력을 다른 ML 모델에 제공하는 것이 포함됩니다.
00:40:00 연사는 확률 수준 사용, 트리 곱하기, 노동 계급 공정 기법을 통해 서로 다른 분류기 결합, 머신 러닝 모델을 사용하여 여러 결과를 가져오는 등 옵션 거래에 대한 분류 모델의 성능을 개선하는 방법에 대해 논의합니다. 모델을 입력으로 사용합니다. 발표자는 또한 정확도를 높이기 위해 하이퍼파라미터 튜닝 및 교차 검증 기술의 중요성을 강조합니다. 또한 실제 돈을 사용하기 전에 실제 문제를 식별할 수 있으므로 전략을 전개하기 전에 종이 거래의 중요성이 강조됩니다. 한 참석자가 연사의 경험에 대해 묻는 Q&A 세션이 이어집니다.
00:45:00 연사는 옵션 거래에서 델타의 사용에 대해 논의하며 위험 보상 능력과 포트폴리오의 기본 자산에 따라 수익성 있는 전략이 될 수 있다고 말합니다. 그들은 델타 헤지 전략에만 의존하는 것에 대해 경고하고 다른 전략과 함께 사용할 것을 제안합니다. 발표자는 또한 시장 가격과 일치하지 않는 모델 사용, 기능 중요도 계산 및 SPY 보유 기간에 대한 질문에 답합니다. 기능 중요도를 계산하는 방법을 설명하고 기본 자산을 예측하는 데 다양한 보유 기간을 사용할 수 있다고 설명합니다.
00:50:00 연사는 옵션 거래를 위한 기계 학습 전략의 성능과 모델의 기능에 도달하는 데 사용된 방법론과 관련된 시청자의 질문에 답합니다. 그들은 모델에 사용된 데이터가 2010년까지 거슬러 올라가고 2020년을 넘어서기 때문에 전략의 성과가 2020년에 시장 방향성 때문만은 아니라고 설명합니다. 기존 기술 지표에 비해 머신 러닝의 이점에 대해 질문을 받자 연사는 다음과 같이 강조합니다. 옵션 거래에는 옵션 그리스 및 내재 변동성을 포함하여 보다 복잡한 데이터 분석이 필요하므로 기계 학습이 유용한 도구가 됩니다. 마지막으로 발표자는 모델의 기능이 거래 경험과 정보에 입각한 의사 결정의 조합을 기반으로 선택되었다고 설명합니다.
00:55:00 연사는 기계 학습을 사용하여 정보에 입각한 거래 결정을 내리는 데 필요한 다양한 요소(예: 과거 수익률 및 기술적 지표)에 대해 논의합니다. 또한 수동 거래자와 중개인이 일반적으로 사용하는 기능의 사용에 대해서도 언급합니다. LSTM 모델에 대한 질문에 그들은 현재 결과가 일일 데이터를 기반으로 하지만 고주파 또는 중빈도 거래 알고리즘도 틱 단위 데이터를 사용할 수 있다고 설명합니다. 또 다른 질문은 훈련 세트의 거래 수에 대해 묻는데, 케이스에 따라 다르며 비율은 70:30이라고 설명합니다. 마지막으로 Ensemble 모델의 블렌딩과 스태킹을 구분하고 블렌딩이 여러 모델의 출력을 가져와 새로운 모델을 훈련시키는 방법을 설명합니다.
01:00:00 이 과정은 기계 학습의 기초와 옵션 거래에 대한 적용을 다룹니다. 이 과정은 특히 SP500 옵션 거래를 위한 기계 학습 모델 구축에 중점을 두지만 추가 교육 및 조정을 통해 다른 계약에 개념을 적용할 수 있습니다. 이 과정은 바로 사용할 수 있는 기계 학습 모델을 제공하지 않지만 이를 구축하는 데 필요한 지식과 기술을 제공합니다.
01:05:00 이 섹션에서 발표자는 과정의 전제 조건에 대해 논의하고 기계 학습 및 관련 과정에 대한 사전 지식이 이 과정을 최대한 활용하는 데 도움이 될 것이라고 언급합니다. 발표자는 또한 받은 수많은 질문을 인정하고 웨비나 마지막에 설문 조사를 통해 답을 얻을 것이라고 청중에게 확신시킵니다. 웨비나는 발표자가 청중에게 감사를 표하고 향후 세션을 개선하기 위한 피드백을 제공하도록 격려하는 것으로 마무리됩니다.
This session explains the application of machine learning for options trading. It covers the process of creating options trading strategies using machine lea...
행사의 첫 번째 프레젠테이션은 이탈리아의 중소기업과 협력하여 다양한 기업 기능에 AI 솔루션을 제공하는 것으로 알려진 독립 AI 및 빅 데이터 엔지니어인 Raimondo Mourinho가 진행합니다. Mourinho는 기계 학습 기술, 통계 및 확률을 결합하여 고급 거래 시스템을 만들 수 있다고 믿습니다. 프레젠테이션에서 그는 포트폴리오 자산 할당에서 기계 학습 모델을 개발하기 위한 실용적이고 확장 가능한 프레임워크를 공유합니다.
Mourinho는 이러한 시스템을 설계하는 데 필요한 핵심 구성 요소를 소개하는 것으로 시작합니다. 그는 포트폴리오 사고 방식을 채택하고 머신 러닝 모델을 활용하여 아이디어를 실행 가능한 전략으로 변환하고 멀티 CPU, 멀티 코어 및 GPU 기능을 활용하는 것의 중요성을 강조합니다. 이러한 요소는 그의 프레임워크의 기초를 형성합니다. 라이브로 전환할 때 인프라의 필요성에 대해 간략하게 언급하는 동안 그는 프레임워크의 마지막 부분이 프레젠테이션 범위를 벗어남을 인정하면서 중저빈도 거래를 위한 프레임워크의 기본 블록에 초점을 맞춥니다.
그런 다음 연사는 기계 학습 및 Python의 배당주 최적화를 사용하여 포트폴리오 자산 할당을 위한 강력한 프레임워크를 구축하는 데 필요한 역량에 대해 자세히 설명합니다. 그는 포트폴리오 기술, 객체 지향 프로그래밍, 다중 처리 기술 및 비동기 프로그래밍에 대한 강력한 이해가 필요하다고 강조합니다. 또한 하이퍼 매개변수 최적화 도구, SQL 언어 및 Docker 기술에 대한 전문 지식은 가치 있는 것으로 간주됩니다. Mourinho는 시계열에 대한 데이터베이스 최적화, 데이터 사전 처리, 누락된 데이터 및 이상값 처리, 데이터 정규화 및 지정된 자산 유니버스 내에서 자산 선택 수행을 포함하는 프레임워크의 첫 번째 단계를 설명합니다.
프레젠테이션은 거래 신호 생성을 위한 기계 학습 용어에 해당하는 알파 생성 단계에 대해 논의합니다. Mourinho는 이 단계에서 거래자들이 다양한 지표, 정서 분석 및 계량 경제 모델을 사용하여 아이디어를 통합한다고 강조합니다. 후속 단계에는 상수 및 준 상수 기능, 비정적 기능 및 선형 상관 기능과 같은 중복 기능이 순위 기반 방법을 사용하여 제거되는 기능 선택이 포함됩니다. 또한 그는 기능 내에서 중요한 정보를 보존하면서 원하는 정상성을 유지하는 기술인 부분 미분의 활용에 대해 언급합니다. 이러한 개선 사항은 배당주에 대한 기계 학습 및 최적화를 사용하여 포트폴리오 자산 할당을 위한 Mourinho의 프레임워크에 필수적입니다.
자산 선택 및 가중치 할당을 포함하는 리밸런싱은 학습 파이프라인에서 자세히 설명됩니다. Mourinho는 자산 선택을 위해 자산 간의 상대적 강도를 기반으로 단면 모멘텀을 사용합니다. 가중치 할당을 위해 그는 임계 라인 알고리즘, 역변동성 포트폴리오, 동일 가중 포트폴리오와 같은 기존 기술을 계층적 위험 패리티 및 계층적 균등 위험 기여도와 같은 기계 학습 모델과 결합합니다. 발표자는 시뮬레이션 결과를 보여주고 과거 데이터를 사용하여 성능을 평가합니다. 그는 또한 Drunken Monkey 전략 및 조합 제거 교차 검증과 같은 기술을 통합하여 포트폴리오를 더욱 강화하려는 의도를 언급합니다. 또한 Mourinho는 이러한 기술을 실시간 거래 시나리오에 적용할 때 효과적인 자금 관리의 중요성을 강조합니다.
매개 변수 변동성 추정을 해결하기 위해 Mourinho는 Monte Carlo 시뮬레이션 및 부트스트래핑과 같은 기술을 사용할 것을 권장합니다. 그는 말기 자산과 최대 감소 백분위수에 초점을 맞춘 분석 결과를 제시합니다. 연사는 데이터 중심을 유지하고 특정 거래 아이디어에 지나치게 집착하지 않는 것의 중요성을 강조합니다. 또한 그는 다른 기술을 사용하여 특이한 위험을 완화하고 비슷한 성능을 가진 더 간단한 시스템을 선택하여 과적합을 피하도록 조언합니다. 마지막으로 그는 시계열 데이터의 비정적 특성으로 인해 실시간 거래 시스템을 지속적으로 모니터링하고 조정해야 할 필요성을 강조합니다.
Q&A 세션에서 Mourinho는 청중의 몇 가지 질문에 답변합니다. 한 참가자는 파이프라인에서 가장 중요한 단계에 대해 묻습니다. Mourinho는 데이터 전처리가 필수적이고 시간이 많이 걸린다고 강조합니다. 또 다른 쿼리는 데이터 정규화를 중심으로 이루어지며 Mourinho는 대부분의 경우 평균을 빼고 표준 편차로 나누는 일반적인 관행을 제안합니다. 주성분 분석(PCA)을 사용하여 선형 상관 관계를 제거하는 것과 관련하여 그는 가능성을 인정하지만 기능의 잠재적인 의미 손실에 대해 경고하고 결과를 효과적으로 해석하기 위해 Sharpe Ratio와 같은 모델을 고려할 것을 제안합니다.
연사는 기능 선택을 위한 PCA 사용과 기능의 해석 가능성에 미치는 잠재적 영향에 대해 논의합니다. 퀀트 및 알고리즘 트레이더를 꿈꾸는 분들은 EPAT(알고리즘 트레이딩의 집행 프로그램)를 귀중한 출발점으로 고려하는 것이 좋습니다. 그들은 프로그램이 업계의 요구 사항에 부합하는 포괄적인 학습 목표를 제공한다고 강조합니다. 웨비나 참석자는 프로그램에 대한 연장된 얼리버드 입장권을 제공받으며 코스 상담 전화를 예약하여 알고리즘 트레이딩 데스크를 구축하거나 거래에 고급 기술 및 도구를 통합하는 등 경력 목표를 달성하는 데 도움이 되는 방법을 이해할 수 있습니다. 전략.
Hong Kong Exchange and Clearing Limited의 프로젝트 관리자인 Kurt Celestog가 무대에 올라 포트폴리오 관리에 대한 자신의 프로젝트를 공유합니다. 이는 Jay Palmer의 양적 포트폴리오 관리에 대한 강의를 확장한 것입니다. Celestog의 프로젝트는 포트폴리오 관리를 통해 배당 수익률을 최적화하는 데 중점을 둡니다. 그의 목표는 포트폴리오의 가치를 유지하면서 배당 지급의 안정성과 성장을 보장하면서 정기적인 배당 소득 흐름을 생성하는 것입니다. 그는 최적의 포트폴리오 운용 기법을 통해 배당수익률과 주가수익률 모두 벤치마크지수(ETF)를 뛰어넘는 것을 목표로 하고 있다. Celestog는 배당 데이터 획득에 어려움을 겪었고 이를 다운로드할 수 있는 웹 스크래핑 기능을 개발했습니다. 그는 데이터 세트를 각각 10년을 다루고 경기 침체와 확장을 포함하는 두 부분으로 나누었습니다.
연사는 배당 주식 포트폴리오 최적화를 위한 데이터 정리 과정에서 직면한 문제에 대해 논의합니다. 웹 사이트에서 얻은 데이터는 깨끗하지 않았으며 배당금을 달러 금액으로 표현하기 위해 수정 및 정규화가 필요했으며, 특히 초기 배당금은 처음에 백분율로 표시되었습니다. 가격 데이터는 Yahoo Finance에서 제공되었으며 연간 배당 수익률, 배당 성장 및 평균 성장과 같은 지표가 계산되었습니다. 선택된 모든 주식에 대해 합성 비율을 도출하여 가중치가 동일한 포트폴리오와 가중치가 최적화된 포트폴리오의 두 가지 포트폴리오를 만들었습니다. 연사는 단일 최적화와 10년 보유 기간이 벤치마크와 ETF를 능가하는지 여부를 분석하는 것을 목표로 했습니다.
그런 다음 연사는 기계 학습 기술을 활용한 포트폴리오 최적화 프로젝트의 결과를 공유합니다. 제시된 그래프는 왼쪽 상단 사분면에 있는 녹색 거품을 나타내며, 가장 높은 통합 지표를 가진 5개 주식을 나타냅니다. 동일 가중 포트폴리오와 최적 가중 포트폴리오 모두 벤치마크보다 평균 수익률과 배당 수익률이 더 높았습니다. 그러나 향후 10년 동안 은행 및 기술 주식의 인기가 높아져 최적화된 포트폴리오의 성과가 벤치마크에 비해 감소했습니다. 성과를 개선하기 위해 발표자는 포트폴리오를 정기적으로 재조정하고 선택한 메트릭을 기반으로 최고의 5개 주식을 선택하는 실험을 했습니다. 재조정된 포트폴리오는 벤치마크를 능가했으며 더 높은 배당수익률을 보여주었습니다.
연사는 특히 부동산 투자 신탁(REITs)과 같은 배당주에서 포트폴리오 최적화와 정기적인 재조정이 배당 수익률을 높이고 벤치마크 지수를 능가하는 방법을 강조합니다. 6개월마다 포트폴리오를 재조정하고 다양한 룩백 기간을 탐색함으로써 연사는 평균 배당 수익률, 배당 성장, 수익률 및 하락폭 감소 측면에서 지수를 성공적으로 능가했습니다. 그러나 그들은 데이터를 얻고 정리하는 데 어려움이 있음을 인정하고 재조정 기능이 복잡할 수 있다는 점에 주목하여 이러한 복잡성을 해결하기 위해 객체 지향 프로그래밍을 사용할 것을 제안합니다. 전반적으로 연사는 포트폴리오 최적화와 정기적인 재조정이 투자자에게 유용한 도구임을 강조합니다.
발표자는 빈번한 포트폴리오 재조정이 우수한 성과를 달성하는 데 중요하다고 지적합니다. 그러나 배당주에 대한 배당 데이터 가용성이 드물기 때문에 1년에 1~2회보다 더 자주 리밸런싱하기가 어렵습니다. 연사는 또한 다양한 최적화 기준 탐색, 다각화 증가를 위해 포트폴리오에 더 많은 주식 통합, 광범위한 백테스팅 수행 등 프로젝트에 대한 추가 작업의 필요성을 강조합니다. 그들은 읽기의 범위를 확장하고 거래 비용이 포트폴리오 성과에 미치는 영향에 대해 논의할 것을 제안합니다.
Q&A 세션 동안 Celestog는 청중의 질문에 답합니다. 한 참가자는 최적화된 포트폴리오와 비교하여 동일 가중 포트폴리오의 성과에 대해 질문합니다. Celestog는 동일 가중 포트폴리오가 일반적으로 잘 수행되었지만 최적화된 포트폴리오가 더 높은 수익을 내어 포트폴리오 최적화 기법의 효과를 입증했다고 설명합니다. 다른 참석자는 거래 비용이 포트폴리오 성과에 미치는 영향에 대해 질문합니다. Celestog는 트랜잭션 비용이 상당한 영향을 미칠 수 있음을 인정하고 이를 최적화 프로세스에 통합하여 실제 성능을 보다 정확하게 나타낼 것을 제안합니다. 그는 또한 실시간 거래 시나리오에서 미끄러짐을 고려하는 것의 중요성을 언급하고 참가자들에게 실시간 거래에서 구현하기 전에 과거 데이터를 사용하여 전략을 철저히 테스트하도록 조언합니다.
전반적으로 웨비나의 프레젠테이션은 배당주에 대한 기계 학습 및 최적화 기술을 사용하여 포트폴리오 자산 배분의 실용적인 측면을 조명합니다. 발표자들은 성공적인 결과를 얻기 위한 데이터 전처리, 기능 선택, 재조정 및 정기적인 모니터링의 중요성을 강조했습니다. 그들은 또한 금융 시장의 역동적인 특성을 탐색하기 위해 지속적인 학습, 적응성 및 다양한 전략 탐색의 필요성을 강조했습니다. 청중은 포트폴리오 관리에서 머신 러닝을 활용할 때의 과제, 기술 및 잠재적 이점에 대한 귀중한 통찰력을 얻었습니다.
