Negociação quantitativa - página 23

[MetaQuotes]

Negociação de Volatilidade: Negociando o Índice de Medo VIX

Negociação de Volatilidade: Negociando o Índice de Medo VIX

A sessão começou com o anfitrião e o palestrante convidado apresentando uma agenda para o webinar, que visava melhorar a compreensão dos participantes sobre a volatilidade nos mercados financeiros. Eles começaram definindo a volatilidade e sua associação com o VIX, também conhecido como "índice de medo". O palestrante mergulhou nos diferentes tipos de derivativos baseados em VIX e VIX, esclarecendo sua importância na negociação. A sessão também incluiu uma abordagem prática para negociar o VIX e terminou com uma sessão de perguntas e respostas para responder a quaisquer perguntas do público.

Para ilustrar o conceito de volatilidade, o apresentador usou a Tesla como exemplo de uma ação altamente volátil, explicando como seus retornos diários oscilam entre -20% a +20%. Esse nível de volatilidade o torna um ativo arriscado de se lidar. O anfitrião enfatizou que apenas olhar para o gráfico de preço de um ativo não dá uma ideia clara de sua volatilidade. Em vez disso, são os retornos diários que oferecem uma melhor indicação da volatilidade de um ativo.

O vídeo explorou ainda mais a aplicação da volatilidade além da negociação de opções e sua utilidade na tomada de decisões sobre a compra de ativos como um todo. O palestrante categorizou a volatilidade com base na magnitude das flutuações de um ativo, variando de alta a baixa volatilidade. Foi feita uma comparação entre a Tesla e o S&P 500, com o S&P 500 sendo consideravelmente menor em volatilidade. Vários métodos de medição de volatilidade foram discutidos, incluindo desvio padrão e beta, que fornecem valores históricos de volatilidade. Foi introduzido o conceito de volatilidade implícita, representando a expectativa do mercado sobre os movimentos futuros de um ativo sem especificar a direção desses movimentos.

O webinar se concentrou em explicar o cálculo do VIX, ou índice de volatilidade, e sua utilização da volatilidade implícita de diferentes tipos de opções de índice para avaliar o potencial de mudanças bruscas. O VIX é comumente referido como o "índice de medo" e é representado graficamente em relação ao S&P 500. Embora o VIX normalmente pretenda permanecer baixo, eventos inesperados podem fazer com que ele suba, levando ao aumento do medo no mercado. O cálculo real do VIX é conduzido pelo CBOE, fornecendo aos traders os números necessários para acompanhar a jornada do VIX e sua relação com o índice subjacente. No geral, o VIX serve como uma ferramenta essencial para traders que buscam mitigar riscos no mercado.

O palestrante discutiu ainda a relação entre o VIX e o S&P 500, enfatizando que o VIX reflete a expectativa de volatilidade do mercado no futuro do índice e como ele reage em momentos de incerteza quando o S&P 500 experimenta quedas. O palestrante citou exemplos como a guerra comercial EUA-China e a pandemia de COVID-19 para ilustrar a correlação entre o VIX e o S&P 500. Embora o VIX se esforce para permanecer baixo, eventos inesperados podem levar a um aumento acentuado da volatilidade. No entanto, à medida que os traders processam novas informações e a incerteza diminui, a volatilidade também diminui.

O conceito de índice de medo ou VIX foi introduzido como uma medida do medo dos traders em relação às notícias negativas que impactam o mercado. Foi destacado que o VIX não se limita ao S&P 500, mas pode ser aplicado a outras áreas geográficas, como a Bolsa de Valores da Austrália, ações da zona do euro e o índice Hang Seng, além de outras classes de ativos, como commodities e moedas. A necessidade do VIX surge porque os comerciantes podem ter expectativas de volatilidade do mercado, mas não é o único fator na determinação das decisões de negociação, uma vez que as opções gregas também desempenham um papel importante. Portanto, o VIX serve como uma ferramenta para os traders negociarem opções com base na volatilidade do mercado. Embora o próprio VIX não possua um instrumento de negociação, derivativos como futuros e opções permitem estimar a volatilidade futura, facilitando as estratégias de negociação.

Os diferentes tipos de futuros VIX disponíveis para negociação foram discutidos, incluindo padrão, mês próximo, próximo mês, vencimentos de mês distante e vencimentos semanais. O vídeo destacou que, embora os futuros do VIX possam ser caros, existem minifuturos disponíveis por um décimo do valor, oferecendo uma opção mais acessível para os traders. Além disso, os VIX ETFs (Exchange-Traded Funds) foram introduzidos como uma alternativa à negociação de futuros VIX. Esses ETFs derivam seu valor dos futuros do VIX e oferecem diferentes opções com base nas preferências dos traders. Os ETFs VIX de curto prazo, como o VIXY, acompanham os futuros do próximo mês e do próximo mês, enquanto os ETFs VIX de médio prazo, como o VIXM, acompanham os futuros de médio prazo. Os ETFs VIX inversos, como SVXY, também foram mencionados, pois se movem na direção oposta dos futuros VIX, aumentando de valor quando os futuros caem. Os traders podem escolher entre esses vários tipos de futuros e ETFs VIX com base em suas perspectivas de mercado e estratégias de negociação.

Seguindo em frente, o vídeo explorou outros derivativos baseados em VIX, incluindo VIX ETFs e VIX ETNs (Exchange-Traded Notes). Os ETFs VIX foram explicados como tendo futuros VIX subjacentes, fornecendo exposição à volatilidade no mercado. Por outro lado, os ETNs VIX foram destacados por não terem um ativo subjacente. O palestrante mencionou o popular VXX como um exemplo de VIX ETN. Foi enfatizado que a negociação de derivativos baseados em VIX apresenta riscos, e é crucial que os traders entendam esses riscos antes de se envolver em tais atividades de negociação. Estratégias de teste e backtesting em um ambiente de negociação de papel foram recomendadas antes de negociar com capital real. As ETNs, em particular, carregam o risco do emissor, o que significa que, se a empresa que emite as ETNs não cumprir suas obrigações, o capital dos investidores pode estar em risco. Além disso, observou-se que os futuros do VIX têm um efeito contango que introduz certos riscos e considerações para os traders.

O palestrante aprofundou-se no tópico da convergência de futuros do VIX conforme eles se aproximam de sua data de vencimento. Eles explicaram que, à medida que a data de vencimento se aproxima, os preços futuros do VIX tendem a convergir. Foi enfatizado que estar do lado certo da negociação antes dessa convergência é crucial para os traders envolvidos na negociação de futuros do VIX. Em seguida, o vídeo apresentou uma estratégia simples baseada no VIX que envolve o uso do VIX para proteger um portfólio durante os períodos de declínio, comprando os futuros do VIX. Esta estratégia foi testada e resultou em retornos três vezes maiores entre 2011 e 2021 quando combinada com uma carteira do S&P 500. A importância de testar ideias e praticá-las em um ambiente de negociação de papel foi enfatizada como um meio de ganhar confiança antes de implementá-las. em cenários comerciais reais.

Os anfitriões do webinar compartilharam informações sobre um curso que desenvolveram chamado "Estratégias de negociação de volatilidade para iniciantes". O curso se concentra em ensinar aos traders vários métodos de medição de volatilidade, incluindo ATR (Average True Range), desvio padrão, VIX e beta. Eles enfatizaram a importância de se equipar com as ferramentas e conhecimentos certos para negociar sem medo da volatilidade. Os anfitriões mencionaram que o curso está disponível com 67% de desconto por tempo limitado. Além disso, os participantes do webinar receberam um desconto adicional de 10% no curso usando o código de cupom VTS10. Os anfitriões também aproveitaram a oportunidade para responder a algumas perguntas do público, incluindo perguntas sobre o foco no mercado dos EUA ao analisar o VIX e se o VIX atua como um indicador avançado ou atrasado dos movimentos de preços.

O palestrante explicou ainda a reação quase instantânea do VIX ao S&P 500. Embora o intervalo específico do VIX não tenha sido discutido, observou-se que a volatilidade de 30 dias é anualizada e cai dentro de um intervalo de 0 a 100. O palestrante destacou diferentes fases do VIX, como a fase baixa a média variando de 10 a 20 e a fase média de 20 a 25. O palestrante reconheceu que o manada, ou a tendência dos participantes do mercado de agir coletivamente, pode impactar o VIX. O vídeo também mencionou a disponibilidade de opções de futuros para o India VIX, embora a liquidez nessas opções seja limitada devido aos altos requisitos de capital.

Durante a sessão de perguntas e respostas, o vídeo abordou várias questões relacionadas à volatilidade do trading e ao VIX. Uma pergunta indagava sobre a possibilidade de negociar derivativos baseados em VIX estando na Índia. A resposta indicou que, embora seja uma prática emergente, algumas plataformas de negociação permitem a negociação de derivativos baseados em VIX na Índia. Outra questão levantou a ideia de incluir o sentimento das notícias como parâmetro adicional nos modelos de precificação de opções. O palestrante explicou que o VIX pertence a uma classe de ativos diferente e não usa os mesmos modelos das outras opções. No entanto, o vídeo reconheceu que a análise de sentimentos pode desempenhar um papel importante na compreensão da dinâmica do mercado. Além disso, o vídeo mencionou brevemente UVIX e SVIX como ativos subjacentes que podem ser tratados de forma semelhante a outros ativos ao considerar estratégias de negociação.

A discussão então se voltou para as regras de uma estratégia de portfólio combinada, mencionada anteriormente no vídeo. O palestrante explicou os critérios de regras de entrada e saída dessa estratégia. A regra de entrada se concentra no comportamento do S&P 500, onde, se estiver em queda, os traders podem reservar capital para operar comprados no VIX. Observou-se que o VIX geralmente sobe quando o S&P 500 cai. Por outro lado, a regra de saída considera o comportamento do S&P 500 para determinar se ele saiu de um mercado em baixa e se a economia geral está tendo um bom desempenho, indicando um mercado em alta. Os comerciantes foram aconselhados a avaliar as condições do mercado antes de tomar decisões sobre entrar ou sair de negócios.

O webinar forneceu informações detalhadas sobre negociação de volatilidade, com ênfase particular no VIX como um indicador-chave. Ele cobriu tópicos como entender a volatilidade, medir e categorizar a volatilidade, o cálculo do VIX, diferentes tipos de derivativos baseados no VIX e estratégias para negociar a volatilidade. Os anfitriões também ofereceram um curso sobre estratégias de negociação de volatilidade para iniciantes, incentivando os traders a se equiparem com o conhecimento e as ferramentas necessárias para navegar no mercado com confiança. O webinar foi concluído com uma sessão interativa de perguntas e respostas, abordando várias perguntas do público e fornecendo mais clareza sobre os tópicos discutidos.

• 00:00:00 O anfitrião e o orador convidado fornecem uma agenda para a sessão, começando com a definição e compreensão da volatilidade nos mercados financeiros. O palestrante continua explicando por que o VIX é chamado de "índice do medo" e os diferentes tipos de derivativos baseados no VIX e no VIX. A sessão também inclui uma abordagem prática para negociar o VIX antes de terminar com uma sessão de perguntas e respostas. O apresentador descreve como as pessoas associam a volatilidade a produtos químicos ou líquidos instáveis e explica como isso se aplica à negociação.
  
  
• 00:05:00 A Tesla é um bom exemplo de ação altamente volátil, com flutuações em seus retornos diários variando entre -20% a +20%. Essa flutuação acentuada torna um ativo arriscado de se manusear. No entanto, olhar apenas para o gráfico de preços não fornece uma ideia clara de quão volátil é um ativo. São os retornos diários que dão uma melhor indicação da volatilidade de um ativo.
  
  
• 00:10:00 O vídeo discute o uso da volatilidade além da negociação de opções e como ela pode ser útil na tomada de decisões sobre a compra de um ativo como um todo. O vídeo explica que a volatilidade pode ser categorizada com base em quanto um ativo flutua, variando de alta a baixa volatilidade. O S&P 500 é usado como comparação com a Tesla, pois é consideravelmente menor em volatilidade. O vídeo discute os métodos usados para medir a volatilidade, incluindo desvio padrão e beta, que fornecem valores históricos de volatilidade. Também é introduzido o conceito de volatilidade implícita, que é a expectativa do mercado de quanto um ativo se moverá no futuro, mas não fornece uma ideia de qual direção esse movimento será.
  
  
• 00:15:00 Uma compreensão clara de como o VIX, ou índice de volatilidade, é calculado e como ele usa a volatilidade implícita de diferentes tipos de opções de índice para dar uma ideia de quão bruscas podem ser as mudanças. O VIX é frequentemente referido como o "índice do medo" e é representado graficamente em relação ao S&P 500. O VIX normalmente tenta permanecer baixo, mas eventos inesperados podem fazer com que ele dispare, daí o aspecto do medo. O trabalho árduo por trás do cálculo do VIX é feito pelo CBOE, que fornece os números aos traders, permitindo que eles se concentrem na jornada do VIX e em sua relação com o índice subjacente. No geral, o VIX é uma ferramenta importante para traders que buscam mitigar riscos no mercado.
  
  
• 00:20:00 O palestrante discute a relação entre o VIX, também conhecido como índice do medo, e o S&P 500. Eles explicam que o VIX é a expectativa do mercado sobre a volatilidade do índice no futuro e como ele reage quando o S&P 500 cai devido à incerteza. O palestrante usa vários exemplos, como a guerra comercial EUA-China e a pandemia do COVID-19, para demonstrar a correlação entre os dois. Eles esclarecem que o VIX tenta ficar baixo, mas pode sofrer um aumento acentuado devido a eventos inesperados, resultando em aumento da volatilidade. No entanto, à medida que os traders processam novas informações, o nível de incerteza diminui, assim como a volatilidade.
  
  
• 00:25:00 O conceito de índice de medo ou VIX é introduzido como uma medida de quanto os comerciantes estão com medo de notícias negativas que afetam o mercado. O VIX não é aplicável apenas ao S&P 500, mas também pode ser aplicado a outras áreas geográficas, como a Bolsa de Valores da Austrália, ações da zona do euro e o Índice Hang Seng e até mesmo a outras classes de ativos, como commodities e moedas. A necessidade do VIX surge porque os traders podem ter expectativas de volatilidade do mercado, mas não será o único fator na determinação das decisões de negociação, uma vez que as opções gregas também são consideradas. Assim, o VIX serve como uma ferramenta para os negociadores negociarem opções com base na volatilidade do mercado e, embora o VIX não possua um instrumento de negociação, ele possui derivativos que permitem estimar a volatilidade futura para facilitar a negociação. Esses derivativos incluem futuros e opções.
  
  
• 00:30:00 O palestrante explica os diferentes tipos de futuros VIX disponíveis para negociação, que incluem expirações padrão, mês próximo, próximo mês e mês distante, bem como expirações semanais. Embora os futuros do VIX possam ser caros, existem mini-futuros disponíveis por um décimo do valor. Além disso, os ETFs VIX podem ser usados como uma alternativa e derivam seu valor dos futuros VIX. Os ETFs VIX de curto prazo, como o VIXY, acompanham os futuros do próximo mês e do próximo mês, enquanto os ETFs VIX de médio prazo, como o VIXM, acompanham os futuros de médio prazo. O palestrante também menciona ETFs VIX inversos, como SVXY, que são completamente inversos aos futuros VIX e aumentam de valor quando os futuros caem. Por fim, os traders podem usar esses diferentes tipos de futuros e ETFs VIX, dependendo de sua visão do mercado.
  
  
• 00:35:00 Os diferentes tipos de derivativos baseados em VIX são discutidos, incluindo VIX ETFs e notas negociadas em bolsa (ETNs) VIX. Os ETFs VIX têm futuros VIX subjacentes, enquanto os ETNs VIX não têm subjacentes. O VXX é um exemplo de um VIX ETN popular. No entanto, é importante observar que existem riscos com derivativos baseados em VIX e é essencial entendê-los antes de negociar. É aconselhável testar e testar estratégias antes de negociar com capital real. As ETNs vêm com risco de emissor, o que significa que, se a empresa que emite as ETNs não puder cumprir sua promessa, o capital do investidor estará em jogo. Além disso, os futuros do VIX têm um efeito contango que pode levar a riscos.
  
  
• 00:40:00 O palestrante discute a convergência dos preços futuros do VIX à medida que se aproximam de sua data de vencimento e a importância de estar no lado certo da negociação antes de negociar futuros do VIX. Em seguida, eles explicam uma estratégia simples baseada no VIX, envolvendo o uso do VIX para proteger um portfólio durante os períodos de declínio, comprando os futuros do VIX. Essa estratégia foi testada em um curso sobre negociação de volatilidade e resultou em retornos três vezes maiores entre 2011 e 2021, usando uma carteira combinada de futuros de S&P 500 e VIX. O palestrante enfatiza a necessidade de testar ideias e experimentá-las em um ambiente de negociação de papel antes de negociar cegamente.
  
  
• 00:45:00 Os apresentadores do webinar discutem um curso que desenvolveram chamado "Estratégias de negociação de volatilidade para iniciantes", focado em ensinar os traders a medir a volatilidade usando vários métodos, como ATR, desvio padrão, VIX e beta. Eles enfatizam a importância de ter as ferramentas e o conhecimento certos para negociar sem medo da volatilidade. O curso está disponível com 67% de desconto por tempo limitado e os participantes do webinar recebem um desconto adicional de 10% com o código de cupom VTS10. Os apresentadores também respondem a algumas perguntas do público, incluindo por que eles se concentram no mercado dos EUA ao analisar o VIX e se o VIX é um indicador avançado ou atrasado dos movimentos de preços.
  
  
• 00:50:00 O palestrante explica que o VIX tem uma reação quase instantânea ao S&P 500. A faixa do VIX não é discutida, pois a volatilidade de 30 dias é anualizada e mostrada, mas é de 0 a 100. O VIX tende a ter uma fase diferente entre 10 a 20, que é a fase baixa a média, e 20 a 25, que é a fase média. Além disso, o herding pode impactar o VIX, e há opções de futuros para o India VIX, mas não há muita liquidez nele devido aos altos requisitos de capital.
  
  
• 00:55:00 O vídeo discute várias questões relacionadas à volatilidade do trading e ao VIX. Uma pergunta aborda a possibilidade de negociar derivativos baseados em VIX enquanto estiver na Índia, e a resposta sugere que algumas plataformas de negociação permitem isso, embora ainda seja uma prática emergente. Outra questão é se o sentimento das notícias pode ser incluído como um parâmetro adicional nos modelos de precificação de opções. A resposta observa que o VIX é uma classe de ativo diferente e não usa os mesmos modelos das outras opções. Além disso, o vídeo discute os ativos subjacentes de UVIX e SVIX e sugere que eles podem ser tratados como outros ativos a serem considerados para estratégias de negociação. Por fim, uma questão aborda as regras para a estratégia de portfólio combinado, que envolve reservar uma parte do capital e reinvestir à medida que o S&P 500 cai.
  
  
• 01:00:00 O palestrante explica os critérios de regras de entrada e saída em uma estratégia de portfólio combinado. A regra de entrada é baseada no comportamento do S&P 500; se estiver em declínio, um trader pode reservar capital para operar comprado no VIX. O VIX geralmente sobe quando o S&P 500 cai. A regra de saída, por outro lado, analisa o comportamento do S&P 500 para determinar se ele está fora do mercado de baixa e se a economia está indo bem (indicando um mercado em alta). O palestrante também responde a uma pergunta sobre se o VIX segue o S&P 500 ou vice-versa, explicando que o VIX deriva seu valor do S&P 500 e geralmente o segue, mas os traders podem tomar decisões com base nos níveis do VIX que podem afetar o índice.

[MetaQuotes]

Big Data e o futuro dos investimentos no varejo

Big Data e o futuro dos investimentos no varejo

Os mercados financeiros geram enormes quantidades de dados todos os dias. Neste webinar, o palestrante discutirá a importância de trabalhar com ele no contexto de investimentos e negociações. Ele também explicará como podemos aproveitá-lo para atender a diferentes estilos de investimento. No processo, ele abordará como você pode cultivar o conhecimento e as habilidades necessárias para prosperar neste campo.

