Quantitativer Handel - Seite 24

[MetaQuotes]

Künstliche Intelligenz im Handel von Dr. Thomas Starke | Tag 6 der Algo-Handelswoche

Künstliche Intelligenz im Handel von Dr. Thomas Starke | Tag 6 der Algo-Handelswoche

Dr. Thomas Starke, ein prominenter Redner, erläutert in seinem Vortrag, warum KI als das nächste große Ding im Trading gilt. Er räumt ein, dass KI und maschinelles Lernen schon seit langem existieren, ihre effektive Anwendung jedoch aufgrund der begrenzten Rechenleistung eine Herausforderung darstellte. Allerdings haben die jüngsten technologischen Fortschritte die Rechenkapazitäten drastisch verbessert und ermöglichen die effiziente Ausführung umfangreicher Algorithmen auf Laptops und in Serverzentren durch Cloud Computing. Dr. Starke hebt die Erfolge der KI in verschiedenen Bereichen wie Gesichtserkennung, Bilderkennung und Verarbeitung natürlicher Sprache hervor, die zu der Überzeugung beigetragen haben, dass KI auch das Finanzwesen revolutionieren kann.

Dr. Starke betont, dass KI und maschinelles Lernen keine Wundermittel sind, sondern wissenschaftliche und mathematische Werkzeuge, die ein gründliches Verständnis und eine Anwendung im Finanzbereich erfordern. Obwohl Finanzen wissenschaftliche Aspekte haben, werden sie überwiegend als Kunstform betrachtet. Um das Potenzial der KI im Finanzwesen auszuschöpfen, muss man daher sowohl die Werkzeuge als auch die Kunstfertigkeit des Fachgebiets beherrschen.

In seinem Vortrag geht Dr. Starke auf die Rolle von Softwareentwicklung und Programmierkenntnissen neben maschinellem Lernen und statistischem Wissen bei der Anwendung von KI im Handel ein. Er betont die Bedeutung ausgeprägter Softwarekenntnisse, einschließlich des Schreibens von APIs und der Gewährleistung von Systemausfallsicherheit, als unerlässlich für den effektiven Einsatz von Tools für maschinelles Lernen auf dem Markt. Er argumentiert, dass maschinelle Lernwerkzeuge zwar benutzerfreundlich seien, Programmierkenntnisse und statistische Kenntnisse jedoch für Praktiker in diesem Bereich von entscheidender Bedeutung seien. Darüber hinaus geht er auf die Frage ein, ob ein Doktortitel für die Nutzung von Algorithmen für maschinelles Lernen erforderlich ist, und stellt fest, dass dies nicht unbedingt erforderlich ist, solange die Einzelnen bestimmte Ziele haben, gründliche Forschung betreiben und bereit sind, die erforderliche Arbeit zu leisten.

Die Bedeutung von Mentoring beim Erlernen von KI für den Handel ist ein weiteres Thema, das Dr. Starke diskutiert. Er betont, dass die Suche nach einem guten Mentor Anfängern helfen kann, häufige Fehler zu vermeiden und praktisches Wissen zu entwickeln, anstatt sich nur auf theoretisches Wissen aus akademischen Institutionen zu verlassen. Dr. Starke betont, dass jeder KI erlernen kann, aber es ist von unschätzbarem Wert, einen Mentor zu haben, der die richtige Anleitung geben kann. Er betont auch, dass das Verständnis der zugrunde liegenden Märkte und der Wirtschaft wichtiger ist als Programmierkenntnisse, da Programmieren mit der richtigen Betreuung erlernt werden kann.

Während seines Vortrags betont Dr. Starke auch die Bedeutung des Erlernens von Programmierung und quantitativen Methoden in der heutigen Handelsbranche. Er betont, dass erfolgreiche Trader häufig über ausgeprägte Kenntnisse in Mathematik und Programmierung verfügen und dass sich Trading-Interessierte diese Fähigkeiten relativ schnell aneignen können. Er weist darauf hin, dass Händler, die Zeit in das Erlernen quantitativer Methoden und maschinellen Lernens investieren, bessere Überlebenschancen haben, wenn der Übergang vom Bildschirmhandel zum algorithmischen Handel erfolgt. Er betont jedoch, dass ein wirtschaftlicher und marktbezogener Vorsprung von entscheidender Bedeutung ist und über den Vorsprung hinausgeht, der sich allein aus Programmier- und Mathematikkenntnissen ergibt. Er erwähnt auch, dass Deep Learning von Unternehmen und Einzelpersonen verlangt, ihre Renditen zu erklären, und dass ein Jahr mit negativen Renditen eine große Herausforderung darstellen kann.

Dr. Starke erläutert auch die Erläuterung von KI-Algorithmen und Risikomanagementpraktiken. Er betont, wie wichtig es ist, KI-Algorithmen erklären zu können, da dies zu Problemen oder sogar zum Abzug von Geldern führen kann. Er erwähnt, dass die Risikomanagementpraktiken trotz des Einsatzes von KI und maschinellem Lernen weitgehend unverändert bleiben, es jedoch notwendig ist, neue Wege des Risikomanagements zu erkunden, insbesondere angesichts des Endes des Bullenmarkts bei Aktien und Anleihen. Dr. Starke betont, dass maschinelles Lernen im Handel allgegenwärtig ist, mit verschiedenen Anwendungen wie der Generierung von Eingabesignalen und dem Risikomanagement von Modellen für maschinelles Lernen.

Dr. Starke befasst sich mit den verschiedenen Modellen und Technologien, die im Handel verwendet werden, wie z. B. Hauptkomponentenanalyse (PCA), Entscheidungsbäume, xgboost, Deep Learning und Reinforcement Learning. Er erörtert ihre Anwendungen bei der Analyse von Signaldaten, der Verwaltung von Portfoliorisiken und der Ausführung von Geschäften. Er betont auch die Bedeutung von Risikomanagementsystemen für die Steigerung der geometrischen Erträge und die Replikation erfolgreicher Strategien in anderen Märkten. Dr. Starke weist darauf hin, dass gute Risikomanagementsysteme sogar Alpha generieren und als Long-Volatilitätsstrategien betrachtet werden können.

Darüber hinaus untersucht Dr. Starke, wie KI zur Absicherung und Steuerung des Risikos von Short-Volatilitätsstrategien im Handel eingesetzt werden kann, um möglicherweise das durch solche Strategien generierte Alpha zu steigern. Er betont die Bedeutung von Neugier und einem gesunden Risikoverständnis für das kontinuierliche Erlernen und Entwickeln neuer Handelsstrategien. Er rät davon ab, sich auf vorkonfigurierte Handelsplattformen zu verlassen und empfiehlt stattdessen Codierungsstrategien von Grund auf, um sich einen Deep-Learning-Vorteil zu verschaffen.

Dr. Starke führt eine Diskussion über zeitbasierte Preisbewegungen im Vergleich zu preisbasierten Marktbewegungen. Er erklärt, dass zeitbasierte Preisbewegungen mathematisch durch die Berechnung von Indikatoren gelöst werden können, während preisbasierte Marktbewegungen durch die zugrunde liegende Ökonomie des Marktes bestimmt werden. Dr. Starke betont, wie wichtig es ist, die zugrunde liegenden wirtschaftlichen Gründe für eine Handelsstrategie zu berücksichtigen, anstatt sich ausschließlich auf mathematische Techniken zu verlassen, um die Märkte zu übertreffen. Er empfiehlt Bücher von Marcus Lopez, Grinnell und Kahn für diejenigen, die daran interessiert sind, KI mit quantitativen Modellen auf Finanzmärkten zu kombinieren.

Während der Präsentation betont Dr. Starke, wie wichtig es ist, die Prinzipien der Faktormodellierung zu verstehen, die seiner Meinung nach den Prinzipien des maschinellen Lernens ähneln. Er schlägt vor, dass das Verständnis dieser Prinzipien Händler besser in die Lage versetzen kann, maschinelles Lernen effektiv in ihren Systemen anzuwenden. Dr. Starke betont auch, wie wichtig es ist, eine gute Handelsstrategie zu definieren, da diese möglicherweise nicht immer die profitabelste ist. Er verweist auf Bücher von Ralph Vince, Andreas Klenow und Mr. Trendful, die wertvolle Einblicke in Handelsstrategien und die Psychologie hinter dem Handel bieten.