00:00:00 첫 번째 프레젠테이션은 Raimondo Mourinho가 발표한 포트폴리오 자산 배분에 관한 것입니다. Mourinho는 독립적인 AI 및 빅 데이터 엔지니어로 이탈리아의 다양한 중소기업과 협력하여 마케팅, HR, 영업 및 생산과 같은 기업 기능을 위한 AI 엔드 투 엔드 솔루션을 제시합니다. 그는 기계 학습 기술을 통계 및 확률과 결합하여 우수한 거래 시스템을 설계할 수 있다고 믿습니다. 프레젠테이션에서 Mourinho는 포트폴리오 자산 할당에서 기계 학습 개발을 위한 실용적이고 확장 가능한 프레임워크를 공유합니다.
00:05:00 연사는 포트폴리오 가중치 할당을 위한 확장 가능한 프레임워크를 소개하고 그러한 시스템을 설계하는 데 필요한 요소를 설명합니다. 세 가지 요소에는 포트폴리오 사고 방식으로 시스템 설계, 기계 학습 모델을 사용하여 아이디어를 전환하고 다중 CPU, 다중 코어 및 GPU 기능을 활용하는 것이 포함됩니다. 연사는 또한 중저빈도 거래를 위한 프레임워크의 기본 블록을 공유하고 라이브로 전환할 때 인프라의 필요성에 대해 간략하게 언급합니다. 프레임워크의 마지막 부분은 프레젠테이션 범위를 벗어나므로 발표자가 다루지 않습니다.
00:10:00 연사는 기계 학습을 사용하여 포트폴리오 자산 배분을 위한 프레임워크를 구축하는 데 필요한 역량과 파이썬에서 배당주 최적화에 대해 클래스와 함께 논의합니다. 포트폴리오 기법, 객체지향 프로그래밍, 다중처리 기법, 비동기 프로그래밍 등에 대한 지식이 필요하다. 하이퍼 매개변수 최적화 도구, SQL 언어에 대한 지식 및 Docker 기술의 사용도 중요합니다. 그런 다음 발표자는 프레임워크의 첫 번째 단계에 대해 논의합니다. 여기에는 시계열에 대한 데이터베이스 최적화, 데이터 사전 처리, 누락된 데이터 및 이상치 처리, 데이터 정규화, 자산 유니버스 내에서 자산 선택 수행이 포함됩니다.
00:15:00 연사는 거래자들 사이에서 일반적으로 알파 세대 단계로 알려진 기계 학습 용어로 알파 세대 단계에 대해 논의합니다. 이 단계에서 거래자는 다양한 지표, 정서 분석 및 계량 경제학 모델을 사용하여 마음에 떠오르는 아이디어를 추가합니다. 다음 단계는 순위 기반 방법을 사용하여 상수 및 준 상수 기능, 비정적 기능 및 선형 상관 기능을 포함하여 불필요한 기능을 제거하는 기능 선택 단계입니다. 화자는 또한 기능 자체 내에서 일부 정보를 유지하면서 원하는 정상성을 허용하는 부분 미분의 사용에 대해 언급합니다. 이것은 스피커가 ML을 통한 포트폴리오 자산 할당 및 배당주 최적화를 위한 프레임워크의 일부로 작업하고 있는 개선 사항입니다.
00:20:00 연사는 자산 선택 및 가중치 할당과 관련된 학습 파이프라인의 재조정 단계를 설명합니다. 자산 선택을 위해 화자는 자산 간의 상대적 강도를 기반으로 단면 모멘텀을 사용합니다. 가중치 할당을 위해 계층적 위험 패리티 및 계층적 균등 위험 기여도와 같은 기계 학습 모델과 함께 중요한 라인 알고리즘, 역 변동성 포트폴리오 및 동일 가중치 포트폴리오와 같은 기존 기술이 사용됩니다. 시뮬레이션 결과가 표시되고 화자는 과거 데이터를 사용하여 성능을 평가합니다. 연사는 Drunken Monkey 전략 및 조합 퍼지 교차 검증과 같은 기술을 추가하여 포트폴리오를 개선할 계획입니다. 마지막으로 연사는 이러한 기술을 실시간 거래에 적용할 때 자금 관리의 중요성을 강조합니다.
00:25:00 화자는 매개변수의 가변성 범위를 추정하는 것의 중요성에 대해 논의하고 이를 달성하기 위해 Monte Carlo 시뮬레이션 및 부트스트래핑과 같은 기술을 사용할 것을 제안합니다. 그런 다음 최종 자산 및 최대 감소 백분위수에 초점을 맞춘 분석 결과를 제시합니다. 연사는 데이터를 기반으로 해야 하며 거래 아이디어와 사랑에 빠지지 않아야 한다고 강조합니다. 그들은 또한 다른 기술을 사용하고 비교 가능한 성능을 가진 더 단순한 시스템을 선택하여 과적합을 피함으로써 특유의 위험을 완화할 것을 권장합니다. 마지막으로 그들은 시계열의 매우 비정상적 특성으로 인해 라이브 거래 시스템을 모니터링하고 조정할 필요성을 강조합니다.
00:30:00 연사는 ML을 사용한 포트폴리오 자산 할당과 배당주 최적화에 대한 청중의 몇 가지 질문에 대해 토론합니다. 한 청중이 파이프라인의 어떤 단계에 가장 주의를 기울여야 하는지 묻고 Raymond는 데이터 사전 처리가 필수적이며 가장 시간이 많이 걸리는 단계라고 대답합니다. 또 다른 질문은 데이터 정규화에 대해 묻고 Raymond는 평균을 빼고 표준 편차로 나누는 것이 대부분의 경우 잘 작동한다고 제안합니다. 마지막으로 PCA를 사용하여 선형 상관 관계를 제거하는 것에 대해 질문했을 때 Raymond는 가능하지만 기능의 의미를 잃을 수 있다고 경고하고 결과를 설명하기 위해 Sharpe Ratio와 같은 모델을 사용할 것을 제안합니다.
00:35:00 발표자는 기능 선택을 위한 PCA 사용과 PCA 적용 후 기능의 의미 손실 가능성에 대해 논의합니다. 그는 퀀트 및 알고리즘 트레이더를 꿈꾸는 사람들에게 EPAT를 좋은 출발점으로 생각하라고 조언하고 프로그램이 업계의 요구에 부합하는 포괄적인 학습 목표를 제공한다고 언급합니다. 프로그램의 얼리버드 등록은 웨비나 참석자에게까지 확대되며, 알고 트레이딩 데스크를 시작하거나 트레이딩 전략에 고급 기술 및 도구를 적용하는 등 프로그램이 경력 목표를 달성하는 데 어떻게 도움이 되는지 이해하기 위해 코스 상담 전화를 예약할 수 있습니다.
00:40:00 Hong Kong Exchange and Clearing Limited의 프로젝트 관리자인 Kurt Celestog가 포트폴리오 관리에 대한 자신의 프로젝트를 공유합니다. 이 프로젝트는 Jay Palmer의 양적 포트폴리오 관리자 강의를 포트폴리오 관리를 통한 배당 수익률 최적화로 확장합니다. 그의 동기는 정기적인 배당 소득 흐름을 얻는 동시에 배당금 지급이 안정적이고 시간이 지남에 따라 증가하며 포트폴리오 가치가 시간이 지남에 따라 감소하지 않도록 하는 것입니다. 그는 최적의 포트폴리오 운용 기법을 통해 배당수익률과 주가수익률 모두에서 벤치마크 지수인 ETF를 능가하는 것을 목표로 하고 있다. Celestog는 배당금 데이터를 얻는 데 어려움을 겪었고 그것을 다운로드하기 위해 웹 스크래핑 기능을 코딩해야 했으며 데이터 세트를 각각 10년씩 두 부분으로 나누어 경기 침체와 확장을 다루어야 했습니다.
00:45:00 연사는 배당 주식 포트폴리오 최적화를 위한 데이터 정리에서 직면한 문제에 대해 논의합니다. 웹사이트의 데이터가 깨끗하지 않아 배당금을 달러 금액으로 표시하고 초기 배당금은 백분율로 표시하기 위해 수정 및 정규화해야 했습니다. 가격 데이터는 야후 파이낸스에서 얻었고 연간 배당 수익률, 배당 성장, 다른 가격 메트릭 중 평균 성장과 같은 메트릭이 데이터에서 계산되었습니다. 두 개의 포트폴리오를 만드는 데 사용된 서로 다른 모든 선택된 주식에 대해 복합 비율이 계산되었습니다. 하나는 가중치가 동일한 포트폴리오이고 다른 하나는 가중치가 최적화된 포트폴리오입니다. 발표자는 10년 동안 포트폴리오를 유지한 후 단 한 번의 최적화가 벤치마크와 ETF를 능가하는지 분석하기를 원했습니다.
00:50:00 연사가 머신 러닝 프로젝트로 포트폴리오 최적화 결과에 대해 논의합니다. 그래프의 왼쪽 상단 사분면에는 결합된 지표가 가장 높은 5개 주식을 나타내는 녹색 거품이 표시됩니다. 발표자는 벤치마크보다 평균 수익률과 배당 수익률이 더 높은 동일 가중 포트폴리오와 최적 가중 포트폴리오를 계산했습니다. 그러나 향후 10년 동안 은행 및 기술 주식의 인기가 높아졌고 최적화된 포트폴리오가 벤치마크보다 실적이 떨어지기 시작했습니다. 화자는 매 기간마다 재조정하고 선택한 지표를 기반으로 최고의 5개 주식을 선택하여 성과를 개선하려고 노력했습니다. 재조정된 포트폴리오는 벤치마크를 능가하고 배당수익률이 더 높습니다.
00:55:00 발표자는 특히 부동산 투자 신탁(REITs)과 같은 배당주에서 어떻게 포트폴리오 최적화 및 정기적인 재조정으로 더 높은 배당 수익률을 달성하고 벤치마크 지수를 능가할 수 있는지에 대해 논의합니다. 6개월마다 포트폴리오를 재조정하고 서로 다른 룩백 기간을 사용함으로써 연사는 평균 배당 수익률, 배당 성장, 수익률 및 하락률 감소 측면에서 모두 지수를 능가할 수 있었습니다. 그러나 데이터를 얻고 정리하는 것은 어려운 일이었고 재조정 기능이 복잡하여 객체 지향 프로그래밍을 사용하여 해결할 수 있었습니다. 전반적으로 연사는 포트폴리오 최적화와 정기적인 재조정이 투자자에게 유용한 도구가 될 수 있다고 제안합니다.
01:00:00 화자는 포트폴리오의 잦은 리밸런싱은 아웃퍼폼을 위해 필요하지만 배당주나 읽기에 대한 배당 데이터의 빈도가 적어 1년에 1~2회 이상 자주 리밸런싱하기 어렵다고 지적합니다. 연사는 또한 다양한 최적화 기준을 탐색하고, 다각화를 위해 포트폴리오에 더 많은 주식을 추가하고, 더 광범위하게 백테스팅하는 것과 같은 프로젝트에 대한 추가 작업의 필요성을 강조합니다. 그들은 또한 제한된 역사와 생존 편향으로 인해 읽기 및 주식의 범위를 확장하고 개인 데이터베이스를 유지하도록 제안합니다. 마지막으로 그들은 프로젝트에 사용된 제한된 시장 지역과 사용된 가중치 최적화 절차에 대한 청중의 질문에 답합니다.
01:05:00 연사는 이상값이 기계 학습 모델, 특히 선형 회귀 및 신경망에 어떤 영향을 미칠 수 있는지에 대해 논의합니다. 이러한 모델은 이상값에 매우 민감하므로 화자는 사분위수 범위, 올가미 및 능선 회귀와 같은 기술을 사용하여 이상값을 처리할 것을 권장합니다. 그러나 그는 선형 모델이 여전히 거래에서 최상의 결과를 제공하므로 이상값을 처리하는 것이 중요하다고 제안합니다. 연사는 또한 알고 트레이더가 되기 위해 필요한 사항에 대한 조언을 제공하며 시장, 미세 구조, 코딩 기술 및 기계 학습 개념에 대한 이해를 포함하는 다학제적 접근 방식을 권장합니다.
01:10:00 연사는 투자 포트폴리오를 효과적으로 다양화하고 관리하기 위해 Python과 같은 프로그래밍 언어를 적용하는 방법을 배우고 이해하는 것의 중요성에 대해 논의합니다. 그들은 고주파 거래에 관여할 의도가 없는 사람들을 위해 시장 기능, 코딩 및 위험 관리를 다루는 알고 거래에 대한 종합 과정을 수강할 때의 이점을 강조합니다. 코스의 강도와 종합성은 모든 사람에게 무언가를 제공하고 금융 생활에서 개인적으로 사용할 수 있는 좋은 토대를 제공합니다. 연사들은 향후 계획에 대한 논의와 다음 세션에서 알고 거래와 관련된 주제에 대한 추가 탐구에 대한 요구로 결론을 내립니다.
EPAT project presentations on “Portfolio Asset Allocation with Machine Learning: A Practical and Scalable Framework for Machine Learning Development” by two ...
고주파 거래 전략
고주파 거래 전략
고주파 거래 전략에 대한 제 논문을 발표하도록 오늘 저를 초대해 주셔서 감사합니다. 제 이름은 Amy Kwan이고 University of Sydney에서 왔습니다. 이 논문은 Babson College의 Michael Goldstein과 마찬가지로 시드니 대학의 Richard Phillip과 공동 저술되었습니다.
이 백서의 목적은 고주파 거래(HFT)가 금융 시장에 미치는 영향에 관한 규제 기관, 시장 참여자 및 학계 간의 지속적인 논쟁에 기여하는 것입니다. 우리는 Sean의 프레젠테이션과 어젯밤 토론을 포함하여 이 문제에 대한 다양한 관점을 들었습니다.
HFT에 대해서는 다양한 의견이 있지만 플래시 보이즈(Flash Boys)의 저자인 마이클 루이스(Michael Lewis)와 같은 일부 사람들은 미국 주식 시장이 속도에 기반한 계급 시스템이 되었다고 주장합니다. 다른 사람들은 이러한 작은 시간 간격의 가치를 인식하지 못합니다. 반면 Ray Katsuyama와 같은 HFT 지지자들은 HFT가 거래 신호를 포착하고 일반 투자자를 이용할 수 있다고 주장합니다.
초기 학술적 증거는 유동성을 강화하고 스프레드 감소, 깊이 증가, 단기 변동성 감소와 같은 전통적인 시장 품질 측정을 개선한다고 믿었기 때문에 일반적으로 HFT 및 알고리즘 거래를 지원했습니다. 그러나 보다 최근의 연구에서는 HFT의 몇 가지 부정적인 측면을 발견했습니다. 예를 들어, HFT는 다른 투자자의 주문 흐름을 예상하고 시장 세력으로부터 임대료를 추출할 수 있습니다.
또한 Banker, Blending, Courageous, Canorkey 등의 최근 연구에 따르면 HFT는 처음에는 바람에 맞서 거래하다가 대규모 거래가 진행됨에 따라 바람과 함께 거래하는 것으로 나타났습니다. 이를 설명하기 위해 대규모 연기금이 Apple 주식을 매입하려는 시나리오를 가정해 보겠습니다. HFT는 이 거래를 감지하면 구매 압력으로 인해 향후 가격 상승을 예상하기 때문에 동일한 방향으로 거래하기 위해 기관과 경쟁할 수 있습니다.
HFT의 효과에 대한 이해가 어느 정도 있지만 HFT가 실제로 어떻게 거래되고 금융 시장에 영향을 미치는지에 대해서는 문헌이 명확하지 않습니다. 기존 증거의 대부분은 거래 실행을 기반으로 하며 호주의 주문 제출 행동에 대해서는 알려진 바가 거의 없습니다.
이 격차를 해결하기 위해 우리 연구는 전체 지정가 주문서 데이터를 분석하여 HFT 거래 전략을 직접 조사합니다. ASX의 상위 100개 주식에 대한 주문 제출, 수정, 취소 및 거래에 대한 자세한 정보에 액세스할 수 있습니다. 거래자를 HFT 회사, 기관 거래자 및 소매 중개인으로 분류하여 그들의 행동과 시장 역학에 미치는 영향을 이해하는 것을 목표로 합니다.