00:00 - Introdução

04:00 - Isenção de responsabilidade

05:44 - Agenda

11:04 - Dados

14:31 - Big Data

20:01 - O alvorecer da análise de dados

23:29 - Cenário atual de negociação e investimento

23:36 - Abordagem clássica de análise de dados

27:43 - Análise de dados moderna

31:29 - Por que e como a análise é usada nos mercados financeiros

37:00 - Tipos de dados

43:58 - Desafios para os investidores de varejo

52:38 - Perguntas e Respostas

[MetaQuotes]

Negociação de Pares no Brasil e Short Straddle nos Mercados dos Estados Unidos [Algo Trading Projects]

Negociação de Pares no Brasil e Short Straddle nos Mercados dos Estados Unidos [Algo Trading Projects]

O webinar começa com o anfitrião apresentando o Dr. Luis Guidas, ex-aluno da EPAT, que apresenta seu projeto sobre negociação de pares nas bolsas de valores brasileiras. O Dr. Guidas é um desenvolvedor de software experiente na indústria de cartões de pagamento e membro do corpo docente que ensina compiladores e linguagens de programação na Universidade Federal Fluminense. Ele trabalhou extensivamente em algoritmos criptográficos, protocolos de comunicação de segurança e transações eletrônicas seguras. Depois de concluir o programa EPAT em julho de 2021, ele é atualmente o chefe de análise quantitativa da oCam Brazil.

O Dr. Guidas começa apresentando o conceito de arbitragem estatística, que envolve o uso de modelos estatísticos para encontrar pares de ativos que neutralizam o risco um do outro. Ele explica como pares co-integrados podem ser usados para criar uma série temporal estacionária com média e variância constantes. Para ilustrar isso, ele usa o exemplo de dois ETFs que acompanham o mesmo índice, que são quase perfeitamente cointegrados e criam um spread horizontal com média e variância constantes. Ele menciona que esse processo envolve um período de treinamento e um período de teste para testar a estratégia.

Em seguida, o Dr. Guidas investiga o processo de negociação de pares e como eles utilizam uma estratégia de negociação de banda de Bollinger. Eles selecionam tickers e setores, encontram pares quantitativos e calculam a taxa de hedge para criar seu spread. Para cada par, eles calculam o spread e empregam uma estratégia de negociação de reversão à média, comprando quando o spread está abaixo da média e vendendo quando está acima da média. Ele também discute o uso de stop-loss em algoritmos de reversão à média e destaca que, à medida que o preço se desvia ainda mais da média, a probabilidade de retornar à média aumenta.

O palestrante apresenta uma estratégia chamada stop time, que consiste em sair de uma negociação de spread após um determinado número de dias se ela não fechar, ajudando a evitar perdas. Eles fornecem um exemplo de estratégia de Banda de Bollinger para negociação de pares no Brasil, mostrando sua lucratividade no período de um ano. No entanto, devido aos dados limitados, eles mencionam o viés que pode surgir ao usar apenas empresas existentes no período atual. Para resolver isso, eles incorporaram outro período de treinamento de 2018 a 2020, o que resultou em um número maior de pares devido ao surgimento de novas empresas e setores.

O Dr. Guidas compartilha ideias sobre sua experiência com negociação de pares no Brasil e discute sua metodologia. Eles simplificam a análise do spread e determinam a duração do período médio móvel simples ideal examinando a meia-vida do spread. Eles também destacam os desafios enfrentados ao negociar no mercado de ações brasileiro, principalmente sua liquidez, que limita o número de pares viáveis após a análise das 100 maiores empresas. O palestrante fornece métricas de desempenho, mas reconhece a necessidade de melhorias e sugere abordagens como ajuste de hiperparâmetros, verificações de estacionaridade e fusão de pequenos setores. Eles recomendam a leitura de literatura sobre o assunto, mencionando especificamente os livros do Dr. Chang e do Dr. Hippish.

Durante a sessão de perguntas e respostas, Dra. Grace responde a perguntas do público sobre as estratégias apresentadas no vídeo. Ela explica que o período das bandas de Bollinger é um hiperparâmetro que pode ser definido dinamicamente com base em um teste de grade dos períodos de meia-vida do spread. Quando questionada sobre o uso de Bollinger Bands para straddles e strangules, ela sugere buscar insights de especialistas em derivativos, pois são operações estruturadas. O Dr. Grace também aborda a questão das negociações sem reversão à média e sugere tornar as séries sem reversão com reversão à média calculando seu primeiro momento. Outra questão diz respeito à correlação entre o Índice Futuro VINFUT e o BOVA11, para o qual ela recomenda estudar a relação entre os dois para decisões de negociação.

Em seguida, o Dr. Lewis Elton compartilha sua experiência com o programa Quantum Trading EPAD e como ele atendeu às suas expectativas ao entender por que a análise técnica nem sempre funciona na negociação. Ele enfatiza a importância de estudar e fazer cursos para obter conhecimento e desaconselha tentar recriar sozinho o conhecimento da humanidade. O webinar também anuncia o lançamento de seu primeiro contracurso em português sobre momentum trading.

Siddharth Bhatia toma a palavra para discutir short straddles nos mercados dos EUA. Ele explica que um short straddle envolve vender uma opção de compra e colocar quantias iguais no dinheiro e obter lucro se o ativo subjacente se mover menos do que o nível de exercício vendido. Embora a estratégia seja apresentada como uma estratégia de negociação de renda, Bhatia adverte que as perdas potenciais podem ser muito maiores do que os lucros, especialmente em tempos de volatilidade do mercado. Ele cita casos de empresas que foram eliminadas durante períodos como a pandemia de COVID devido a negociações curtas.

O palestrante compartilha sua própria experiência com o backtesting de uma estratégia de negociação short straddle usando uma abordagem mecânica. Eles venderam 100 unidades de straddle no dinheiro no início de cada período DTE (Days to Expiry) e mantiveram as posições até o vencimento sem implementar stop loss ou pontos de entrada e saída diferenciados. Eles conduziram o backtesting usando dois conjuntos de dados, sendo um delta coberto e o outro não coberto, e utilizaram duas versões diferentes com 7 DTE e 60 DTE para cobrir diferentes períodos de tempo. Eles recuperaram os dados necessários para backtesting por meio da API RATS e os processaram usando pandas Python para obter preços de compra e venda. No entanto, o palestrante destaca o desafio de criar o quadro de dados, pois cada linha exigia atenção individual para garantir a precisão.

O palestrante passa a discutir os resultados do backtesting das estratégias de negociação de short straddle nos mercados brasileiro e americano. Eles revelam que a estratégia teve um desempenho ruim em ambos os mercados, resultando em reduções significativas e um baixo índice de Sharpe. Embora o hedge delta tenha ajudado a reduzir o desvio padrão do P&L (Lucro e Perda), ele não transformou as negociações perdedoras em lucrativas. O palestrante destaca que as ordens de stop loss são cruciais nesse tipo de negociação e cita trabalhos acadêmicos que sugerem o uso de filtros de entrada baseados no índice VIX e na estrutura a termo dos futuros do VIX. A estratégia de short straddle é considerada lucrativa, mas arriscada, exigindo gerenciamento eficaz de perdas por meio de vários métodos.

Durante a sessão de perguntas e respostas, o palestrante aborda várias questões do telespectador. Uma questão diz respeito ao motivo pelo qual as posições para a estratégia não são cobertas no final do dia. O palestrante explica que a prática comum é fazer hedge uma vez ao dia no fechamento do mercado, pois isso ajuda a reduzir o desvio padrão do P&L e minimizar a volatilidade de longo prazo. No entanto, eles enfatizam que as técnicas de hedge estão sujeitas a testes e pesquisas. O palestrante também aborda tópicos como o cálculo da CAGR (Taxa Composta de Crescimento Anual), custos de transação e as vantagens de manter posições por sete a dez dias em vez de vender diariamente na estratégia de curto prazo. Além disso, eles enfatizam a importância da experiência anterior em negociação manual e não algorítmica, pois prepara os traders para a volatilidade do mercado e a aceitação de perdas de curto prazo.

Os palestrantes continuam respondendo às perguntas do público, abordando questões relacionadas à negociação de pares no Brasil e short straddles nos mercados dos EUA. Um ouvinte pergunta se eles devem fazer um longo straddle se o VIX estiver em torno de 20, ao que o palestrante desaconselha, observando que isso geralmente resultaria em perda e sugere vender o índice se o VIX estiver acima de 20. Outra questão diz respeito a conciliar estratégias de entrada opostas quando o VIX estiver acima de 30. A recomendação é sempre ser curto e desconsiderar a sugestão de retrocesso. Os palestrantes também recebem perguntas sobre recomendações de livros, com um dos palestrantes recomendando os três livros de Eun Sinclair.

O palestrante então compartilha sua experiência com o programa ePAD da Quantum City, destacando como ele ajudou a preencher as lacunas em seu conhecimento sobre codificação e conceitos de negociação algorítmica. Eles enfatizam a importância de estudar e se tornar um estudante dos mercados. O palestrante incentiva os novatos a abrirem contas demo e ganharem experiência de assumir prejuízos no mercado, enfatizando que dominar uma habilidade exige se aprofundar e fazer mais cursos. Eles enfatizam que o programa ePAD da Quantum City é um excelente ponto de partida para quem procura aprimorar sua compreensão dos mercados. O palestrante faz eco do conselho do Dr. Luis Guidas sobre a importância de estudar e aprender continuamente com o mercado.

À medida que o webinar chega ao fim, os anfitriões expressam sua gratidão ao Dr. Luiz por compartilhar seus valiosos insights sobre negociação de pares no Brasil. Eles também agradecem ao público por participar ativamente do webinar e fornecer sugestões para tópicos futuros. Os anfitriões reconhecem os desafios envolvidos no lançamento de um curso em português, mas expressam sua empolgação com os inúmeros desenvolvimentos que estão acontecendo em sua comunidade. Eles incentivam o público a compartilhar seus comentários por meio de uma pesquisa, permitindo que eles reúnam informações e ideias valiosas para sessões futuras.

Com apreço caloroso, os anfitriões se despedem do Dr. Luiz e do público, expressando seu entusiasmo pelos próximos webinars e seu compromisso em fornecer conhecimentos e insights valiosos para a comunidade comercial. Eles estão ansiosos para explorar novos tópicos, compartilhar conhecimentos e promover um ambiente de aprendizado próspero para todos os participantes.

O webinar ofereceu uma visão abrangente da negociação de pares nos mercados de ações brasileiros e os desafios associados às estratégias de negociação de curto prazo nos mercados dos EUA. Os palestrantes compartilharam suas experiências, estratégias e percepções, incentivando o aprendizado e a pesquisa contínuos para navegar com eficácia no cenário dinâmico da negociação.

• 00:00:00 O apresentador apresenta o Dr. Luis Guidas, ex-aluno da EPAT que apresenta seu projeto sobre negociação de pares nas bolsas de valores brasileiras. O Dr. Guidas tem uma vasta experiência em desenvolvimento de software, especificamente na indústria de cartões de pagamento. Ele também é um membro do corpo docente que ensina compiladores e linguagens de programação na Universidade Federal Fluminense. O Dr. Guidas usou uma abordagem inovadora de resolução de problemas em sua carreira de desenvolvimento de software e trabalhou extensivamente em algoritmos criptográficos, protocolos de comunicação de segurança e transações eletrônicas seguras. Atualmente é chefe de análise quantitativa da oCam Brazil após concluir o programa EPAT em julho de 2021.
  
  
• 00:05:00 O palestrante apresenta o conceito de arbitragem estatística, que é um tipo de negociação em que um trader usa modelos estatísticos para encontrar pares de ativos que neutralizam o risco um do outro. O palestrante explica como pares co-integrados podem ser usados para produzir uma série temporal estacionária, que tem média e variância constantes. Eles usam o exemplo de dois ETFs que rastreiam o mesmo índice, que são quase perfeitamente cointegrados e produzem um spread horizontal com média e variância constantes. O palestrante explica que esse processo envolve um período de treinamento e um período de teste e é usado para testar a estratégia.
  
  
• 00:10:00 O palestrante explica o processo de negociação de pares e como eles usam uma estratégia de negociação de banda de Bollinger. Eles selecionam tickers e setores e encontram pares quantitativos para obter a taxa de hedge para combinar para fazer seu spread. Para cada par, eles calculam o spread e usam uma estratégia de negociação de reversão à média que envolve a compra quando o spread está abaixo da média e a venda quando está acima da média. O palestrante também discute o uso de stop-loss em algoritmos de reversão à média e por que pode não ser uma boa abordagem, pois quanto mais o preço se afasta da média, maior a probabilidade de que ele volte à média.
  
  
• 00:15:00 O palestrante discute uma estratégia chamada stop time, que envolve sair de uma transação para uma negociação de spread após um determinado número de dias se ela não fechar, o que pode ajudar a evitar perdas. Eles também compartilham um exemplo de uma estratégia de Bollinger Band para negociação de pares no Brasil e como ela obtém um lucro decente com uma transação de um ano. No entanto, devido à limitação de dados, o palestrante teve que usar empresas que existiam no período atual, o que pode causar viés nos resultados de seu backtest. Portanto, também utilizaram outro período de treinamento de 2018 a 2020 com novos dados, o que resultou em um maior número de pares devido ao surgimento de novas empresas e setores.
  
  
• 00:20:00 O palestrante discute sua experiência com pares de negociação no Brasil e fornece insights sobre sua metodologia. Eles falam sobre o uso de uma abordagem simplificada para analisar o spread e a meia-vida do comércio para determinar a duração do período de média móvel simples ideal. Eles também destacam os desafios enfrentados ao negociar no mercado de ações brasileiro devido à sua liquidez, explicando como apenas alguns pares sobreviveram após a análise das 100 maiores empresas. O palestrante compartilha algumas métricas de desempenho, mas reconhece que sempre há espaço para melhorias e sugere ajuste de hiperparâmetros, verificações de estacionaridade e fusão de pequenos setores como abordagens possíveis. Eles recomendam a leitura de literatura sobre o assunto, principalmente os livros do Dr. Chang e do Dr. Hippish.
  
  
• 00:25:00 O apresentador responde a diversas perguntas do público sobre as estratégias apresentadas no vídeo. Quando questionada sobre o período das Bollinger Bands, ela explica que é um hiperparâmetro que pode ser definido dinamicamente com base em um teste de grade dos períodos de meia-vida do spread. Em resposta a se Bollinger Bands pode ser usado para straddles e strangules, ela observa que essas são operações estruturadas com derivativos e sugere que trabalhar com especialistas em derivativos pode fornecer melhores percepções. Ela também explica que, quando as negociações não estão mais revertendo, ela fecha a posição e sugere que, em vez de negociar em pares, as séries não reversíveis podem ser revertidas calculando seu primeiro momento. Por fim, quando questionada sobre a correlação entre o Índice Futuro VINFUT e o BOVA11, ela recomenda
  estudando a relação entre os dois e usando essa informação para decisões comerciais.
  
  
• 00:30:00 O apresentador discute sua experiência com o programa Quantum Trading EPAD e como ele atendeu às suas expectativas ao entender por que a análise técnica nem sempre funciona na negociação. Ele recomenda estudar e fazer cursos para obter conhecimento e não ser arrogante o suficiente para tentar recriar sozinho o conhecimento da humanidade. O webinar também anuncia o lançamento de seu primeiro contracurso em português sobre momentum trading.
  
  
• 00:35:00 Siddharth Bhatia discute curto prazo nos mercados dos EUA. Straddles curtos envolvem vender uma opção de compra e colocar quantias iguais no dinheiro e ganhar dinheiro se o subjacente se mover menos do que o nível da parede vendida. A estratégia provou ser lucrativa e é vendida como uma estratégia de negociação de renda, mas Bhatia alerta que as perdas são muito maiores que os lucros, especialmente em momentos de volatilidade do mercado. Ele adverte que prazos curtos podem levar a grandes perdas e menciona empresas que foram eliminadas em tempos como a pandemia de COVID.
  
  
• 00:40:00 O palestrante fala sobre um short straddle trade e sua experiência em testá-lo usando uma estratégia mecânica onde eles venderam 100 unidades no money straddle no início de cada período DTE e mantiveram até o vencimento, sem perdas de parada ou entradas nuançadas ou saídas. Eles usaram dois conjuntos, um sendo delta coberto e o outro não coberto, e duas versões diferentes com 7 DTE e 60 DTE para amostrar diferentes períodos. Eles usaram a API RATS para recuperar os dados para seu backtesting e usaram pandas Python para processar os dados para obter preços de compra e venda. O verdadeiro desafio do projeto foi criar o quadro de dados, pois cada linha precisava de atenção individual para garantir que os dados estivessem corretos. Após o backtesting, eles obtiveram os resultados e é evidente que o DT semanal sem cobertura de delta incorreu em grandes rebaixamentos.
  
  
• 00:45:00 O palestrante discute os resultados do backtesting das estratégias de negociação de short straddle nos mercados brasileiro e americano. A estratégia teve um desempenho ruim em ambos os mercados, com um rebaixamento significativo e um baixo índice acentuado. O hedge Delta ajudou a reduzir o desvio padrão do P&L, mas não tornou uma negociação perdida lucrativa. O palestrante destaca que as ordens de stop loss são obrigatórias para esse tipo de negociação e também cita trabalhos acadêmicos que sugerem o uso de filtros de entrada baseados no índice VIX e na estrutura a termo dos futuros do VIX. A estratégia é considerada lucrativa, mas arriscada, exigindo o gerenciamento de perdas por meio de vários métodos.
  
  
• 00:50:00 O palestrante aborda várias questões dos telespectadores, inclusive por que as posições para a estratégia não são cobertas no final do dia. Ele explica que a maneira mais simples e comum de fazer hedge é fazê-lo uma vez ao dia no fechamento, pois ajuda a reduzir o desvio padrão do P&L e a minimizar a volatilidade no longo prazo. No entanto, ele menciona que as técnicas de hedge estão sujeitas a testes e pesquisas. O palestrante também menciona o cálculo do CAGR, os custos de transação e as vantagens de manter posições por sete a dez dias em vez de vendê-las diariamente na estratégia de short straddle. Além disso, ele enfatiza a importância de ter experiência anterior em negociação manual e não-algo, pois prepara os traders para a volatilidade do mercado e a aceitação de perdas de curto prazo.
  
  
• 00:55:00 Os palestrantes respondem mais perguntas do público sobre negociação de pares no Brasil e short straddles nos mercados dos EUA. Um ouvinte perguntou se eles poderiam fazer long straddle se o VIX estiver em torno de 20, ao que a resposta foi que geralmente resultaria em perda e é melhor reduzir o índice se o mix estiver acima de 20. Outra pergunta foi sobre como conciliar estratégias de entrada opostas ao entrar em negociações quando o VIX está acima de 30. A recomendação aqui foi sempre ser curto e desconsiderar a sugestão de retrocesso. Os palestrantes também receberam perguntas sobre recomendações de livros, com os três livros de Eun Sinclair sendo altamente recomendados por um dos palestrantes.
  
  
• 01:00:00 O palestrante discute sua experiência com o programa ePAD da Quantum City e como ele o ajudou a preencher as lacunas em seu conhecimento sobre codificação e conceitos de negociação algorítmica. Ele enfatiza a importância de estudar e ser um estudioso dos mercados e aconselha os recém-chegados a abrir contas de demonstração e ganhar experiência em assumir perdas no mercado. Ele também menciona que dominar uma habilidade requer ir mais fundo e fazer mais cursos, e que o programa ePAD da Quantum City é um ótimo lugar para começar. O palestrante faz eco do conselho do Dr. Luis Gide sobre a importância de estudar e ser um estudioso dos mercados.
  
  
• 01:05:00 Os apresentadores agradecem ao Dr. Luiz por compartilhar sua experiência em pairs trading no Brasil, bem como agradecem a participação do público e sugestões de futuros temas para webinars. Os anfitriões mencionam o desafio de iniciar um curso de português, mas estão entusiasmados com as muitas coisas que acontecem em sua comunidade. Eles incentivam o público a compartilhar seus comentários por meio de uma pesquisa, sugerindo tópicos para sessões futuras. Os apresentadores agradecem e se despedem do Dr. Luiz e da plateia.

[MetaQuotes]

Certificado em Análise de Sentimentos e Dados Alternativos para Finanças - CSAF™ [SESSÃO DE INFORMAÇÕES GRATUITA]

Certificado em Análise de Sentimentos e Dados Alternativos para Finanças - CSAF™ [SESSÃO DE INFORMAÇÕES GRATUITA]

Os anfitriões do webinar começam apresentando o programa Certificate in Sentiment Analysis and Alternative Data for Finance (CSAF). Eles destacam que o programa é liderado por dois professores experientes, o professor Gautam Mitra e a professora Christina Alvin Sayer. O programa se estende por cinco meses e inclui uma série de palestras destinadas a fornecer teoria fundamental e casos de uso prático apresentados por palestrantes convidados que são profissionais do setor financeiro.