Dr. Starke erörtert, wie KI und maschinelles Lernen Nichtlinearitäten in der Verhaltensfinanzierung erfassen können, beispielsweise den keynesianischen Schönheitswettbewerb. Er erklärt, dass diese nichtlineare Dynamik im Gegensatz zu linearen Regressionsmodellen durch maschinelles Lernen effektiv erfasst werden kann. Er betont jedoch, dass es immer noch wichtig ist, eine wirtschaftliche Begründung für Handelsstrategien zu haben, auch wenn Fundamentaldaten nicht explizit verwendet werden.

Darüber hinaus untersucht Dr. Starke die Ausnutzung bestimmter Marktineffizienzen, die nicht unbedingt grundlegend sind. Er erwähnt Faktoren wie Beschränkungen für Short-Positionen über Nacht und bestimmte Termine wie Triple Reaching oder Quadruple Witching, die wirtschaftliche Auswirkungen auf den Markt haben können, die genutzt werden können. Er erwähnt auch Marktineffizienzen, die durch alltägliche wirtschaftliche Aktivitäten oder illegale Marktmanipulation entstehen. Dr. Starke äußert Interesse an möglichen zukünftigen Kooperationen, hat jedoch derzeit keine konkreten Pläne.

Auf die Frage eines Zuschauers, warum Träume oft nicht wahr werden, gibt Dr. Starke seine persönliche Einsicht. Er erklärt, dass Träume zunächst als Konzepte beginnen und dass sich sein Traumleben nicht darum dreht, einfach nur am Strand zu liegen, sondern dass es vielmehr um Erkundungen, die Führung eines eigenen Unternehmens und die Selbstbestimmung geht. Er betont, dass es entscheidend ist, die wahren Wünsche und Ziele eines Menschen mit praktischen Ergebnissen in Einklang zu bringen. Die Präsentation endet damit, dass der Moderator die Zuschauer über den zeitlich begrenzten Rabatt auf Contra-Kurse informiert und die letzte Sitzung zur Anwendung von maschinellem Lernen im Handel erwähnt, die für den nächsten Tag geplant ist.

• 00:00:00 Der Redner erläutert, warum KI als das nächste große Ding im Trading gilt. Obwohl es KI und maschinelles Lernen schon lange gibt, gab es nicht genügend Rechenleistung, um die Algorithmen effektiv auszuführen. In den letzten Jahren hat sich die Technologie jedoch so weit verbessert, dass selbst umfangreiche Algorithmen auf einem Laptop ausgeführt werden können und die Cloud ihnen die Ausführung auf Serverzentren ermöglicht hat. Darüber hinaus gab es Erfolge in anderen Bereichen, die zu der Vorstellung beigetragen haben, dass KI das nächste große Ding ist, und auch die Finanzwelt blieb nicht zurück. KI hat sich in Bereichen wie Gesichtserkennung, Bilderkennung und allgemeiner Verarbeitung natürlicher Sprache als nützlich erwiesen.
  
  
• 00:05:00 Dr. Thomas Starke diskutiert das Potenzial künstlicher Intelligenz (KI) im Finanzwesen und wie sie bahnbrechend sein könnte, da sie neue Möglichkeiten ermöglicht, die bisher nicht verfügbar waren. Er geht auch darauf ein, dass KI und maschinelles Lernen keine Wundermittel sind, sondern wissenschaftliche und mathematische Werkzeuge, die im Finanzwesen verstanden und angewendet werden müssen, was nicht per se wissenschaftlich ist. Während Finanzen einige wissenschaftliche Aspekte haben, werden die meisten davon als Kunstform betrachtet. Daher ist es für den erfolgreichen Einsatz von KI unerlässlich, sowohl das Werkzeug als auch die Kunst des Finanzwesens zu verstehen.
  
  
• 00:10:00 Dr. Thomas Starke diskutiert die Rolle von Softwareentwicklung und Programmierkenntnissen zusätzlich zu maschinellem Lernen und statistischen Kenntnissen, wenn es um die Anwendung von KI im Handel geht. Er betont die Bedeutung guter Softwarekenntnisse, einschließlich des Schreibens von APIs und der Gewährleistung der Ausfallsicherheit von Systemen, da diese für die Markteinführung von Tools für maschinelles Lernen erforderlich sind. Er argumentiert, dass Werkzeuge für maschinelles Lernen zwar einfach zu verwenden sind, Programmierkenntnisse und Statistikkenntnisse jedoch von entscheidender Bedeutung sind, um in diesem Bereich tätig zu sein. Dr. Starke geht auch auf die Frage ein, ob ein Doktortitel für die Anwendung von Algorithmen des maschinellen Lernens notwendig ist und argumentiert, dass dies nicht unbedingt erforderlich sei, solange man ein bestimmtes Ziel habe und bereit sei, die notwendige Forschung und Arbeit zu leisten.
  
  
• 00:15:00 Dr. Thomas Starke diskutiert die Bedeutung von Mentoring beim Erlernen von KI im Handel. Er betont, dass die Suche nach einem guten Mentor, der Sie durch den Prozess begleitet, dazu beitragen kann, Anfängerfehler zu vermeiden. Er glaubt, dass jeder KI lernen kann, aber es ist wichtiger, etwas zu entwickeln, das für einen praktisch funktioniert, als nur theoretisches Wissen, das an der Universität erworben wurde. Dr. Starke betont außerdem, dass ein Verständnis der zugrunde liegenden Märkte und der Wirtschaft wichtiger ist als Programmierkenntnisse. Er argumentiert, dass man Programmieren lernen kann, solange man jemanden hat, der ihn richtig betreut.
  
  
• 00:20:00 Dr. Thomas Starke diskutierte die Bedeutung des Erlernens von Programmierung und quantitativen Methoden in der heutigen Handelsbranche. Er erklärte, dass die meisten erfolgreichen Händler über ausgeprägte Kenntnisse in Mathematik und Programmierung verfügen und dass Interessierte diese relativ schnell erlernen können. Er erklärte, dass Händler, die ihre Zeit in das Erlernen quantitativer Methoden und maschinellen Lernens investieren, dazu neigen, auf den Märkten zu überleben, wenn der Übergang vom Bildschirmhandel zu Algorithmen erfolgt. Darüber hinaus betonte er, dass ein wirtschaftlicher und marktbezogener Vorsprung von entscheidender Bedeutung ist und über einen Vorsprung in Programmier- und Mathematikkenntnissen hinausgeht. Allerdings erwähnte er auch, dass Deep Learning von Unternehmen und Einzelpersonen verlangt, ihre Renditen zu erklären, und dass ein Jahr mit negativen Renditen erhebliche Herausforderungen mit sich bringen kann.
  
  
• 00:25:00 Dr. Thomas Starke diskutiert, wie wichtig es ist, KI-Algorithmen erklären zu können, insbesondere beim Einsatz von Machine-Learning-Tools im Handel. Wenn der Algorithmus nicht erklärt werden kann, kann es zu Problemen oder sogar zum Abzug von Geldern kommen. Er erklärt auch, dass die Risikomanagementpraktiken trotz des Einsatzes von KI und ML mehr oder weniger gleich bleiben, dass jedoch die Notwendigkeit besteht, neue Wege des Risikomanagements zu überdenken, insbesondere mit dem Ende des Bullenmarkts bei Aktien und Anleihen. Maschinelles Lernen ist im Handel allgegenwärtig und es gibt verschiedene Anwendungen, z. B. die Verwendung von KI für Eingabesignale und deren Einsatz für das Risikomanagement von Modellen des maschinellen Lernens.
  
  
• 00:30:00 Dr. Thomas Starke erläutert, wie künstliche Intelligenz (KI) in jedem Schritt des Handels eingesetzt wird, von der Analyse von Signaldaten über das Management von Portfoliorisiken bis hin zur Ausführung von Trades. Maschinelles Lernen und Deep Learning werden verwendet, um Bilder und Stimmungssignale zu analysieren, um ein klares Signal zu erzeugen. Anschließend wird eine Hauptkomponentenanalyse verwendet, um die Dimensionalität der Eingaben für Handelssignale zu reduzieren. Anschließend werden Algorithmen verwendet, um zu bestimmen, auf welche Eingangssignale gehandelt werden soll. Für das Risikomanagement wird maschinelles Lernen zur Steuerung des Portfoliorisikos eingesetzt, das den klassischen Risikomanagementberechnungen möglicherweise überlegen ist. Schließlich werden bei der Ausführung lineare Modelle, Support-Vektor-Maschinen und Reinforcement Learning eingesetzt, um Händlern dabei zu helfen, die besten Ausführungspreise zu erzielen.
  