우리의 주요 결과는 HFT가 오더북을 모니터링하고 불균형 거래에 탁월하다는 것을 보여줍니다. 주식 매수 또는 매도에 대한 수요가 높을 때 HFT는 다른 거래자 범주에 비해 이 정보를 활용하는 데 더 성공적입니다. 또한, HFT는 필요하지 않은 경우에도 주문장의 고정된 측면에서 유동성을 제공하는 반면, 비 HFT는 HFT의 전략적 거래 행동으로 인해 주문장에 대한 액세스가 제한되는 문제를 겪습니다.
우리는 또한 "it"라는 더 빠른 데이터 피드의 도입을 검토하고 HFT가 구현 후 전략적 거래에서 훨씬 더 효과적이라는 것을 발견했습니다. 그러나 HFT가 아닌 주문은 지정가 주문장에서 밀려나므로 이러한 거래자의 성공적인 체결 가능성이 줄어듭니다.
결론적으로, 우리의 연구는 전체 지정가 주문서 데이터를 분석함으로써 HFT 거래 전략의 이해에 기여합니다. 우리는 HFT가 오더북을 모니터링하고 불균형에 대한 거래에서 다른 거래자 범주를 능가한다는 것을 발견했습니다. 더 빠른 데이터 피드를 도입하면 거래 이점이 더욱 향상됩니다. 이러한 결과는 HFT가 시장 역학에 어떻게 영향을 미치고 규제 기관, 시장 참가자 및 학계에 귀중한 통찰력을 제공하는지에 대해 조명합니다.
저희 연구를 발표할 수 있는 기회를 주셔서 다시 한 번 감사드립니다.
Ciamac Moallemi: 고주파 거래 및 시장 미세구조
Ciamac Moallemi: 고주파 거래 및 시장 미세구조
제 프레젠테이션의 목적 중 일부는 교수진이 수행한 연구를 사람들에게 친숙하게 만드는 것입니다. 주요 주제를 탐구하기 전에 응용 수학자로서 제 자신의 작업에 대한 배경 지식을 제공하고 싶습니다. 내 시간의 약 절반은 불확실성이 있는 상황에서 시간이 지남에 따라 결정을 내리는 것과 관련된 확률적 제어 문제를 탐구하는 데 할애됩니다. 이러한 추상적인 수학적 문제는 상당한 도전을 제기하지만 많은 엔지니어링 및 비즈니스 문제가 유사한 특성을 공유하므로 근본적입니다. 내 연구의 나머지 절반은 금융 공학 분야에서 확률적 제어 문제의 보다 응용적인 측면에 초점을 맞추고 있습니다.
헤지 펀드 매니저로서의 이전 경험을 바탕으로 저는 최적 거래, 시장 미세 구조 및 금융 시장의 고주파 거래에 특별한 관심을 가지고 있습니다. 오늘 저는 현대 전자 시장의 복잡성에 대한 통찰력을 제공하기 위해 이러한 주제에 대해 논의할 것입니다. 당면한 문제를 이해하기 위해서는 지난 5~10년 동안 크게 발전한 미국 주식 시장의 주요 특징을 이해하는 것이 중요합니다.
무엇보다도 전자 거래가 시장을 지배하고 있어 뉴욕 증권 거래소 바닥에 있는 트레이더의 전통적인 이미지가 거의 무의미해졌습니다. 거래는 이제 주로 컴퓨터에서 이루어지며 전자 거래가 교환의 기본 메커니즘입니다. 또 다른 주목할만한 변화는 거래의 분권화 또는 세분화입니다. 과거에는 특정 주식이 주로 나스닥이나 뉴욕 증권 거래소에서 거래되었습니다. 그러나 현재 여러 거래소가 있으며 각각 주식 거래의 상당한 비율을 차지합니다.
이러한 거래소는 시장 참가자가 지정된 가격으로 매수 및 매도 주문을 제출할 수 있는 전자 지정가 주문서로 구성됩니다. 가격이 교차하면 거래가 체결됩니다. 이것은 뉴욕증권거래소의 역사적 딜러 시장이나 전문가 시장 구조와 대조됩니다. 또한 거래의 약 30%가 전자 교차 네트워크, 다크 풀 및 내부화와 같은 대체 장소에서 발생하여 거래의 분산된 특성에 더욱 기여합니다.
현대 시장의 가장 눈에 띄는 특징 중 하나는 참여자의 자동화가 증가하고 있다는 것입니다. 이전에는 인간 거래자가 대량 주문을 처리했지만 이제는 알고리즘과 고주파 거래가 이어졌습니다. 알고리즘 거래를 통해 투자자는 시간이 지남에 따라 거래소 간에 대량 주문을 분할하고 주사위를 던질 수 있으며, 종종 시장 조성자로 분류되는 초단타 거래자는 유동성을 제공합니다. 이러한 최근 추세는 시장을 더욱 복잡하게 만들고 알고리즘 트레이더와 초단타매매 트레이더 간에 예측할 수 없는 상호 작용을 초래했습니다.
이러한 발전은 정책 수준과 개별 참여자 모두에게 중요한 질문을 제기했습니다. 정책 입안자와 규제 당국은 현재 복잡한 시장 구조의 이점과 단점을 평가해야 합니다. 그들은 또한 2010년 5월 6일의 유명한 플래시 크래시와 같은 사건의 발생과 같은 문제를 해결해야 합니다. 여기서 시장 가격은 알고리즘 거래자와 고주파 거래자 사이의 병리학적 상호 작용으로 인해 몇 분 만에 크게 떨어졌습니다.
개별 참가자 수준에서 의사 결정 문제를 해결해야 합니다. 시장의 복잡성과 예측 불가능성을 고려할 때 참가자는 자신의 거래 전략에 가장 효과적인 접근 방식을 결정해야 합니다. 이러한 맥락에서 나는 초단타매매 및 시장 미세구조와 관련된 두 가지 특정 문제, 즉 대기 시간의 중요성 이해와 시장에서 다크 풀의 역할 조사에 대한 연구를 수행했습니다.
대기 시간은 거래 결정과 실행 사이의 지연을 나타냅니다. 낮은 대기 시간으로 빠르게 거래할 수 있는 능력이 점점 더 중요해지고 있습니다. 대기 시간과 관련된 가치와 비용을 평가하려면 거래 결정에서 그 중요성을 평가해야 합니다. 수년에 걸쳐 미국 주식 시장의 대기 시간은 극적으로 감소했으며 현재 거래는 마이크로초 단위로 이루어지고 있습니다. 이러한 기술 발전은 초단타 거래자와 더 빠른 체결을 원하는 사람들의 요구에 의해 주도되었습니다.
대기 시간의 중요성을 이해하면 추가 질문이 제기됩니다. 짧은 대기 시간이 최신 정보로 의사 결정을 내리는 데 도움이 됩니까? 경쟁사보다 빠르다는 것이 이익 확보에 유리합니까? 또한 거래소의 규칙과 조직은 종종 초기 진입을 우선시하여 대기 시간이 짧은 거래자에게 이점을 제공합니다. 이것은 공정성과 시장 기회에 대한 평등한 접근에 대한 우려를 제기합니다.
이러한 질문을 해결하기 위해 제 연구에는 고주파 거래의 역학과 거래 전략에 대한 대기 시간의 영향을 포착하는 수학적 모델 개발이 포함됩니다. 다양한 시나리오를 시뮬레이션하고 결과를 분석하여 거래 결정에서 속도와 정확성 사이의 최적의 균형에 대한 통찰력을 제공하는 것을 목표로 합니다. 이 연구는 헤지 펀드 또는 기관 투자자와 같은 시장 참여자가 경쟁이 치열한 환경에서 성과를 극대화할 수 있는 거래 알고리즘 및 인프라를 설계하는 데 도움이 될 수 있습니다.
내 연구의 또 다른 영역은 현대 시장에서 다크 풀의 역할에 초점을 맞추고 있습니다. 다크 풀은 참가자가 공개 시장에서 벗어나 익명으로 대규모 거래를 실행할 수 있는 비공개 거래 장소입니다. 이러한 대체 장소는 시장 영향을 최소화하고 거래량이 많은 기관 투자자의 실행 품질을 향상시킬 수 있는 잠재력으로 인해 인기를 얻었습니다.
그러나 다크 풀의 부상은 시장 투명성과 공정성에 대한 우려를 불러일으켰습니다. 비평가들은 이러한 장소의 투명성 부족이 정보 비대칭을 만들고 가격 발견에 부정적인 영향을 미칠 수 있다고 주장합니다. 또한 고주파 거래자가 자신의 이익을 위해 다크 풀의 사전 거래 투명성 부족을 악용하는 경우가 있습니다.
내 연구에서 나는 다크 풀이 시장 유동성, 가격 형성 및 시장 참여자의 행동에 미치는 영향을 조사합니다. 수학적 모델을 개발하고 경험적 분석을 수행함으로써 나는 다크 풀 거래와 관련된 이점과 단점을 이해하는 것을 목표로 합니다. 이 연구는 다크 풀의 규제 및 감독에 대한 지속적인 논쟁에 기여하고 시장 참가자가 거래 전략에 대해 정보에 입각한 결정을 내리는 데 도움이 될 수 있습니다.
결론적으로 오늘 제 프레젠테이션은 특히 고주파 거래, 시장 미세 구조, 대기 시간 및 다크 풀에 중점을 둔 금융 공학 분야의 연구에 대한 개요를 제공합니다. 이러한 주제를 탐구함으로써 현대 전자 시장의 복잡성과 이들이 시장 참여자와 규제 기관에 제시하는 문제를 조명하는 것을 목표로 합니다. 수학적 모델링, 시뮬레이션 및 실증적 분석을 통해 저의 연구는 귀중한 통찰력을 제공하고 금융 시장 분야의 지속적인 토론과 발전에 기여하는 것을 목표로 합니다.
또한 제 연구의 또 다른 측면은 규제 정책이 금융 시장에 미치는 영향에 관한 것입니다. 규제 기관은 시장 무결성, 안정성 및 투자자 보호를 보장하는 데 중요한 역할을 합니다. 그러나 규정의 설계 및 구현은 의도하지 않은 결과를 초래하고 시장 역학에 영향을 미칠 수 있습니다.
내 연구의 초점 영역 중 하나는 규제 발표에 대한 시장 반응을 조사하는 것입니다. 과거 데이터를 분석하고 이벤트 연구를 수행하여 거래자 및 투자자와 같은 시장 참여자가 규제 변화에 대응하여 전략과 포지션을 어떻게 조정하는지 조사합니다. 이 연구는 시장 유동성, 변동성 및 전반적인 효율성에 대한 규제의 즉각적이고 장기적인 영향을 이해하는 데 도움이 됩니다.
또한 의도한 목표를 달성하는 데 있어 다양한 규제 조치의 효과를 탐구합니다. 예를 들어 극단적인 시장 변동 중에 일시적으로 거래를 중단하도록 설계된 메커니즘인 서킷 브레이커가 시장 안정성에 미치는 영향을 연구합니다. 과거 시장 데이터를 분석하고 시뮬레이션을 수행하여 서킷 브레이커가 시장 충돌을 효과적으로 예방하거나 악화시키는지 평가합니다.
또 다른 관심 분야는 금융 시장의 시스템적 위험을 줄이기 위한 규제 검토입니다. 여기에는 자본 요구 사항, 스트레스 테스트 및 은행의 독점 거래 제한과 같은 조치의 영향 분석이 포함됩니다. 이러한 규제가 금융 시스템의 안정성에 미치는 영향을 연구함으로써 규제의 효과와 잠재적인 의도하지 않은 결과에 대한 통찰력을 제공하는 것을 목표로 합니다.
또한 특히 블록체인 및 암호화폐와 같은 신흥 기술의 맥락에서 기술과 규제의 교차점을 탐구합니다. 이러한 기술은 기존 금융 시스템을 방해하고 새로운 위험을 초래할 수 있으므로 규제 기관에 고유한 문제와 기회를 제공합니다. 이 분야에 대한 나의 연구는 이러한 기술의 규제 영향을 이해하고 시장 무결성과 투자자 보호를 보장하면서 혁신을 촉진할 수 있는 잠재적인 프레임워크를 탐색하는 데 중점을 둡니다.
금융 공학에 대한 나의 연구는 규제 정책의 영향, 규제 변화에 대한 시장 반응, 기술과 규제의 교차점을 포함하여 광범위한 주제를 포괄합니다. 엄격한 분석, 수학적 모델링 및 경험적 연구를 통해 저는 금융 시장의 기능에 대한 귀중한 통찰력을 제공하고 효과적이고 정보에 입각한 규제 프레임워크 개발에 기여하기 위해 노력합니다.
켄트 다니엘: 가격 모멘텀
켄트 다니엘: 가격 모멘텀
이 자리에 오게 되어 기쁘고 와주신 모든 분들께 감사드립니다. 모두가 이 주제에 열광하는 모습을 보니 기쁩니다. 오늘은 헤지펀드에서 일반적으로 사용하는 구체적인 퀀트 전략에 대해 말씀드리겠습니다. 이 전략은 종종 상당한 영향력으로 구현되며 Sunnah Reyes 교수와 Wong 교수가 다루고 있는 주제를 보완합니다. 제 목표는 퀀트 투자의 개념을 소개하고 이 특정 전략에 대한 통찰력을 제공하는 것입니다.
또한 가격 모멘텀의 원인과 시장에서 발생하는 현상을 이해하기 위한 연구를 진행하고 있습니다. 저는 주로 투자자의 불완전한 정보 처리로 인해 시장이 완전히 효율적이지 않다고 주장합니다. 따라서 나는 모멘텀의 특성을 탐구하고 근본적인 원인에 대한 몇 가지 생각을 제공할 것입니다.
최근에 나는 업계에서 주목할만한 인물인 Cliff Asness가 등장하는 Bloomberg 잡지의 기사를 접했습니다. 그의 회사는 주로 모멘텀으로 인해 과거에 도전에 직면했습니다. 나는 이것이 오늘 우리의 토론과 특히 관련이 있다고 생각합니다. 사실 Asness와 그의 회사는 추진력을 포기하지 않았습니다. 그들은 헤지 펀드 노력 외에도 AQR Momentum Fund라는 뮤추얼 펀드를 출시했습니다.
뮤추얼 펀드 및 헤지 펀드와 함께 AQR은 수학적 규칙을 사용하여 특정 편향으로 다양한 포트폴리오를 구성합니다. 모멘텀의 경우 승자에게 투자하고 패자를 파는 데 집중한다. 오늘은 이 전략에 대해 자세히 알아보겠습니다. 그러나 구체적인 내용을 살펴보기 전에 Asness, Moskowitz 및 Patterson의 연구 논문에서 얻은 몇 가지 통찰력을 공유하고 싶습니다. 이 백서는 다양한 자산군에 걸친 모멘텀의 존재를 조사합니다.
그들의 연구 결과에 따르면 모멘텀은 역사적으로 미국, 영국, 유럽 대륙을 포함한 다양한 지역에서 좋은 성과를 거두었습니다. 그러나 일본에서는 같은 긍정적인 결과를 얻지 못했습니다. 또한 이 연구는 각 영역에서 다양한 성공 정도와 함께 주식 국가 선택, 채권 국가 선택, 외화 및 상품의 모멘텀을 탐구합니다.
그렇다면 모멘텀을 이끌어내는 것은 무엇일까요? 나의 예비 작업과 이론을 바탕으로 가장 설득력 있는 설명은 투자자의 정보 처리에 관한 것입니다. 투자자는 새로운 정보를 접할 때 상황이 상대적으로 변하지 않을 것이라고 가정하는 현상 유지 편향을 보이는 경향이 있습니다. 그들은 정보에 대한 반응으로 약간의 가격 변동을 예상하지만 그 영향을 완전히 이해하지는 못합니다. 결과적으로 가격은 약간 움직이지만 정보가 가격에 완전히 반영되기까지는 보통 1년 정도의 시간이 걸립니다.
금융 시장의 맥락에서 정보와 연결된 가격 움직임을 관찰하면 모멘텀이 계속될 가능성이 높습니다. 이러한 가격 움직임의 지속성은 특정 방향으로 특정 속도로 움직이는 물체가 외부 힘이 작용하지 않는 한 계속 움직이는 경향이 있는 물리학의 모멘텀 개념과 일치합니다.
이제 모멘텀 전략을 구성하는 방법을 살펴보겠습니다. AQR의 접근 방식과 유사한 간단한 모멘텀 전략을 구현하려고 한다고 가정합니다. 다음은 단계별 안내입니다. 특정 월 초부터 시작하여 지난 12개월에서 한 달 전까지 NYSE, Amex 및 NASDAQ에 상장된 모든 주식의 월별 수익률을 계산합니다. 수익률을 기준으로 주식의 순위를 매기고 상위 10%를 승자로, 하위 10%를 패자로 식별합니다. 시가 총액에 따라 가중치가 부여된 승자로 구성된 포트폴리오를 구성합니다. 마찬가지로 1달러 상당의 손실 주식을 공매도하여 롱숏 포트폴리오를 구성하십시오. 형성 기간 수익 및 순위를 업데이트하여 매월 초에 포트폴리오의 균형을 재조정하십시오.