Os hosts fornecem uma visão geral dos módulos do programa, começando com os dois primeiros módulos que se concentram nos fundamentos do sentimento e dos dados de sentimento. Os módulos 3 e 4 investigam fontes de dados alternativas e sua relevância para previsão e modelagem financeira, incluindo dados de satélite e e-mail, bem como análise de texto. O curso também abrange fundamentos de modelagem, vários modelos financeiros e a aplicação de dados de sentimento a áreas como gerenciamento de risco, otimização de portfólio e negociação automatizada. Além disso, há um módulo dedicado especificamente a dados alternativos, enfatizando o papel da IA, aprendizado de máquina e modelos quantitativos na análise de sentimento.

Para enriquecer ainda mais o webinar, dois convidados especiais, Amit Arora e Abhijit Desai, ex-alunos da CSAF, são apresentados. Eles compartilham suas experiências de fazer a versão anterior do curso chamado EPAT NSA. Amit explica como a orientação prática do curso o ajudou a desenvolver suas próprias ideias de negociação, levando-o a dedicar mais tempo à negociação real, que rendeu resultados melhores do que o esperado. Abhijit enfatiza a importância do comprometimento, dedicação e curiosidade para tirar o máximo proveito do curso.

O webinar também inclui discussões com vários indivíduos que experimentaram o programa CSAF. Eles compartilham seus desafios e sucessos na compreensão e aplicação da análise de sentimentos e dados alternativos em suas estratégias de negociação. Os palestrantes abordam questões do público, abordando temas como combinação de sentimentos e negociação de volatilidade, o significado de dados alternativos, a importância da certificação em investimentos e negociações, a inclusão da análise de sentimento em estratégias de negociação e notificação em tempo real de notícias em negociação.

Ao longo do webinar, os palestrantes enfatizam a importância do aprendizado estruturado por meio de cursos de certificação como o CSAF para desenvolver uma perspectiva e uma abordagem abrangentes. Eles destacam a importância de entender os mercados e modelos financeiros na aplicação efetiva da análise de sentimentos e dados alternativos. Os palestrantes também enfatizam a aplicação prática do conhecimento, o uso de estruturas quantitativas e o valor dos estudos de caso para mostrar o uso de dados de sentimento.

Os anfitriões expressam sua gratidão ao público por participar do webinar e se envolver ativamente com as informações sobre o programa CSAF. Eles incentivam os espectadores a fornecer seus comentários e perguntas por meio de uma pesquisa e agradecem aos palestrantes e uns aos outros por suas contribuições para o sucesso do webinar. Os anfitriões expressam seu prazer em compartilhar conhecimento e seu compromisso em promover um ambiente de aprendizado para todos os participantes.

• 00:00:00 Os anfitriões do webinar apresentam o programa CSAF, que significa Certificado em Análise de Sentimentos e Dados Alternativos para Finanças. O programa é liderado por dois professores experientes: o professor Gautam Mitra e a professora Christina Alvin Sayer. O programa CSAF oferece palestras que duram mais de cinco meses, abrangendo palestras básicas para apresentação de teoria e palestras de casos de uso dadas por palestrantes convidados que são profissionais do setor financeiro. Os anfitriões também mencionam que haverá uma sessão de perguntas e respostas no final do webinar e apresentam dois convidados especiais, Amit Arora e Abhijit Desai, que compartilharão suas experiências como ex-alunos da CSAF.
  
  
• 00:05:00 O palestrante descreve um programa de Certificado em Análise de Sentimentos e Dados Alternativos para Finanças e seus módulos, que se concentram em ensinar os participantes sobre sentimentos, seus vários tipos e o uso de dados alternativos. Os módulos são ministrados por professores principais e professores convidados, como Antonio Gerni e Classifying Ironing, que compartilham seus conhecimentos práticos de finanças e análise de sentimento. O programa também inclui nove palestras básicas que ajudam a explicar os conceitos com mais detalhes. As aulas teóricas são apoiadas por notas de aula e, no final do programa, é feito um exame.
  
  
• 00:10:00 Christina fornece uma visão geral do programa Certificado em Análise de Sentimentos e Dados Alternativos para Finanças (CSAF), destacando os principais módulos do curso. Os dois primeiros módulos se concentram em ensinar os fundamentos do sentimento e dos dados de sentimento. Passando para os módulos 3 e 4, o curso investiga fontes alternativas de dados e sua relevância para previsão e modelagem financeira, incluindo dados de satélite e e-mail e análise de texto. O curso também aborda fundamentos e estruturas de modelagem, vários modelos financeiros e como os dados de sentimento podem ser aplicados ao gerenciamento de riscos, otimização de portfólio e negociação automatizada. Por fim, o curso inclui um módulo sobre dados alternativos e enfatiza o papel da IA, aprendizado de máquina e modelos quantitativos na análise de sentimentos.
  
  
• 00:15:00 Um ex-aluno chamado Amit compartilha sua experiência de fazer a versão anterior do curso chamado EPAT NSA. Ele ingressou no curso por interesse e não esperava muito dele, mas a orientação prática do curso o ajudou a desenvolver suas próprias ideias de negociação. Depois de terminar o curso, ele se afastou da consultoria ativa de gerenciamento de mudanças e dedicou mais tempo ao desenvolvimento de suas próprias ideias. Nos últimos três meses, ele dedicou a maior parte de seu tempo ao trading real e os resultados foram melhores do que o esperado. Outro ex-aluno chamado Avirup também compartilha sua experiência e destaca a importância do comprometimento, dedicação e curiosidade para tirar o máximo proveito do curso.
  
  
• 00:20:00 Vários indivíduos discutem suas experiências com o curso Certificado em Análise de Sentimentos e Dados Alternativos para Finanças (CSAF). Um indivíduo explica que estava procurando algo desafiador em termos de negociação de algoritmos e descobriu que dados de sentimento e notícias são difíceis de analisar e distinguir qual conhecimento é útil para ganhar dinheiro. No entanto, o curso os ajudou a entender o Python e desenvolver seus próprios modelos. A linguagem usada para módulos de aprendizado de máquina é principalmente Python, com alguns indivíduos usando R também. O webinar também foi gravado e será compartilhado com os participantes inscritos que não puderam comparecer.
  
  
• 00:25:00 Os palestrantes discutem a cartilha, que é um conjunto de tópicos necessários para se ter um histórico para aplicar a análise de sentimento ou alguns dados à negociação. Inclui informações sobre autoridades em relação à previsão de anomalias ou como fazer medições de desempenho. A cartilha não tem duração definida, pois é dada aos alunos antes do início do curso. Cada módulo, por outro lado, tem duração de cerca de três horas por aula de sábado, que são complementadas por notas de aula. As palestras de casos de uso variam em duração de uma a duas horas e incluem sessões de perguntas e respostas com professores convidados. Em resposta à pergunta de um espectador sobre se a análise de sentimento é necessária para negociar, os palestrantes explicam que a análise de sentimento pode ajudar a encontrar fontes de alfa ou obter retornos sobre investimentos, mesmo que a eficiência do mercado acabe assimilando todos os sentimentos e notícias.
  
  
• 00:30:00 Os palestrantes discutem como a análise de sentimento fornece dados valiosos para decisões de negociação devido à sua capacidade de analisar rápida e quantitativamente notícias que afetam as atividades do mercado. Eles observam que a análise de sentimentos tornou-se cada vez mais importante com a abundância de dados disponíveis em fontes como o Twitter e outras mídias sociais. Os palestrantes também abordam a questão de que tipo de fontes de dados são geralmente usadas para análise de sentimentos e mencionam que veículos de notícias e plataformas de mídia social são fontes comuns, mas que o uso desses dados requer permissão dos provedores. Eles também abordam o tópico de usar gráficos de Vader para análise de sentimentos.
  
  
• 00:35:00 Os palestrantes discutem análise de sentimentos e processamento de linguagem natural em relação à análise financeira. Eles explicam como os dados de sentimento, que já foram analisados e calculados por provedores de sentimento, podem ser usados de forma quantitativa para otimizar portfólios e tomar decisões de alocação de ativos. Eles também mencionam os principais players do setor, como Bloomberg e Graffiti, que fornecem esses dados. Os palestrantes advertem contra o uso do processamento de linguagem natural apenas para fins comerciais e enfatizam a importância de entender os mercados financeiros para usar a análise de dados com eficiência. Em resposta a uma pergunta sobre seguir uma carreira em análise de dados ou IA, os palestrantes enfatizam a necessidade de ter um forte entendimento dos mercados e modelos financeiros para aplicar a análise de dados de forma eficaz.
  
  
• 00:40:00 Os palestrantes respondem às perguntas dos telespectadores. A primeira pergunta é sobre a combinação de sentimentos e negociação de volatilidade e, embora não seja abordada diretamente no curso, os instrutores fornecem ferramentas e métodos para isso. Eles mencionam que a negociação envolvida neste índice, ou equivalente em outros mercados, é um tópico importante, mas está no domínio da pesquisa de ponta. A próxima pergunta é sobre o que significa dados alternativos, que os palestrantes explicam ser uma nova área de crescimento no mercado, referindo-se a dados fornecidos por participantes do mercado que afetam o mercado, como dados de sentimento ou dados de notícias. Eles acrescentam que dados de satélite, caixas de entrada de e-mail e pedidos de empresas como a Amazon ou fornecedores de pizza são exemplos de dados alternativos.
  
  
• 00:45:00 Os palestrantes discutem a importância da certificação no investimento e negociação. Embora haja valor no aprendizado de todas as fontes, o aprendizado estruturado por meio de cursos de certificação é necessário para desenvolver uma perspectiva e uma abordagem que o aprendizado não estruturado não pode fornecer. No entanto, o certificado em si nem sempre é utilizado pelas empresas comerciais. Eles também abordam uma questão sobre a importância das notícias políticas diárias e outras notícias na negociação. Embora o conhecimento técnico seja importante, acompanhar os eventos atuais pode dar aos traders uma melhor compreensão das tendências do mercado e ajudá-los a tomar decisões mais informadas.
  
  
• 00:50:00 Os palestrantes discutem a inclusão da análise de sentimento nas estratégias de negociação. Eles explicam que, embora a análise técnica e a negociação sejam bem conhecidas, o efeito das notícias e do sentimento também é levado em consideração em várias estratégias. Os traders informados pegam as notícias e as analisam antes de usar o critério para fazer negócios, enquanto os noise traders reagem imediatamente às notícias. Eles também sugerem que a combinação de diferentes modelos e informações, incluindo análise de sentimento, pode levar a decisões mais informadas. Quando se trata de sentimento individual, o provedor de sentimento pode ter um grupo de pessoas relevantes para o mercado, e muitas vezes é útil filtrar profissionais do mercado financeiro para análise de sentimento de mídia social.
  
  
• 00:55:00 Os palestrantes abordam se o curso abrange notificação em tempo real de notícias e comunicados à imprensa, o que é importante na negociação automatizada ou sistemática. Eles explicam que, embora a chegada de notícias seja crucial na análise de sentimento e possa afetar os retornos rapidamente, ela não pode dominar uma estratégia de negociação. O curso é prático e orientado para a aplicação, mas a teoria fundamental também é importante para fornecer uma forma estruturada de representar as informações. Os palestrantes enfatizam o uso de estruturas quantitativas e estudos de caso interessantes para destacar o uso de dados de sentimento.
  
  
• 01:00:00 Os palestrantes discutem como o rigor acadêmico pode ser aplicado ao trading e como o curso CSAF se diferencia do curso EPAT. O curso EPAT cobre habilidades de aprendizado de máquina e Python, mas o curso CSAF adiciona conhecimento adicional em análise de sentimento e dados alternativos no contexto de casos de uso e estudos de caso. Os palestrantes também respondem a uma pergunta final sobre como o curso CSAF pode beneficiar alguém que já fez o curso EPAT, com Amit e Abhijit destacando que o curso CSAF se baseia nas bases fornecidas pelo curso EPAT e fornece conhecimento e habilidades adicionais para desenvolver idéias de negociação. A sessão termina com um lembrete para fazer perguntas adicionais na pesquisa e um agradecimento aos palestrantes por seu tempo.
  
  
• 01:05:00 Os palestrantes expressam sua gratidão ao público por participar da sessão de informações sobre o programa Certificate in Sentiment Analysis and Alternative Data for Finance (CSAF). Eles incentivam os espectadores a expressar suas dúvidas e preocupações sobre o programa e agradecem a todos pela participação. Os palestrantes encerram o vídeo agradecendo uns aos outros por torná-lo bem-sucedido e expressam sua satisfação em compartilhar conhecimento com outras pessoas.
  

[MetaQuotes]

Como configurar a negociação automatizada

Como configurar a negociação automatizada

Durante a apresentação, o palestrante aprofunda as vantagens da negociação automatizada e as razões pelas quais a automação é necessária. Eles destacam que a negociação automatizada permite que os traders manipulem um número maior de ativos simultaneamente e executem negociações com base em regras predefinidas. Essa abordagem ajuda a reduzir o risco de erros e elimina negociações baseadas em emoções. O palestrante enfatiza que a automação simplifica o processo ao colocar os pedidos automaticamente assim que as regras especificadas são atendidas, eliminando qualquer atraso. Além disso, eles explicam que a automação libera tempo e recursos dos traders, permitindo que eles se concentrem no desenvolvimento de melhores estratégias de negociação.

O palestrante aborda um equívoco comum sobre a automação substituindo completamente a intervenção humana. Eles enfatizam a importância de analisar regularmente o desempenho de sofisticados sistemas automatizados de negociação para fazer ajustes na estratégia de negociação quando necessário. Eles enfatizam que a automação capacita os traders a explorar outras tarefas ou ativos que talvez não tenham tentado manualmente. A apresentação passa a discutir as três etapas essenciais da negociação: aquisição de dados, análise (que pode ser baseada em regras ou discricionária) e execução da negociação.

Para automatizar uma parte do processo de negociação, o palestrante recomenda o uso de dados e codificação para recuperar dados históricos de ativos preferenciais. Eles mencionam que o Google Finance integrou sua API ao Planilhas Google, permitindo que os usuários recuperem dados facilmente especificando parâmetros como o símbolo do ticker, datas de início e término e tipo de dados. Esses dados coletados podem ser utilizados para criar gráficos de preços, realizar cálculos (por exemplo, gerar indicadores personalizados ou calcular alterações percentuais) e automatizar o processo de coleta de dados, simplificando as estratégias de negociação.

Uma demonstração no vídeo mostra o processo de backtesting de uma estratégia de negociação usando o indicador Relative Strength Index (RSI) em dados anteriores. O valor do RSI, variando de 0 a 100, determina a ação tomada. Se o valor do RSI for menor que 30, indicando que o ativo está sobrevendido, torna-se atraente para os compradores, levando-os a comprar o ativo. Um valor entre 30 e 70 sugere nenhuma ação, enquanto um valor acima de 70 indica que o ativo está sobrecomprado, levando a uma liquidação. O palestrante valida a eficácia dessas regras automatizando o backtesting de dados anteriores, utilizando programação visual em um conjunto de dados de ações dos EUA.

O palestrante apresenta a plataforma Blue Shift para negociação automatizada, que oferece recursos como backtesting, negociação em papel e negociação ao vivo. Eles destacam que a plataforma oferece opções de programação visual que não exigem conhecimento de codificação. O palestrante demonstra a configuração de uma estratégia de negociação usando o indicador RSI e explica as condições para assumir posições longas e curtas. Finalmente, eles apresentam os resultados do backtest, que exibem um retorno de 14%, um índice de Sharpe de 1,22 e um rebaixamento máximo de menos 13%. No geral, o Blue Shift é elogiado como uma plataforma amigável para criar e testar estratégias de negociação automatizadas.

O palestrante passa a discutir o processo de implementação de uma estratégia de negociação automatizada na negociação ao vivo. Eles recomendam começar com negociação em papel, que utiliza dados em tempo real, mas não dinheiro real, para observar o desempenho da estratégia no atual ambiente de mercado. O palestrante orienta o público nas etapas de configuração da negociação em papel e na transição para a negociação ao vivo, incluindo a seleção de um corretor, a determinação da alocação de capital e a confirmação de ordens. Eles enfatizam a importância de monitorar regularmente o desempenho da estratégia e fazer os ajustes necessários. O palestrante também menciona que sessões anteriores cobrindo negociação ao vivo usando outras plataformas estão disponíveis em seu canal no YouTube.

Embora nem todas as corretoras ofereçam APIs para negociação automatizada, o palestrante destaca a Interactive Brokers como uma plataforma disponível na maioria das regiões, fornecendo suporte a APIs. Eles mencionam que o uso de uma ponte IBridge Py com corretores interativos permite a automação comercial de qualquer lugar do mundo, incluindo Cingapura. O palestrante observa que, embora seja possível obter dados para ações da NSE, é essencial encontrar o símbolo apropriado e usar o Yahoo Finance para acessar os dados históricos necessários.

O palestrante explica que os dados em nível de minuto não estão amplamente disponíveis gratuitamente e aponta que os requisitos de dados se tornam mais exigentes nesse nível. Para obter dados em nível de minuto, o palestrante sugere abrir uma conta em uma corretora como a Interactive Brokers. No entanto, eles mencionam que, dependendo da geografia e da corretora escolhida, pode ser cobrada uma taxa. O palestrante menciona brevemente a função de frequência de negociação e orienta o público a consultar a documentação do Blue Shift para obter mais informações sobre como criar uma estratégia de negociação. Eles também enfatizam a importância de definir níveis de stop loss ao desenvolver uma estratégia de negociação.

Seguindo em frente, o palestrante discute a importância de definir níveis apropriados de stop loss para diferentes tipos de ativos. Eles recomendam o uso de diferentes valores de stop loss com base na volatilidade dos ativos, com stop loss mais alto para ativos que sofrem flutuações de preço significativas, como a Tesla. O palestrante também observa que determinar os valores ideais para alfa e beta depende dos objetivos do trader e do prazo desejado para atingir uma porcentagem específica de lucro. Além disso, eles respondem a perguntas relacionadas à automação de negociações nos mercados indianos, monitoramento de estratégias e criação de estratégias de opções usando a plataforma. Por fim, o palestrante ressalta a importância de permanecer vigilante durante eventos inesperados do mercado e determinar se deve interromper a negociação ou continuar com base na capacidade da estratégia de resistir à volatilidade.

O palestrante expande ainda mais a automação na negociação e como ela opera. Eles explicam que a automação está disponível para os mercados indianos por meio da plataforma Blueshift, que facilita estratégias de backtesting e negociação ao vivo por meio de parcerias com vários corretores. Enfatizando a importância de ter regras predefinidas na negociação, o palestrante destaca o valor de testar essas regras por meio de backtesting e negociação de papel, que usa dinheiro virtual para avaliar o desempenho da estratégia nas condições atuais do mercado. O palestrante também menciona que o aprendizado de máquina pode ser aplicado na negociação e é suportado pela Blueshift para desenvolver estratégias de negociação.

Abordando a possibilidade de negociação automatizada em dispositivos móveis, o palestrante reconhece que, embora as plataformas baseadas em dispositivos móveis possam não ser tão ricas em recursos quanto as plataformas baseadas na web, a negociação automatizada em telefones celulares pode se tornar mais prevalente à medida que o setor avança em direção a soluções baseadas em nuvem . Eles sugerem que os iniciantes comecem pequenos e gradualmente expandam seus conhecimentos aprendendo mais e estabelecendo uma regra ou estratégia de negociação. O palestrante destaca que o Blue Shift, uma plataforma de aprendizado, backtesting e negociação, é totalmente gratuito e pode ser utilizado para experimentar estratégias de negociação. Eles também respondem a perguntas sobre os recursos da plataforma e mencionam planos para adicionar mais corretores no futuro. Por fim, o palestrante responde a uma pergunta sobre negociação automática de Bitcoin em qualquer plataforma.

Em relação ao suporte da corretora para negociação automatizada, o palestrante esclarece que nem todas as corretoras oferecem essa funcionalidade, e os usuários devem verificar se a plataforma escolhida oferece suporte a ela. Eles explicam que a indústria está cada vez mais mudando para negociação automatizada, com a maioria dos pedidos sendo executados com a ajuda de sistemas de negociação automatizados. Em termos de combinação de aprendizado de máquina, redes neurais e IA para negociação algorítmica, o palestrante descreve o processo de treinamento e teste de dados em um modelo de aprendizado de máquina e alavancando a saída prevista para negociação algorítmica. Por fim, eles abordam uma questão de um profissional que trabalha, observando que a negociação automatizada pode ajudar os profissionais a gerenciar as atividades de negociação, minimizando o tempo de tela, permitindo que eles se concentrem nas demandas de seu trabalho.