  
• 00:35:00 Dr. Thomas Starke diskutiert verschiedene Modelle und Technologien, die im Handel eingesetzt werden können, wie PCA, Entscheidungsbäume, xgboost, Deep Learning und Reinforcement Learning. Später geht er auf eine Frage eines erfahrenen Algo-Händlers ein, der Schwierigkeiten hat, sein Arbeitssystem zu skalieren und neue Technologien zu erlernen. Dr. Starke schlägt vor, sich auf das Risikomanagement zu konzentrieren, da es dazu beitragen kann, die geometrischen Erträge zu steigern und zur Replikation der Strategie in anderen Märkten zu führen. Gute Risikomanagementsysteme können sogar Alpha erzeugen und als Long-Volatilitätsstrategien betrachtet werden.
  
  
• 00:40:00 Dr. Thomas Starke diskutiert, wie künstliche Intelligenz eingesetzt werden könnte, um das Risiko von Short-Volatilitätsstrategien im Handel abzupuffern und abzusichern. Er schlägt vor, dass KI das durch solche Strategien generierte Alpha erheblich steigern könnte. Wenn es darum geht, sich selbst zu motivieren, kontinuierlich zu lernen und neue Strategien zu entwickeln, betont Dr. Starke die Bedeutung von Neugier und einem gesunden Risikoverständnis. Er empfiehlt außerdem, vorkonfigurierte Handelsplattformen zu meiden und stattdessen Strategien von Grund auf zu programmieren, um einen Deep-Learning-Vorteil zu entwickeln. Der Interviewer fragt Dr. Starke, ob er an zeitbasierte Preisbewegungen oder preisbasierte Marktbewegungen im Handel glaubt, und Dr. Starke bittet um Klärung des Unterschieds, bevor er antwortet.
  
  
• 00:45:00 Dr. Thomas Starke diskutiert den Unterschied zwischen zeitbasierten Preisbewegungen und preisbasierten Marktbewegungen. Er weist darauf hin, dass zeitbasierte Preisbewegungen oft mathematisch durch die Berechnung von Indikatoren gelöst werden können, während preisbasierte Marktbewegungen durch die zugrunde liegende Ökonomie des Marktes bestimmt werden. Dr. Starke betont, wie wichtig es ist, die zugrunde liegenden wirtschaftlichen Gründe für eine Handelsstrategie zu betrachten, anstatt nur zu versuchen, die Märkte mit Mathematik zu schlagen. Er empfiehlt außerdem Bücher wie das Buch von Marcus Lopez und „Active Portfolio Management“ von Grinnell und Kahn für diejenigen, die daran interessiert sind, KI mit quantitativen Modellen auf den Finanzmärkten zu kombinieren.
  
  
• 00:50:00 Dr. Thomas Starke betont, wie wichtig es ist, die zugrunde liegenden Prinzipien der Faktormodellierung zu verstehen, die seiner Meinung nach den Prinzipien des maschinellen Lernens sehr ähnlich sind. Er schlägt vor, dass das Verständnis dieser Prinzipien Händler besser in die Lage versetzen kann, maschinelles Lernen auf ihre Systeme anzuwenden. Dr. Starke betont außerdem, wie wichtig es ist, herauszufinden, was eine gute Handelsstrategie ausmacht, da diese nicht immer die profitabelste ist, und führt Beispiele aus Ralph Vinces Buch „Mathematics of Portfolio Management“ an. Er empfiehlt Bücher von Andreas Klenow und Mr. Trendful, da diese nicht nur wertvolle Einblicke in Handelsstrategien bieten, sondern auch die Psychologie hinter dem Handel abdecken.
  
  
• 00:55:00 Dr. Thomas Starke diskutiert, wie KI und maschinelles Lernen Nichtlinearitäten erfassen können, die in der Verhaltensfinanzierung auftreten. Er erklärt den keynesianischen Schönheitswettbewerb als Beispiel dafür, wie Ergebnisse extrem nichtlinear und chaotisch werden können, was Teil der Verwendung von Verhaltensmethoden im Handel ist. Maschinelles Lernen kann diese nichtlineare Dynamik erfassen, im Gegensatz zur linearen Regression, die dazu überhaupt nicht in der Lage ist. Es ist jedoch immer gut, eine wirtschaftliche Begründung für Ihr Handelsverhalten zu haben, auch wenn Sie in Ihren Strategien nicht unbedingt Fundamentaldaten verwenden.
  
  
• 01:00:00 Dr. Thomas Starke erörtert die Möglichkeit, ein bestimmtes Portfolio zu handeln und bestimmte Marktineffizienzen auszunutzen, die nicht unbedingt grundlegend sind. Er nennt Beispiele wie das Wissen, dass Menschen nicht über Nacht Short-Positionen halten dürfen, was zu wirtschaftlichen Prinzipien führen kann, die auf dem Markt ausgenutzt werden können. Darüber hinaus erwähnt er die Bedeutung bestimmter Daten wie Triple Reaching oder Quadruple Witching, die wirtschaftliche Auswirkungen haben können, die sich aus dem Markt ergeben. Er spricht auch über Marktineffizienzen, die durch alltägliche wirtschaftliche Aktivitäten oder illegale Marktmanipulation entstehen. Dr. Starke bekundet sein Interesse an einer künftigen Zusammenarbeit, hat aber vorerst keine Pläne.
  
  
• 01:05:00 Satwik fragt Dr. Thomas Starke, warum Träume oft nicht wahr werden. Starke sagt, es sei eine interessante Frage und gibt seinen persönlichen Einblick. Er erklärt, dass sein Traum zunächst nur ein Konzept und nicht sein eigentliches Ziel war und dass sein Traumleben nicht nur darin besteht, am Strand zu liegen. Er liebt es, Dinge zu erkunden, sein eigenes Unternehmen zu führen und selbstständig zu sein. Dies komme seiner Meinung nach seinem wahren Traum viel näher. Abschließend informiert der Moderator die Zuschauer darüber, dass auf alle Contra-Kurse für begrenzte Zeit 75 % Rabatt gewährt werden und dass die letzte Sitzung zur Anwendung von maschinellem Lernen im Handel morgen stattfindet.

[MetaQuotes]

Aktuelle Trends im Quant Finance [Podiumsdiskussion] | Tag 5 der Algo-Handelswoche

Aktuelle Trends im Quant Finance [Podiumsdiskussion] | Tag 5 der Algo-Handelswoche

Meine Damen und Herren, herzlich willkommen zur heutigen Podiumsdiskussion über aktuelle Trends im Quant Finance. Heute kommen drei angesehene Fachexperten zu uns, um ihre Erkenntnisse und ihr Fachwissen zu teilen. Stellen wir unsere Diskussionsteilnehmer vor:

Erstens haben wir David Jessup, den Leiter des Anlagerisikos für EMEA bei Columbia Thread Needle Investments. Mit umfassender Erfahrung in quantitativer Forschung, Risikoanalyse und Portfoliokonstruktion ist David auf Cross-Asset-Factor-Investing und maschinelles Lernen im Investmentmanagement spezialisiert. Sein tiefes Verständnis quantitativer Strategien und Risikomanagement wird wertvolle Einblicke in die Trends liefern, die die Branche prägen.

Als nächstes haben wir Dr. Devashes Guava, den Direktor für maschinelles Lernen und Vorsitzender des Center for Research in Technology Business an der SP Gen School of Global Management. Die Expertise von Dr. Guava liegt in der Anwendung künstlicher Intelligenz in Wirtschaft und Finanzen. Seine Forschung und sein Wissen in diesem Bereich werden Aufschluss über die Schnittstelle zwischen KI und Finanzen und die Auswirkungen auf die quantitative Finanzierung geben.

Schließlich haben wir Richard Rothenberg, einen Geschäftsführer der Global AI Corporation. Richard bringt umfangreiche Erfahrungen aus seiner Arbeit bei milliardenschweren Hedgefonds und globalen Investmentbanken mit. Mit seinem umfangreichen Hintergrund im quantitativen Portfoliomanagement und Research wird er wertvolle Einblicke in die praktische Umsetzung quantitativer Strategien in der Finanzbranche liefern.