이 전략은 최근 수익률이 비슷할 가능성이 높기 때문에 상대적으로 회전율이 낮은 포트폴리오를 만듭니다. 그러나 기간을 12개월로 연장하면 수익이 크게 달라지기 시작합니다.
이제 1949년부터 2007년까지 이 전략의 성과를 평가해 보겠습니다. 국채에 대한 투자는 연간 평균 초과 수익률이 16.5%로 상당한 수준입니다. 이는 승자를 매수하고 패자를 매도하는 모멘텀 전략이 장기적으로 수익성이 높다는 것을 나타냅니다.
이제 이 초과 수익률이 다른 기간에 걸쳐 일관성이 있는지 궁금할 것입니다. 이를 검토하기 위해 데이터를 서로 다른 수십 년으로 분류하고 모멘텀이 어떻게 수행되는지 살펴보겠습니다. 다음은 각 10년에 대한 초과 수익입니다.
보시다시피 모멘텀은 규모는 다르지만 매 10년마다 플러스 초과 수익률을 가져왔습니다. 1990년대는 다른 10년에 비해 초과수익률이 상대적으로 낮았지만 여전히 긍정적이었다는 점은 주목할 만하다.
그렇다면 모멘텀이 수익성 있는 전략으로 지속되는 이유는 무엇일까요? 한 가지 설명은 투자자들이 새로운 정보에 과소 반응하는 경향이 있어 가격이 느리게 조정된다는 것입니다. 결과적으로 긍정적인 수익을 경험한 주식은 가격이 모든 이용 가능한 정보를 완전히 반영하지 않았기 때문에 계속해서 아웃퍼폼합니다. 이 지연된 조정은 투자자가 모멘텀을 타고 이익을 얻을 수 있는 기회를 제공합니다.
모멘텀이 일관된 수익성을 보여주었지만 그것이 위험이 없다는 것을 의미하지는 않는다는 점을 언급하는 것이 중요합니다. 다른 투자 전략과 마찬가지로 고유한 위험과 과제가 있습니다. 시장 상황은 변할 수 있으며 과거 실적이 미래 결과를 보장하지 않습니다. 따라서 모멘텀 기반 투자 방식을 시행할 때 철저한 분석, 위험 관리 및 지속적인 모니터링이 중요합니다.
결론적으로, 승자를 매수하고 패자를 매도하는 모멘텀 전략은 역사적으로 금융 시장에서 상당한 초과 수익을 창출해 왔습니다. 수십 년 동안 수익률의 변동에도 불구하고 모멘텀은 전반적으로 수익성 있는 전략으로 남아 있습니다. 그러나 투자자는 이 전략을 투자 접근 방식에 통합하기 전에 주의를 기울이고 다양한 요소를 고려해야 합니다.
알고리즘 거래 및 기계 학습
알고리즘 거래 및 기계 학습
좋아요, 코스타스, 초대해주셔서 감사합니다. 또한 내가 발표할 토론에 대한 귀중한 맥락을 제공하는 통찰력 있는 연설을 해준 Eric에게도 감사를 표하고 싶습니다. 오늘 저는 이러한 거래소의 다른 쪽에서 운영하고 고주파 거래자(HFT) 및 기타 상대방을 다루는 경험에 초점을 맞출 것입니다. 저는 제 이야기가 게임 이론을 명시적으로 다루지는 않을 것임을 분명히 하고 싶습니다. 그러나 지난 12년 동안 월스트리트에서 Quantitative Trading Group과 함께 일한 경험을 바탕으로 실질적인 측면을 탐구할 것입니다.
무엇보다 먼저 제가 논의할 모든 작업의 공동 저자인 제 거래 파트너인 By Vaca에게 특별한 감사를 전하고 싶습니다. 우리의 연구와 통찰력은 거래 그룹 내의 독점적인 상업적 맥락에서 나왔습니다. 내가 강조할 측면은 우리가 시간이 지남에 따라 과학적으로 흥미로워하는 비독점적 요소입니다.
월가는 의심할 여지 없이 기술적으로나 사회적으로 흥미로운 곳입니다. 자동화와 풍부한 데이터로 인해 상당한 변화를 목격했습니다. 이러한 변화로 인해 학습 기반 접근 방식, 특히 기계 학습이 필요한 수많은 거래 문제가 발생했습니다. 인간의 이해를 넘어서는 시간적, 공간적 규모로 방대한 양의 데이터를 사용할 수 있게 되면서 알고리즘은 거래에서 없어서는 안 될 존재가 되었습니다. 이러한 알고리즘은 합리적인 거래 결정을 내리기 위해 최근 데이터를 포함한 과거 데이터에 적응하고 훈련되어야 합니다.
프레젠테이션에서 나는 현대 전자 시장 내에서 알고리즘 거래에서 발생하는 세 가지 특정 문제 영역을 간략하게 설명할 것입니다. 이러한 삽화 또는 사례 연구는 알고리즘 문제를 조명하고 새로운 기술을 사용하여 문제를 해결하는 방법에 대한 힌트를 제공합니다.
처음 두 가지 문제는 최적화된 실행에 관한 것입니다. 특정 수량의 주식을 사든 팔든 거래를 실행할 때 즉시성과 가격 사이에는 트레이드 오프가 있습니다. 거래를 신속하게 실행하여 가격에 영향을 주지만 일시적인 정보 이점을 활용할 수 있습니다. 반면에 시장이 더 오랜 기간 동안 원하는 가격에 수렴할 수 있도록 더 여유로운 접근 방식을 취할 수 있습니다. 나는 이러한 장단점을 탐구하고 전자 시장에서 직면한 문제를 보여주는 구체적인 사례를 제시할 것입니다.
세 번째 문제는 평균 분산 최적화와 같은 고전적인 포트폴리오 최적화의 알고리즘 버전과 관련이 있습니다. 여기에는 위험이나 변동성을 고려하면서 수익을 극대화하는 다양한 포트폴리오를 보유하는 것이 포함됩니다. 본질적으로 알고리즘이지만 이 문제는 기존 포트폴리오 최적화 접근 방식과 연결됩니다.
앞서 Eric이 설명한 것처럼 지속적인 이중 지정가 주문 경매가 이러한 도전의 배경이 된다는 점은 주목할 가치가 있습니다. 플래시 크래시의 이미지와 초단타매매에 관한 Michael Lewis의 책은 우리가 현재 월스트리트에서 경험하고 있는 흥미롭고 역동적인 시대를 강조합니다. 고주파 거래를 포함한 모든 거래 활동에 대해 도덕적인 판단을 내릴 생각은 없지만, 전통적인 통계적 주식 거래 프레임워크 내에서 운영되는 양적 거래 그룹의 관점에서 현대 전자 시장에서 직면한 알고리즘 문제를 설명하는 것을 목표로 합니다.
우리 트레이딩 그룹은 국내 및 국제 시장의 다양한 유동성 상품을 포괄하는 장단기 주식 거래를 전문으로 합니다. 포지션을 헤지하기 위해 복잡한 파생 상품을 피하고 선물만 사용합니다. 상대적으로 단순한 시장과 상품에서의 거래에도 불구하고 월스트리트에서 데이터의 자동화 및 가용성이 높아지면서 종종 기계 학습을 사용하는 학습 접근 방식이 필요한 다양한 거래 문제가 발생했습니다.
그건 그렇고, 이것의 한 가지 예는 한 분석가가 주식에 대한 자신의 견해를 업그레이드할 때 다른 분석가가 동일한 주식에 대한 견해를 빠르게 연속적으로 업그레이드하는 경향이 있다는 것을 종종 관찰한다는 것입니다. 따라서 이것이 실제로 신선한 뉴스인지 아니면 단순히 다른 기본 뉴스가 시장에 진입한 결과인지 판단해야 합니다. 이러한 경우 이 정보를 기반으로 거래하는 것이 바람직하지 않을 수 있습니다.
자, 마지막에 질문 시간을 포기하지 않고 나머지 책을 구입하려는 이유에 대한 귀하의 질문에 대해 두 가지 답변이 있습니다. 첫째, 우리가 알고리즘 트레이딩 데스크를 갖춘 Bank of America와 같은 중개 회사라면 고객의 지시에 따라 거래를 실행합니다. 그들은 특정 기간 내에 얼마나 많은 주식을 매수해야 하는지에 대한 지침을 제공합니다. 프로세스 중에 확인을 요청하지 않습니다. 둘째, 사용 가능한 정보를 기반으로 적절한 구매량을 결정하기 위해 전략을 최적화했습니다. 이 거래량은 일반적으로 주식 가격에 큰 영향을 미치지 않고 거래할 수 있는 최대 거래량입니다. 귀하가 제안한 접근 방식을 구현하는 것이 가능하지만 복잡한 거래 세계에서 의사 결정을 단순화하기 위해 관련된 매개 변수의 수를 최소화하는 것이 좋습니다.
테스트 프로세스와 관련하여 연구 후 6개월 동안 실시간 테스트를 실시합니다. 이를 통해 실제 시장 조건에서 모델의 성능을 평가할 수 있습니다. 그러나 모델 자체는 테스트 단계에서 기록 데이터를 사용합니다.
사람들에게 우리의 정책을 설명할 때, 우리는 눈으로 보는 것보다 경험적인 접근에 주로 의존합니다. 이 특정 문제에서 분별 있는 행동을 구성하는 것이 무엇인지는 분명합니다. 효과적인 이유에 대한 명확한 이해 없이 잘 작동하는 전략을 다룰 때 문제가 발생합니다. 그러한 경우, 우리는 때때로 인류학적 관점에서 문제에 접근하여 특정 거래의 일관된 수익성 뒤에 있는 이유를 이해하려고 노력합니다.
우리는 우리가 배우는 것의 복잡성이 해석의 측면에서 도전을 제기한다는 것을 인정합니다. 특정 상태 변수에서 일관된 예측력을 식별할 수 있지만 세부적인 수준에서 근본적인 이유를 이해하는 것은 매우 어렵습니다. 특히 초단타매매에서 금융 시장의 미세 구조적 특성은 정상적인 인간의 이해를 능가하는 거래량과 데이터 속도를 포함합니다. 따라서 일관된 성능을 보장하기 위해 신중한 교육 및 테스트 방법론에 중점을 둡니다.
실험에서 오더북의 다양한 기능과 성능에 미치는 영향을 살펴보았습니다. 예를 들어 입찰-매도 스프레드를 상태 공간에 통합하는 것은 거래 실행을 최적화하는 데 가치가 있음이 입증되었습니다. 그러나 모든 기능이 동일한 이점을 제공하는 것은 아니며 일부 변수는 과적합으로 인해 성능에 부정적인 영향을 미칠 수도 있습니다. 가장 유용한 기능을 선택함으로써 우리는 제어 이론적 접근 방식을 통해 달성한 35% 개선에 추가로 13% 개선을 달성했습니다.
우리는 솔루션을 실험적으로 평가해 왔지만 지금 당장은 세부 사항을 조사할 시간이 없습니다. 그러나 만화 모델을 사용하여 유동성에 대한 간단한 설명을 제공할 수 있습니다. 대체 거래 장소인 다양한 다크 풀은 다양한 시간과 다양한 주식에 대해 다양한 유동성 속성을 나타냅니다.
지정가 주문장이든 다크 풀이든 새로운 거래소가 등장하면 특정 주식 클래스에 대해 특혜, 리베이트 또는 수수료를 제공하여 시장에서 자리를 잡으려고 하는 경우가 많습니다. 그들은 특정 유형의 주식을 거래하기 위해 선호하는 다크 풀로 자신을 홍보합니다. 결과적으로 해당 주식에 관심이 있는 거래자들은 특정 다크 풀에 이끌려 유동성을 창출합니다. 대조적으로, 다른 다크 풀은 유동성 프로필이 다를 수 있으며 많은 거래 활동을 유치하지 못할 수 있습니다.
이 개념을 시각화하기 위해 고정된 확률 분포로 표시되는 특정 주식에 대한 고유한 유동성 프로필을 갖는 각 다크 풀을 상상해 보십시오. x축은 공유 수를 나타내고 y축은 각 개별 시간 단계에서 실행할 수 있는 공유를 찾을 확률을 나타냅니다. 거래 주문을 다크 풀에 제출하면 이 분포에서 특정 시간 단계에서 거래하려는 거래 상대방의 양을 나타내는 숫자가 추출됩니다. 실행된 볼륨은 그려진 볼륨(s)과 요청된 볼륨(vns) 중 최소값으로 결정되며 필요한 경우 부분 실행을 보장합니다.
이제 부분 실행이 발생할 때 어떻게 유동성 곡선이 감소하지 않을 수 있는지 궁금할 것입니다. 유동성 곡선은 단순히 특정 범위 내에서 사용 가능한 거래량을 찾을 가능성을 나타냅니다. 볼륨이 작을수록 실행에 사용할 가능성이 높고 볼륨이 클수록 가능성이 낮음을 보여줍니다. 부분 실행은 단순히 실행된 볼륨이 요청된 볼륨보다 적다는 것을 의미하지만 유동성 곡선의 전체 모양에는 영향을 미치지 않습니다.
다크 풀의 확산은 흥미로운 현상입니다. 시장 균형과 이러한 장소 간의 경쟁에 대한 질문을 제기합니다. 시장이 궁극적으로 통합되어 소수의 다크 풀이 지배하게 될지는 여전히 불확실합니다. 금융 시장의 규제 완화로 여러 거래소가 동시에 운영될 수 있게 된 이후로 지속적인 이중 경매에서 유사한 역학 관계가 관찰되었습니다. 규제 환경과 신생 기업이 새로운 메커니즘을 제안할 수 있는 능력은 시장 구조의 복잡성에 기여합니다.
이 연구와 Eric의 논문 사이의 연관성을 고려하면 서로 다른 시장 구조, 알고리즘 간의 상호 작용 및 시장 안정성과 세분화에 미치는 영향을 탐색할 수 있습니다. 유사한 알고리즘을 사용하는 여러 플레이어가 관련된 시나리오를 시뮬레이션함으로써 계산 결과를 조사하고 시장 구조 및 알고리즘 다양성이 가격 및 기타 규제 문제에 어떤 영향을 미치는지 연구할 수 있습니다. 이러한 연구 노력의 조합은 시장 구조, 알고리즘 거래 및 시장 안정성 사이의 복잡한 관계에 대한 귀중한 통찰력을 얻을 수 있습니다.
또한 서로 다른 알고리즘과 시장 구조 사이의 상호 작용 및 이들이 시장 역학을 형성하는 방식과 같은 보다 정교한 질문을 탐구할 수 있습니다. 다양한 시장 시나리오를 검토하여 안정성을 달성하고 파편화 문제를 해결하기 위한 다양한 시장 구조 및 알고리즘의 적합성을 분석할 수 있습니다.
금융 시장의 진화는 특정 측면의 자동화로 이어져 종종 유용한 인적 요소를 대체했습니다. 그러나 기능을 복제하고 향상시키기 위해 새로운 전자 메커니즘이 도입되었습니다. 이러한 역학 관계를 이해하고 그에 따라 전략을 조정하면 현대 금융 시장의 복잡성을 탐색할 수 있습니다.
제 강연은 현대 전자 금융 시장 거래에 내재된 알고리즘 문제에 대해 밝힐 것입니다. 내가 제시할 세 가지 사례 연구는 최적화된 실행 및 알고리즘 포트폴리오 최적화에서 직면하는 복잡성과 장단점을 강조합니다. 시간 제약으로 인해 모든 주제를 완전히 다루지 못할 수도 있지만 이러한 영역에 대한 귀중한 통찰력을 제공하고자 합니다.
시뮬레이션과 전산 분석은 알고리즘 거래의 잠재적인 결과를 이해할 수 있는 방법을 제공하지만 추상적 모델링과 실제 관련성 사이의 균형을 맞추는 것이 필수적입니다. 문제는 특히 복잡하고 끊임없이 진화하는 금융 시장 환경에서 실질적인 관련성을 희생하지 않고 어떤 세부 사항이 중요하고 안전하게 간과할 수 있는지 식별하는 데 있습니다.
금융 거래의 설계: Econ과 CS의 교차점에서 열린 질문
금융 거래의 설계: Econ과 CS의 교차점에서 열린 질문
대단히 감사합니다, 코스타스. 이 강연은 저에게 다소 파격적일 것입니다. 하지만 저는 그것이 이 컨퍼런스의 정신과 열린 방향이라는 주제와 일치하기를 바랍니다. 이는 금융 거래소의 설계, 특히 연속 지정가 주문장으로 알려진 일반적인 설계와 관련이 있습니다. 저는 최근에 Peter Crampton 및 John Shimm과 함께 작업한 현재 금융 거래소 설계의 경제적 결함을 강조하는 논문에 대해 논의하는 것으로 시작하겠습니다. 이 결함은 고주파 거래의 부정적인 측면에 기여한다고 주장합니다.