O palestrante reitera que automatizar uma estratégia de negociação é viável para profissionais que trabalham, mas é crucial revisar periodicamente o desempenho do sistema automatizado, pois as condições do mercado podem mudar. Eles sugerem que, embora seja possível criar uma estratégia de negociação sem aprender Python ou qualquer linguagem de codificação usando várias plataformas, estratégias avançadas podem exigir proficiência em Python ou outras linguagens de programação. O palestrante garante ao público que aprender Python não é tão desafiador quanto parece e pode fornecer uma vantagem adicional. Eles enfatizam a importância de avaliar regularmente o desempenho para modificar a estratégia de acordo.

Por fim, o palestrante convida a plateia a preencher um questionário para eventuais dúvidas e incentiva a aproveitar uma oferta por tempo limitado, com desconto de 70% e desconto adicional de 25% na inscrição em todos os cursos. Eles expressam gratidão pelo apoio recebido e garantem ao público seu compromisso de organizar mais webinars no futuro. O palestrante pede sugestões sobre possíveis temas para planejar melhores sessões que atendam aos interesses e necessidades do público. Concluindo a apresentação, o palestrante deseja um feliz Holi e agradece a todos os participantes por sua participação na sessão.

• 00:00:00 O palestrante discute os benefícios da negociação automatizada e por que a automação é necessária. Com a automação, os traders podem gerenciar um número maior de ativos em paralelo e executar negócios com base em regras pré-determinadas, reduzindo o risco de erros e evitando negociações motivadas pela emoção. O processo é simplificado, pois o sistema faz o pedido automaticamente assim que as regras são atendidas, evitando qualquer desfasamento. Além disso, o palestrante explica que a automação pode liberar tempo e recursos para que os traders se concentrem no desenvolvimento de melhores estratégias de negociação.
  
  
• 00:05:00 O palestrante discute o equívoco sobre a automação eliminar completamente a intervenção humana e enfatiza a importância de analisar regularmente o desempenho de sofisticados sistemas automatizados de negociação para ajustar a estratégia de negociação quando necessário. O uso da automação permite que os traders se concentrem em outras tarefas ou ativos que, de outra forma, não teriam tentado manualmente. O palestrante passa a discutir as três etapas da negociação, começando com a aquisição de dados, seguida pela análise, que pode ser baseada em regras ou discricionária e, finalmente, a execução das negociações.
  
  
• 00:10:00 Se você deseja automatizar parte do seu processo de negociação, pode usar dados e codificação para recuperar dados históricos de seus ativos favoritos. O Google Finance integrou sua API ao Planilhas Google, facilitando a recuperação de dados simplesmente digitando parâmetros como o símbolo do ticker, datas de início e término e tipo de dados. Esses dados podem ser usados para criar gráficos de preços ou realizar cálculos, como criar seus próprios indicadores ou calcular alterações percentuais. Com esta ferramenta, os traders podem automatizar seu processo de coleta de dados e otimizar suas estratégias de negociação.
  
  
• 00:15:00 O vídeo demonstra como testar ou experimentar uma estratégia de negociação usando o indicador Relative Strength Index (RSI) em dados anteriores. O valor do RSI varia entre 0 e 100 e, dependendo de seu valor, uma ação diferente é executada. Se o valor do RSI for menor que 30, significa que o ativo é vendido por muitas pessoas, tornando o preço atraente para os compradores, que compram o ativo. Se o valor do RSI estiver entre 30 e 70, nenhuma ação será tomada, e se o valor do RSI for superior a 70, significa que as pessoas compraram o ativo, elevando o nível de preço, então é um bom momento para sair da negociação vendendo o bem. A eficácia dessas regras é verificada automatizando o teste de retorno em dados anteriores usando programação visual em um conjunto de dados de ações dos EUA.
  
  
• 00:20:00 O palestrante discute o uso da plataforma Blue Shift para negociação automatizada, que permite aos usuários fazer backtest, negociar em papel e entrar em operação. A plataforma oferece programação visual que não requer codificação. O palestrante demonstra a configuração de uma estratégia de negociação usando o indicador RSI e explica as condições longas e curtas. Por fim, ele mostra os resultados do backtest, que oferecem um retorno de 14%, um índice de Sharpe de 1,22 e um rebaixamento máximo de menos 13. No geral, o Blue Shift é uma plataforma amigável para criar e testar estratégias de negociação automatizadas.
  
  
• 00:25:00 O palestrante discute o processo de ativação com uma estratégia de negociação automatizada. Ele recomenda começar com negociação em papel, usando dados em tempo real, mas não dinheiro real, para ver como a estratégia funciona no atual ambiente de mercado. O palestrante percorre o processo de configurar a negociação de papel e, em seguida, ir ao vivo, incluindo a seleção de um corretor, definição de capital e confirmação de pedidos. Ele enfatiza a importância de monitorar regularmente o desempenho da estratégia e ajustar conforme necessário. O palestrante também menciona que há sessões anteriores disponíveis em seu canal no YouTube cobrindo negociação ao vivo usando outras plataformas.
  
  
• 00:30:00 Embora nem todos os corretores ofereçam APIs, o Interactive Brokers é uma plataforma disponível em quase todos os lugares e oferece API para negociação automatizada. Uma ponte IBridge Py pode ser usada com corretores interativos para automatizar negociações de qualquer lugar do mundo, incluindo Cingapura. É importante observar que também é possível obter dados para ações da NSE, mas é necessário procurar o símbolo apropriado e usar o Yahoo Finance para obter os dados históricos necessários.
  
  
• 00:35:00 O palestrante explica como os dados em nível de minuto não estão amplamente disponíveis gratuitamente e que os requisitos de dados se tornam altos nesse nível. Ele sugere abrir uma conta com um corretor como o Interactive Brokers para obter dados em nível de minuto, mas menciona que uma taxa pode ser exigida dependendo da sua localização geográfica e do corretor escolhido. O palestrante aborda brevemente a função de frequência de negociação e recomenda a documentação do Blue Shift para obter mais informações sobre como criar uma estratégia de negociação. Eles também esclarecem que o Blue Shift pode ser usado para programação ou codificação visual e que os níveis de stop loss devem ser definidos ao criar uma estratégia de negociação.
  
  
• 00:40:00 O palestrante discute a importância de definir níveis apropriados de stop loss para diferentes tipos de ativos. Ele recomenda usar diferentes stop loss para diferentes ativos com base em quão voláteis eles são, com stop loss mais alto para ativos com altas taxas de flutuação como a Tesla. O palestrante também observa que os valores ideais para alfa e beta dependem dos objetivos do trader e do prazo que ele deseja atingir uma determinada porcentagem de lucro. Além disso, o palestrante responde a perguntas sobre como automatizar a negociação nos mercados indianos, monitorar estratégias e a capacidade de criar estratégias de opções com a plataforma. Por fim, o palestrante enfatiza a importância de permanecer vigilante em eventos inesperados do mercado e determinar se deve parar de negociar completamente ou continuar com base na capacidade da estratégia de resistir à volatilidade.
  
  
• 00:45:00 O palestrante discute a automação na negociação e como ela funciona. Eles explicam que a automação está disponível para os mercados indianos por meio da plataforma Blueshift, que permite aos usuários testar estratégias de backtest e pay-per-trade ou negociar ao vivo por meio de parcerias com vários corretores. O palestrante enfatiza a importância de ter certas regras no trading e poder testá-las por meio do backtesting e do paper trading, que utiliza o dinheiro virtual para ver como a estratégia se comporta no mercado atual. O palestrante também menciona que o aprendizado de máquina pode ser aplicado na negociação e é suportado pelo Blueshift para estratégias de negociação.
  
  
• 00:50:00 O palestrante discute a possibilidade de usar negociação automatizada em um telefone celular, observando que, embora as plataformas baseadas em dispositivos móveis não sejam tão ricas em recursos quanto as plataformas baseadas na Web, a negociação automatizada pode chegar em breve aos telefones celulares, pois tudo está se movendo para ser mais baseado em nuvem. O palestrante sugere que os iniciantes podem começar pequenos e progredir aprendendo mais e tendo uma regra ou estratégia de negociação em vigor. O palestrante também menciona que o Blue Shift, uma plataforma de aprendizado, backtesting e negociação, é totalmente gratuito e pode ser usado para experimentar estratégias de negociação. Além disso, eles abordam questões sobre a plataforma e observam que mais corretores serão adicionados no futuro. Por fim, o palestrante responde a uma pergunta sobre o uso de qualquer plataforma para negociação automática de bitcoin.
  
  
• 00:55:00 O palestrante aborda a questão de saber se a negociação automatizada é suportada por todos os corretores e esclarece que nem todos os corretores oferecem suporte para negociação automatizada, e os usuários precisarão verificar se a plataforma que está sendo usada oferece suporte a isso. O palestrante observa que a indústria está se movendo em grande parte para negociação automatizada, com a maioria dos pedidos sendo feitos com a ajuda de sistemas de negociação automatizados. Com relação à combinação de aprendizado de máquina, redes neurais e IA para negociação de algo, o processo envolve treinamento e teste de dados no modelo de aprendizado de máquina, usando a saída prevista para negociação de algo. Por fim, o palestrante responde a uma pergunta de um profissional que trabalha e observa que a negociação automatizada pode ser usada para ajudá-los a se concentrar nas demandas de seu trabalho, cuidando das atividades de negociação e minimizando o tempo de tela.
  
  
• 01:00:00 O objetivo é automatizar sua estratégia de negociação, é possível até mesmo para profissionais que trabalham. No entanto, é importante revisar periodicamente o desempenho do sistema automatizado porque o cenário pode mudar e o que funcionou antes pode não funcionar agora. Embora seja possível criar uma estratégia de negociação sem aprender Python ou qualquer linguagem de codificação usando várias plataformas, se você quiser ajustar ou experimentar estratégias mais avançadas, talvez seja necessário aprender Python ou outras linguagens de programação. Aprender Python pode ser uma vantagem adicional e você descobrirá que não é tão difícil quanto as pessoas pensam. Em qualquer caso, a revisão periódica do desempenho é essencial para modificar a estratégia de acordo.
  
  
• 01:05:00 O palestrante lembra o público de responder a uma pesquisa para quaisquer perguntas não respondidas e os incentiva a aproveitar a oferta por tempo limitado com 70% de desconto e 25% adicionais se se inscreverem em todos os cursos. Eles expressam gratidão pelo apoio e planejam continuar os webinars, pedindo sugestões de tópicos futuros para planejar sessões melhores. O orador termina desejando a todos um feliz Holi e agradecendo a presença do público na sessão.

[MetaQuotes]

Análise de dados quantitativos de criptomoedas

Análise de dados quantitativos de criptomoedas

Nesta sessão informativa sobre análise quantitativa de dados para criptomoedas, a palestrante, Udisha Alook, se apresenta como pesquisadora quant no Quant Institute, especializada em blockchain, Bitcoin, Ethereum e Ripple. Ela destaca a importância de realizar a devida diligência antes de investir em criptomoedas e descreve a agenda da sessão.

O palestrante começa fornecendo uma visão geral das criptomoedas, enfatizando que são moedas digitais ou virtuais protegidas por criptografia e não possuem uma forma física. Ela explica que as criptomoedas garantem a segurança por meio da criptografia, operam de maneira descentralizada usando a tecnologia blockchain e eliminam o risco de gastos duplos.

Em seguida, o palestrante aprofunda os principais temas a serem abordados na sessão. Ela menciona que a sessão explorará as principais criptomoedas, discutirá onde obter dados sobre criptomoedas e fornecerá informações sobre como negociar no mercado de criptomoedas. O palestrante enfatiza que o foco central será a análise de dados das principais criptomoedas.

Seguindo em frente, o palestrante apresenta a Quantinsti, uma empresa comercial quantitativa, e suas ofertas. Ela destaca o programa de certificação profissional em Algorithmic Trading (EPAT), o certificado em Sentiment Analysis and Alternative Data for Finance (CSAF) e os cursos individualizados disponíveis no Quantra. Além disso, o palestrante apresenta o BlueShift, uma plataforma baseada em nuvem para desenvolvimento de estratégia, pesquisa, backtesting, negociação de papel e negociação ao vivo.

Voltando ao tópico principal das criptomoedas, o palestrante discute as seis principais criptomoedas com base em sua capitalização de mercado e fornece uma breve visão geral de suas funcionalidades. Bitcoin, a primeira e mais conhecida criptomoeda, é mencionada como a única atualmente adotada como moeda legal por El Salvador. O Ethereum, classificado em segundo lugar em termos de capitalização de mercado, é destaque por introduzir a funcionalidade de contrato inteligente. O Ripple, concebido como um mecanismo intermediário de troca, é mencionado como a sexta criptomoeda da lista. O palestrante também apresenta a Binance Coin, que fez a transição para seu próprio blockchain, e Tether e USD Coin, moedas estáveis atreladas ao dólar americano que oferecem funcionalidade de criptomoeda com a estabilidade das moedas fiduciárias.

Em relação às fontes de dados para criptomoedas, o palestrante menciona CryptoWatch e CoinAPI como fontes confiáveis de dados históricos de criptomoedas. Ela também fornece uma lista das principais plataformas globais de negociação de criptomoedas, incluindo Binance, Coinbase, Etoro, Gemini e Kraken.

Continuando a sessão, o palestrante compara os preços de várias criptomoedas e ilustra seu desempenho em escala logarítmica. Bitcoin surge como a criptomoeda dominante em termos de preço, seguido por Ethereum e Binance Coin. Nota-se que a Ripple experimentou um declínio no desempenho, enquanto as moedas estáveis permanecem estáveis devido à sua natureza. O palestrante calcula ainda mais os retornos cumulativos, destacando que a Binance Coin exibiu os maiores retornos, seguida por Ethereum e Bitcoin. A volatilidade nas quatro principais criptomoedas é descrita como flutuando significativamente, com picos ocorrendo durante determinados períodos, enquanto as moedas estáveis mantêm consistentemente a estabilidade.

O vídeo se concentra na análise da volatilidade e dos riscos associados ao investimento em criptomoedas. O palestrante observa que os retornos das criptomoedas apresentam alta curtose, indicando a probabilidade de retornos extremos, tanto positivos quanto negativos. Isso é atribuído à negociação baseada em impulso, em que os investidores tendem a comprar quando os preços estão subindo e vendem em pânico quando os preços caem. Gráficos de caixa de retornos diários são apresentados para demonstrar a presença de vários outliers, apoiando ainda mais a noção de que as criptomoedas envolvem um nível significativo de risco. Moedas estáveis, no entanto, apresentam menor volatilidade.

No segmento subsequente, o palestrante examina o impacto da remoção de outliers nos valores médios de criptomoedas populares, como Bitcoin, Ethereum, Binance Coin, Ripple, USD Coin e USDC. Moedas estáveis são destacadas como projetadas para manter um valor próximo a um dólar americano, tornando-as particularmente atraentes para muitos usuários. A Ripple, por outro lado, se distingue de outras criptomoedas devido à sua blockchain de permissão exclusiva projetada para instituições financeiras. O processo da SEC em andamento contra os fundadores da Ripple é mencionado como um fator que causou flutuações e incertezas para os investidores.

Seguindo em frente, o palestrante agrupa os fatores que influenciam as criptomoedas em cinco categorias principais. Isso inclui a lei da oferta e da demanda, que afeta a escassez e o valor das criptomoedas. A percepção de valor, impulsionada pelo sentimento do mercado e do sentimento do investidor, também desempenha um papel significativo. Avanços tecnológicos, como atualizações de protocolos blockchain e melhorias na escalabilidade, podem afetar o desempenho das criptomoedas. Regulamentações e políticas governamentais, incluindo estruturas legais e ações regulatórias, têm um impacto considerável no mercado de criptomoedas. Por fim, o sentimento do mercado, moldado pela cobertura da mídia, eventos políticos e tendências gerais do mercado, pode influenciar bastante os preços das criptomoedas.

O palestrante explora a influência da mídia, eventos políticos, mudanças regulatórias e modificações de blockchain nos preços das criptomoedas. A cobertura de notícias positiva ou negativa é destacada como tendo um impacto significativo nos preços das criptomoedas, pois pode encorajar ou impedir as pessoas de investir. Endossos de criptomoedas por empresas ou indivíduos respeitáveis também são observados para aumentar sua confiabilidade e confiabilidade. Eventos políticos e mudanças regulatórias, como crises econômicas ou intervenções governamentais, podem influenciar a confiança dos investidores na moeda tradicional e direcioná-los para as criptomoedas. O palestrante menciona a alta correlação entre várias criptomoedas, especialmente com o Bitcoin como criptomoeda dominante. No entanto, observa-se que as moedas estáveis não têm correlação com as criptomoedas tradicionais, tornando-as uma classe de ativos única.

O vídeo discute ainda o processo de troca de criptomoedas por moeda fiduciária. É explicado que a maioria das trocas suporta a negociação das principais criptomoedas, como Bitcoin e Ethereum. Portanto, muitas vezes é necessário trocar altcoins por uma dessas principais criptomoedas antes de convertê-las em moeda fiduciária. O vídeo também explora estratégias de negociação adequadas para criptomoedas, incluindo estratégias baseadas em indicadores de impulso e arbitragem, aproveitando a alta volatilidade do mercado. Exemplos de codificação usando indicadores como o Índice de Força Relativa, Divergência de Convergência de Média Móvel e o Oscilador Incrível são apresentados para ilustrar estratégias baseadas em impulso.

No final da sessão, o apresentador recapitula os principais pontos abordados e enfatiza o potencial das moedas estáveis para diversificação de portfólio devido à sua baixa volatilidade e falta de correlação com outras criptomoedas. São fornecidos recursos adicionais para aprender sobre negociação algorítmica e criptomoeda, incluindo livros e cursos gratuitos, bem como a plataforma de pesquisa e negociação Blue Shift. O palestrante menciona o Programa Executivo em Negociação Algorítmica, adaptado para indivíduos interessados em iniciar sua própria mesa de negociação algorítmica ou seguir uma carreira em negociação algorítmica com orientação de profissionais do setor. A disponibilidade de descontos antecipados para o programa também é destacada.

Na parte final, o palestrante aborda várias questões do público relacionadas a criptomoeda e blockchain. A viabilidade de longo prazo das criptomoedas sem respaldo regulatório é discutida, com o palestrante destacando que alguns países já aprovaram leis que as regulamentam, tratando-as como investimentos de longo prazo. A crescente aceitação e desenvolvimento da tecnologia blockchain também contribuem para o conforto das pessoas com as criptomoedas. O futuro das finanças descentralizadas (DeFi) é reconhecido como um espaço em evolução com vários conceitos e tipos de arbitragem ainda a serem explorados. O palestrante enfatiza que a negociação de criptomoedas vai além da mineração de dados e indicadores técnicos, ressaltando a importância de entender a tecnologia blockchain e suas aplicações.

Além disso, o impacto potencial dos próximos regulamentos dos EUA no mercado de criptomoedas é discutido. O palestrante reconhece que o governo poderia regular o blockchain nos EUA, mas destaca o desafio de controlar a natureza descentralizada da tecnologia. Portanto, embora as decisões regulatórias possam afetar os preços das criptomoedas, o controle completo sobre o mercado pode ser difícil de alcançar. O capital mínimo necessário para negociação de criptomoedas e o uso potencial de criptomoedas em transações do mundo real também são abordados. Finalmente, o aumento das moedas digitais do banco central (CBDCs) e seu impacto potencial na natureza descentralizada das criptomoedas são brevemente mencionados.

Nas considerações finais, os palestrantes enfatizam a crescente exploração da tecnologia blockchain para resolver problemas como emissão de identidade e gerenciamento da cadeia de suprimentos. Eles antecipam uma alta demanda por desenvolvedores de blockchain no futuro devido ao desenvolvimento contínuo no campo. A vantagem das criptomoedas, como a capacidade de serem negociadas 24 horas por dia, é destacada. O público é encorajado a fornecer feedback e colocar quaisquer perguntas não respondidas para discussões futuras.

No final da sessão, o palestrante resume as principais conclusões, enfatizando a necessidade de análise de dados adequada e técnicas quantitativas para navegar na alta volatilidade das criptomoedas. Análises técnicas e quantitativas, juntamente com backtesting, são destacadas como ferramentas essenciais para mitigar riscos. O palestrante também aborda uma questão sobre o impacto das intervenções geopolíticas nos mercados de criptomoedas, observando que as decisões do governo têm impacto, mas a natureza descentralizada das criptomoedas pode levar as pessoas a recorrer a elas em situações em que a confiança na moeda tradicional ou no governo é baixa. Por fim, são enfatizados os benefícios das moedas estáveis, pois oferecem um valor mais estável e previsível em comparação com outras criptomoedas, tornando-as mais adequadas para transações cotidianas.