Lassen Sie uns nun in die Diskussion über die jüngsten Trends eintauchen, die Quant Finance geprägt haben. Unsere Diskussionsteilnehmer sind sich einig, dass die Verfügbarkeit und Qualität von Daten eine wichtige Rolle dabei gespielt haben, die Branche voranzubringen. Darüber hinaus haben Fortschritte in der Rechenleistung die Konstruktion und Analyse komplexer Modelle ermöglicht, die vor einem Jahrzehnt noch nicht möglich waren.

Die Diskussionsteilnehmer heben die Ausweitung der Quantenfinanzierung über Aktien hinaus auf andere Anlageklassen hervor, darunter Kredite, Währungen und Kryptohandel. Sie machen auch auf den aufkommenden Trend des verantwortungsvollen Investierens aufmerksam, der in der Finanzbranche zunehmend an Bedeutung gewinnt. Sie stellen jedoch fest, dass die Datenqualität in diesem Bereich noch verbessert werden muss. Die Diskussionsteilnehmer gehen davon aus, dass verantwortungsvolles Investieren auch in den nächsten Jahren ein wichtiger Faktor im Finanzwesen sein wird.

Anschließend diskutiert das Panel zwei wichtige Trends im quantitativen Finanzwesen. Erstens hat sich der algorithmische Handel auf alle Anlageklassen ausgeweitet, nicht nur auf Aktien. Exotische Vermögenswerte werden mittlerweile mithilfe algorithmischer Ansätze gehandelt. Zweitens gab es einen erheblichen Anstieg alternativer Datenquellen, etwa Stimmungsdaten aus Nachrichten in mehreren Sprachen und Kreditkartentransaktionen. Die Fähigkeit, diese Daten mit fortschrittlichen Analysen und Rechenleistung zu verarbeiten und zu analysieren, hat dazu geführt, dass nichtfinanzielle Risikofaktoren wie Trends in den Bereichen Umwelt und soziale Governance in die Unternehmensbewertungen einbezogen werden.

Das Panel befasst sich jedoch auch mit den Herausforderungen des Einsatzes von maschinellem Lernen im Finanzwesen. Angesichts des niedrigen Signal-Rausch-Verhältnisses und des Nullsummenspielcharakters der Finanzmärkte ist maschinelles Lernen nicht immer das ideale Werkzeug zur Lösung jedes Problems. Die Diskussionsteilnehmer betonen, wie wichtig es ist, maschinelles Lernen mit anderen Methoden zu kombinieren und seine Grenzen zu verstehen. Sie verdeutlichen auch die Unterscheidung zwischen maschinellem Lernen und alternativen Daten, da diese beiden Konzepte häufig verwechselt werden.

Darüber hinaus diskutieren die Diskussionsteilnehmer die einzigartigen Herausforderungen des maschinellen Lernens im Finanzbereich im Kontext der Marktdynamik als differenzielles Spiel. Sie unterstreichen, wie wichtig es ist, bei der Entwicklung von Handelsstrategien die strategischen Entscheidungen anderer Marktteilnehmer zu berücksichtigen.

Die Diskussion verlagert sich dann auf die Bedeutung hochwertiger Daten in Modellen des maschinellen Lernens für den algorithmischen Handel. Die Diskussionsteilnehmer erkennen die Herausforderung der Bereinigung unstrukturierter Daten an und betonen, wie wichtig es ist, mit linearen Modellen zu beginnen, um die Parameter zu verstehen und die Datenqualität sicherzustellen. Sie befassen sich mit dem Problem von Rauschen und Spärlichkeit in alternativen Daten, wodurch die Bereinigung und Filterung schwieriger wird. Darüber hinaus betonen die Diskussionsteilnehmer die Notwendigkeit, zweite Datenquellen zu vergleichen und zu nutzen, um die Datengenauigkeit sicherzustellen.

Die Diskussionsteilnehmer betonen außerdem, dass Handelslösungen als Teil der Definition einer Strategie in einem End-Person-Spiel mit gegnerischen Spielern mit widersprüchlichen Interessen angegangen werden sollten. Herkömmliche Modellierungsmethoden sind in diesem Zusammenhang möglicherweise nicht immer anwendbar, und die Diskussionsteilnehmer betonen, wie wichtig es ist, verschiedene Strategien zu testen, um die effektivsten Lösungen zu finden. Sie diskutieren auch die einzigartigen Herausforderungen, die alternative Datensätze wie Daten zur nachhaltigen Entwicklung mit sich bringen, die unterschiedliche Analysemethoden erfordern und möglicherweise eine Aggregation von Daten mit geringerer Häufigkeit erfordern, um der Knappheit entgegenzuwirken. Auch wenn die Arbeit mit spärlichen Datensätzen eine Herausforderung sein kann, glauben die Diskussionsteilnehmer, dass es immer noch Möglichkeiten gibt, wertvolle Signale zu entdecken.

Ein weiteres wichtiges Diskussionsthema ist die Bedeutung des Verständnisses der Spielstruktur des Marktes bei der Gestaltung von Handelssystemen. Die Diskussionsteilnehmer betonen, dass kleinere Akteure möglicherweise mehr Spielraum zum Eingehen von Risiken haben, größere Akteure im Rohstoff- und Kryptohandel jedoch aufgrund der extremen Volatilität dieser Märkte mit Vorsicht an den Handel herangehen müssen. Sie betonen auch die Bedeutung der Diversifizierung, um Verluste abzumildern, die bei Krypto-Assets sehr hoch sind.

Das Gremium geht noch einen Schritt weiter und hinterfragt die in der traditionellen Finanztheorie verankerten Annahmen. Sie argumentieren, dass Vermögenswerte nicht unbedingt festen Diffusionsprozessen mit festgelegten Mittelwert- und Varianzannahmen folgen. Stattdessen betonen sie die stochastische Natur der Volatilität und die Schwankung der Mittelwerte im Zeitverlauf. Sie schlagen vor, versteckte Markov-Prozesse zu berücksichtigen, um den Mittelwert und die Standardabweichung taktisch zu ändern, was zu besseren Ansätzen bei Faktorinvestitionen und Kryptoinvestitionen führt. Diese Perspektive bietet verlockende Risiko-Rendite-Profile mit der Möglichkeit einer einfachen Diversifizierung.

Anschließend werden in der Diskussion verschiedene Anwendungen des maschinellen Lernens in der Finanzbranche untersucht. Die Diskussionsteilnehmer erwähnen den Einsatz von maschinellem Lernen zur Geschlechtsklassifizierung, zur Prognose von CO2-Emissionen und zur Festsetzung von Volumina auf den Märkten für festverzinsliche Wertpapiere. Sie unterstreichen auch den zunehmenden Fokus auf ESG-Faktoren und die Ausweitung nachhaltiger Entwicklungsziele, die die Auswirkungen auf die Gesellschaft als Ganzes und systemische Risiken berücksichtigen. Sie betrachten diese erweiterte Risikotaxonomie als einen wesentlichen Faktor bei der finanziellen Entscheidungsfindung mit dem Potenzial, in ein ESG-Faktormodell integriert zu werden.

Ein weiterer diskutierter Trend ist die Nutzung von Ausschüssen und Task Forces zur Clusterung von Daten auf der Grundlage mehrerer Faktoren. Die Diskussionsteilnehmer betonen die wachsende Bedeutung der Verarbeitung natürlicher Sprache für das Verständnis der Stimmung lokaler Stakeholder zur Quantifizierung nichtfinanzieller Risiken. Diese Risiken, die für die immateriellen Aspekte der Bilanz eines Unternehmens zunehmend von Bedeutung sind, müssen bei der Analyse der Finanzmärkte unbedingt berücksichtigt werden.

Darüber hinaus betonen die Diskussionsteilnehmer die Bedeutung ausgeprägter Programmierkenntnisse und statistischer Kenntnisse im Bereich der quantitativen Finanzen. Sie warnen auch vor den Gefahren einer wiederholten Analyse desselben Datensatzes und betonen die Notwendigkeit, sich anzupassen und sich auf die Zukunft des quantitativen Handels vorzubereiten.