강연의 첫 번째 부분은 이 문서를 다룰 것인데, 여러분 중 일부에게는 친숙할 수 있지만 대부분은 그렇지 않을 것입니다. 이산 시간 거래 또는 빈번한 일괄 경매라는 대안적인 접근 방식에 대한 경제적 사례를 제시합니다. 우리 논문은 전 세계적으로 널리 사용되는 연속 지정가 주문서가 초단타매매와 관련된 다양한 문제로 이어지는 구조적 결함을 겪고 있다고 제안합니다. 이전에 여러 번 제시된 것처럼 이 부분의 압축되고 접근 가능한 버전을 제시하겠습니다.
강연의 두 번째와 세 번째 부분은 금융 거래의 설계에 관한 열린 질문과 연구 방향을 탐구할 것입니다. 이러한 조사 영역은 경제학과 컴퓨터 과학의 교차점에 있습니다. 이후 섹션에서는 현재 시장 설계와 비교하여 이산 시간 거래의 계산상의 이점에 대해 정리나 데이터가 없는 정성적 주장을 제시하는 Quarterly Journal of Economics 논문의 뒷면에 있는 두 페이지 분량의 부분에 대해 논의할 것입니다. . 이 토론은 수많은 질문을 제기하고 추가 탐구를 자극하는 것을 목표로 합니다.
강연의 뒷부분은 내가 익숙했던 것보다 덜 형식적이지만 열린 질문을 제기하고 향후 연구를 위한 의제를 설정하는 데 중요하다고 생각합니다. 이는 경제학과 컴퓨터 과학의 교차점에 대한 탐구를 장려하고 향후 탐구를 위한 유익한 방향을 제안하는 이 회의의 목적과 일치합니다.
이제 이산 시간 거래의 경제적 사례와 연속 지정가 주문장에 비해 장점을 살펴보겠습니다. 이에 대해 자세히 설명하겠습니다. 연속 지정가 주문서는 매일 수조 달러의 경제 활동을 처리하는 시장 설계입니다. 증권의 가격, 수량 및 방향(매수 또는 매도)을 지정하는 지정가 주문을 기반으로 작동합니다. 시장 참가자는 하루 종일 지정가 주문을 제출, 취소 또는 수정할 수 있으며 이러한 메시지는 거래소로 전송됩니다.
새로운 요청이 지정가 주문서의 기존 주문과 일치하면 거래가 발생합니다. 예를 들어, 미결 매도 제안보다 가격이 같거나 높은 매수 요청은 거래로 이어집니다. 이것이 연속 지정가 주문서의 기본 기능입니다.
그러나 우리의 연구에 따르면 이러한 시장 디자인에는 내재된 결함이 있습니다. 한 가지 중요한 문제는 우리가 "저격"이라고 부르는 것입니다. 공개된 정보나 시그널에 변화가 있을 때 유동성 공급을 담당하는 트레이딩 회사는 이에 따라 호가를 조정합니다. 그들은 이전 입찰을 취소하거나 요청하고 업데이트된 정보를 반영하는 새 입찰로 교체합니다. 이제 내가 견적을 조정하는 이러한 무역 회사 중 하나라고 가정합니다. 동시에 Thomas와 같은 다른 사람들도 교체되기 전에 이전 호가에서 거래하라는 메시지를 거래소에 보냅니다.
시장은 이러한 메시지를 연속적인 시간과 일련의 순서로 처리하기 때문에 어떤 메시지가 먼저 거래소에 도달하는지는 임의적입니다. 여러 거래 회사가 새로운 정보에 동시에 반응하는 경우 Thomas 또는 다른 참가자의 요청이 내 것보다 먼저 처리되어 이전 가격으로 거래할 수 있습니다. 이러한 저격 현상은 문제가 있으며 몇 가지 의미를 내포합니다.
첫째, 효율적인 시장에서는 일어날 수 없는 대칭적 공개 정보를 기반으로 한 기계적 차익 거래 기회를 가능하게 합니다. 둘째, 그러한 차익 거래 기회로부터의 이익은 유동성 공급을 희생하여 발생합니다. 스나이퍼가 이전 가격에서 성공적으로 거래를 실행함에 따라 유동성 공급 거래 회사는 견적을 신속하게 조정하는 것을 주저하게 됩니다. 이러한 망설임은 저격 당하고 잠재적인 이익을 잃을 수 있다는 두려움에서 비롯됩니다. 결과적으로 유동성 공급자가 새로운 정보에 대한 응답으로 시세를 업데이트하려는 의지가 줄어들면서 시장의 효율성이 떨어집니다.
연속 지정가 주문서의 또 다른 문제는 주문 예상 가능성입니다. 이 시나리오에서 거래자는 새로운 지정가 주문의 도착을 관찰하고 미래의 거래를 예상하여 선제적으로 견적을 조정합니다. 이러한 행동은 거래자들이 서로에 대한 반응으로 지속적으로 견적을 조정하여 시장에 불필요한 변동성과 불안정성을 야기하는 계단식 효과로 이어질 수 있습니다.
이러한 결함을 해결하기 위해 본 논문에서는 이산 시간 거래 또는 빈번한 배치 경매로 알려진 대체 시장 설계를 제안합니다. 이 디자인에서는 연속 시간에 주문을 처리하는 대신 시장이 이산 시간 간격 또는 배치로 작동합니다. 각 배치 동안 시장 참가자는 지정가 주문을 제출할 수 있으며 배치가 끝나면 시장이 청산되고 단일 균일 가격으로 거래가 실행됩니다.
불연속 거래를 도입함으로써 스나이핑 및 주문 예상 문제를 제거합니다. 배치 내에서 제출된 모든 주문이 동시에 처리되기 때문에 주문 실행에 임의성이 없습니다. 거래자는 자신의 주문이 동일한 배치 내의 다른 참가자와 동일한 가격으로 실행될 것이라고 확신할 수 있으므로 공정성을 보장하고 스나이핑에 대한 인센티브를 줄일 수 있습니다.
또한 빈번한 배치 경매는 안정성을 촉진하고 시장의 불필요한 변동성을 줄입니다. 트레이더는 더 이상 들어오는 모든 주문에 대응하여 견적을 지속적으로 조정할 필요가 없습니다. 대신 정보를 분석하고 정보에 입각한 거래 결정을 내리는 데 집중할 수 있습니다. 주문이 일괄 처리가 끝날 때 공정한 가격으로 실행될 것임을 알고 있기 때문입니다.
금융 시장에 투자하려면 종종 거래가 발생하기까지 일정량의 대기 시간이 필요합니다. 이 대기 시간이 중요한 비용인지 또는 중요하지 않은 비용인지에 대해 사람마다 의견이 다를 수 있습니다. 예를 들어, 당신이 100만분의 1초 더 빠른 것과 같이 거래를 실행하는 데 나보다 약간 더 빠르다면 그 시간 프레임 내에서 뉴스 이벤트에 대해 조치를 취하는 데 유리할 수 있습니다. 반면 조금 느린 속도로 인해 연기할 기회를 놓칠 수도 있다. 이 속도 이점은 종종 연속 시장에서 속도 차이(Delta)와 배치 간격(tau)의 비율로 측정됩니다.
이산 시장에서 나보다 조금 더 빠르다면 경매 기반 경쟁 때문에 항상 특정 시간 간격(Delta over tau)에서 나를 "저격"할 수 있습니다. 그러나 당신과 몇몇 다른 거래자들이 모두 나보다 조금 더 빠르다면 우리는 속도만으로 경쟁하는 대신 나와 거래하기 위해 경매에서 경쟁해야 할 것입니다. 이것은 서로 다른 시장이 이 동기화된 시계 접근 방식을 균일하게 채택하는지 또는 관련된 실질적인 문제가 있는지에 대한 질문을 제기합니다.
현재 연속 시장에서는 서로 다른 거래소 간에 가격 변동이 동시에 발생하지 않기 때문에 단일 가격의 법칙이 지속적으로 위반된다는 점에 유의해야 합니다. 이 위반은 사람의 관찰이나 사용 가능한 연구 데이터로는 쉽게 감지할 수 없습니다. 그러나 여러 거래소가 동시에 빈번한 일괄 경매를 채택한다면 일가의 법칙 위반을 보다 쉽게 적발할 수 있을 것이다. 이것은 반드시 한 접근 방식이 더 좋다거나 나쁘다는 것을 의미하는 것이 아니라 데이터가 더 명확한 통찰력을 제공한다는 것을 의미합니다.
단일 거래소가 개별 시장으로 전환되고 다른 시장은 계속 유지되는 경우 해당 거래소는 지연 차익 거래를 제거하고 유동성 제공에 대한 세금을 제거합니다. 경제적 의미에서 이것은 시간이 지남에 따라 개별 시장 교환에 이점을 줄 수 있습니다. 그러나 현재 시장 설계에서 혜택을 받는 기존 거래소의 기득권, 새로운 시장, 규제 모호성, 기득권을 시작하는 데 어려움이 있습니다.
지속적인 시간 교환을 유지하면서 모든 주문에 대기 시간을 도입하려는 IEX의 제안과 관련하여 수신 및 발신 주문을 특정 시간 간격으로 지연시키는 방식으로 작동합니다. IEX는 순식간에 시장의 변화를 모니터링하고 그에 따라 가격을 조정합니다. 그러나 설계의 잠재적인 약점은 외부 소스에서 가격 정보에 액세스하는 데 의존한다는 것입니다. 이것은 IEX의 접근 방식이 가격 발견에 기여하는지 아니면 단순히 다른 곳의 정보에 의존하는지에 대한 의문을 제기합니다.
반면에 모든 주문에 임의 지연을 도입하면 스나이핑을 효과적으로 처리하지 못할 수 있으며 무한 메시지 트래픽으로 이어질 수 있습니다. 이 문제를 해결하기 위해 제안된 몇 가지 아이디어가 있었지만, 그 중 많은 아이디어를 분석했을 때 효과가 없는 것으로 입증되었습니다. 대조적으로, 우리 논문은 공개 정보에서 임대료를 생성하고 속도 경쟁을 장려하는 시장 설계의 결함에 대한 해결책으로 시간 이산 및 일괄 처리를 제안합니다.
논문에서 논의하는 한 가지 측면은 이산 시간 거래의 계산상의 이점입니다. 현대 금융 시장은 플래시 크래시(flash crash) 및 교환 결함과 같은 다양한 계산 문제에 직면해 있습니다. 불연속 시간은 연속 시간에 비해 계산의 단순성을 제공하며 교환, 알고리즘 거래자 및 규제 기관에 특정한 이점을 제공합니다.
교환의 경우 연속 시간 처리는 백로그 문제로 이어질 수 있으며, 여기서 알고리즘은 활동이 많은 시간 동안 주문 상태와 시장에 대해 불확실합니다. 대조적으로, 불연속 배치 경매는 보다 효율적으로 처리될 수 있으며 최악의 경우 처리 시간에 비해 상대적으로 쿠션 시간을 제공합니다. 이는 거래소가 직면한 불확실성과 백로그 문제를 줄여줍니다.
이산 시간은 또한 교환을 위한 메시지 처리를 단순화하여 다양한 유형의 메시지 배포에 우선 순위를 지정할 필요가 없습니다. 이렇게 하면 정보 비대칭을 악용할 가능성이 줄어듭니다. 또한 이산 시간은 교환을 위한 프로그래밍 환경을 단순화하여 글리치 발생을 잠재적으로 줄이고 전반적인 시스템 안정성을 향상시킵니다.
이산 시간 거래의 또 다른 컴퓨팅 이점은 알고리즘 전략의 분석 및 모델링을 단순화한다는 것입니다. 연속 시간 시장에서 알고리즘 트레이더는 들어오는 데이터에 대한 반응을 실시간으로 최적화해야 하는 문제에 직면해 있습니다. 변화하는 시장 상황을 고려하면서 신속하게 결정을 내려야 합니다. 속도와 지능 사이의 이러한 절충안은 해결해야 할 복잡한 문제입니다.
그러나 이산 시간 거래에서 데이터의 일괄 처리를 통해 알고리즘 트레이더는 고정된 간격으로 분석하고 결정을 내릴 수 있습니다. 예를 들어 배치 간격이 100밀리초로 설정된 경우 거래자는 즉각적인 실행에 대한 압박 없이 철저한 분석에 처음 100밀리초를 할애할 수 있는 사치를 누립니다. 이는 보다 정교하고 정확한 의사 결정 프로세스로 이어질 수 있습니다.
이러한 계산상의 이점에서 연구 문제가 발생합니다. 알고리즘 트레이더는 의사 결정에서 어떻게 속도와 인텔리전스 사이에서 올바른 균형을 맞출 수 있습니까? 시장에서 지능보다 속도를 선호하는 것과 관련된 부정적인 외부 효과가 있습니까? 이산 시간 프레임 워크는 연속 시간 거래에 비해 가격 형성의 정확성을 향상 시키나요?
규제 기관의 경우 이산 시간 거래는 더 깨끗한 종이 추적의 이점을 제공합니다. 연속 시간 시장에서 시계 동기화 및 타임스탬프 조정은 이벤트 시퀀스를 재구성할 때 복잡성을 유발할 수 있습니다. 서로 다른 시장에서 행동의 연대순을 결정하는 것이 어려워집니다. 대조적으로 불연속 거래는 이 프로세스를 단순화하여 시장 활동에 대한 명확하고 정확한 기록을 보다 쉽게 설정할 수 있도록 합니다.
이산 시간 거래에서 깨끗한 서류 추적의 잠재적 이점은 공개 질문입니다. 직관적으로 잘 문서화되고 쉽게 추적 가능한 시장 활동은 투명성과 책임성을 향상시킬 수 있습니다. 그것은 시장 감시를 강화하고 규제 기관이 조작적이거나 불법적인 거래 관행을 보다 효과적으로 식별하고 해결하는 데 도움이 될 수 있습니다.
우리의 연구는 일반적인 연속 지정가 주문장 디자인의 경제적 결함을 강조하고 이산 시간 거래 또는 빈번한 일괄 경매라는 대안 접근 방식을 제시합니다. 이 대체 디자인은 스나이핑 및 주문 예측, 금융 교환의 공정성, 안정성 및 효율성 촉진과 같은 문제를 해결합니다. 이러한 열린 질문과 연구 방향을 탐색함으로써 우리는 금융 거래 설계에 대한 추가 조사를 촉진하고 경제와 컴퓨터 과학 분야를 연결하여 시장 기능과 성능을 향상시키는 것을 목표로 합니다.
이산 시간 거래는 연속 시간 거래에 비해 몇 가지 계산상의 이점을 제공합니다. 교환을 위한 메시지 처리를 단순화하고 계산 병목 현상을 줄이며 보다 정교한 알고리즘 전략을 허용합니다. 또한 규제 기관에 더 깨끗한 문서 추적을 제공하여 시장 감시 및 투명성을 향상시킵니다. 그러나 실제로 이산 시간 거래의 영향과 잠재적인 단점을 탐구하기 위해서는 추가 연구가 필요합니다.
거래에서 ChatGPT와 기계 학습
거래에서 ChatGPT와 기계 학습
발표자는 거래 업계에서 ChatGPT와 같은 자연어 처리(NLP) 모델을 활용하는 주제에 대해 자세히 살펴보며 뉴스 기사, 소셜 미디어 게시물, 재무제표와 같은 텍스트 소스를 분석하고 이해하는 능력을 강조합니다. 특히 강력한 언어 모델인 ChatGPT는 방대한 양의 금융 데이터를 분석하고 자연스러운 응답을 생성하는 데 매우 적합하여 트레이더가 거래 기회에 대한 대화에 참여할 수 있도록 합니다.
금융 커뮤니티는 ChatGPT가 거래 전략의 개발 및 최적화에 기여할 것으로 기대하며 높은 기대치를 가지고 있습니다. 발표자는 인공 지능(AI), 기계 학습(ML) 및 딥 러닝 간의 차이점을 자세히 설명하고 기계 학습이 인간 행동을 시뮬레이션하고 지능적인 결정을 내리도록 기계를 가르치는 기술을 사용하는 AI의 하위 집합임을 강조합니다.