Em resposta a uma pergunta sobre o impacto potencial das próximas regulamentações dos EUA no mercado de criptomoedas, o palestrante reconhece a possibilidade de regulamentação governamental, mas enfatiza os desafios de controlar totalmente a natureza descentralizada das criptomoedas. Embora os regulamentos possam afetar os preços das criptomoedas, o palestrante sugere que o controle total sobre o mercado pode ser difícil de alcançar. A ascensão das moedas digitais do banco central (CBDCs) também é mencionada, e seu impacto potencial na natureza descentralizada das criptomoedas é brevemente discutido.

Na parte final, os palestrantes discutem a crescente exploração da tecnologia blockchain para resolver problemas do mundo real, como emissão de identidade e gerenciamento da cadeia de suprimentos. Eles expressam otimismo sobre a demanda futura por desenvolvedores de blockchain e o crescimento contínuo da indústria de blockchain. As vantagens das criptomoedas, como a capacidade de serem negociadas 24 horas por dia, 7 dias por semana, são destacadas. O público é incentivado a fornecer feedback e compartilhar quaisquer perguntas restantes para sessões futuras.

A sessão conduzida por Udisha Alook fornece informações valiosas sobre análise de dados quantitativos para criptomoedas. Ele enfatiza a importância da devida diligência antes de investir, fornece uma visão geral das criptomoedas e suas funcionalidades, explora fontes de dados e plataformas de negociação, analisa movimentos e volatilidade de preços, discute fatores que influenciam os preços das criptomoedas e aborda questões do público relacionadas a regulamentações, estratégias de negociação e o futuro das criptomoedas. A sessão serve como uma introdução abrangente à análise quantitativa no mercado de criptomoedas, equipando os participantes com o conhecimento necessário para tomar decisões de investimento informadas.

• 00:00:00 O palestrante apresenta o tópico de análise de dados quantitativos para criptomoedas. A sessão é conduzida por Udisha Alook, que trabalha como pesquisador quant no Quant Institute e é especialista em blockchain, Bitcoin, Ethereum e Ripple. O palestrante enfatiza a importância da devida diligência antes de investir em criptomoedas e explica a agenda da sessão, que inclui uma visão geral das criptomoedas, principais criptomoedas e onde obter dados e negociar criptomoedas. A parte principal da sessão se concentra na análise dos dados das principais criptomoedas.
  
  
• 00:05:00 O vídeo apresenta a Quantitative Trading Firm, Quantinsti, e suas diversas ofertas, incluindo o programa de certificação profissional em Algorithmic Trading (EPAT), o certificado em Sentiment Analysis and Alternative Data for Finance (CSAF) e o auto- cursos ritmados no Quantra. Além disso, o vídeo discute o BlueShift, uma plataforma de desenvolvimento de estratégia baseada em nuvem para pesquisa, backtesting, negociação de papel e negociação ao vivo. O tema principal do vídeo são as criptomoedas, definidas como moedas digitais ou virtuais protegidas por criptografia, sem meio físico de existência. As criptomoedas são seguras porque usam criptografia, são descentralizadas por meio da tecnologia blockchain e evitam gastos duplos.
  
  
• 00:10:00 O palestrante discute as seis principais criptomoedas em termos de capitalização de mercado e explica brevemente suas funcionalidades. Bitcoin é a primeira criptomoeda e a única que foi adotada como moeda legal por El Salvador. Ethereum é o segundo Bitcoin em termos de capitalização de mercado e introduziu a funcionalidade de contrato inteligente. O Ripple, concebido como um mecanismo intermediário de troca, é o sexto da lista. A Binance Coin, emitida pela bolsa Binance, mudou-se para sua própria blockchain. Tether e USD Coin, ambas moedas estáveis atreladas ao dólar americano, oferecem a funcionalidade das criptomoedas, mas a estabilidade das moedas fiduciárias. O palestrante também menciona que existem boas fontes de dados criptográficos históricos, como CryptoWatch e CoinAPI, e lista as principais plataformas globais de negociação criptográfica como Binance, Coinbase, Etoro, Gemini e Kraken.
  
  
• 00:15:00 O palestrante compara os preços de várias criptomoedas e mostra como elas se comportam em escala logarítmica. Bitcoin domina todas as outras criptomoedas em termos de preços, seguido por Ethereum e Binance Coin. O Ripple não está indo bem e as moedas estáveis permanecem estáveis devido à sua natureza. O palestrante calcula os retornos cumulativos e mostra que a Binance Coin tem os retornos mais altos, seguida por Ethereum e Bitcoin. A volatilidade das quatro principais criptomoedas está em todo lugar, com picos em alguns períodos, enquanto as moedas estáveis permanecem estáveis.
  
  
• 00:20:00 O vídeo analisa a volatilidade e o risco associados ao investimento em criptomoedas. Ele observa que os retornos das criptomoedas possuem alta curtose, indicando que retornos extremos, tanto positivos quanto negativos, podem ser esperados. Isso se deve à negociação baseada no momento, em que os investidores tendem a comprar quando os preços estão subindo e vendem em pânico quando os preços caem. O vídeo também mostra box plots de retornos diários de criptomoedas, que possuem vários outliers. Esses dados históricos provam que as criptomoedas são um investimento arriscado, embora as moedas estáveis sejam menos arriscadas.
  
  
• 00:25:00 O palestrante discute como a remoção de outliers afeta o valor médio de criptomoedas populares, como Bitcoin, Ethereum, Finance Coin, Ripple, USD e USDC. Moedas estáveis são criadas para manter seu valor próximo a um dólar americano, que é o foco principal da maioria dessas moedas estáveis. O Ripple, por outro lado, se distingue de outras criptomoedas porque é um tipo diferente de blockchain que é um blockchain de permissão projetado para instituições financeiras. O palestrante também discute como o caso da SEC em andamento contra os fundadores da Ripple causou flutuações e incertezas para os investidores. Por fim, o palestrante agrupa os fatores que afetam as criptomoedas em cinco fatores principais: a lei da oferta e da demanda, a percepção de valor, os avanços tecnológicos, as regulamentações governamentais e o sentimento do mercado.
  
  
• 00:30:00 A influência da mídia, eventos políticos, mudanças regulatórias e modificações de blockchain nos preços das criptomoedas são discutidas. Observa-se que a mídia tem um impacto significativo nos preços das criptomoedas, pois notícias positivas podem encorajar as pessoas a comprar, enquanto a imprensa negativa pode dissuadi-las. Além disso, o endosso de criptomoedas por empresas ou indivíduos respeitáveis pode aumentar sua confiabilidade e confiabilidade. Eventos políticos e mudanças regulatórias, como a crise grega em 2015, também podem influenciar a confiança dos investidores nos governos e levá-los à criptomoeda. A correlação entre várias criptomoedas, como bitcoin e ethereum, é alta, já que a maioria das criptomoedas é baseada em blockchain e se baseia fortemente no bitcoin. Finalmente, as moedas estáveis são observadas como não correlacionadas com as criptomoedas tradicionais.
  
  
• 00:35:00 O vídeo discute o processo de troca de criptomoedas por moeda fiduciária. A maioria das trocas suporta apenas a troca das principais criptomoedas, como Bitcoin e Ethereum, tornando necessário primeiro trocar altcoins por uma dessas principais criptomoedas antes de trocar por moeda fiduciária. O vídeo também explora estratégias de negociação que podem funcionar bem para criptomoedas, incluindo estratégias baseadas em indicadores de impulso e arbitragem devido à volatilidade das criptomoedas. O vídeo apresenta a codificação de estratégias baseadas em momentum usando indicadores como o Índice de Força Relativa, Divergência de Convergência da Média Móvel e o Oscilador Incrível.
  
  
• 00:40:00 O apresentador recapitula os principais pontos abordados no vídeo e destaca o potencial das moedas estáveis serem boas candidatas à diversificação de portfólio devido à sua baixa volatilidade e falta de correlação com outras criptomoedas. O apresentador também fornece recursos adicionais para os interessados em aprender mais sobre negociação algorítmica e criptomoeda, incluindo livros e cursos gratuitos, bem como uma plataforma de pesquisa e negociação chamada Blue Shift. A seção termina com uma discussão sobre o Programa Executivo em Negociação Algorítmica, que é projetado para indivíduos que desejam iniciar sua própria mesa de negociação algorítmica ou desenvolver uma carreira em negociação algorítmica com orientação de profissionais do setor. Os descontos para madrugadores estão disponíveis no momento.
  
  
• 00:45:00 O palestrante aborda diversas questões relacionadas a criptomoeda e blockchain. Quando questionado sobre a viabilidade de longo prazo das criptomoedas sem respaldo regulatório, o palestrante observa que alguns países, como Malta, já aprovaram leis que as regulamentam e as tratam como investimentos de longo prazo. A tecnologia Blockchain também cresceu e ganhou aceitação nos últimos anos, tornando as pessoas mais confortáveis com as criptomoedas. O palestrante acredita que pode ser difícil controlar as criptomoedas, mas governos e reguladores estão tomando medidas para regulá-las. Questionado sobre o futuro das finanças descentralizadas, o orador reconhece que está a recuperar, mas ainda existem diferentes tipos de arbitragem e outros conceitos a considerar. Por fim, quando questionado sobre o comércio de criptomoedas, o palestrante menciona que não se trata apenas de mineração de dados e indicadores técnicos, mas também envolve a compreensão da tecnologia blockchain e seus usos.
  
  
• 00:50:00 O palestrante discute a importância de realizar uma análise de dados adequada antes de investir em criptomoedas devido à sua alta volatilidade. Ela enfatiza o uso de análises técnicas e quantitativas, bem como backtesting, para mitigar riscos. O palestrante também aborda uma questão sobre o impacto das intervenções geopolíticas nos mercados de criptomoedas, enfatizando que as decisões do governo têm impacto, mas a natureza descentralizada das criptomoedas significa que as pessoas podem recorrer a elas se sua confiança na moeda tradicional ou no governo for menor. Por fim, o palestrante discute os benefícios das moedas estáveis, que aliviam parte da volatilidade associada às criptomoedas, tornando-as mais úteis nas transações diárias.
  
  
• 00:55:00 O palestrante discute o impacto potencial das próximas regulamentações dos EUA no mercado de criptomoedas. Embora seja verdade que o governo poderia regular o blockchain nos EUA, pode ser um desafio controlar a natureza descentralizada da tecnologia. Como resultado, a decisão do governo sobre a regulamentação criptográfica pode afetar o preço, mas não necessariamente controlá-lo completamente. O palestrante também aborda questões relacionadas ao capital mínimo necessário para negociar criptomoedas e o potencial de criptomoedas serem usadas em transações do mundo real. Por fim, o palestrante fala sobre a ascensão das moedas digitais do banco central e o possível impacto na natureza descentralizada das criptomoedas.
  
  
• 01:00:00 Os palestrantes discutem a crescente exploração da tecnologia blockchain para resolver problemas como emissão de identidade e gerenciamento da cadeia de suprimentos. Eles acreditam que ainda há muito desenvolvimento e trabalho a ser feito no espaço blockchain e que haverá uma boa demanda por desenvolvedores de blockchain. As criptomoedas podem ser negociadas 24 horas por dia, o que é uma de suas vantagens. Os palestrantes também incentivam o público a fornecer feedback sobre a sessão e mencionar quaisquer perguntas não respondidas, que pretendem responder no futuro.

[MetaQuotes]

Introdução Prática à Negociação Quantitativa | Escola de Administração de Yale

Introdução Prática à Negociação Quantitativa | Escola de Administração de Yale

No seminário sobre negociação quantitativa introdutória, o palestrante se aprofunda na criação, avaliação e implantação de algoritmos de negociação usando exemplos de código. A sessão começa apresentando o conceito de negociação quantitativa, que envolve o uso de modelos matemáticos e estatísticos para identificar oportunidades de negociação e executar negócios. Vários tipos de estratégias de negociação quantitativa são explicados, incluindo negociação de impulso, sistemas de negociação de desvio médio, modelos matemáticos, negociação de alta frequência e sistemas de negociação baseados em notícias. O palestrante enfatiza que os algoritmos não são usados apenas para negociação, mas também para criação de mercado e aproveitamento de ineficiências de preço para gerar lucro.

A estrutura básica de um sistema de comércio quantitativo é então explicada. Inclui a coleta de dados, a criação de uma estratégia de negociação, backtesting, execução e gerenciamento de risco. Preços, dados fundamentais, econômicos e de notícias são comumente usados para algoritmos de negociação. Análises técnicas, estatísticas e matemáticas podem ser empregadas para projetar regras de negociação para a estratégia. O backtesting envolve testar as regras em dados históricos para avaliar seu desempenho. A execução pode ser manual ou automática, e o gerenciamento de risco é crucial para a alocação de capital e definição de parâmetros de risco, como stop loss. O palestrante fornece exemplos ao vivo de estratégias de negociação quantitativas para ilustrar esses conceitos.

A estratégia baseada em tendência é destacada e indicadores técnicos como média móvel exponencial (EMA), SM parabólico e oscilador estocástico são usados para projetar o algoritmo. É apresentada a plataforma Contra, que oferece tutoriais em vídeo, exercícios interativos e exposição prática sem a necessidade de instalação de software. Os módulos Python são importados para ajudar na criação do algoritmo, e os dados são importados de um arquivo CSV para definir regras de negociação e monitorar o desempenho da estratégia. O módulo TLA Python é utilizado para definir os parâmetros dos indicadores técnicos, simplificando o processo de design.

O instrutor explica como definir regras de negociação e gerar sinais de negociação usando indicadores técnicos, como EMA, osciladores estocásticos rápidos e lentos estocásticos. Cinco condições de negociação são descritas para gerar sinais de compra, e regras de negociação para posições vendidas também são projetadas. A próxima etapa é testar a estratégia usando um notebook Python para avaliar seu desempenho prático. O gráfico dos retornos da estratégia demonstra que o algoritmo inicialmente sofreu perdas, mas ganhou força a partir de 2018, gerando lucro no final do período de teste. É apresentado o BlueShift, uma plataforma que permite pesquisa, construção e backtesting de algoritmos com facilidade.

Segue uma demonstração de backtesting de ações do Bank of America usando a plataforma BlueShift. A plataforma fornece manutenção de dados e uma linha de código simples para importar dados para o Python. Indicadores e regras de negociação são definidos e as negociações são executadas automaticamente com base no cumprimento de condições longas e curtas. O backtest é realizado de janeiro de 2020 a outubro de 2021 com um capital de $ 10.000, e o desempenho é comparado ao benchmark S&P 500. Os resultados revelam um retorno sobre o investimento de 113%. Resultados detalhados de backtest podem ser obtidos para analisar retornos mensais, negociações executadas e margem utilizada, facilitando melhores decisões de negociação.

O palestrante demonstra como acessar resultados de backtest abrangentes na plataforma BlueShift, incluindo representações visuais de métricas de desempenho, como retornos de algoritmos e mapas de calor de retornos mensais. As posições assumidas pelo algoritmo são analisadas e as principais métricas, como lucro total de lados longos e curtos, são examinadas. Parâmetros de risco e limites de ordens podem ser configurados antes da implantação da estratégia em tempo real, seja por meio de negociação em papel ou com capital real.

É explicado o processo de seleção de um corretor e especificação de parâmetros de capital e algoritmo para negociação em papel usando a plataforma de negociação BlueShift. Os usuários podem escolher entre várias opções, como Alpaca para ações dos EUA, OANDA para forex e Master Trust para negociação nos mercados indianos. O palestrante demonstra como o BlueShift é usado para especificar a matriz de risco com um limite de rebaixamento de 30% e limites de ordem e tamanho de 1.000 e 10.000, respectivamente. Os usuários têm a flexibilidade de optar pela execução automática ou pelo método de confirmação com um clique com base em sua preferência. Uma vez que o usuário clica em confirmar, o algoritmo começa a rodar e o BlueShift estabelece uma conexão com a fração de negociação de papel Alpaca. O painel atualiza continuamente o capital comercial, negociações, posições e outras informações relevantes em tempo real.

O palestrante destaca dois produtos essenciais para negociação quantitativa: Conda e BlueShift. O Conda é utilizado para obter dados de várias fontes, incluindo preços de ações, criptomoedas, notícias e mídias sociais. O curso explica como acessar relatórios fundamentais ou extrair dados de mídia social em sistemas de negociação usando APIs. BlueShift, o segundo produto, é usado para projetar e testar estratégias, empregando modelos econométricos e análises de séries temporais. O curso fornece exemplos e códigos para várias estratégias de negociação, como estratégias de negociação de desvio médio, estratégias de negociação de impulso e estratégias de negociação diária. Além disso, o curso aborda "Gerenciamento de portfólio usando disparidade hierárquica de aprendizado de máquina" para facilitar o gerenciamento de portfólio e o controle de risco usando métodos de aprendizado de máquina. BlueShift permite backtesting de estratégias de negociação em uma ampla gama de conjuntos de dados.

A disponibilidade de diferentes conjuntos de dados para a prática de negociação quantitativa é discutida, abrangendo ações dos EUA, criptomoedas, forex, ações indianas e dados de propriedade. As implantações baseadas em nuvem e em desktop são explicadas, com a execução baseada em nuvem sendo tratada pelo corretor. A integração baseada em desktop pode ser obtida usando o software IBridgePy, que se conecta a corretoras como Interactive Brokers ou eTrade. Aos alunos participantes da sessão é oferecido um código de 60% de desconto em todos os cursos disponíveis no site da ContraQuant. O site oferece cursos adequados para iniciantes, intermediários e avançados, cobrindo uma ampla gama de conceitos, como redes neurais, processamento de linguagem natural (PNL), estratégias de impulso, opções, futuros e negociação de pares.

• 00:00:00 Um seminário sobre negociação quantitativa introdutória é discutido, cobrindo a criação, avaliação e implantação de algoritmos de negociação usando exemplos de código. A sessão apresenta os conceitos de negociação quantitativa, incluindo o uso de modelos matemáticos e estatísticos para identificar oportunidades de negociação e executar negociações. Vários tipos de estratégias de negociação quantitativa são explicados, como negociação de impulso, sistemas de negociação de desvio médio, modelos matemáticos, negociação de alta frequência e sistemas de negociação baseados em notícias. Por fim, observa-se que os algoritmos também são usados na criação de mercado e para aproveitar as ineficiências nos preços para obter lucro.
  
  
• 00:05:00 O palestrante explica a estrutura básica de um sistema de negociação quantitativa, que inclui coleta de dados, criação de uma estratégia de negociação, backtesting, execução e gerenciamento de risco. Os dados mais comumente usados para algoritmos de negociação são dados de preços, fundamentais, econômicos e de notícias. A análise técnica, estatística e matemática pode ser usada para projetar regras de negociação para a estratégia. No backtesting, as regras são testadas em dados históricos para avaliar seu desempenho. A execução pode ser manual ou automática, e o gerenciamento de risco ajuda na alocação de capital e na definição de parâmetros de risco, como stop loss. O palestrante também fornece exemplos ao vivo de estratégias de negociação quantitativas.
  
  
• 00:10:00 O palestrante discute a estratégia baseada em tendência usada na negociação quantitativa e como ela pode ser projetada usando indicadores técnicos como média móvel exponencial, SM parabólico e oscilador estocástico na plataforma Contra. A plataforma oferece tutoriais em vídeo, exercícios interativos e exposição prática sem exigir que o usuário instale nenhum software. O palestrante importa módulos Python para ajudar a criar o algoritmo e importa dados de um arquivo CSV que é usado para definir regras de negociação e monitorar o desempenho da estratégia. Os parâmetros do indicador técnico são definidos usando o módulo TLA Python, o que facilita o design desses indicadores.
  
  
• 00:15:00 O instrutor explica como definir regras de negociação e gerar sinais de negociação usando indicadores técnicos como os osciladores EMA, estocástico rápido e estocástico lento. Eles descrevem cinco condições de negociação que precisam ser atendidas para gerar um sinal de compra e também projetam regras de negociação para posições curtas. A próxima etapa é testar a estratégia para ver o desempenho dela na prática, o que eles fazem usando um notebook Python. O gráfico dos retornos da estratégia mostra que o algoritmo teve prejuízo no início de 2017, mas recuperou a partir de 2018 e gerou lucro no final do período de teste. Eles também apresentam o BlueShift, uma plataforma que permite aos usuários pesquisar, construir e testar algoritmos com apenas um clique de um botão.
  
  
• 00:20:00 Vemos uma demonstração de backtesting nas ações do Bank of America usando a plataforma Blue Shift. A plataforma fornece manutenção de dados e uma linha de código simples para importar dados para o Python. Indicadores e regras de negociação são definidos e as negociações são realizadas automaticamente com base nas condições longas e curtas atendidas. O backtest é executado de janeiro de 2020 a outubro de 2021 com um capital de $ 10.000 e o desempenho é comparado ao benchmark S&P 500. Os resultados mostram um retorno sobre o investimento de 113%. Um backtest mais aprofundado pode ser executado para obter detalhes sobre retornos mensais, negociações realizadas e margem utilizada, permitindo melhores decisões de negociação.
  