Mit Blick auf die Zukunft diskutieren die Diskussionsteilnehmer, wie wichtig es ist, mit aufstrebenden Anlageklassen wie Kohlenstoff und Kryptowährungen Schritt zu halten. Sie erwähnen die potenziell bahnbrechenden Auswirkungen des Quantencomputings, das die Verschlüsselungsalgorithmen hinter Kryptowährungen revolutionieren könnte, obwohl praktische Anwendungen noch realisiert werden müssen. Sie gehen auch auf die Entwicklung großer neuronaler Netze und Technologien wie GPT3 ein, die als Wege zur allgemeinen künstlichen Intelligenz angepriesen werden. Das exponentielle Wachstum der Hardware- und Softwarekapazität zeigt keine Anzeichen einer Verlangsamung, und die Diskussionsteilnehmer erwarten eine zukünftige Konvergenz von Hochleistungsrechnen, Quantencomputing und KI im Bereich Quant Finance.

Zusammenfassend sagen die Diskussionsteilnehmer eine Zukunft voraus, die durch die Erweiterung der Hardware- und Softwarekapazitäten gekennzeichnet ist und zur Entwicklung von Allzweck-Handelsrobotern führen wird. Diese Roboter werden über die Fähigkeit verfügen, Daten aus verschiedenen Quellen, einschließlich sozialer Medien, zu extrahieren und zu interpretieren und dabei unter anderem Bildverständnis, Sprachverständnis und semantisches Verständnis zu nutzen. Sie unterstreichen, wie wichtig es ist, neue Technologien und Methoden zu nutzen, um immer einen Schritt voraus zu sein und sich an die sich entwickelnde Landschaft der Quant Finance anzupassen.

Die Podiumsdiskussion endet damit, dass die Diskussionsteilnehmer dem Publikum ihren Dank aussprechen und zum Austausch aller unbeantworteten Fragen ermutigen. Sie kündigen außerdem an, dass sich die morgige Sitzung speziell auf maschinelles Lernen und Handel konzentrieren wird, und laden die Teilnehmer ein, sich diesem faszinierenden Bereich anzuschließen und ihn weiter zu erkunden.

Vielen Dank, dass Sie heute an der aufschlussreichen Podiumsdiskussion über aktuelle Trends im Bereich Quant Finance teilgenommen haben.

• 00:00:00 Der Moderator stellt die drei Domänenexperten für die Podiumsdiskussion des Tages über aktuelle Trends im Quant Finance vor. Der erste Diskussionsteilnehmer, David Jessup, ist Leiter des Anlagerisikos für EMEA bei Columbia Thread Needle Investments und verfügt über umfangreiche Erfahrung in der quantitativen Forschung, Risikoanalyse und Portfoliokonstruktion, insbesondere im Bereich Cross-Asset-Factor-Investing und maschinelles Lernen im Anlagemanagement. Der zweite Diskussionsteilnehmer, Dr. Devashes Guava, ist Direktor für maschinelles Lernen und Vorsitzender des Center for Research in Technology Business an der SP Gen School of Global Management, das sich auf die Anwendung künstlicher Intelligenz in Wirtschaft und Finanzen spezialisiert hat. Schließlich hat Richard Rothenberg, Geschäftsführer der Global AI Corporation, bei milliardenschweren Hedgefonds und globalen Investmentbanken gearbeitet und verfügt über umfangreiche Erfahrung im quantitativen Portfoliomanagement und Research.
  
  
• 00:05:00 In diesem Abschnitt diskutieren die Diskussionsteilnehmer die Trends, die Quant Finance in letzter Zeit geprägt haben. Die Verfügbarkeit und Qualität von Daten waren wesentliche Antriebsfaktoren für die Branche. Darüber hinaus ermöglicht die zunehmende Rechenleistung die Erstellung und Analyse komplexer Modelle auf eine Weise, die noch vor einem Jahrzehnt nicht möglich war. Die Diskussionsteilnehmer stellen fest, dass sich Quant Finance über Aktien hinaus auf andere Anlageklassen wie Kredite, Währungen und Kryptohandel ausdehnt. Sie bringen den neuen Trend des verantwortungsvollen Investierens zur Sprache, der in der Finanzbranche an Bedeutung gewinnt, aber die Datenqualität in diesem Bereich ist noch immer mangelhaft. Die Diskussionsteilnehmer gehen davon aus, dass verantwortungsvolles Investieren in den nächsten Jahren ein wichtiger Faktor im Finanzwesen sein wird.
  
  
• 00:10:00 In diesem Abschnitt diskutiert das Panel zwei der wichtigsten Trends im quantitativen Finanzwesen. Das erste ist die Ausweitung des algorithmischen Handels auf alle Anlageklassen, nicht nur auf Aktien, einschließlich exotischer Vermögenswerte. Der zweite Trend ist die deutliche Zunahme alternativer Datenquellen, wie z. B. Stimmungsdaten aus Nachrichten in mehreren Sprachen und Kreditkartentransaktionen, sowie die Möglichkeit, diese Daten mit fortschrittlicher Analyse und Rechenleistung zu verarbeiten. Dies hat zu einem Anstieg nichtfinanzieller Risikofaktoren geführt, die sich auf die Bewertung eines Unternehmens auswirken, beispielsweise Trends in den Bereichen Umwelt und soziale Governance. Das Gremium hebt jedoch auch die Herausforderungen hervor, die der Einsatz von maschinellem Lernen im Finanzwesen angesichts des geringen Signal-Rausch-Verhältnisses und des Nullsummenspiels des Finanzmarkts mit sich bringt. Die Bayes'sche Statistik ist ein weiterer Bereich, in dem maschinelles Lernen kombiniert wird, um Verteilungsprognosen zu erstellen.
  
  
• 00:15:00 In diesem Abschnitt diskutieren die Diskussionsteilnehmer die Vorteile und Grenzen des maschinellen Lernens im Finanzwesen. Einer der Hauptpunkte ist, dass maschinelles Lernen ein nützliches Werkzeug ist, aber nicht das einzige Werkzeug im Trading-Bereich sein sollte, da es nicht das richtige Werkzeug ist, um jedes Problem zu lösen. Eine weitere Herausforderung beim maschinellen Lernen besteht darin, dass es oft schwierig ist zu wissen, wann etwas schief gehen wird, und es kann schwierig sein, einem Modell beizubringen, zu erkennen, wann es es nicht weiß. Die Diskussionsteilnehmer unterscheiden auch zwischen maschinellem Lernen und alternativen Daten und geben an, dass es sich dabei um zwei verschiedene Dinge handele, die oft verwechselt würden. Abschließend diskutieren die Diskussionsteilnehmer die Herausforderungen des maschinellen Lernens im Finanzbereich vor dem Hintergrund, dass Märkte ein differenzielles Spiel sind, das eine andere Art von maschinellem Lernen erfordert, insbesondere wenn es um strategische Entscheidungen anderer Spieler im Spiel geht.
  
  
• 00:20:00 Das Panel diskutiert die Bedeutung qualitativ hochwertiger Daten für Modelle des maschinellen Lernens im algorithmischen Handel und die Herausforderung der Bereinigung unstrukturierter Daten. Während maschinelles Lernen für die Prognose von Verteilungen im kurzfristigen Handel nützlich sein kann, ist es wichtig, zu den Grundlagen zurückzukehren und mit linearen Modellen zu beginnen, um die Parameter zu verstehen und sicherzustellen, dass die Qualität der Daten gut ist. Das Gremium erkennt an, dass alternative Daten stark verrauscht und spärlich sind, was die Bereinigung und Filterung erschwert. Darüber hinaus sprachen sie über die Schwierigkeit, Datenausreißer zu beheben, und über die Notwendigkeit, zweite Datenquellen zu vergleichen und zu nutzen, um die Genauigkeit der Daten sicherzustellen.
  
  
• 00:25:00 Handelslösungen sind Teil einer Spielstruktur und müssen als Teil der Definition einer Strategie in einem Endpersonenspiel mit gegnerischen Spielern mit widersprüchlichen Interessen gedacht und getestet werden. Es ist wichtig zu bedenken, dass herkömmliche Modellierungsmethoden in diesem Zusammenhang möglicherweise nicht anwendbar sind und das Testen verschiedener Strategien entscheidend ist, um die effektivste Lösung zu finden. Darüber hinaus erfordern alternative Datensätze wie Daten zur nachhaltigen Entwicklung andere Analysemethoden und erfordern möglicherweise die Aggregation von Daten mit geringeren Häufigkeiten, um mit der Knappheit umzugehen. Auch wenn die Arbeit mit solchen spärlichen Datensätzen schwierig sein kann, gibt es dennoch Möglichkeiten, wertvolle Signale zu finden.
  