계속해서 발표자는 거래에서 ML의 일반적인 워크플로우에 대해 논의합니다. 그들은 ML을 통해 기계가 일련의 단계에 따라 데이터에서 학습하고 예측할 수 있다고 설명합니다. 처음에는 품질과 관련성을 보장하기 위해 데이터를 수집하고 사전 처리합니다. 다음으로 원시 데이터를 기계가 이해할 수 있는 의미 있는 속성으로 변환하도록 기능을 설계합니다. 그런 다음 데이터를 훈련 세트와 테스트 세트로 나누고 ML 알고리즘을 사용하여 모델을 구성합니다. 마지막으로 모델은 새로운 데이터에 대해 테스트되며 만족스럽게 수행되면 예측을 수행하고 거래 프로세스를 용이하게 하는 데 사용할 수 있습니다.
ML의 적용을 설명하기 위해 발표자는 금과 같은 자산의 다음 거래일의 고가와 저가를 예측하는 예를 제공합니다. 이 예측은 거래자가 정보에 입각한 결정을 내리고 거래 전략을 개선하는 데 크게 도움이 될 수 있습니다.
또한 발표자는 ChatGPT가 금 가격 예측을 위한 선형 회귀 모델 생성과 같은 거래 문제를 해결하는 데 유용한 도구 역할을 할 수 있는 방법을 탐구합니다. ChatGPT의 접근 방식을 데이터 수집, 정리, 모델 생성, 파이프라인 개발, 라이브 거래 및 지속적인 개선을 포함하는 보다 포괄적인 정량적 접근 방식과 비교합니다. 데이터 준비, 사전 처리, 가격 예측, 전략 및 성능 분석과 같은 문제 해결과 관련된 네 가지 주요 단계를 설명하는 기계 학습 회귀 코드 노트북의 예가 공유됩니다. ChatGPT는 아이디어 생성에 도움이 될 수 있지만 발표자는 각 개념에 대한 미묘한 이해와 오류를 피하기 위한 신중한 고려가 필요함을 강조합니다.
ML 기반 알고리즘 거래에서 ChatGPT 사용과 관련된 제한 및 위험도 해결됩니다. 발표자는 도메인 전문 지식 부족, 제한된 교육 데이터 및 해석 가능성 문제를 포함하여 잠재적인 문제를 강조합니다. 그들은 거래 결정을 위해 ChatGPT에만 의존하는 것에 대해 경고하고 다양한 재무 기간에 걸쳐 정확성 확인을 수행하는 것이 중요하다고 강조합니다.
또한 발표자는 코드를 정확하게 생성하는 ChatGPT의 기능에 대해 실시한 설문 조사 결과에 대해 논의합니다. 청중의 대다수(74%)는 ChatGPT가 합리적인 정확성을 제공할 수 있지만 도메인 전문 지식이 필요한 복잡한 프로그래밍 작업에는 적합하지 않다고 정확하게 식별했습니다. 프로세스를 설명하기 위해 발표자는 ChatGPT에서 생성된 Python 코드를 사용하여 데이터를 교육 및 테스트 세트로 분할하는 방법을 시연합니다. 그들은 특히 거래에서 시계열 데이터의 맥락에서 데이터의 올바른 시퀀싱을 강조합니다.
백 테스트 및 전략 분석을 통한 ML 기반 거래 알고리즘의 평가는 성과를 평가하는 중요한 단계로 강조됩니다. 발표자는 거래 및 전반적인 성과에 대한 통찰력을 얻기 위해 샤프 비율, 연간 수익률, 수익률 변동성과 같은 다양한 지표를 사용한 심층 분석의 필요성을 강조합니다. 알고리즘의 효율성을 평가하는 초기 단계로 거래 알고리즘과 매수 및 보유 전략의 수익 간의 비교가 표시됩니다.
또한 발표자는 수익성 있는 거래 전략의 예를 공유하고 거래 프로세스에서 데이터 시각화 및 분석의 중요성을 강조합니다. 연간 수익 및 누적 수익을 포함한 전략 분석은 전략의 성공을 평가하는 도구입니다.
발표자는 기어를 바꿔 거래에서 재무 분석에 GPT를 사용할 때의 한계를 설명합니다. 청중은 이전에 설문 조사에 참여했으며 대다수는 합리적인 정확성을 위해 사실 확인이 필요하고 GPT가 재무 분석에 적합하지 않을 수 있다는 의견을 표명했습니다. 이러한 한계를 설명하기 위해 발표자는 GPT에 2020년 Apple과 Microsoft의 연간 재무제표를 비교하도록 요청합니다. 그러나 GPT는 도메인 전문성이 부족한 생성기 모델로서의 한계를 강조하면서 부정확한 응답을 제공합니다. 발표자는 GPT와 같은 ML 알고리즘을 거래에 적용하기 전에 금융 관련 지식 습득, 책 읽기, 팩트 체크의 중요성을 강조합니다.
발표자는 재무 분야에서 도메인 관련 지식의 중요성을 인식하고 전문 지식을 습득할 수 있는 과정을 수강할 것을 제안합니다. 이 전문 지식을 통해 트레이더는 ChatGPT와 같은 기계 학습 도구를 더 잘 활용할 수 있습니다. 이를 지원하기 위해 발표자는 기계 학습 교육 과정을 통한 거래에서 4개의 노트북에 대한 무료 액세스를 제공하여 시청자가 코드와 해당 응용 프로그램을 더 깊이 이해할 수 있도록 합니다.
Q&A 세션 동안 ChatGPT가 금융 시장의 일상적인 변화를 따라잡는 능력과 관련하여 한 가지 일반적인 질문이 발생합니다. 발표자는 언어 모델로서 ChatGPT의 효율성은 훈련된 데이터에 의해 제한되며 매일 업데이트되지 않는다고 설명합니다. ChatGPT 또는 금융 분야의 기계 학습 모델을 효과적으로 활용하려면 최신 시장 데이터로 최신 상태를 유지하는 것이 필수적입니다.
연사는 다양한 기타 청중 질문에 답하여 유용한 정보를 제공합니다. 나중에 참조할 수 있도록 녹음된 세션이 이메일과 YouTube 채널을 통해 공유될 것임을 청중에게 알립니다. 또한 향후 24시간 동안 노트북의 가용성에 대해 논의하고 머신 러닝의 파이프라인 개념을 설명합니다.
벡터화된 Python 코드를 라이브 거래 라이브러리에 배포할 수 있는 형식으로 변환하는 것과 관련하여 특정 질문이 제기됩니다. 발표자들은 ChatGPT가 코드 변환을 지원할 수 있지만 이벤트 트리거 정의는 여전히 필요하다고 설명합니다. 또한 그들은 Chargeability 3.5가 2022년에 대한 정보를 제공하지 않는다고 언급합니다.
결론적으로 스피커는 기계 학습 기술을 사용하여 최적화된 익일 고점 및 저점 예측을 활용하는 거래 전략에 대해 논의합니다. 그들은 시계열 예측, 포트폴리오 최적화 및 위험 관리와 같은 거래에서 딥 러닝의 적용을 강조합니다. 강화 학습과 결합된 딥 러닝은 에이전트가 보상과 처벌을 통해 실수로부터 학습할 수 있도록 하여 거래 전략의 성능을 향상시킬 수 있습니다.
발표자는 거래에서 기계 학습을 안정적으로 사용하려면 도메인 전문성과 직관이 중추적 역할을 한다는 점을 강조합니다. ChatGPT와 같은 도구는 과거 데이터를 분석하고 향후 거래의 성공 가능성을 평가하는 데 도움이 될 수 있지만 전적으로 의존해서는 안 됩니다. 도메인 관련 지식 습득, 사실 확인 및 최신 시장 데이터에 대한 지속적인 업데이트 유지의 중요성은 거래 업계에서 정확하고 정보에 입각한 의사 결정을 보장하기 위해 강조됩니다.
금융 시장 행동 이해: 다양한 데이터 범주의 역할
금융 시장 행동 이해: 다양한 데이터 범주의 역할
주최자는 금융 시장 행동 이해와 다양한 데이터 범주의 역할에 대한 주제를 소개하면서 웨비나를 시작합니다. 고담 미트라 교수, 어니스트 챈 박사, 마테오 캄폴로니 박사 등 패널리스트는 트레이딩과 학계에서 폭넓은 경험을 가진 전문가로 소개된다. 이 웨비나는 최근 점점 더 중요해지고 있는 주제인 금융 시장 행동을 이해하고 예측하는 데 다양한 범주의 데이터가 어떻게 중요한 역할을 하는지 탐구하는 것을 목표로 합니다. 이 세션은 Opticks Systems 및 QuantInsti에서 제공하는 Sentimentalysis and Alternative Data for Finance 인증서의 일부라고 언급됩니다.
첫 번째 연사는 금융 시장 행동을 이해하는 데 있어 데이터의 중요성을 강조합니다. 초기에는 시장 가격, 매수 및 매도 주문, 책의 깊이와 같은 제한된 데이터만 사용할 수 있었지만 이제는 고려해야 할 데이터 범주가 광범위합니다. 여기에는 뉴스 데이터, 미디어 감정 데이터 및 대체 데이터가 포함됩니다. 시장은 결국 모든 정보를 통합한다는 효율적인 시장 가설에도 불구하고 시장에는 여전히 단기적인 비효율성이 존재합니다. 따라서 데이터는 새로운 알파를 발견하고 포트폴리오 계획과 위험 통제라는 두 가지 주요 시장 문제를 해결하는 데 중요한 역할을 합니다. 연사는 또한 데이터 처리에서 인공 지능(AI)과 머신 러닝의 중요성이 커지고 있음을 강조합니다.
다음 연사는 인과관계 투자의 개념을 소개하는데, 이는 통계적 상관관계만을 분석하는 것이 아니라 다양한 예측 변수와 목표 변수 사이의 인과관계를 조사하는 것과 관련이 있습니다. 옵션 활동과 같은 대체 데이터를 활용함으로써 투자자는 가격 변동의 근본 원인에 대한 통찰력을 얻고 거래 전략의 정확성을 높일 수 있습니다. 평균 회귀 전략의 예가 인용되어 때때로 실패하는 이유를 이해하는 것이 중요함을 강조합니다. 가격 변동의 원인을 밝히기 위해 대체 데이터를 사용함으로써 투자자는 전략을 적용할 시기에 대해 더 많은 정보에 입각한 결정을 내릴 수 있습니다.
시장 운영자를 위한 데이터, 특히 대체 데이터의 중요성은 다음 연사가 논의합니다. 대체 데이터는 아직 업계 표준이 아닌 모든 데이터를 말하며 지속적으로 새로운 참여자와 데이터 공급업체가 등장하면서 지속적으로 확장되는 생태계를 형성합니다. 이 데이터는 신용 카드 거래, 위성 이미지, 모바일 장치 데이터, 날씨 데이터 등과 같은 다양한 채널에서 가져올 수 있습니다. 연사는 또한 자연어 처리 도구를 사용하여 텍스트 문서를 분석하고 투자 전략을 보완하는 데 있어 투자자에게 유용할 수 있는 감정 지표를 생성한다고 언급합니다.
투자 전략에서 대체 데이터를 활용하는 과정은 다음 연사가 설명합니다. 여기에는 새로운 정보 소스 식별, 구조화되지 않은 데이터를 구조화 데이터 세트로 통합 및 변환하는 작업이 포함됩니다. 투자 전략을 개발한 후 검증은 데이터의 신뢰성과 결과의 통계적 유의성을 이해해야 하는 중요한 단계가 됩니다. 발표자는 모델을 만들 때 대체 데이터에만 의존하지 않고 시장 데이터도 고려하는 것이 중요하다고 강조합니다.
발표자들은 시장 동향을 파악하는 데 있어 대체 데이터의 중요성과 그러한 데이터를 백테스팅하는 것과 관련된 문제에 대해 탐구합니다. 이전에는 기술 거래자들이 120일 이동 평균과 같은 단순한 지표에 의존했지만, 이제는 반품 원인을 이해하기 위해 더 넓은 범위의 데이터 범주를 통합하려는 노력이 있습니다. 그러나 대체 데이터는 상대적으로 새롭기 때문에 이를 백테스트하는 방법과 시간이 지남에 따라 일관성을 유지하는 방법에 대한 우려가 있습니다. 투자 전략의 영향을 이해하려면 무작위 변동에 대한 시스템의 안정성을 평가해야 합니다.
강력한 투자 전략을 개발하기 위해 트레이더가 Bloomberg Icon 및 Reuters Quantum과 같은 대체 데이터 플랫폼을 사용하는 것에 대해 발표자가 논의합니다. 이러한 플랫폼에는 정서 및 뉴스와 같은 다양한 형태의 데이터를 정량화하는 자체 모델이 있지만 연사는 거래자에게 자체 모델을 만들 것을 권장합니다. 대체 데이터 입력을 수신하기 위해 API를 활용하는 것의 중요성이 강조되고 회사 발표를 분석할 때 Credit Suisse와 같은 조직화된 웹사이트의 가치가 언급됩니다. 마지막으로 발표자들은 좁고 전문화된 접근 방식이 시장 행동을 분석하는 데 매우 효과적일 수 있다는 점에 주목합니다.
연사는 금융 시장에서 다양한 자산 클래스의 행동을 이해하고 투자 스타일과 기간을 기반으로 시장을 추적하는 방법을 이해하는 데 활용할 수 있는 다양한 도구와 웹사이트에 대해 논의합니다. 만병통치약이 없다는 점을 인정하면서 그들은 Bloomberg와 같은 웹사이트의 정성적 정보가 이와 관련하여 도움이 될 수 있다고 제안합니다. 그들은 또한 마이크로블로그 및 대화방과 같은 대체 데이터 소스 및 감정을 이해하는 것의 중요성을 강조합니다. 그러나 그들은 이러한 분야의 전문가가 되는 것이 반드시 금융 시장에서 더 나은 경력으로 이어질 것이라는 보장은 없다는 점에 주목합니다.
그런 다음 발표자는 대형 펀드를 위한 고급 거래 전략 개발과 독립 거래자를 위한 간단한 전략 개발의 차이점을 설명합니다. 복잡한 기술은 대규모 펀드의 구직자에게 더 적합할 수 있는 반면, 독립 거래자는 기관에 관심이 없을 수 있는 틈새 전략으로 시작하는 것이 좋습니다. 이 접근 방식은 복잡한 데이터 피드와 관련된 높은 비용을 피하는 데 도움이 됩니다. 발표자는 거래를 위한 새로운 데이터 소스에 대한 관심이 증가하고 있으므로 배우고 추구해야 할 관련 분야를 강조합니다. 그들은 또한 펀드 관리에서 개인적으로 대체 데이터를 어느 정도 활용하고 고객이 기계 학습 및 자연어 처리 기반 모듈을 구현하거나 데이터 세트를 사용하여 자체 전략을 검증하도록 지원한다고 언급합니다.
질의응답 시간에는 트위터가 블루틱을 팔고 검증된 계정이 자연어 처리(NLP)에서 더 많은 비중을 차지할 것인지에 대한 질문이 제기됩니다. 처음에는 패널리스트들이 질문을 이해하기 어려웠지만 나중에는 답변할 자격이 없음을 인정합니다. 그런 다음 논의는 초보자와 학생에게 적합한 전통적인 금융 데이터 소스로 이동하며 잠재적인 옵션으로 Bloomberg 및 Definitive가 언급됩니다. 데이터 공급자가 특정 수준의 상호 작용이 있는 무료 데이터 세트를 제공할 수 있다는 제안이 있습니다.
연사는 이어서 금융 시장 분석을 위한 대체 데이터 소스의 사용에 대해 논의하며, 특히 글로벌 및 지역 뉴스 소스에서 데이터를 수집하는 DGLT 회사를 언급합니다. 관련 정보를 필터링하는 데 필요한 노력을 인정하면서도 수집된 데이터는 1800년대로 거슬러 올라가는 시장 행동에 대한 역사적 관점을 제공할 수 있다는 점에 주목합니다. 대체 데이터를 유일한 소스로 사용해야 하는지 또는 기존 데이터와 함께 검증을 위해 사용해야 하는지 묻는 질문에 화자는 일반적인 규칙이 없으며 사용 중인 특정 전략에 따라 다르다고 말했습니다. 그러나 그들은 시장 데이터가 여전히 주요 동인이며 대체 데이터에 전적으로 의존해서는 안 된다고 강조합니다.
연사는 금융 시장에서 대체 데이터의 사용과 그러한 데이터를 분석하기 위해 기계 학습을 사용할 수 있는 방법에 대해 논의하면서 웨비나를 마무리합니다. 가격 및 기본 데이터를 포함한 여러 유형의 데이터를 기계 학습 예측 알고리즘에 입력해야 할 필요성을 강조합니다. 그러나 그들은 또한 대체 데이터만으로는 유일한 동인이 될 수 없으며 시장 가격 입력과 결합되어야 한다고 강조합니다. 청중은 추가 질문이 있으면 연락할 것을 권장합니다.