  
• 00:25:00 O palestrante demonstra como acessar os resultados completos do backtest na plataforma Blueshift, incluindo representações visuais de métricas de desempenho, como retornos de algoritmos e mapas de calor de retornos mensais. Eles também explicam como analisar as posições assumidas pelo algoritmo e examinam as principais métricas, como o lucro total obtido de lados comprados e vendidos. O palestrante então mostra como configurar parâmetros de risco e limites de ordem antes de implantar a estratégia em tempo real, seja por meio de negociação de papel ou com capital real.
  
  
• 00:30:00 O palestrante explica como selecionar um corretor e especificar os parâmetros de capital e algoritmo para negociação em papel usando a plataforma de negociação BlueShift. O usuário pode selecionar entre várias opções, como Alpaca para ações dos EUA, OANDA para forex e Master Trust para negociação nos mercados indianos. O palestrante demonstra como usar o BlueShift para especificar a matriz de risco com um limite de rebaixamento de 30% e limites de ordem e tamanho de 1.000 e 10.000, respectivamente. Os usuários têm a opção de execução automática ou o método de confirmação com um clique com base em sua preferência. O algoritmo começa a ser executado assim que o usuário clica em confirmar e o BlueShift começa a se conectar com a fração de negociação de papel da Alpaca. O painel exibe o capital comercial, negociações, posições e atualizações a cada milissegundo.
  
  
• 00:35:00 O palestrante discute os dois produtos a serem usados para negociação quantitativa, Conda e Blueshift. O Conda é utilizado para obter dados de várias fontes, desde preços de ações e criptomoedas até notícias e mídias sociais. O curso descreve como acessar relatórios fundamentais ou extrair dados de mídia social em sistemas de negociação usando APIs. O segundo produto, Blueshift, é para desenhar e testar as estratégias, usando modelos econométricos e análise de séries temporais. O curso oferece exemplos e códigos para várias estratégias de negociação, como estratégias de negociação de divisão média, estratégias de negociação de impulso e estratégias de negociação diária. Além disso, para realizar o gerenciamento de portfólio e controlar o risco, eles oferecem "Gerenciamento de portfólio usando disparidade hierárquica de aprendizado de máquina" usando métodos de aprendizado de máquina. O Blueshift permite o backtesting das estratégias de negociação em uma ampla gama de conjuntos de dados.
  
  
• 00:40:00 O palestrante discute os diferentes conjuntos de dados disponíveis para a prática de negociação quantitativa, incluindo ações dos EUA, criptomoedas, forex, ações indianas e dados imobiliários. Existem dois tipos de implantações disponíveis, baseadas em nuvem e baseadas em desktop, com a execução baseada em nuvem sendo cuidada pelo corretor. A integração baseada em desktop pode ser feita usando o software IBridgePy para conectar-se a corretores como Interactive Brokers ou eTrade. Os alunos participantes da sessão recebem um código de 60% de desconto em todos os cursos disponíveis no site da ContraQuant, que oferece cursos adequados para traders iniciantes, intermediários e avançados e abrange uma ampla gama de conceitos como redes neurais, NLP, estratégias de momentum, opções, futuros e negociação de pares.

[MetaQuotes]

Preveja os preços diários das ações e automatize uma estratégia de negociação diária

Preveja os preços diários das ações e automatize uma estratégia de negociação diária

No webinar introdutório, o apresentador apresenta o tópico principal da sessão, que é prever os preços diários das ações e automatizar uma estratégia de negociação diária. A sessão inclui duas apresentações de projetos. A primeira apresentação é de Renato Otto, do Reino Unido, que discute a previsão diária de preços de ações usando um classificador florestal aleatório, indicadores técnicos e dados de sentimento. Renato Otto é apresentado como um indivíduo experiente envolvido no desenvolvimento de software e ferramentas para análise quantitativa e identificação sistemática de manipulação de mercado no mercado de energia do Reino Unido.

Renato Otto compartilha a motivação por trás da conclusão do projeto, explicando que foi uma oportunidade de consolidar seus conhecimentos em programação Python, engenharia de dados e aprendizado de máquina em um projeto de ponta a ponta. O projeto visava melhorar suas habilidades e explorar o poder do aprendizado de máquina e do processamento de linguagem natural na negociação. Além disso, o objetivo era criar algo reutilizável para outros usarem em suas próprias análises ou implementações de estratégias. O projeto envolve nove etapas, começando com a definição dos detalhes da análise em um dicionário e inicializando um pipeline. O programa então é executado para obter o conjunto de dados necessário para os cálculos de backtesting. O apresentador destaca a importância de testar a usabilidade do programa e garantir a confiabilidade dos números finais.

O palestrante explica os métodos envolvidos no backtesting de uma estratégia de day trading. Eles discutem a classe de estratégia de back-test, que consiste em vários métodos para pré-processamento de dados, treinamento e teste de modelo e análise de desempenho de estratégia. A saída do processo de backtesting inclui tabelas e gráficos que mostram retorno sobre o investimento, taxa acentuada, rebaixamento máximo e outros parâmetros relevantes. Embora o backtesting ajude a determinar a lucratividade potencial da estratégia, o palestrante adverte que simplifica certos aspectos que podem não ser verdadeiros na negociação ao vivo. O palestrante menciona a última melhoria do programa, que envolve a atualização dos parâmetros para refletir as condições reais de negociação, incluindo taxas de transação e tamanho da conta.

Durante a apresentação, o palestrante também fala sobre os desafios enfrentados durante o desenvolvimento do programa. Um desafio foi implementar um menu interativo que solicitasse aos usuários inserir dados, o que exigia pensamento extra e esforço de desenvolvimento. No entanto, o palestrante afirma que valeu a pena, pois tornou o programa mais amigável. Outros desafios incluíam encontrar soluções para computação de métricas de desempenho e manter um equilíbrio entre vida pessoal e profissional. Para superar esses desafios, o apresentador recomenda estratégias como desenhar diagramas, escrever comentários como trampolim para o código, fazer pausas, realizar pesquisas online e consolidar o conhecimento. O apresentador também destaca as conquistas do projeto, como consolidar conhecimentos em finanças quantitativas e habilidades de programação, ganhar confiança no gerenciamento de um projeto do início ao fim e demonstrar o poder do aprendizado de máquina na previsão de preços de ações.

O palestrante discute seus planos para projetos futuros após a conclusão do atual. Eles mencionam sua intenção de estudar novas estratégias com diferentes ativos, expandir seus conhecimentos por meio de seu blog e interações com outros entusiastas, pesquisar novas estratégias e modelos de aprendizado de máquina e, eventualmente, implementar estratégias lucrativas em negociação ao vivo. O palestrante compartilha suas informações de contato para mais perguntas ou dúvidas sobre o projeto. O público faz várias perguntas, incluindo o número de noites passadas no projeto e se o programa pode ser usado para negociação de criptomoedas.

Sobre os dados utilizados para o projeto, o criador explica que treinou o modelo com preços diários da Tesla desde o início da empresa em 2009. O processo de treinamento durou cinco meses e o modelo foi testado por alguns anos. Em termos de redução de risco, o criador menciona que não há muito o que fazer em um modelo de aprendizado de máquina para reduzir o risco, mas eles avaliaram uma quantidade razoável de negociações para garantir que a maioria delas fosse lucrativa. O criador também responde a perguntas sobre o prazo de previsão de preços e a necessidade de um PC de alta potência para treinar o modelo.

O palestrante explica o processo de treinamento de um modelo e discute as vantagens da negociação algorítmica em relação aos sistemas discricionários. Eles mencionam que é possível treinar um modelo usando um computador sem GPU, embora possa levar várias horas para chegar a um modelo funcional. No entanto, eles desaconselham a confiança nessa abordagem regularmente. Ao discutir os benefícios da negociação algorítmica, o palestrante enfatiza a confiança estatística na maioria das negociações lucrativas, tornando-a mais lucrativa em comparação com a negociação discricionária. Por fim, o palestrante expressa suas expectativas em relação ao programa EPAC, afirmando que ele forneceu os fundamentos para entender a negociação algorítmica e as ferramentas necessárias para escolher sua especialização.

Em seguida, o segundo palestrante, Usual Agrawal, da Índia, é apresentado como um comerciante quantitativo e proprietário de uma empresa. Agrawal compartilha sua experiência de negociação nos mercados indianos nos últimos quatro anos e os desafios que enfrentaram ao administrar seus negócios em tempo integral. Para superar esses desafios, Agrawal decidiu automatizar suas configurações de negociação com a ajuda do curso EPAT e o apoio incondicional da equipe Quantum City. Em sua apresentação, a Agrawal mostra sua configuração de negociação totalmente automatizada chamada "Intraday Straddles", que combina configurações não correlacionadas para gerar retornos decentes com rebaixamentos mínimos. Eles discutem sua abordagem para coleta de dados, backtesting, front testing, implantação e avaliação de desempenho de sua estratégia de negociação.

Durante a apresentação, o palestrante mergulha nos detalhes dos dados, sistemas e parâmetros usados para testar sua estratégia de day trading. Sua estratégia envolve a criação de straddles e estrangulamentos para os futuros Nifty e Bank Nifty e dados de opções usando um período de um minuto. O palestrante usou dados de dois anos, de março de 2019 a março de 2021, que abrangeram um período de baixa volatilidade e a pandemia de COVID-19. Eles explicam as diferentes classes utilizadas para backtesting e os parâmetros testados, incluindo variações nos níveis de stop loss. Por fim, o palestrante apresenta os resultados do processo de backtesting.

O apresentador passa a discutir os resultados de seu backtesting e front testing da estratégia de day trading. Durante a fase de backtesting, eles obtiveram um retorno líquido de 3,15 lakhs, equivalente a um retorno anual de 52,9%. A taxa de acerto foi calculada normalmente e normalizada, com a última fornecendo uma imagem mais realista. O índice acentuado foi determinado em 3,78, e a curva de ações recebeu bom suporte de uma média móvel simples de três meses. Porém, durante a fase de front-testing, a estratégia não teve o desempenho esperado, ganhando apenas 70.000 rúpias em 11 meses, o que corresponde a um retorno anual de 25%. A curva de patrimônio permaneceu plana, indicando que a estratégia pode não estar funcionando bem no momento e requer uma análise mais aprofundada. O apresentador também compartilha os principais desafios enfrentados e as lições aprendidas ao longo do projeto, com as principais dificuldades surgidas durante a coleta de dados.

O palestrante discute alguns dos desafios encontrados ao desenvolver a estratégia de day trading. Um grande obstáculo era obter dados confiáveis de opções intradiárias, o que exigia comprá-los de fornecedores terceirizados. Outro desafio foi o possível viés de amostragem devido ao foco apenas nos últimos dois anos de dados, que podem não representar com precisão o desempenho geral da estratégia. Além disso, o palestrante observa um efeito de superlotação no mercado, com muitos traders empregando estratégias semelhantes. O palestrante explica sua decisão de desenvolver a estratégia de forma independente, permitindo ajustes personalizados. Finalmente, são destacadas as avaliações contínuas da estratégia e os esforços para diversificá-la para melhorar a eficiência.

O palestrante aborda questões do público, incluindo se o programa é executado manualmente ou automatizado usando plataformas de nuvem, e como eles selecionaram as ações para vender straddles e a distância típica de stop loss em relação ao prêmio. A estratégia se aplica apenas ao índice Nifty e ao índice Bank Nifty devido a problemas de liquidez, e o palestrante limpa os dados por tentativa e erro, retificando alterações de formato e removendo dias com erros de dados.

O palestrante responde a duas perguntas adicionais relacionadas à sua estratégia de day trading. Eles discutem a porcentagem de stop loss usada para testes e os desafios que enfrentaram na programação sem experiência em engenharia da computação. Eles explicam como superaram esses desafios com a ajuda do programa EPAT e a orientação da Quadency. Além disso, o palestrante oferece conselhos para aspirantes a quants e comerciantes algorítmicos, enfatizando a importância de ter cautela e implementar o gerenciamento de risco adequado ao aplicar qualquer estratégia de negociação na prática.

O palestrante destaca a importância de diversificar as estratégias de negociação e como isso pode ajudar a navegar nas fases de rebaixamento em uma estratégia, enquanto outras continuam a ter um bom desempenho. Eles enfatizam a necessidade de testes minuciosos e de gastar tempo com cada estratégia para aprender suas nuances e combiná-las efetivamente. É importante observar que as informações compartilhadas durante a sessão não pretendem ser conselhos de negociação.

O anfitrião conclui o webinar expressando gratidão ao palestrante, Visual, por compartilhar seu projeto e experiências. Eles informam ao público que a gravação da sessão estará disponível em seu canal no YouTube e que os participantes receberão um e-mail contendo os códigos necessários e links do GitHub relacionados às estratégias discutidas. O anfitrião espera realizar sessões mais interessantes nos próximos meses, enriquecendo ainda mais o conhecimento e a compreensão do público.

O webinar forneceu informações valiosas sobre como prever preços diários de ações e automatizar estratégias de day trading. A primeira apresentação de Renato Otto focou na previsão de preços de ações usando um classificador florestal aleatório, indicadores técnicos e dados de sentimento. A segunda apresentação da Usual Agrawal apresentou sua configuração de negociação totalmente automatizada, "Intraday Straddles", que combinou configurações não correlacionadas para gerar retornos com perdas mínimas. Ambos os apresentadores compartilharam seus desafios, conquistas e aprendizados, trazendo lições valiosas para o público. O webinar serviu como uma plataforma para explorar o poder do aprendizado de máquina e do processamento de linguagem natural na negociação e forneceu um vislumbre do excitante mundo da negociação algorítmica.

• 00:00:00 O anfitrião apresenta o tópico do webinar que é prever os preços diários das ações e automatizar uma estratégia de negociação diária. Serão feitas duas apresentações de projetos, sendo a primeira sobre a previsão de preços diários de ações com indicadores técnicos de classificadores florestais aleatórios e dados de sentimento, apresentada por Renato Otto do Reino Unido, e a segunda sobre como automatizar uma estratégia de negociação de dia de opções, apresentada pela Usual Agrawal da Índia. O apresentador apresenta Renato Otto e faz um breve histórico sobre ele, incluindo sua experiência e envolvimento no desenvolvimento de software e ferramentas para análise quantitativa e identificação sistemática de manipulação de mercado no mercado de energia do Reino Unido.
  
  
• 00:05:00 O apresentador discute sua motivação por trás da conclusão de um projeto que envolve a previsão diária de preços de ações e a automação de uma estratégia de day trading. Eles queriam consolidar seus conhecimentos em programação Python, engenharia de dados e aprendizado de máquina em um projeto completo que melhorasse suas habilidades e explorasse o poder do aprendizado de máquina e do processamento de linguagem natural na negociação. Além disso, eles pretendiam construir algo reutilizável para outros usarem em suas próprias análises ou estratégias de implementação. O programa envolve nove etapas, começando com o fornecimento de detalhes em um dicionário para definir a análise, seguido pela inicialização de um pipeline e execução do programa para obter o conjunto de dados para cálculos de backtesting. O apresentador aborda a importância de testar a usabilidade do programa e garantir que os números ao final sejam confiáveis.
  
  
• 00:10:00 O palestrante explica os diferentes métodos envolvidos no back-testing de uma estratégia de day trading. A classe de estratégia de back-test consiste em vários métodos que podem pré-processar dados, treinar e testar modelos e analisar o desempenho da estratégia. A saída compreende tabelas e gráficos que mostram o retorno do investimento, a taxa acentuada e o rebaixamento máximo, entre outros parâmetros. Embora o método de back-testing seja útil para determinar a lucratividade potencial da estratégia, o palestrante adverte que ele faz várias simplificações que podem não ser verdadeiras para negociações ao vivo. A última melhoria do programa inclui a atualização dos parâmetros para incluir taxas de transação e tamanho da conta para refletir as condições reais de negociação.
  
  
• 00:15:00 O apresentador fala sobre os desafios que encontrou ao desenvolver o programa para prever preços diários de ações e automatizar o day trading. Um dos desafios foi a complexidade de implementar um menu interativo que solicita aos usuários a entrada de dados. Isso exigiu pensamento e desenvolvimento extras, mas no final valeu a pena porque o programa é fácil de usar. Outros desafios incluíam encontrar soluções para computação de métricas de desempenho e manter o equilíbrio entre vida pessoal e profissional. Para superar esses desafios, o apresentador recomenda desenhar diagramas, escrever comentários como um trampolim para o código real, fazer pausas, pesquisar problemas no Google e consolidar o conhecimento. O apresentador também fala sobre as conquistas desse projeto, como consolidar conhecimento em finanças quantitativas e habilidades de programação, ganhar confiança para gerenciar um projeto do início ao fim e demonstrar como o aprendizado de máquina pode ser poderoso para prever o preço das ações no dia seguinte.
  
  
• 00:20:00 O palestrante discute seus planos para projetos futuros depois de concluir o projeto atual sobre previsão de preços diários de ações e automatização de uma estratégia de negociação diária. Ele menciona estudar novas estratégias com diferentes ativos, expandir o conhecimento com outros entusiastas por meio de seu blog, pesquisar novas estratégias e modelos de aprendizado de máquina e, eventualmente, implementar estratégias lucrativas em um ambiente de negociação ao vivo. Além disso, o palestrante compartilha seus dados de contato para quem quiser tirar dúvidas ou saber mais sobre o projeto. O público também faz várias perguntas, incluindo quantas madrugadas o palestrante teve durante o projeto e se o programa pode ser usado em criptomoeda.
  
  
• 00:25:00 O criador usou os preços diários da Tesla desde o início da empresa em 2009 para treinar o modelo. O processo de treinamento durou cinco meses e o modelo foi testado por alguns anos. Em relação à redução do risco, o criador mencionou que não há muito o que se possa fazer em um modelo de aprendizado de máquina para reduzir o risco. Ainda assim, eles avaliaram uma quantidade razoável ou aceitável de negócios para garantir que a maioria deles fosse lucrativa. O criador também respondeu a questões relacionadas ao prazo de previsão de preços e à necessidade de um PC de alta potência para treinar o modelo.
  
  
• 00:30:00 O palestrante discute o processo de treinamento de um modelo e as vantagens da negociação algorítmica em relação aos sistemas discricionários. Ele explica que é possível treinar um modelo usando um computador sem GPU, e pode levar várias horas para chegar a um modelo que funcione. Ele observa que é possível fazer isso uma vez, mas não é recomendado para uso regular. Quando questionado sobre os benefícios da negociação algorítmica, o palestrante afirma que há uma confiança estatística de que a maioria das negociações é lucrativa, tornando-a mais lucrativa do que a negociação discricionária. Por fim, o palestrante compartilha suas expectativas em relação ao programa epac, afirmando que lhe forneceu os fundamentos para entender o algo trading e os instrumentos para escolher sua especialização.
  
  
• 00:35:00 O segundo orador do vídeo, Usual Agrawal, é apresentado como um comerciante quantitativo e empresário da Índia. Agrawal tem negociado nos mercados indianos nos últimos quatro anos e enfrentou dificuldades para administrar seus negócios enquanto negociava em tempo integral. Isso o levou a automatizar suas configurações de negociação com a ajuda do curso EPAD e apoio incondicional da equipe Quantum City. Durante a segunda apresentação, Agrawal apresenta sua configuração de negociação totalmente automatizada "Intraday Straddles", que combina configurações não correlacionadas para gerar retornos decentes com perdas mínimas. Ele também descreve sua abordagem para coleta de dados, backtesting, teste frontal, implantação e avaliação de desempenho de sua estratégia de negociação.
  
  
• 00:40:00 O palestrante discute os dados, sistemas e parâmetros usados para testar uma estratégia básica de day trading que envolve a criação de straddles e straddles para os futuros Nifty e Bankruptcy e dados de opções usando um período de um minuto. O palestrante usou dados de dois anos, de março de 2019 a março de 2021, que incluiu um período de baixa volatilidade e a pandemia de COVID-19. O palestrante explica as diferentes classes usadas para backtesting e os parâmetros testados, incluindo níveis variados de stop loss. Por fim, o palestrante apresenta os resultados do backtesting.
  