  
• 00:30:00 Die Diskussionsteilnehmer diskutieren, wie wichtig es ist, die Spielstruktur des Marktes zu berücksichtigen, bevor ein Handelssystem entworfen wird. Während sich kleinere Spieler das Glücksspiel möglicherweise leisten können, ist dies bei größeren Spielern im Rohstoff- und Kryptohandel nicht der Fall. Die Diskussionsteilnehmer diskutieren die Märkte, die für maschinelle Lernalgorithmen am interessantesten sind, und erwähnen Krypto als einen faszinierenden Bereich, in dem neue Herausforderungen zu finden sind. Sie raten dazu, sich nicht nur auf eine Anlageklasse oder einen Algorithmus zu konzentrieren und die Bedeutung alternativer Datenquellen für einen profitablen Handel zu berücksichtigen. Märkte durchlaufen im Allgemeinen Phasen, in denen sie mehr oder weniger vorhersehbar sind, und Signale, die einst überbeansprucht wurden, können wieder an Relevanz gewinnen, wenn nur wenige Marktteilnehmer sie nutzen. Faktoren wie Marktvolatilität und ein stabiler zugrunde liegender Datengenerierungsprozess können Märkte für maschinelle Lernalgorithmen geeigneter machen.
  
  
• 00:35:00 Die Diskussion konzentriert sich auf die Hindernisse, die beim Einsatz quantitativer Strategien für Krypto-Investitionen auftreten. Dr. Gughah erklärt, dass eines der Hauptprobleme darin besteht, dass traditionelle Finanzleute sich nie für Krypto interessiert haben, da man es normalerweise als eine Art Computerfreak- oder Videospielbereich betrachtet. Darüber hinaus ist auch die extreme Volatilität der Kryptowährungen ein großes Problem, da ein Rückgang von 85 bis 90 Prozent vom Höhepunkt bis zum Tiefpunkt für jeden Fondsmanager oder Privatanleger undenkbar ist. Damit sich ein Finanzhandels-Ökosystem in Krypto entwickeln kann, ist es notwendig, es als alternative Anlageklasse anzuerkennen und ein Portfolio zu schaffen, das ausreichend diversifiziert ist, um die Verluste zu dämpfen, die auf die hohe Korrelation zwischen Krypto-Assets zurückzuführen sind.
  
  
• 00:40:00 Der Redner erörtert die Notwendigkeit, die Vorstellung aufzugeben, dass Vermögenswerte festen Diffusionsprozessen mit einer festgelegten Mittelwert- und Varianzannahme folgen, was eine im Finanzbereich häufig verankerte Annahme ist. Der Redner erklärt, dass die Volatilität stochastisch ist und sich im Laufe der Zeit stark ändert. Daher muss davon ausgegangen werden, dass der Mittelwert und die Standardabweichung durch einen versteckten Markov-Prozess gesteuert werden, damit sich der Staat taktisch ändert, was einen großen Sprung in der traditionellen Finanztheorie darstellt. Der Redner weist darauf hin, dass das Verständnis des stochastischen Prozesses, der die Rendite antreibt, zu besseren Ansätzen für Faktorinvestitionen und Kryptoinvestitionen führen kann, was zu sehr verlockenden Risiko-Rendite-Profilen mit einfacher Diversifizierung führt.
  
  
• 00:45:00 Das Panel diskutiert die verschiedenen Anwendungen des maschinellen Lernens in der Finanzbranche, beispielsweise die Verwendung zur Geschlechtsklassifizierung, zur Prognose von CO2-Emissionen und zur Festsetzung von Volumina auf den Märkten für festverzinsliche Wertpapiere. Sie erwähnen auch die Verwendung als Input im Anlageprozess und nicht nur als Handelstechnik. Ein weiteres Thema, das sie behandeln, ist die Entwicklung von ESG zu nachhaltigen Entwicklungszielen, die sich nicht nur auf die Auswirkungen auf Aktionäre, sondern auch auf die Gesellschaft als Ganzes und systemische Risiken konzentriert. Diese erweiterte Taxonomie der Risiken umfasst Faktoren, die über den CO2-Ausstoß hinausgehen, und berücksichtigt auch die Governance. Sie betrachten dies als einen wichtigen Faktor bei der finanziellen Entscheidungsfindung und sagen, es könne als ESG-Faktormodell betrachtet werden.
  
  
• 00:50:00 Die Diskussionsteilnehmer diskutieren zwei interessante Trends im Bereich der quantitativen Finanzierung. Erstens der Einsatz von Ausschüssen und Task Forces zur Gruppierung von Daten auf der Grundlage von 17 Faktoren und die wachsende Bedeutung der Verarbeitung natürlicher Sprache, um die Stimmung der lokalen Stakeholder zu verstehen und nichtfinanzielle Risiken zu quantifizieren, die für den immateriellen Aspekt der Bilanz immer wesentlicher werden Firmen. Zweitens diskutieren sie, wie wichtig es ist, über gute Programmierkenntnisse und statistische Kenntnisse zu verfügen und sich der Fallstricke bewusst zu sein, die mit der mehrfachen Betrachtung desselben Datensatzes einhergehen, um sich auf die Zukunft des quantitativen Handels vorzubereiten.
  
  
• 00:55:00 Die Diskussionsteilnehmer diskutieren, wie wichtig es ist, über neue Anlageklassen auf dem Laufenden zu bleiben, die möglicherweise handelbar werden, darunter Kohlenstoff- und Kryptowährungen. Ein Bereich, der bahnbrechend sein könnte, ist das Quantencomputing, das die Verschlüsselungsalgorithmen hinter Kryptowährungen revolutionieren könnte. Obwohl es noch keine praktischen Anwendungen gibt, investieren einige große Hedgefonds in den Quantenbereich. Darüber hinaus sprechen sie über die Entwicklung sehr großer neuronaler Netze und GPT3, das als Weg zur allgemeinen künstlichen Intelligenz angepriesen wird. Der Anstieg der Hardware- und Softwarekapazität zeigt keine Anzeichen einer Verlangsamung, und einige gehen davon aus, dass Deep Learning die Welt erobern wird.
  
  
• 01:00:00 Das Gremium prognostiziert, dass die Zukunft des Quant Finance in der kontinuierlichen Erweiterung der Hardware- und Softwarekapazitäten liegt, die die Entwicklung von Allzweck-Handelsrobotern ermöglichen wird. Diese Roboter wären in der Lage, Daten aus verschiedenen Quellen wie sozialen Medien zu extrahieren und sie für Handelsentscheidungen zu nutzen. Sie werden sich nicht auf numerisches maschinelles Lernen beschränken, sondern vielmehr über Bildverständnis, Sprachverständnis, semantisches Verständnis usw. verfügen. Ein weiterer Schwerpunkt ist das Quantencomputing, das in den nächsten fünf bis zehn Jahren praxistauglich werden könnte. Die Diskussionsteilnehmer glauben, dass die Zukunft eine Konvergenz von Hochleistungsrechnen, Quantencomputing und KI sein wird. Sie glauben, dass die Zukunft in der Konvergenz dieser Technologien liegt, wenn wir beginnen, mehr Daten und Modelle zu integrieren.
  
  
• 01:05:00 Die Diskussionsteilnehmer diskutieren über das exponentielle Wachstum neuer Tools und Techniken im Bereich Quant Finance, das in den nächsten fünf bis zehn Jahren wahrscheinlich viele Funktionen und Jobs überflüssig machen wird. Sie betonen, wie wichtig es ist, die Integration neuer Technologien vorzubereiten und zu beschleunigen, um immer einen Schritt voraus zu sein. Die Diskussionsteilnehmer danken abschließend dem Publikum und ermutigen zum Teilen aller unbeantworteten Fragen, da sich die morgige Sitzung auf maschinelles Lernen und Handel konzentrieren wird.