퀀트 팩터 투자 소개
퀀트 팩터 투자 소개
이 비디오는 퀀트 팩터 투자의 개념과 이를 가치, 모멘텀, 품질 및 크기를 포함한 다양한 팩터로 분류하는 방법을 소개합니다. 연사는 팩터 투자가 수익을 창출할 것으로 예상되는 특정 요인을 기반으로 유가 증권을 선택하는 것과 관련이 있으며 장기적으로 그렇게 한다고 설명합니다. 이 비디오는 통계 분석, 요인 모델링, 기계 학습, 최적화 모델, 시계열 분석, 위험 모델 및 몽타고리 시뮬레이션을 포함하여 정량적 요소 투자를 적용하는 데 사용할 수 있는 다양한 정량적 방법을 다룹니다. 연사는 또한 퀀트 팩터 투자의 장점과 팩터를 선택하고 결합하는 과정에 대해 논의하고 데이터 소스 및 중/고빈도 거래에 대한 적합성을 포함하여 주제와 관련된 질문에 답합니다.
웨비나에서 QuantInsti의 퀀트 애널리스트인 Varun Kumar는 퀀트 팩터 투자에 대한 포괄적인 소개를 제공합니다. 그는 투자자를 정량화할 수 있는 수익으로 안내하는 광범위하고 지속적인 위험 및 수익의 원천인 팩터의 개념을 설명하는 것으로 시작합니다. 몇 가지 일반적인 요소에는 가치, 모멘텀, 품질, 크기 및 변동성이 포함됩니다. Kumar는 예를 들어 고품질 특성을 가진 회사에 투자하는 것과 관련된 품질 요소에 중점을 둡니다. 자기 자본 수익률 및 성장률 수익성과 같은 재무 비율은 회사의 품질을 정량화하는 데 사용됩니다. 높은 비율과 높은 마진을 가진 주식은 고품질로 간주되는 반면 낮은 비율과 마진은 낮은 품질로 간주됩니다. 과거 데이터에 따르면 고품질 주식으로 구성된 포트폴리오는 장기간에 걸쳐 초과 수익을 창출했습니다.
그런 다음 Kumar는 퀀트 팩터 투자의 팩터 분류에 대해 자세히 설명합니다. 요인은 거시적 요인, 스타일 기반 요인, 부문별 요인, ESG 기반 요인, 정서 기반 요인, 유동성 기반 요인, 기술적 요인 등 7가지 유형으로 분류됩니다. 그는 이러한 각 요소가 어떻게 기능하고 요소 포트폴리오를 구성하는 데 어떻게 사용될 수 있는지에 대한 통찰력을 제공합니다. 이를 설명하기 위해 그는 거시 경제 및 스타일 기반 요소를 사용하여 구축된 전략의 예를 제시합니다. 이러한 전략에는 GDP 성장률, 인플레이션율, 이자율, 자기자본수익률 등의 변수를 활용하여 종목을 선택하고 포트폴리오를 구성하는 것이 포함됩니다. Kumar는 또한 포트폴리오에 대한 주식을 선택할 때 높은 자기 자본 수익률 및 낮은 부채 비율과 같은 요소를 고려하는 것이 중요하다고 강조합니다.
웨비나는 스타일 팩터, 부문별 매트릭스, ESG 기준, 정서, 유동성 및 기술 지표를 포함하여 퀀트 팩터 투자 전략에 통합할 수 있는 다양한 팩터를 추가로 탐색합니다. Kumar는 이러한 요소를 활용하여 포트폴리오 구성을 위한 논리적 프레임워크를 개발하는 방법을 설명하고 이러한 요소를 사용하여 구현할 수 있는 전략의 실제 예를 제공합니다. 그는 환경, 사회 및 거버넌스 기준을 나타내는 ESG 기준과 사회 및 환경에 미치는 영향을 기반으로 기업을 평가하는 역할에 대해 간략하게 설명합니다.
퀀트 팩터 투자에서 수학적 모델과 통계 분석의 활용도 논의됩니다. Kumar는 이러한 방법이 투자 결정에서 감정적 편향을 제거하고 덜 직관적인 요소를 탐색할 수 있도록 도와준다고 강조합니다. 그는 통계 분석, 요인 모델링, 기계 학습, 최적화 모델, 시계열 분석, 위험 모델 및 Monte Carlo 시뮬레이션을 포함하여 이 분야에서 가장 일반적으로 사용되는 7가지 정량적 방법을 설명합니다. 동영상은 증권과 팩터 간의 패턴과 상관관계를 식별하기 위해 통계 분석을 사용하는 방법을 강조합니다.
웨비나에서는 투자 포트폴리오의 구성 및 관리에 있어 퀀트 팩터 투자의 이점을 살펴봅니다. 주요 이점 중 하나는 투자자가 포트폴리오의 한계를 더 잘 이해하는 데 도움이 되는 극단적인 시장 조건을 시뮬레이션할 수 있는 능력입니다. 발표자는 주가수익비율이 낮은 대형주 포트폴리오의 사례 연구를 사용하여 전통적인 팩터 투자와 퀀트 팩터 투자 간의 접근 방식의 차이점을 강조합니다. 전통적인 투자가 팩터 식별, 대형주 유니버스 결정, P/E 비율에 따라 분류하기 전에 각 주식의 팩터 계산을 포함하는 반면, 퀀트 팩터 투자는 데이터 수집, 사전 처리 및 기능 선택을 사용합니다. 선택한 기능을 기반으로 주가를 예측하는 모델이 구축됩니다.
퀀트 팩터 투자의 과정을 설명하고 특정 기능을 기반으로 주가를 예측하기 위한 정확한 모델을 구축하는 것이 중요함을 강조합니다. 발표자는 이 접근 방식이 데이터 기반이며 기존 팩터 투자에 비해 더 객관적이어서 보다 정확하고 신뢰할 수 있는 분석이 가능하다고 강조합니다. 투자에 가장 적합한 팩터를 선택하기 위해서는 팩터가 지속적이고, 다양한 시장과 부문에 걸쳐 작용하며, 다양한 시장 상황에 강건하고, 시장 윤리의 변화에 지나치게 민감하지 않으며, 충분한 유동성과 능력을 보유해야 합니다.
웨비나는 또한 퀀트 팩터 투자의 팩터 조합을 다룹니다. 공통적으로 사용되는 5가지 방법에 대해 설명합니다. 여기에는 동일 가중치 및 요소 점수 매기기가 포함되며 각 요소는 과거 실적을 기준으로 점수를 매기고 전체 점수를 얻기 위해 가중 평균을 취합니다. 포트폴리오 위험을 줄이고 다각화를 증가시키며 성과의 변동성을 최소화하기 때문에 요소 결합의 중요성이 강조됩니다. 발표자는 경험적 증거에 의해 뒷받침되는 것, 경제적 또는 재정적 기반을 갖는 것, 장기 투자 기회를 제공하는 것, 투자할 수 있는 것, 직관적이고 널리 받아들여지는 것을 포함하여 최고의 요소의 5가지 주요 특성을 설명합니다.
연사는 계속해서 퀀트 팩터 투자에서 팩터를 결합하는 몇 가지 방법에 대해 논의합니다. 이러한 방법 중 하나는 주성분 분석(PCA)으로, 여러 요인을 더 작은 상관관계가 없는 구성 요소 집합으로 결합합니다. 이 접근 방식은 요인의 수를 줄이고 다중 공선성이라고도 하는 상관 요인 문제를 해결합니다. 또 다른 방법은 특정 요인을 강조하기 위해 포트폴리오의 가중치 또는 할당을 조정하는 팩터 틸팅입니다. 이 기술은 유연성을 제공하고 투자자가 특정 요인을 목표로 삼을 수 있도록 합니다. 또한 기계 학습을 활용하여 과거 성과를 기반으로 요소를 선택하거나 결합하여 비선형 관계를 효과적으로 캡처할 수 있습니다. 발표자는 딥 러닝 알고리즘을 사용할 때 상당한 양의 데이터가 필요하고 과적합되기 쉬울 수 있으므로 주의해야 한다고 강조합니다. 최적의 결과를 위해 전통적인 통계 방법과 결합하는 것이 좋습니다.
또한 연사는 퀀트 팩터 투자와 관련된 청중의 질문에 답합니다. 질문은 가격 움직임과 장기 차트를 투자의 요소로 사용하는 것과 같은 다양한 주제를 다루며, 화자는 적절하게 정의하고 역사적 성과를 연구하여 기술적 요소로 사용할 수 있다고 제안합니다. 거래되는 요소와 거래되지 않는 요소의 구분을 설명하는데, 유동성을 결정하기 어렵기 때문에 거래되지 않는 요소인 부동산을 예로 들어 설명합니다. 퀀트 팩터 투자의 초점은 데이터에 쉽게 접근할 수 있고 백테스팅이 가능하기 때문에 주로 거래되는 팩터에 있습니다. 연사는 또한 회사가 가치주를 정의하기 위해 주가수익비율을 사용하는 것과 같은 기술을 제안하면서 회사가 더 많은 가치 또는 성장 중심인지 결정하는 데 대한 통찰력을 제공합니다.
토론은 퀀트 팩터 투자에 사용되는 다양한 알고리즘을 탐색하면서 계속됩니다. 반복 신경망(RNN) 및 장단기 기억(LSTM)과 같은 알고리즘이 언급되며 분석되는 데이터 유형에 따라 관련성이 달라집니다. 딥 러닝 기술을 사용하여 요소를 결합하고 각 요소에 대한 최적의 가중치를 결정하여 포트폴리오 성능을 향상시킬 수 있습니다. 연사는 백테스팅 요인 전략에 대한 조언을 제공하고 여러 데이터 세트 및 시장에서 통계적 유의성을 테스트하는 것의 중요성을 강조합니다. 측면 시장을 식별하기 위한 기술 지표로 볼린저 밴드를 사용하는 것도 언급됩니다.
마지막으로 웨비나는 마지막 Q&A 세션으로 마무리되며, 여기에서 연사는 청중의 추가 질문에 답합니다. 질문에는 산업 분야 선택에서 딥 러닝 알고리즘의 역할이 포함되며 의사 결정 트리, 신경망 및 랜덤 포레스트와 같은 다양한 옵션이 강조됩니다. 알고리즘의 선택은 당면한 특정 작업 및 데이터 세트에 따라 다르다는 점을 강조합니다. 연사는 데이터 요구 사항과 과적합 가능성으로 인해 딥 러닝 알고리즘을 신중하게 사용하는 것의 중요성을 반복합니다. 청중은 참여에 감사하며 세션에 대한 피드백을 제공하도록 권장됩니다.
옵션 거래를 위한 기계 학습
옵션 거래를 위한 기계 학습
옵션 거래를 위한 기계 학습에 관한 웨비나에서 연사인 Varun Kumar Patula는 기계 학습과 그 기본 목적에 대한 소개로 시작합니다. 그는 기계 학습 알고리즘을 사용하여 데이터를 분석하고 사람이 알아채지 못할 수도 있는 패턴을 발견한다고 설명합니다. 바룬은 인공지능, 머신러닝, 딥러닝을 구분하며 머신러닝이 데이터를 기반으로 예측이나 결정을 내리기 위해 모델을 훈련시키는 데 초점을 맞춘 AI의 하위 집합임을 강조합니다. 그는 기계 학습을 지도 학습, 비지도 학습 및 강화 학습의 세 가지 유형으로 분류하며 각각 고유한 특성과 응용 프로그램이 있습니다.
그런 다음 연사는 웨비나의 핵심 초점인 옵션 거래에 기계 학습을 적용하는 방법에 대해 자세히 설명합니다. 옵션 거래는 보유자에게 특정 기간 내에 지정된 가격으로 자산을 사고 팔 수 있는 권리를 부여하는 옵션 계약의 매수 또는 매도를 포함합니다. Varun은 옵션 거래와 관련된 높은 위험을 강조하고 기계 학습이 분석 정확도를 향상시켜 위험을 줄이는 방법을 설명합니다. 가격 옵션, 거래 전략 설계, 변동성 계산 및 내재 변동성 예측을 포함하여 옵션 거래에서 기계 학습의 다양한 응용 프로그램에 대해 자세히 설명합니다. 이러한 응용 프로그램은 옵션 거래에서 의사 결정을 개선하고 수익성을 높이는 것을 목표로 합니다.
옵션 거래에서 기계 학습의 필요성을 이해하기 위해 Black-Scholes 모델과 같은 기존 모델의 한계에 대해 설명합니다. Black-Scholes 모델은 실제 시나리오에서는 사실이 아닐 수 있는 일정한 무위험 금리와 변동성을 가정합니다. Varun은 German Candy 모델 및 Heston 모델과 같은 대체 모델에 대해 언급했는데, 이 모델에는 고유한 제한 사항과 입력 매개변수 요구 사항이 있습니다. 제안된 솔루션은 확장된 기능 및 입력 매개변수 세트를 허용하므로 이러한 모델의 대체 또는 조합으로 기계 학습을 활용하는 것입니다. 기계 학습 모델은 내재 또는 실현 변동성, 금리 및 기타 관련 기능과 같은 요소를 고려하여 옵션의 공정한 가격을 결정할 수 있습니다. 이를 통해 보다 정확한 가격 책정, 행사 가격 선택 및 헤지 전략이 가능합니다. Varun은 실증적 연구에서 다층 퍼셉트론 모델과 같은 여러 개의 숨겨진 레이어가 있는 딥 러닝 모델이 Black-Scholes 모델보다 성능이 뛰어나며, 특히 돈이 없거나 비용이 많이 드는 옵션에 대해 강조합니다.
웨비나는 옵션 전략을 위한 기계 학습 모델을 사용하여 거래 결정의 최적화를 탐색합니다. 일반적인 프로세스에는 기본 자산의 강세 또는 약세 정서를 분석하고 그에 따라 적합한 전략을 선택하는 것이 포함됩니다. 그러나 많은 옵션 전략은 위험-보상 분포를 왜곡하여 보다 정교한 분석이 필요합니다. 기계 학습은 과거 수익률, 모멘텀 및 변동성과 같은 기능을 고려하여 기본 자산에 대한 통찰력을 제공함으로써 이 분석을 향상시킬 수 있습니다. 그런 다음 이러한 기능을 기계 학습 모델에 입력하여 다음 거래 기간을 강세 또는 약세로 분류합니다. 비디오는 또한 SP500 지수 데이터에 사용되는 기능을 다루고 옵션 전략 결정에서 기능 분석의 중요성을 강조합니다.
다음으로 연사는 수직 옵션 스프레드에 대한 거래 결정을 위한 기계 학습 모델을 구성하는 데 중점을 둡니다. 그들은 입력 매개변수가 다음 거래일을 강세 또는 약세로 분류하는 데 결정 트리 분류기가 사용되는 이전 예와 동일하게 유지된다고 설명합니다. 옵션을 활용하기 위해 위험을 제한하는 강세 콜 스프레드 또는 약세 풋 스프레드와 같은 스프레드가 도입됩니다. 기계 학습 모델을 결합하여 계약의 거래 범위와 변동성을 예측합니다. 트레이더는 이러한 결합 모델을 활용하여 거래 전략에서 수직 스프레드에 대한 최적의 설정을 결정하는 동시에 옵션 거래에서 중요한 내재 변동성을 예측할 수 있습니다.
옵션 거래에서 기계 학습의 또 다른 적용은 내재 변동성을 예측하고 옵션 전략에 대해 계산된 결정을 내리는 것입니다. 과거 내재 변동성 및 기타 관련 기능을 기계 학습 모델에 입력함으로써 트레이더는 변동성을 예측하고 매도 스트래들 또는 매도 스트랭글과 같은 적절한 전략을 선택할 수 있습니다. 발표자는 기본 데이터 및 옵션 데이터를 포함하여 전략 및 입력 기능 목록을 기반으로 가장 적합한 옵션 전략을 예측하기 위해 기계 학습 모델이 구축된 사례 연구를 공유합니다. 전략 유니버스를 설계하고 다양한 계약을 포함하도록 연구를 확장함으로써 거래자는 기계 학습을 활용하여 거래 목표에 맞는 최상의 전략을 만들고 선택할 수 있습니다.
웨비나에서 연사는 포지션과 계약의 다양한 조합을 탐색하여 옵션 거래를 위한 27가지 전략을 만든 방법을 설명합니다. 전략을 다듬기 위해 콜러에서 포지션이 부족하거나 짧은 스트래들과 같은 비실용적인 조합에 의존하는 조합을 제거하여 20개로 걸러냈습니다. 이 20가지 전략 중 최대 수익을 제공하는 전략을 결정하기 위해 화자는 기계 학습 모델, 특히 장단기 기억(LSTM) 모델을 사용했습니다. 이 모델은 기본 자산, 옵션 및 변동성의 입력 기능을 통합하고 다중 클래스 분류 시스템을 활용하여 최적의 배포 전략을 식별했습니다.