  
• 00:45:00 O apresentador discute os resultados de seu backtesting e fronttest de uma estratégia de day trading. Na fase de backtesting, eles obtiveram um retorno líquido de 3,15 lakhs, o que se traduz em um retorno anual de 52,9%. A taxa de acerto foi calculada normalmente e normalizada, com a última dando uma imagem mais realista. O índice acentuado foi de 3,78 e a curva de ações teve bom suporte de uma média móvel simples de três meses. No entanto, durante a fase de testes frontais, a estratégia não teve o desempenho esperado, ganhando apenas 70.000 rúpias em 11 meses, o que representa um retorno anual de 25%. A curva de patrimônio era plana, indicando que a estratégia pode não estar funcionando bem no momento e precisa ser analisada. O apresentador também compartilha seus principais desafios e aprendizados durante este projeto, com grandes problemas surgindo durante a coleta de dados.
  
  
• 00:50:00 O palestrante discute alguns dos desafios enfrentados ao desenvolver uma estratégia de day trading. Um grande problema era obter dados confiáveis de opções intradiárias, o que exigia comprá-los de fornecedores terceirizados. Outro desafio foi o viés de amostragem, pois a análise se concentrou apenas nos últimos dois anos de dados, o que pode não representar com precisão o desempenho geral da estratégia. Além disso, o palestrante notou um efeito de superlotação no mercado, já que muitos traders estão empregando estratégias semelhantes. O palestrante então compartilha o motivo da escolha de desenvolver a estratégia de forma independente, o que permitiu ajustes personalizados. Por fim, o palestrante discute as avaliações em andamento da estratégia e os esforços para diversificá-la para maior eficiência.
  
  
• 00:55:00 O palestrante responde a perguntas do público, incluindo se o programa é executado manualmente ou automatizado usando plataformas de nuvem, e como eles escolheram qual ação vender straddle e até que ponto o stop-loss típico estava em relação ao prêmio. A estratégia se aplica apenas ao índice Nifty e ao índice Bank Nifty devido a problemas de liquidez, e o palestrante limpa os dados por tentativa e erro, retificando alterações de formato e removendo dias com erros de dados.
  
  
• 01:00:00 O palestrante responde a duas perguntas sobre sua estratégia de day trading, incluindo a porcentagem de stop loss que eles usaram para testar e os desafios que enfrentaram na programação sem experiência em engenharia da computação. Eles discutem como superaram esses desafios com a ajuda do programa EPAT e orientação da Quadency. O palestrante também dá conselhos aos aspirantes a quants e traders algorítmicos, enfatizando que, embora a estratégia apresentada possa parecer simples, é importante ter cautela e gerenciamento de risco adequado ao aplicá-la na prática.
  
  
• 01:05:00 O palestrante discute a importância de diversificar as estratégias de negociação e como isso pode ajudar quando uma estratégia está em fase de redução enquanto as outras estão tendo um bom desempenho. Ele enfatiza a necessidade de testar e gastar tempo com as estratégias para aprender e combiná-las da maneira que funcionar melhor. Ele fornece um aviso de que isso não é um conselho comercial e expressa gratidão à Visual por compartilhar seu projeto e experiências. A gravação da sessão estará disponível em seu canal do YouTube e os participantes receberão um e-mail com os códigos necessários e links do GitHub. O anfitrião espera sessões mais interessantes nos próximos meses.

[MetaQuotes]

Preveja os preços diários das ações e automatize uma estratégia de negociação diária

Preveja os preços diários das ações e automatize uma estratégia de negociação diária

No webinar introdutório, o apresentador apresenta o tópico principal da sessão, que é prever os preços diários das ações e automatizar uma estratégia de negociação diária. A sessão inclui duas apresentações de projetos. A primeira apresentação é de Renato Otto, do Reino Unido, que discute a previsão diária de preços de ações usando um classificador florestal aleatório, indicadores técnicos e dados de sentimento. Renato Otto é apresentado como um indivíduo experiente envolvido no desenvolvimento de software e ferramentas para análise quantitativa e identificação sistemática de manipulação de mercado no mercado de energia do Reino Unido.

Renato Otto compartilha a motivação por trás da conclusão do projeto, explicando que foi uma oportunidade de consolidar seus conhecimentos em programação Python, engenharia de dados e aprendizado de máquina em um projeto de ponta a ponta. O projeto visava melhorar suas habilidades e explorar o poder do aprendizado de máquina e do processamento de linguagem natural na negociação. Além disso, o objetivo era criar algo reutilizável para outros usarem em suas próprias análises ou implementações de estratégias. O projeto envolve nove etapas, começando com a definição dos detalhes da análise em um dicionário e inicializando um pipeline. O programa então é executado para obter o conjunto de dados necessário para os cálculos de backtesting. O apresentador destaca a importância de testar a usabilidade do programa e garantir a confiabilidade dos números finais.

O palestrante explica os métodos envolvidos no backtesting de uma estratégia de day trading. Eles discutem a classe de estratégia de back-test, que consiste em vários métodos para pré-processamento de dados, treinamento e teste de modelo e análise de desempenho de estratégia. A saída do processo de backtesting inclui tabelas e gráficos que mostram retorno sobre o investimento, taxa acentuada, rebaixamento máximo e outros parâmetros relevantes. Embora o backtesting ajude a determinar a lucratividade potencial da estratégia, o palestrante adverte que simplifica certos aspectos que podem não ser verdadeiros na negociação ao vivo. O palestrante menciona a última melhoria do programa, que envolve a atualização dos parâmetros para refletir as condições reais de negociação, incluindo taxas de transação e tamanho da conta.

Durante a apresentação, o palestrante também fala sobre os desafios enfrentados durante o desenvolvimento do programa. Um desafio foi implementar um menu interativo que solicitasse aos usuários inserir dados, o que exigia pensamento extra e esforço de desenvolvimento. No entanto, o palestrante afirma que valeu a pena, pois tornou o programa mais amigável. Outros desafios incluíam encontrar soluções para computação de métricas de desempenho e manter um equilíbrio entre vida pessoal e profissional. Para superar esses desafios, o apresentador recomenda estratégias como desenhar diagramas, escrever comentários como trampolim para o código, fazer pausas, realizar pesquisas online e consolidar o conhecimento. O apresentador também destaca as conquistas do projeto, como consolidar conhecimentos em finanças quantitativas e habilidades de programação, ganhar confiança no gerenciamento de um projeto do início ao fim e demonstrar o poder do aprendizado de máquina na previsão de preços de ações.

O palestrante discute seus planos para projetos futuros após a conclusão do atual. Eles mencionam sua intenção de estudar novas estratégias com diferentes ativos, expandir seus conhecimentos por meio de seu blog e interações com outros entusiastas, pesquisar novas estratégias e modelos de aprendizado de máquina e, eventualmente, implementar estratégias lucrativas em negociação ao vivo. O palestrante compartilha suas informações de contato para mais perguntas ou dúvidas sobre o projeto. O público faz várias perguntas, incluindo o número de noites passadas no projeto e se o programa pode ser usado para negociação de criptomoedas.

Sobre os dados utilizados para o projeto, o criador explica que treinou o modelo com preços diários da Tesla desde o início da empresa em 2009. O processo de treinamento durou cinco meses e o modelo foi testado por alguns anos. Em termos de redução de risco, o criador menciona que não há muito o que fazer em um modelo de aprendizado de máquina para reduzir o risco, mas eles avaliaram uma quantidade razoável de negociações para garantir que a maioria delas fosse lucrativa. O criador também responde a perguntas sobre o prazo de previsão de preços e a necessidade de um PC de alta potência para treinar o modelo.

O palestrante explica o processo de treinamento de um modelo e discute as vantagens da negociação algorítmica em relação aos sistemas discricionários. Eles mencionam que é possível treinar um modelo usando um computador sem GPU, embora possa levar várias horas para chegar a um modelo funcional. No entanto, eles desaconselham a confiança nessa abordagem regularmente. Ao discutir os benefícios da negociação algorítmica, o palestrante enfatiza a confiança estatística na maioria das negociações lucrativas, tornando-a mais lucrativa em comparação com a negociação discricionária. Por fim, o palestrante expressa suas expectativas em relação ao programa EPAC, afirmando que ele forneceu os fundamentos para entender a negociação algorítmica e as ferramentas necessárias para escolher sua especialização.

Em seguida, o segundo palestrante, Usual Agrawal, da Índia, é apresentado como um comerciante quantitativo e proprietário de uma empresa. Agrawal compartilha sua experiência de negociação nos mercados indianos nos últimos quatro anos e os desafios que enfrentaram ao administrar seus negócios em tempo integral. Para superar esses desafios, Agrawal decidiu automatizar suas configurações de negociação com a ajuda do curso EPAT e o apoio incondicional da equipe Quantum City. Em sua apresentação, a Agrawal mostra sua configuração de negociação totalmente automatizada chamada "Intraday Straddles", que combina configurações não correlacionadas para gerar retornos decentes com rebaixamentos mínimos. Eles discutem sua abordagem para coleta de dados, backtesting, front testing, implantação e avaliação de desempenho de sua estratégia de negociação.

Durante a apresentação, o palestrante mergulha nos detalhes dos dados, sistemas e parâmetros usados para testar sua estratégia de day trading. Sua estratégia envolve a criação de straddles e estrangulamentos para os futuros Nifty e Bank Nifty e dados de opções usando um período de um minuto. O palestrante usou dados de dois anos, de março de 2019 a março de 2021, que abrangeram um período de baixa volatilidade e a pandemia de COVID-19. Eles explicam as diferentes classes utilizadas para backtesting e os parâmetros testados, incluindo variações nos níveis de stop loss. Por fim, o palestrante apresenta os resultados do processo de backtesting.

O apresentador passa a discutir os resultados de seu backtesting e front testing da estratégia de day trading. Durante a fase de backtesting, eles obtiveram um retorno líquido de 3,15 lakhs, equivalente a um retorno anual de 52,9%. A taxa de acerto foi calculada normalmente e normalizada, com a última fornecendo uma imagem mais realista. O índice acentuado foi determinado em 3,78, e a curva de ações recebeu bom suporte de uma média móvel simples de três meses. Porém, durante a fase de front-testing, a estratégia não teve o desempenho esperado, ganhando apenas 70.000 rúpias em 11 meses, o que corresponde a um retorno anual de 25%. A curva de patrimônio permaneceu plana, indicando que a estratégia pode não estar funcionando bem no momento e requer uma análise mais aprofundada. O apresentador também compartilha os principais desafios enfrentados e as lições aprendidas ao longo do projeto, com as principais dificuldades surgidas durante a coleta de dados.

O palestrante discute alguns dos desafios encontrados ao desenvolver a estratégia de day trading. Um grande obstáculo era obter dados confiáveis de opções intradiárias, o que exigia comprá-los de fornecedores terceirizados. Outro desafio foi o possível viés de amostragem devido ao foco apenas nos últimos dois anos de dados, que podem não representar com precisão o desempenho geral da estratégia. Além disso, o palestrante observa um efeito de superlotação no mercado, com muitos traders empregando estratégias semelhantes. O palestrante explica sua decisão de desenvolver a estratégia de forma independente, permitindo ajustes personalizados. Finalmente, são destacadas as avaliações contínuas da estratégia e os esforços para diversificá-la para melhorar a eficiência.

O palestrante aborda questões do público, incluindo se o programa é executado manualmente ou automatizado usando plataformas de nuvem, e como eles selecionaram as ações para vender straddles e a distância típica de stop loss em relação ao prêmio. A estratégia se aplica apenas ao índice Nifty e ao índice Bank Nifty devido a problemas de liquidez, e o palestrante limpa os dados por tentativa e erro, retificando alterações de formato e removendo dias com erros de dados.

O palestrante responde a duas perguntas adicionais relacionadas à sua estratégia de day trading. Eles discutem a porcentagem de stop loss usada para testes e os desafios que enfrentaram na programação sem experiência em engenharia da computação. Eles explicam como superaram esses desafios com a ajuda do programa EPAT e a orientação da Quadency. Além disso, o palestrante oferece conselhos para aspirantes a quants e comerciantes algorítmicos, enfatizando a importância de ter cautela e implementar o gerenciamento de risco adequado ao aplicar qualquer estratégia de negociação na prática.

O palestrante destaca a importância de diversificar as estratégias de negociação e como isso pode ajudar a navegar nas fases de rebaixamento em uma estratégia, enquanto outras continuam a ter um bom desempenho. Eles enfatizam a necessidade de testes minuciosos e de gastar tempo com cada estratégia para aprender suas nuances e combiná-las efetivamente. É importante observar que as informações compartilhadas durante a sessão não pretendem ser conselhos de negociação.

O anfitrião conclui o webinar expressando gratidão ao palestrante, Visual, por compartilhar seu projeto e experiências. Eles informam ao público que a gravação da sessão estará disponível em seu canal no YouTube e que os participantes receberão um e-mail contendo os códigos necessários e links do GitHub relacionados às estratégias discutidas. O anfitrião espera realizar sessões mais interessantes nos próximos meses, enriquecendo ainda mais o conhecimento e a compreensão do público.

O webinar forneceu informações valiosas sobre como prever preços diários de ações e automatizar estratégias de day trading. A primeira apresentação de Renato Otto focou na previsão de preços de ações usando um classificador florestal aleatório, indicadores técnicos e dados de sentimento. A segunda apresentação da Usual Agrawal apresentou sua configuração de negociação totalmente automatizada, "Intraday Straddles", que combinou configurações não correlacionadas para gerar retornos com perdas mínimas. Ambos os apresentadores compartilharam seus desafios, conquistas e aprendizados, trazendo lições valiosas para o público. O webinar serviu como uma plataforma para explorar o poder do aprendizado de máquina e do processamento de linguagem natural na negociação e forneceu um vislumbre do excitante mundo da negociação algorítmica.

• 00:00:00 O anfitrião apresenta o tópico do webinar que é prever os preços diários das ações e automatizar uma estratégia de negociação diária. Serão feitas duas apresentações de projetos, sendo a primeira sobre a previsão de preços diários de ações com indicadores técnicos de classificadores florestais aleatórios e dados de sentimento, apresentada por Renato Otto do Reino Unido, e a segunda sobre como automatizar uma estratégia de negociação de dia de opções, apresentada pela Usual Agrawal da Índia. O apresentador apresenta Renato Otto e faz um breve histórico sobre ele, incluindo sua experiência e envolvimento no desenvolvimento de software e ferramentas para análise quantitativa e identificação sistemática de manipulação de mercado no mercado de energia do Reino Unido.
  
  
• 00:05:00 O apresentador discute sua motivação por trás da conclusão de um projeto que envolve a previsão diária de preços de ações e a automação de uma estratégia de day trading. Eles queriam consolidar seus conhecimentos em programação Python, engenharia de dados e aprendizado de máquina em um projeto completo que melhorasse suas habilidades e explorasse o poder do aprendizado de máquina e do processamento de linguagem natural na negociação. Além disso, eles pretendiam construir algo reutilizável para outros usarem em suas próprias análises ou estratégias de implementação. O programa envolve nove etapas, começando com o fornecimento de detalhes em um dicionário para definir a análise, seguido pela inicialização de um pipeline e execução do programa para obter o conjunto de dados para cálculos de backtesting. O apresentador aborda a importância de testar a usabilidade do programa e garantir que os números ao final sejam confiáveis.
  
  
• 00:10:00 O palestrante explica os diferentes métodos envolvidos no back-testing de uma estratégia de day trading. A classe de estratégia de back-test consiste em vários métodos que podem pré-processar dados, treinar e testar modelos e analisar o desempenho da estratégia. A saída compreende tabelas e gráficos que mostram o retorno do investimento, a taxa acentuada e o rebaixamento máximo, entre outros parâmetros. Embora o método de back-testing seja útil para determinar a lucratividade potencial da estratégia, o palestrante adverte que ele faz várias simplificações que podem não ser verdadeiras para negociações ao vivo. A última melhoria do programa inclui a atualização dos parâmetros para incluir taxas de transação e tamanho da conta para refletir as condições reais de negociação.
  
  
• 00:15:00 O apresentador fala sobre os desafios que encontrou ao desenvolver o programa para prever preços diários de ações e automatizar o day trading. Um dos desafios foi a complexidade de implementar um menu interativo que solicita aos usuários a entrada de dados. Isso exigiu pensamento e desenvolvimento extras, mas no final valeu a pena porque o programa é fácil de usar. Outros desafios incluíam encontrar soluções para computação de métricas de desempenho e manter o equilíbrio entre vida pessoal e profissional. Para superar esses desafios, o apresentador recomenda desenhar diagramas, escrever comentários como um trampolim para o código real, fazer pausas, pesquisar problemas no Google e consolidar o conhecimento. O apresentador também fala sobre as conquistas desse projeto, como consolidar conhecimento em finanças quantitativas e habilidades de programação, ganhar confiança para gerenciar um projeto do início ao fim e demonstrar como o aprendizado de máquina pode ser poderoso para prever o preço das ações no dia seguinte.
  
  
• 00:20:00 O palestrante discute seus planos para projetos futuros depois de concluir o projeto atual sobre previsão de preços diários de ações e automatização de uma estratégia de negociação diária. Ele menciona estudar novas estratégias com diferentes ativos, expandir o conhecimento com outros entusiastas por meio de seu blog, pesquisar novas estratégias e modelos de aprendizado de máquina e, eventualmente, implementar estratégias lucrativas em um ambiente de negociação ao vivo. Além disso, o palestrante compartilha seus dados de contato para quem quiser tirar dúvidas ou saber mais sobre o projeto. O público também faz várias perguntas, incluindo quantas madrugadas o palestrante teve durante o projeto e se o programa pode ser usado em criptomoeda.
  
  
• 00:25:00 O criador usou os preços diários da Tesla desde o início da empresa em 2009 para treinar o modelo. O processo de treinamento durou cinco meses e o modelo foi testado por alguns anos. Em relação à redução do risco, o criador mencionou que não há muito o que se possa fazer em um modelo de aprendizado de máquina para reduzir o risco. Ainda assim, eles avaliaram uma quantidade razoável ou aceitável de negócios para garantir que a maioria deles fosse lucrativa. O criador também respondeu a questões relacionadas ao prazo de previsão de preços e à necessidade de um PC de alta potência para treinar o modelo.
  
  
• 00:30:00 O palestrante discute o processo de treinamento de um modelo e as vantagens da negociação algorítmica em relação aos sistemas discricionários. Ele explica que é possível treinar um modelo usando um computador sem GPU, e pode levar várias horas para chegar a um modelo que funcione. Ele observa que é possível fazer isso uma vez, mas não é recomendado para uso regular. Quando questionado sobre os benefícios da negociação algorítmica, o palestrante afirma que há uma confiança estatística de que a maioria das negociações é lucrativa, tornando-a mais lucrativa do que a negociação discricionária. Por fim, o palestrante compartilha suas expectativas em relação ao programa epac, afirmando que lhe forneceu os fundamentos para entender o algo trading e os instrumentos para escolher sua especialização.
  
  
• 00:35:00 O segundo orador do vídeo, Usual Agrawal, é apresentado como um comerciante quantitativo e empresário da Índia. Agrawal tem negociado nos mercados indianos nos últimos quatro anos e enfrentou dificuldades para administrar seus negócios enquanto negociava em tempo integral. Isso o levou a automatizar suas configurações de negociação com a ajuda do curso EPAD e apoio incondicional da equipe Quantum City. Durante a segunda apresentação, Agrawal apresenta sua configuração de negociação totalmente automatizada "Intraday Straddles", que combina configurações não correlacionadas para gerar retornos decentes com perdas mínimas. Ele também descreve sua abordagem para coleta de dados, backtesting, teste frontal, implantação e avaliação de desempenho de sua estratégia de negociação.
  
  
• 00:40:00 O palestrante discute os dados, sistemas e parâmetros usados para testar uma estratégia básica de day trading que envolve a criação de straddles e straddles para os futuros Nifty e Bankruptcy e dados de opções usando um período de um minuto. O palestrante usou dados de dois anos, de março de 2019 a março de 2021, que incluiu um período de baixa volatilidade e a pandemia de COVID-19. O palestrante explica as diferentes classes usadas para backtesting e os parâmetros testados, incluindo níveis variados de stop loss. Por fim, o palestrante apresenta os resultados do backtesting.
  
  
• 00:45:00 O apresentador discute os resultados de seu backtesting e fronttest de uma estratégia de day trading. Na fase de backtesting, eles obtiveram um retorno líquido de 3,15 lakhs, o que se traduz em um retorno anual de 52,9%. A taxa de acerto foi calculada normalmente e normalizada, com a última dando uma imagem mais realista. O índice acentuado foi de 3,78 e a curva de ações teve bom suporte de uma média móvel simples de três meses. No entanto, durante a fase de testes frontais, a estratégia não teve o desempenho esperado, ganhando apenas 70.000 rúpias em 11 meses, o que representa um retorno anual de 25%. A curva de patrimônio era plana, indicando que a estratégia pode não estar funcionando bem no momento e precisa ser analisada. O apresentador também compartilha seus principais desafios e aprendizados durante este projeto, com grandes problemas surgindo durante a coleta de dados.
  