[MetaQuotes]

Verwendung von Sentiment- und alternativen Daten im Handel [Podiumsdiskussion] | Tag 4 der Algo-Handelswoche

Verwendung von Sentiment- und alternativen Daten im Handel [Podiumsdiskussion] | Tag 4 der Algo-Handelswoche

Meine Damen und Herren, vielen Dank, dass Sie heute an dieser spannenden Podiumsdiskussion über den Einsatz von Stimmungs- und alternativen Daten im Handel teilgenommen haben. Bevor wir beginnen, muss ich eine wichtige Ankündigung machen.

Ich freue mich, den Start eines neuen Zertifizierungsprogramms bekannt zu geben, der Certification in Sentiment Analysis and Alternative Data in Finance (CSAF). Dieses Programm wurde speziell für Finanzfachleute entwickelt, die ihre Karriere im Handel und bei der Entscheidungsfindung bei Investitionen mithilfe moderner Methoden wie der Analyse der Nachrichtenstimmung und alternativer Daten vorantreiben möchten.

Das CSAF-Programm deckt verschiedene Aspekte der Nachrichtenanalyse, Stimmungsanalyse und alternativen Daten ab, die im Finanzwesen erforderlich sind. Es wird von führenden Experten in den Bereichen algorithmischer Handel, Stimmungsanalyse, quantitative Modellierung und Hochfrequenzhandel unterrichtet. Diese Experten bringen umfangreiches Wissen und Erfahrung in das Programm ein und stellen sicher, dass die Teilnehmer eine erstklassige Ausbildung und Schulung erhalten.

Das Programm befasst sich mit Themen wie dem Verständnis der Stimmungsanalyse, der Nutzung alternativer Datenquellen, der Integration von Stimmungsdaten in Vorhersagemodelle und der Nutzung von KI- und maschinellen Lerntechniken für die Marktanalyse. Die Teilnehmer erhalten wertvolle Einblicke in die Rolle von Sentiment- und alternativen Daten im Handel und erfahren, wie sie das Potenzial dieser Ressourcen zur Verbesserung der Finanzergebnisse nutzen können.

Zusätzlich zum Zertifizierungsprogramm freue ich mich, Ihnen mitteilen zu können, dass im Frühjahr 2022 ein umfassendes Handbuch zu alternativen Daten veröffentlicht wird. Dieses Handbuch wird als wertvolle Ressource für Fachleute auf diesem Gebiet dienen und detaillierte Informationen zu den verschiedenen bieten Arten alternativer Daten und ihre Anwendungen im Finanzwesen.

Nun wenden wir uns der heutigen Podiumsdiskussion zu. Unsere geschätzten Diskussionsteilnehmer, darunter Dr. Cristiano Arbex Valle, Professor Gautam Mitra, Dr. Matteo Campolmi und Dr. Ravi Kashyap, werden ihre Erkenntnisse über die Verwendung von Stimmungs- und alternativen Daten im Handel teilen. Sie werden diskutieren, was alternative Daten sind, warum sie wichtig sind und wie sie effektiv genutzt werden können, um fundierte Handelsentscheidungen zu treffen.

Wie wir alle wissen, haben Nachrichtenereignisse häufig erhebliche Auswirkungen auf die Vermögenspreise, und Stimmungsdaten können eine entscheidende Rolle bei der Vorhersage zukünftiger Ergebnisse spielen. Die Diskussionsteilnehmer werden beleuchten, wie Stimmungsdaten schnell verarbeitet und in numerische Daten zur Verwendung in mathematischen Modellen umgewandelt werden können, wodurch wertvolle Informationen bereitgestellt werden, die normalerweise nicht von herkömmlichen Marktdaten erfasst werden.

Darüber hinaus werden unsere Diskussionsteilnehmer die Herausforderungen und Chancen untersuchen, die mit alternativen Daten verbunden sind. Sie werden das Aufkommen alternativer Datenquellen, die Notwendigkeit strenger Datenverarbeitungstechniken und die Bedeutung der Vermeidung von Überanpassungen bei der Identifizierung von Signalen in riesigen Informationsmengen diskutieren.

Während der Podiumsdiskussion ermutigen wir Sie, sich aktiv zu beteiligen, indem Sie Fragen stellen und sich mit unseren Diskussionsteilnehmern austauschen. Ihre Beiträge und Erkenntnisse werden sehr geschätzt und wir freuen uns darauf, eine bereichernde und interaktive Sitzung zu gestalten.

Bevor wir beginnen, möchte ich Ihnen allen meinen Dank dafür aussprechen, dass Sie heute zu uns gekommen sind. Ihre Präsenz und Ihr Enthusiasmus tragen zum Erfolg solcher Veranstaltungen bei. Ich möchte Sie auch daran erinnern, uns in den sozialen Medien zu folgen und wünsche den Organisatoren alles Gute zum 11. Jubiläum.

Beginnen wir nun ohne weitere Umschweife mit unserer Podiumsdiskussion zum Thema Stimmung und alternative Daten im Handel. Danke schön.

Zu Beginn der Podiumsdiskussion vertiefen sich unsere Diskussionsteilnehmer in das Thema Stimmung und alternative Daten im Handel und teilen ihre wertvollen Erkenntnisse und Erfahrungen. Sie heben die Auswirkungen der Einbeziehung von Nachrichtenanalysen und Stimmungen als zusätzliche Eingabefunktionen in Vorhersagemodelle hervor und betonen die erzielten verbesserten Ergebnisse, insbesondere bei der Vorhersage der Vermögensvolatilität.

Ein zentraler Diskussionspunkt dreht sich um die Entstehung alternativer Daten und ihre Bedeutung für die Information über Handelsentscheidungen. Die Diskussionsteilnehmer betonen, dass alternative Daten neue Informationen wie Verbrauchergewohnheiten liefern, die wertvolle Erkenntnisse für Anlagestrategien liefern können. Sie betonen, wie wichtig es ist, Daten mit Modellen zu koppeln und KI- und maschinelle Lerntechniken zu nutzen, um Marktrichtungen vorherzusagen und finanzielle Ergebnisse zu verbessern.

Das Gremium nimmt sich einen Moment Zeit, um die Moderation von Professor Gautam Mitra, Gründer und Geschäftsführer von OptiRisk Systems, zu würdigen. Mit seiner Expertise sorgt er für eine umfassende Auseinandersetzung mit dem Thema. Sie befassen sich mit den praktischen Anwendungen von Sentiment- und alternativen Daten im Handel und gehen auf Fragen zu deren Definition, Bedeutung und Nutzung ein.

Die Diskussionsteilnehmer sind sich bewusst, dass alternative Daten ein sich ständig weiterentwickelndes Feld sind, und heben die dynamische Natur dieses Bereichs hervor. Sie diskutieren, wie das, was heute als alternative Daten gilt, in Zukunft zum Mainstream werden könnte, und verdeutlicht den kontinuierlichen Fortschritt und die Innovation innerhalb der Branche. Ihr Fokus liegt weiterhin auf der Nutzung alternativer Daten, um sich einen Vorsprung im Finanzwesen zu verschaffen, mit dem ultimativen Ziel, die Rendite zu maximieren.

Inmitten der Diskussion erkennt das Gremium die potenzielle Verzerrung der aus Nachrichtenquellen stammenden Stimmungsdaten an. Sie bieten potenzielle Lösungen, um diese Verzerrung abzumildern, wie z. B. die Nutzung mehrerer Quellen und den Einsatz verschiedener Techniken zur Analyse der Daten. Damit unterstreichen sie die Bedeutung einer umfassenden und robusten Datenanalyse, um genaue und zuverlässige Erkenntnisse zu gewährleisten.

Für die Zukunft betonen die Diskussionsteilnehmer, wie wichtig es ist, den Kontext und die Szenarien zu verstehen, in denen Daten erfasst werden. Sie diskutieren die Notwendigkeit kontextbezogener Informationen, um eine differenzierte Ansicht zu ermöglichen und effektive Algorithmen zu erstellen. Die Diskussionsteilnehmer gehen auch auf die Idee ein, dass Vorurteile möglicherweise nicht immer negativ sind und manchmal Handelsstrategien zugute kommen können. Ihre übergeordnete Botschaft betont, wie wichtig es ist, die verfügbaren Daten zu verstehen und mit ihnen zu arbeiten, auch wenn die Datenquelle selbst nicht kontrolliert werden kann.