비디오는 또한 옵션 등급과 관련된 기능과 LSTM 모델에 사용되는 신경망의 구조에 대해 조명합니다. 약 10년 간의 데이터로 모델을 교육하고 입력 기능을 기반으로 전략 레이블을 생성했습니다. 결과는 기계 학습 모델이 시간이 지남에 따라 기본 자산을 능가하는 것으로 나타났습니다. 옵션에 대한 기계 학습 모델의 예측 정확도를 향상시키기 위해 발표자는 몇 가지 모범 사례를 권장합니다. 여기에는 미세 조정을 위한 확률 수준 활용, 다중 비전 모델 사용, 투표 분류기 기술 구현, 정확도 및 수익성 향상을 위해 다른 기계 학습 모델을 교육하기 위해 여러 분류기의 출력을 활용하는 것이 포함됩니다.
또한 연사는 옵션 거래에서 분류 모델의 성능을 개선하는 방법을 탐구합니다. 이러한 방법에는 확률 수준 활용, 여러 분류기를 결합하여 앙상블 기술 사용, 기계 학습 모델을 사용하여 서로 다른 모델의 출력을 집계하는 것이 포함됩니다. 모델에서 더 높은 정확도를 달성하기 위해 하이퍼파라미터 튜닝 및 교차 검증 기술의 중요성이 강조됩니다. 연사는 또한 실제 돈으로 전략을 전개하기 전에 종이 거래의 중요성을 강조합니다. 이 관행을 통해 거래자는 실제 자본을 위험에 빠뜨리기 전에 실질적인 문제나 문제를 식별하고 해결할 수 있습니다.
이어지는 Q&A 세션에서 연사는 참석자들의 질문에 답합니다. 질문은 옵션 거래를 위한 기계 학습 전략의 성능, 모델의 기능을 선택하는 데 사용되는 방법론, 기존 기술 지표에 대한 기계 학습의 이점, 기능 중요도 계산 및 적절한 보유 기간을 포함한 다양한 주제를 다룹니다. SPY(Standard & Poor's 500 지수). 연사는 모델에 사용된 데이터가 2010년까지 거슬러 올라가고 2020년 이후의 기간을 포함하기 때문에 전략의 성과가 2020년의 시장 방향에 의해서만 결정되는 것은 아니라고 설명합니다. 그들은 옵션 그리스와 같은 요인을 고려하여 옵션 거래가 보다 복잡한 분석을 필요로 한다고 설명합니다. 내재 변동성으로 인해 머신 러닝이 유용한 도구가 되었습니다. 모델의 기능 선택은 거래 경험과 정보에 입각한 의사 결정의 조합을 기반으로 합니다.
웨비나 말미에는 연사가 수반되는 과정의 전제 조건에 대해 논의하고 머신 러닝에 대한 사전 지식과 이점을 극대화할 수 있는 관련 과정을 추천합니다. 이 과정은 주로 S&P 500 옵션 거래를 위한 기계 학습 모델을 구축하는 데 중점을 두지만 추가 교육 및 사용자 정의를 통해 개념을 다른 계약에 적용하고 적용할 수 있습니다. 이 과정은 사전 구축된 기계 학습 모델을 제공하지 않지만 참가자에게 자신의 모델을 구성하는 데 필요한 지식과 기술을 제공합니다.
웨비나는 옵션 거래에서 기계 학습의 적용에 대한 포괄적인 개요를 제공합니다. 기계 학습의 기초, 다른 관련 분야와의 차이점, 기계 학습 알고리즘의 세 가지 유형을 다룹니다. 웨비나는 분석 정확도를 높이고 위험을 완화할 수 있는 능력으로 인해 옵션 거래에서 기계 학습의 필요성을 강조합니다. 가격 옵션, 거래 전략 설계, 내재 변동성 예측을 포함하여 옵션 거래에서 기계 학습의 다양한 응용에 대해 논의합니다. 웨비나는 또한 수직 옵션 스프레드 및 거래 결정 최적화를 위한 기계 학습 모델의 구축을 탐구합니다.
ML을 통한 포트폴리오 자산 할당 및 배당금 최적화 | 알고 트레이딩 프로젝트
ML을 통한 포트폴리오 자산 할당 및 배당금 최적화 | 알고 트레이딩 프로젝트
행사의 첫 번째 프레젠테이션은 이탈리아의 중소기업과 협력하여 다양한 기업 기능에 AI 솔루션을 제공하는 것으로 알려진 독립 AI 및 빅 데이터 엔지니어인 Raimondo Mourinho가 진행합니다. Mourinho는 기계 학습 기술, 통계 및 확률을 결합하여 고급 거래 시스템을 만들 수 있다고 믿습니다. 프레젠테이션에서 그는 포트폴리오 자산 할당에서 기계 학습 모델을 개발하기 위한 실용적이고 확장 가능한 프레임워크를 공유합니다.
Mourinho는 이러한 시스템을 설계하는 데 필요한 핵심 구성 요소를 소개하는 것으로 시작합니다. 그는 포트폴리오 사고 방식을 채택하고 머신 러닝 모델을 활용하여 아이디어를 실행 가능한 전략으로 변환하고 멀티 CPU, 멀티 코어 및 GPU 기능을 활용하는 것의 중요성을 강조합니다. 이러한 요소는 그의 프레임워크의 기초를 형성합니다. 라이브로 전환할 때 인프라의 필요성에 대해 간략하게 언급하는 동안 그는 프레임워크의 마지막 부분이 프레젠테이션 범위를 벗어남을 인정하면서 중저빈도 거래를 위한 프레임워크의 기본 블록에 초점을 맞춥니다.
그런 다음 연사는 기계 학습 및 Python의 배당주 최적화를 사용하여 포트폴리오 자산 할당을 위한 강력한 프레임워크를 구축하는 데 필요한 역량에 대해 자세히 설명합니다. 그는 포트폴리오 기술, 객체 지향 프로그래밍, 다중 처리 기술 및 비동기 프로그래밍에 대한 강력한 이해가 필요하다고 강조합니다. 또한 하이퍼 매개변수 최적화 도구, SQL 언어 및 Docker 기술에 대한 전문 지식은 가치 있는 것으로 간주됩니다. Mourinho는 시계열에 대한 데이터베이스 최적화, 데이터 사전 처리, 누락된 데이터 및 이상값 처리, 데이터 정규화 및 지정된 자산 유니버스 내에서 자산 선택 수행을 포함하는 프레임워크의 첫 번째 단계를 설명합니다.
프레젠테이션은 거래 신호 생성을 위한 기계 학습 용어에 해당하는 알파 생성 단계에 대해 논의합니다. Mourinho는 이 단계에서 거래자들이 다양한 지표, 정서 분석 및 계량 경제 모델을 사용하여 아이디어를 통합한다고 강조합니다. 후속 단계에는 상수 및 준 상수 기능, 비정적 기능 및 선형 상관 기능과 같은 중복 기능이 순위 기반 방법을 사용하여 제거되는 기능 선택이 포함됩니다. 또한 그는 기능 내에서 중요한 정보를 보존하면서 원하는 정상성을 유지하는 기술인 부분 미분의 활용에 대해 언급합니다. 이러한 개선 사항은 배당주에 대한 기계 학습 및 최적화를 사용하여 포트폴리오 자산 할당을 위한 Mourinho의 프레임워크에 필수적입니다.
자산 선택 및 가중치 할당을 포함하는 리밸런싱은 학습 파이프라인에서 자세히 설명됩니다. Mourinho는 자산 선택을 위해 자산 간의 상대적 강도를 기반으로 단면 모멘텀을 사용합니다. 가중치 할당을 위해 그는 임계 라인 알고리즘, 역변동성 포트폴리오, 동일 가중 포트폴리오와 같은 기존 기술을 계층적 위험 패리티 및 계층적 균등 위험 기여도와 같은 기계 학습 모델과 결합합니다. 발표자는 시뮬레이션 결과를 보여주고 과거 데이터를 사용하여 성능을 평가합니다. 그는 또한 Drunken Monkey 전략 및 조합 제거 교차 검증과 같은 기술을 통합하여 포트폴리오를 더욱 강화하려는 의도를 언급합니다. 또한 Mourinho는 이러한 기술을 실시간 거래 시나리오에 적용할 때 효과적인 자금 관리의 중요성을 강조합니다.
매개 변수 변동성 추정을 해결하기 위해 Mourinho는 Monte Carlo 시뮬레이션 및 부트스트래핑과 같은 기술을 사용할 것을 권장합니다. 그는 말기 자산과 최대 감소 백분위수에 초점을 맞춘 분석 결과를 제시합니다. 연사는 데이터 중심을 유지하고 특정 거래 아이디어에 지나치게 집착하지 않는 것의 중요성을 강조합니다. 또한 그는 다른 기술을 사용하여 특이한 위험을 완화하고 비슷한 성능을 가진 더 간단한 시스템을 선택하여 과적합을 피하도록 조언합니다. 마지막으로 그는 시계열 데이터의 비정적 특성으로 인해 실시간 거래 시스템을 지속적으로 모니터링하고 조정해야 할 필요성을 강조합니다.
Q&A 세션에서 Mourinho는 청중의 몇 가지 질문에 답변합니다. 한 참가자는 파이프라인에서 가장 중요한 단계에 대해 묻습니다. Mourinho는 데이터 전처리가 필수적이고 시간이 많이 걸린다고 강조합니다. 또 다른 쿼리는 데이터 정규화를 중심으로 이루어지며 Mourinho는 대부분의 경우 평균을 빼고 표준 편차로 나누는 일반적인 관행을 제안합니다. 주성분 분석(PCA)을 사용하여 선형 상관 관계를 제거하는 것과 관련하여 그는 가능성을 인정하지만 기능의 잠재적인 의미 손실에 대해 경고하고 결과를 효과적으로 해석하기 위해 Sharpe Ratio와 같은 모델을 고려할 것을 제안합니다.
연사는 기능 선택을 위한 PCA 사용과 기능의 해석 가능성에 미치는 잠재적 영향에 대해 논의합니다. 퀀트 및 알고리즘 트레이더를 꿈꾸는 분들은 EPAT(알고리즘 트레이딩의 집행 프로그램)를 귀중한 출발점으로 고려하는 것이 좋습니다. 그들은 프로그램이 업계의 요구 사항에 부합하는 포괄적인 학습 목표를 제공한다고 강조합니다. 웨비나 참석자는 프로그램에 대한 연장된 얼리버드 입장권을 제공받으며 코스 상담 전화를 예약하여 알고리즘 트레이딩 데스크를 구축하거나 거래에 고급 기술 및 도구를 통합하는 등 경력 목표를 달성하는 데 도움이 되는 방법을 이해할 수 있습니다. 전략.
Hong Kong Exchange and Clearing Limited의 프로젝트 관리자인 Kurt Celestog가 무대에 올라 포트폴리오 관리에 대한 자신의 프로젝트를 공유합니다. 이는 Jay Palmer의 양적 포트폴리오 관리에 대한 강의를 확장한 것입니다. Celestog의 프로젝트는 포트폴리오 관리를 통해 배당 수익률을 최적화하는 데 중점을 둡니다. 그의 목표는 포트폴리오의 가치를 유지하면서 배당 지급의 안정성과 성장을 보장하면서 정기적인 배당 소득 흐름을 생성하는 것입니다. 그는 최적의 포트폴리오 운용 기법을 통해 배당수익률과 주가수익률 모두 벤치마크지수(ETF)를 뛰어넘는 것을 목표로 하고 있다. Celestog는 배당 데이터 획득에 어려움을 겪었고 이를 다운로드할 수 있는 웹 스크래핑 기능을 개발했습니다. 그는 데이터 세트를 각각 10년을 다루고 경기 침체와 확장을 포함하는 두 부분으로 나누었습니다.
연사는 배당 주식 포트폴리오 최적화를 위한 데이터 정리 과정에서 직면한 문제에 대해 논의합니다. 웹 사이트에서 얻은 데이터는 깨끗하지 않았으며 배당금을 달러 금액으로 표현하기 위해 수정 및 정규화가 필요했으며, 특히 초기 배당금은 처음에 백분율로 표시되었습니다. 가격 데이터는 Yahoo Finance에서 제공되었으며 연간 배당 수익률, 배당 성장 및 평균 성장과 같은 지표가 계산되었습니다. 선택된 모든 주식에 대해 합성 비율을 도출하여 가중치가 동일한 포트폴리오와 가중치가 최적화된 포트폴리오의 두 가지 포트폴리오를 만들었습니다. 연사는 단일 최적화와 10년 보유 기간이 벤치마크와 ETF를 능가하는지 여부를 분석하는 것을 목표로 했습니다.
그런 다음 연사는 기계 학습 기술을 활용한 포트폴리오 최적화 프로젝트의 결과를 공유합니다. 제시된 그래프는 왼쪽 상단 사분면에 있는 녹색 거품을 나타내며, 가장 높은 통합 지표를 가진 5개 주식을 나타냅니다. 동일 가중 포트폴리오와 최적 가중 포트폴리오 모두 벤치마크보다 평균 수익률과 배당 수익률이 더 높았습니다. 그러나 향후 10년 동안 은행 및 기술 주식의 인기가 높아져 최적화된 포트폴리오의 성과가 벤치마크에 비해 감소했습니다. 성과를 개선하기 위해 발표자는 포트폴리오를 정기적으로 재조정하고 선택한 메트릭을 기반으로 최고의 5개 주식을 선택하는 실험을 했습니다. 재조정된 포트폴리오는 벤치마크를 능가했으며 더 높은 배당수익률을 보여주었습니다.
연사는 특히 부동산 투자 신탁(REITs)과 같은 배당주에서 포트폴리오 최적화와 정기적인 재조정이 배당 수익률을 높이고 벤치마크 지수를 능가하는 방법을 강조합니다. 6개월마다 포트폴리오를 재조정하고 다양한 룩백 기간을 탐색함으로써 연사는 평균 배당 수익률, 배당 성장, 수익률 및 하락폭 감소 측면에서 지수를 성공적으로 능가했습니다. 그러나 그들은 데이터를 얻고 정리하는 데 어려움이 있음을 인정하고 재조정 기능이 복잡할 수 있다는 점에 주목하여 이러한 복잡성을 해결하기 위해 객체 지향 프로그래밍을 사용할 것을 제안합니다. 전반적으로 연사는 포트폴리오 최적화와 정기적인 재조정이 투자자에게 유용한 도구임을 강조합니다.
발표자는 빈번한 포트폴리오 재조정이 우수한 성과를 달성하는 데 중요하다고 지적합니다. 그러나 배당주에 대한 배당 데이터 가용성이 드물기 때문에 1년에 1~2회보다 더 자주 리밸런싱하기가 어렵습니다. 연사는 또한 다양한 최적화 기준 탐색, 다각화 증가를 위해 포트폴리오에 더 많은 주식 통합, 광범위한 백테스팅 수행 등 프로젝트에 대한 추가 작업의 필요성을 강조합니다. 그들은 읽기의 범위를 확장하고 거래 비용이 포트폴리오 성과에 미치는 영향에 대해 논의할 것을 제안합니다.
Q&A 세션 동안 Celestog는 청중의 질문에 답합니다. 한 참가자는 최적화된 포트폴리오와 비교하여 동일 가중 포트폴리오의 성과에 대해 질문합니다. Celestog는 동일 가중 포트폴리오가 일반적으로 잘 수행되었지만 최적화된 포트폴리오가 더 높은 수익을 내어 포트폴리오 최적화 기법의 효과를 입증했다고 설명합니다. 다른 참석자는 거래 비용이 포트폴리오 성과에 미치는 영향에 대해 질문합니다. Celestog는 트랜잭션 비용이 상당한 영향을 미칠 수 있음을 인정하고 이를 최적화 프로세스에 통합하여 실제 성능을 보다 정확하게 나타낼 것을 제안합니다. 그는 또한 실시간 거래 시나리오에서 미끄러짐을 고려하는 것의 중요성을 언급하고 참가자들에게 실시간 거래에서 구현하기 전에 과거 데이터를 사용하여 전략을 철저히 테스트하도록 조언합니다.
전반적으로 웨비나의 프레젠테이션은 배당주에 대한 기계 학습 및 최적화 기술을 사용하여 포트폴리오 자산 배분의 실용적인 측면을 조명합니다. 발표자들은 성공적인 결과를 얻기 위한 데이터 전처리, 기능 선택, 재조정 및 정기적인 모니터링의 중요성을 강조했습니다. 그들은 또한 금융 시장의 역동적인 특성을 탐색하기 위해 지속적인 학습, 적응성 및 다양한 전략 탐색의 필요성을 강조했습니다. 청중은 포트폴리오 관리에서 머신 러닝을 활용할 때의 과제, 기술 및 잠재적 이점에 대한 귀중한 통찰력을 얻었습니다.