  
• 00:50:00 O palestrante discute alguns dos desafios enfrentados ao desenvolver uma estratégia de day trading. Um grande problema era obter dados confiáveis de opções intradiárias, o que exigia comprá-los de fornecedores terceirizados. Outro desafio foi o viés de amostragem, pois a análise se concentrou apenas nos últimos dois anos de dados, o que pode não representar com precisão o desempenho geral da estratégia. Além disso, o palestrante notou um efeito de superlotação no mercado, já que muitos traders estão empregando estratégias semelhantes. O palestrante então compartilha o motivo da escolha de desenvolver a estratégia de forma independente, o que permitiu ajustes personalizados. Por fim, o palestrante discute as avaliações em andamento da estratégia e os esforços para diversificá-la para maior eficiência.
  
  
• 00:55:00 O palestrante responde a perguntas do público, incluindo se o programa é executado manualmente ou automatizado usando plataformas de nuvem, e como eles escolheram qual ação vender straddle e até que ponto o stop-loss típico estava em relação ao prêmio. A estratégia se aplica apenas ao índice Nifty e ao índice Bank Nifty devido a problemas de liquidez, e o palestrante limpa os dados por tentativa e erro, retificando alterações de formato e removendo dias com erros de dados.
  
  
• 01:00:00 O palestrante responde a duas perguntas sobre sua estratégia de day trading, incluindo a porcentagem de stop loss que eles usaram para testar e os desafios que enfrentaram na programação sem experiência em engenharia da computação. Eles discutem como superaram esses desafios com a ajuda do programa EPAT e orientação da Quadency. O palestrante também dá conselhos aos aspirantes a quants e traders algorítmicos, enfatizando que, embora a estratégia apresentada possa parecer simples, é importante ter cautela e gerenciamento de risco adequado ao aplicá-la na prática.
  
  
• 01:05:00 O palestrante discute a importância de diversificar as estratégias de negociação e como isso pode ajudar quando uma estratégia está em fase de redução enquanto as outras estão tendo um bom desempenho. Ele enfatiza a necessidade de testar e gastar tempo com as estratégias para aprender e combiná-las da maneira que funcionar melhor. Ele fornece um aviso de que isso não é um conselho comercial e expressa gratidão à Visual por compartilhar seu projeto e experiências. A gravação da sessão estará disponível em seu canal do YouTube e os participantes receberão um e-mail com os códigos necessários e links do GitHub. O anfitrião espera sessões mais interessantes nos próximos meses.

[MetaQuotes]

Aplicando aprendizado de máquina na negociação por Ishan Shah e Rekhit Pachanekar | Algo Trading Week Dia 7

Aplicando aprendizado de máquina na negociação por Ishan Shah e Rekhit Pachanekar | Algo Trading Week Dia 7

Ishan Shah e Rekhit Pachanekar, os apresentadores do webinar, começam se apresentando e expressando sua empolgação pelo último dia da semana de negociação de algo. Eles anunciam os vencedores da competição de negociação de algo e elogiam suas conquistas. Eles mencionam que o foco da apresentação do dia será o aprendizado de máquina e suas aplicações na negociação. Eles também informam ao público que haverá uma sessão de perguntas e respostas ao final da apresentação.

Rekhit Pachanekar lidera o início do webinar e mergulha nos fundamentos do aprendizado de máquina. Ele usa o reconhecimento de imagem como exemplo para explicar como o aprendizado de máquina permite que os algoritmos aprendam com os dados e tomem decisões sem programação extensiva. Em seguida, ele discute o papel do aprendizado de máquina na negociação e no investimento, principalmente na criação de portfólios de investimento personalizados com base em vários pontos de dados, como salário, profissão e região. O aprendizado de máquina também ajuda a atribuir pesos aos ativos em um portfólio e auxilia no desenvolvimento de estratégias de negociação. Pachanekar destaca a velocidade e os recursos de análise de dados do aprendizado de máquina, que são utilizados por fundos de hedge, fundos de pensão e fundos mútuos para decisões de investimento e negociação.

Seguindo em frente, Ishan Shah e Rekhit Pachanekar se aprofundam nas sete etapas envolvidas na construção de um modelo de aprendizado de máquina para negociação. Eles enfatizam que mesmo os comerciantes de varejo individuais podem aproveitar a tecnologia de aprendizado de máquina para criar suas próprias estratégias de negociação. A primeira etapa que eles discutem é definir a declaração do problema, que pode variar de um desejo geral de retornos positivos a objetivos mais específicos, como determinar o momento certo para investir em uma determinada ação, como JP Morgan. A segunda etapa envolve a aquisição de dados de boa qualidade, garantindo que não haja valores ausentes ou duplicados e valores discrepantes. Os apresentadores enfatizam a importância da qualidade dos dados na construção de um modelo preciso de aprendizado de máquina.

Shah e Pachanekar explicam o processo de seleção de variáveis de entrada e saída para um modelo de aprendizado de máquina na negociação. Eles destacam a variável de saída, ou a variável de destino, que representa o retorno futuro de uma ação. Eles mencionam que uma variável de sinal recebe um valor de 1 quando se prevê que os retornos futuros sejam positivos e 0 quando se prevê que sejam negativos. As variáveis de entrada, ou recursos, devem possuir poder preditivo e atender ao requisito de estacionaridade, o que significa que exibem uma variância média e constante. Eles enfatizam que variáveis como abertura, baixa, alta e fechamento não são estacionárias e não podem ser usadas como recursos de entrada.

Em seguida, os apresentadores discutem a seleção de recursos de entrada para seu modelo de aprendizado de máquina na negociação. Eles explicam a necessidade de recursos de entrada estacionários e conseguem isso usando valores de variação percentual para diferentes períodos de tempo. Eles também enfatizam a importância de evitar a correlação entre as variáveis de entrada e demonstram o uso de um mapa de calor de correlação para identificar e eliminar recursos altamente correlacionados. A seleção final dos recursos de entrada inclui valores de variação percentual para diferentes períodos de tempo, RSI (Índice de Força Relativa) e correlação. Antes de usar o modelo para negociação ao vivo, eles dividem o conjunto de dados em conjuntos de treinamento e teste para avaliar seu desempenho.

A importância de garantir a qualidade e relevância dos conjuntos de dados usados em modelos de aprendizado de máquina é enfatizada pelos palestrantes. Eles introduzem o conceito de árvores de decisão e indagam sobre os processos de tomada de decisão pessoal dos participantes quando se trata de comprar ações ou ativos, mencionando respostas que vão desde indicadores técnicos até recomendações de amigos. Eles afirmam a necessidade de estabelecer um modelo mental para a tomada de decisão com base em experiências pessoais ao usar tais recursos. Eles introduzem florestas aleatórias como uma forma de superar problemas de overfitting e explicam o uso de árvores bayesianas como base para árvores de decisão.

Shah e Pachanekar explicam como algoritmos de aprendizado de máquina, especificamente árvores de decisão, podem ser utilizados para criar regras para negociação. Essas regras, incorporando indicadores técnicos como ADX (Average Directional Index) e RSI, permitem que os traders tomem decisões com base em condições predefinidas. Para garantir que essas regras não sejam baseadas apenas na sorte, os apresentadores introduzem o conceito de floresta aleatória. Eles explicam que uma floresta aleatória combina várias árvores de decisão para criar uma estratégia de negociação mais generalizada e confiável. Ao selecionar aleatoriamente um subconjunto de recursos para cada árvore, a floresta aleatória reduz as chances de overfitting e fornece previsões mais precisas. Os apresentadores discutem vários parâmetros necessários para o algoritmo de floresta aleatória, incluindo o número de estimadores, recursos máximos e profundidade máxima da árvore.

Seguindo em frente, os apresentadores se aprofundam na implementação de um classificador de floresta aleatória para aplicar o aprendizado de máquina na negociação. Eles enfatizam a importância de controlar a profundidade da árvore de decisão e selecionar aleatoriamente os recursos para evitar o overfitting e garantir saídas consistentes. O classificador de floresta aleatória aprende regras de recursos de entrada e saídas esperadas, que são usadas para fazer previsões sobre dados não vistos. Eles também mencionam que o desempenho do modelo pode ser medido usando várias métricas.

Os apresentadores discutem a importância de avaliar a eficácia de um modelo de aprendizado de máquina antes de fazer investimentos em dinheiro real com base em suas recomendações. Eles introduzem o conceito de precisão, que envolve verificar se as previsões do modelo se alinham com os resultados reais do mercado. Eles destacam que a precisão de um modelo normalmente varia de 50% a 60% e alertam que uma alta taxa de precisão não garante bons resultados. Eles sugerem o uso de uma matriz de confusão para comparar rótulos reais versus previstos e calcular métricas de desempenho, como precisão, recall e pontuação F1 para avaliar o desempenho do modelo.

Em detalhes, a precisão do modelo é amplamente discutida e uma pesquisa é realizada para estabelecer sua taxa de precisão, que é calculada em 60%. No entanto, quando verificado no rótulo, a precisão do sinal longo cai para 33%. Isso levanta a questão de saber se um aumento na precisão geral resultará em um modelo de negociação lucrativo. Os apresentadores enfatizam que a precisão é um fator crucial para determinar a eficácia de um modelo na previsão do mercado. Eles apontam que uma alta precisão geral não leva necessariamente à lucratividade e que outros fatores precisam ser considerados.

Shah e Pachanekar então mudam seu foco para discutir diferentes métricas usadas para avaliar o desempenho de um modelo de negociação, incluindo precisão, recall e pontuação F1. Eles observam que, embora o recall possa ajudar a superar problemas com dados desequilibrados, pode ser uma métrica não confiável quando usada isoladamente. Em vez disso, eles recomendam o uso de uma combinação de precisão e recall para calcular a pontuação F1, que fornece uma avaliação mais abrangente do desempenho do modelo. Eles destacam a importância do backtesting do modelo para garantir sua eficácia em cenários comerciais do mundo real e cautela contra o overfitting do modelo.

Os apresentadores abordam as preocupações de overfitting em configurações do mundo real e sugerem estratégias para lidar com isso com base no modelo específico de aprendizado de máquina usado. Eles enfatizam a importância de entender os parâmetros do modelo, limitar o número de recursos e trabalhar em diferentes hiperparâmetros para cada tipo de modelo de aprendizado de máquina. Eles enfatizam a importância de usar dados do mundo real sem manipulação. Além disso, eles discutem as aplicações do aprendizado de máquina na negociação além da geração de sinais, como seu potencial no gerenciamento de riscos. Eles também abordam o uso de algoritmos de agrupamento para identificar oportunidades lucrativas no mercado.

Ishan Shah e Rekhit Pachanekar concluem o webinar discutindo as vantagens de usar o aprendizado de máquina na negociação, particularmente na decifração de padrões complexos que podem ser difíceis de serem identificados pelos humanos. Eles sugerem o uso de aprendizado de máquina como ferramenta complementar no processo de identificação alfa. A sessão termina com os apresentadores expressando sua gratidão aos palestrantes e participantes da Algo Trading Week e convidando quaisquer perguntas não respondidas a serem enviadas por meio da pesquisa.

• 00:00:00 Os apresentadores, Ishan Shah e Rekhit Pachanekar, se apresentam e discutem o último dia da semana de negociação de algoritmos. Eles destacam os vencedores da competição de negociação de algo e apresentam os dois palestrantes do dia. Eles mencionam que a apresentação será focada em aprendizado de máquina e que haverá uma sessão de perguntas e respostas no final. Rekhit Pachanekar iniciará o webinar e depois o transmitirá a Ishan Shah.
  
  
• 00:05:00 O vídeo apresenta os fundamentos do aprendizado de máquina, usando o reconhecimento de imagem como exemplo. O aprendizado de máquina permite que os algoritmos aprendam com os dados e tomem decisões, ao contrário dos programas de computador convencionais que exigem programação extensa. O vídeo explica o papel do aprendizado de máquina na negociação e no investimento, principalmente na criação de portfólios de investimento para indivíduos com base em dados como salário, profissão, região etc. O aprendizado de máquina também atribui pesos aos ativos em um portfólio e auxilia na criação de estratégias de negociação . Fundos de hedge, fundos de pensão e fundos mútuos utilizam a velocidade e a capacidade do aprendizado de máquina para analisar grandes quantidades de dados para decisões de investimento e negociação.
  
  
• 00:10:00 Os apresentadores discutem as sete etapas para construir um modelo de aprendizado de máquina (ML) para negociação e como até mesmo comerciantes de varejo individuais podem utilizar a tecnologia ML para criar suas próprias estratégias de negociação. A primeira etapa envolve definir a declaração do problema, que pode ser tão simples quanto querer obter retornos positivos, mas com mais refinamento, pode se tornar mais específico, como determinar o momento certo para investir em uma determinada ação como JP Morgan. A segunda etapa é obter dados de boa qualidade e garantir que não haja valores ausentes ou duplicados, bem como valores atípicos nos dados. Os apresentadores enfatizam a importância da qualidade dos dados na construção de um modelo de ML preciso.
  
  
• 00:15:00 Ishan Shah e Rekhit Pachanekar explicam o processo de seleção de variáveis de entrada e saída para um modelo de aprendizado de máquina na negociação. A variável de saída, ou a variável de destino, é o retorno futuro de uma ação, e uma variável de sinal recebe um valor de 1 quando os retornos futuros são previstos como positivos e 0 quando são previstos como negativos. As variáveis de entrada, ou recursos, devem ter poder preditivo e atender ao requisito de estacionariedade, o que significa que elas têm uma variância média e constante que oscila para frente e para trás como um pêndulo. As variáveis de abertura, baixa, alta e fechamento não são estacionárias, portanto não podem ser usadas como recursos de entrada.
  
  
• 00:20:00 Os palestrantes discutem o processo de seleção de recursos de entrada para seu modelo de aprendizado de máquina na negociação. Eles observam que o modelo requer recursos de entrada estacionários, que eles obtêm tomando valores de variação percentual para vários períodos de tempo. Eles também enfatizam a importância de evitar a correlação entre as variáveis de entrada e usam um mapa de calor de correlação para remover recursos altamente correlacionados. A seleção final dos recursos de entrada inclui valores de alteração percentual para diferentes períodos de tempo, RSI e correlação. Antes de usar o modelo para negociação ao vivo, eles dividem seu conjunto de dados em conjuntos de treinamento e teste para avaliar o desempenho do modelo.
  
  
• 00:25:00 Os palestrantes discutem a importância de garantir a qualidade e a relevância dos conjuntos de dados usados em modelos de aprendizado de máquina antes de determinar qual modelo usar. Eles também introduzem o conceito de árvores de decisão e perguntam aos participantes como eles decidem pessoalmente comprar ou não determinada ação ou ativo, com respostas que variam de indicadores técnicos a recomendações de amigos. Os palestrantes afirmam que é importante estabelecer um modelo mental para a tomada de decisão com base em experiências pessoais ao usar tais recursos. Eles introduzem o conceito de florestas aleatórias e o uso de árvores bayesianas como base para árvores de decisão.
  
  
• 00:30:00 Os palestrantes explicam como usar algoritmos de aprendizado de máquina, especificamente uma árvore de decisão, para criar regras para negociação. Essas regras, que podem incluir indicadores técnicos como ADX e RSI, permitem que os traders tomem decisões com base em condições predefinidas. Para garantir que essas regras não sejam criadas apenas com base na sorte, os palestrantes introduzem o conceito de floresta aleatória, que usa várias árvores de decisão para criar uma estratégia de negociação mais generalizada e confiável. Ao selecionar um subconjunto de recursos aleatoriamente para cada árvore, a floresta aleatória reduz as chances de overfitting e fornece uma previsão mais precisa. Os palestrantes discutem os vários parâmetros necessários para o algoritmo de floresta aleatória, incluindo o número de estimadores, características máximas e a profundidade máxima da árvore.
  
  
• 00:35:00 Os palestrantes discutem os parâmetros e o código envolvidos na implementação de um classificador de floresta aleatória para aplicar o aprendizado de máquina na negociação. Eles explicam a importância de controlar a profundidade da árvore de decisão e selecionar aleatoriamente os recursos para evitar o overfitting e garantir saídas consistentes. O classificador de floresta aleatória requer recursos de entrada e saídas esperadas para aprender regras e criar árvores de decisão que são usadas para fazer previsões sobre dados não vistos. O desempenho do modelo pode ser medido usando várias métricas.
  
  
• 00:40:00 Os apresentadores discutem a importância de avaliar a eficácia de um modelo de aprendizado de máquina antes de investir dinheiro real com base em suas recomendações. Eles introduzem o conceito de precisão, que consiste em verificar se as previsões do modelo correspondem ao que realmente aconteceu no mercado. Eles destacam que a precisão de um modelo normalmente varia de 50% a 60% e que uma alta taxa de precisão não garante necessariamente bons resultados. Para determinar o desempenho de um modelo, os apresentadores sugerem o uso de uma matriz de confusão para comparar rótulos reais versus previstos e calcular métricas de desempenho, como precisão, recall e pontuação F1.
  
  
• 00:45:00 A precisão do modelo é discutida em detalhes, com uma pesquisa realizada para estabelecê-la. A precisão do modelo é calculada em 60%, embora quando verificada no rótulo, a precisão do sinal longo cai para 33%. Isso levanta a questão de saber se um aumento na precisão resultará em um modelo de negociação lucrativo. A precisão do modelo é importante, pois ajuda a determinar a eficácia na previsão do mercado e, nesse caso, uma alta precisão geral pode não necessariamente levar à lucratividade.
  
  
• 00:50:00 Shah e Pachanekar discutem as diferentes métricas usadas para avaliar o desempenho de um modelo de negociação, como precisão, recall e pontuação F1. Eles observam que, embora o recall possa ajudar a superar problemas com dados desequilibrados, também pode ser uma métrica não confiável por si só. Em vez disso, eles recomendam usar uma combinação de precisão e revocação para calcular a pontuação F1. Essa pontuação pode ser facilmente construída usando uma matriz de confusão, e uma pontuação F1 alta indica um modelo que vale a pena negociar. Eles também discutem a importância do backtesting do modelo para garantir que ele funcione bem na prática e alertam contra o overfitting do modelo.
  
  
• 00:55:00 Os modelos podem se ajustar demais, o que significa que eles se ajustam muito bem aos dados de treinamento e podem não funcionar bem em novos dados. Por outro lado, a superotimização é o resultado de repetidamente testar e ajustar uma estratégia de negociação para obter o resultado desejado. Isso pode levar a encontrar um caso especial que funciona bem em dados de treinamento e teste, mas pode não funcionar em dados ativos. Para evitar a otimização excessiva, é importante ter modelos robustos que funcionem em várias classes de ativos, usar ferramentas de gerenciamento de risco como mecanismos de stop loss e não superajustar ou otimizar demais durante o backtesting.
  
  
• 01:00:00 O superajuste ocorre quando o modelo tenta se ajustar ao conjunto de dados de treinamento muito próximo, o que é indicado por uma alta taxa de precisão nos dados de treinamento. Por outro lado, o underfitting ocorre quando o modelo não consegue aprender com os dados como esperado, evidenciado por uma taxa de precisão muito baixa. Uma maneira de quantificar isso é medindo a taxa de precisão do modelo, com uma taxa de precisão de 100 indicando overfitting e uma taxa de precisão muito baixa indicando underfitting.
  
  
• 01:05:00 Os palestrantes abordam a preocupação com o overfitting em ambientes do mundo real e sugerem maneiras de lidar com isso com base no modelo específico usado. Eles enfatizam a importância de entender os parâmetros do modelo, limitar o número de recursos e trabalhar em diferentes hiperparâmetros para cada tipo de modelo de aprendizado de máquina. Eles também afirmam que trabalhar com dados do mundo real e não manipulá-los é essencial. Além disso, eles discutem as aplicações do aprendizado de máquina na negociação, observando que é muito melhor do que apenas gerar sinais e tem muito espaço no gerenciamento de riscos. Por fim, abordam a descoberta de sinais alfa com modelos de aprendizado de máquina usando algoritmos de agrupamento para identificar pólos lucrativos no mercado.
  
  
• 01:10:00 Ishan Shah e Rekhit Pachanekar discutem as vantagens de usar o aprendizado de máquina na negociação, particularmente na decifração de padrões complexos que os humanos podem ter dificuldade em identificar. O aprendizado de máquina pode produzir alfas mais sustentáveis e robustos que decaem por um longo período de tempo, em vez de imediatamente. Eles sugerem o uso de aprendizado de máquina como complemento ao processo de identificação alfa. A sessão termina com um agradecimento aos palestrantes e participantes da Algo Trading Week e um convite para fazer perguntas não respondidas na pesquisa.