Das Gremium untersucht außerdem die Parameter, die bei der Analyse von Stimmungsdaten für Handelszwecke zu berücksichtigen sind. Sie geben Aufschluss über die Klassifizierung der Stimmung in positive, neutrale oder negative Kategorien durch Nachrichten- oder Stimmungsanbieter. Darüber hinaus diskutieren sie die Relevanz der Berücksichtigung des Nachrichten- oder Tweetvolumens als Faktor bei der Sentimentanalyse. Hervorgehoben wird auch die Normalisierung der Stimmung basierend auf dem durchschnittlichen Nachrichtenvolumen über einen bestimmten Zeitraum.

Das Gespräch vertieft sich, während die Diskussionsteilnehmer die sprachspezifische Natur der Stimmungsanalyse diskutieren. Sie legen Wert auf den Einsatz von KI und anderen Techniken zur Textanalyse und -analyse, die ein tieferes Verständnis der Stimmung ermöglichen. Relevanz und Neuheit von Nachrichtenereignissen werden als entscheidende Faktoren identifiziert, wobei Unternehmen Nachrichtendaten über Abonnements bei Inhaltsanbietern erhalten, was eine schnelle Verarbeitung ermöglicht.

Zum Abschluss der Podiumsdiskussion gehen die Diskussionsteilnehmer auf die Zeitrahmen ein, die für Stimmungsindikatoren verwendet werden. Sie stellen klar, dass Stimmungsindikatoren nicht darauf abzielen, die Geschwindigkeit zu übertreffen, mit der Nachrichten den Markt erreichen. Stattdessen dienen sie als beschreibende Indikatoren dafür, wie sich der Nachrichtenfluss im Laufe der Zeit auf Aktien auswirkt. Die Bedeutung der Konvertierung von Text in numerische Daten wird ebenfalls hervorgehoben und die zusätzliche Verarbeitungsebene anerkannt, die für textbasierte Informationen erforderlich ist.

Die Diskussionsteilnehmer diskutieren auch die Relevanz von Stimmungsdaten und alternativen Datenquellen im Handel. Sie befassen sich mit der Frage, wie viele Tage an Stimmungsdaten relevant sind, und betonen, dass die Antwort vom Zweck des Modells und der Art des durchgeführten Handels abhängt. Die Diskussion erstreckt sich darüber hinaus auf die Leistungsmetriken für alternative Datenquellen, wobei die Rentabilität als Schlüsselmetrik identifiziert wird. Die Diskussionsteilnehmer erläutern die Nachfrage nach historischen Daten und ihre potenziellen Auswirkungen auf die Preisgestaltung. Sie warnen davor, dass sich ihr Wert mit zunehmender Beliebtheit alternativer Datenquellen im Laufe der Zeit ändern kann.

Zum Abschluss der Podiumsdiskussion teilen die Diskussionsteilnehmer ihre Erkenntnisse über die Herausforderungen und die Bedeutung des Backtestings. Sie erkennen an, dass für bestimmte alternative Datenquellen nur spärliche historische Informationen vorliegen, was die Analyse und das Backtesting zu einer Herausforderung macht. Sie heben jedoch die Verfügbarkeit statistischer Modelle und Techniken hervor, die bei der Extrapolation von Daten für Backtesting-Zwecke helfen können. Sie betonen, wie wichtig es ist, die Leistung einer bestimmten Datenquelle mit der nicht vorhandenen Datenquelle zu vergleichen, damit Händler ihre Strategien entsprechend anpassen können. Abschließend betont das Gremium, dass der Wert alternativer Daten letztendlich von ihrer Verwendung innerhalb eines bestimmten Modells abhängt.

Wir gehen nun zur Frage-und-Antwort-Runde für das Publikum über, in der die Diskussionsteilnehmer zwei interessante Fragen beantworten. Die erste Frage dreht sich um die Nutzung historischer Daten, um ein besseres Verständnis verschiedener historischer Perioden zu erlangen. Das Gremium schlägt vor, mindestens das Siebenfache des Zeitintervalls zu nutzen, um ein umfassendes Verständnis verschiedener Ergebnisse zu erhalten. Die zweite Frage betrifft die Suche nach verlässlichen Quellen für alternative Daten. Das Gremium empfiehlt, einen Daten-Scout zu beauftragen, verschiedene Quellen zu erkunden und die besten verfügbaren Daten für quantitative Teams zu ermitteln. Sie betonen die Herausforderung, vertrauenswürdige Daten zu finden, und betonen, dass innovative Ideen oft von kleinen neuen Unternehmen ausgehen.

Ergänzend zur Diskussion befassen sich die Diskussionsteilnehmer mit dem Potenzial für kleine Unternehmen, die frühzeitig einzigartige Datensätze identifizieren, um diese von größeren Unternehmen zu erwerben. Sie betonen die Bedeutung von Vermittlern bei der Datenaggregation und den Wert abgeleiteter Datensätze mithilfe proprietärer Modellierung. Das Gespräch geht außerdem auf die Auswirkungen länderspezifischer Datensätze, die Identifizierung regionaler Risiken und die Vernetzung des globalen Marktes ein. Das Verständnis dieser Faktoren ist für fundierte Handelsentscheidungen von entscheidender Bedeutung.

Gegen Ende des Panels verlagern die Redner ihren Fokus auf die notwendigen Fähigkeiten und Voraussetzungen für eine Karriere im Finanzwesen. Sie betonen den Wert von Programmiersprachen und ein solides Verständnis mathematischer Konzepte, da diese Fähigkeiten in diesem Bereich immer wichtiger werden. Auch die Vernetzung und der Aufbau von Kontakten zu Fachleuten werden hervorgehoben, ebenso wie die Bedeutung, offen für vielfältige Möglichkeiten zu bleiben und das eigene Wissen kontinuierlich zu erweitern.

Abschließend betont der Redner noch einmal, wie wichtig es ist, über Markttrends informiert zu bleiben und bei finanziellen Entscheidungen objektiv zu bleiben. Sie betont die grundlegende Rolle der Finanzverwaltung und ermutigt die Teilnehmer, sich aktiv in der Finanzbranche zu engagieren.

Mit herzlicher Dankbarkeit dankt der Redner den Diskussionsteilnehmern und dem Publikum für ihre wertvollen Beiträge und schließt die Sitzung ab.

• 00:00:00 Der Gastgeber kündigt die Einführung eines neuen Zertifizierungsprogramms an, der Certification in Sentiment Analysis and Alternative Data in Finance (CSAF), das sich an Finanzfachleute richtet, die ihre Karriere im Handel und bei der Entscheidungsfindung bei Investitionen mithilfe moderner Methoden vorantreiben möchten Analyse der Nachrichtenstimmung und alternative Daten. Der Kurs deckt verschiedene Aspekte der Nachrichtenanalyse, Stimmungsanalyse und alternativer Daten ab, die im Finanzwesen erforderlich sind, und wird von führenden Experten für algorithmischen Handel, Stimmungsanalyse, quantitative Modellierung und Hochfrequenzhandel unterrichtet. Der Abschnitt umfasst auch ein von Professor Gautam Mitra, Gründer und Geschäftsführer von OptiRisk Systems, moderiertes Panel mit den Experten Dr. Cristiano Arbex Valle, Professor Gautam Mitra, Dr. Matteo Campolmi und Dr Handel.
  
  
• 00:05:00 Der Referent führt in das Thema Sentiment und alternative Daten im Finanzwesen ein, das in einer Podiumsdiskussion diskutiert wird. Die Diskussionsteilnehmer geben Einblicke in die Frage, was alternative Daten sind, warum sie benötigt werden und wie man ihren Wert erschließen kann. Das Ziel besteht darin, Stimmungsdaten zu nutzen, um zukünftige Ergebnisse im Finanzwesen vorherzusagen, da Nachrichtenereignisse oft Auswirkungen auf die Preise von Vermögenswerten haben und Stimmungsdaten schnell verarbeitet und in numerische Daten zur Verwendung in mathematischen Modellen umgewandelt werden können. Diese Daten werden normalerweise nicht von herkömmlichen Marktdaten erfasst, was sie zu einer wertvollen Informationsquelle für die Entscheidungsfindung macht. Im Frühjahr 2022 wird ein Handbuch zu alternativen Daten veröffentlicht, und das Gremium wird Fragen der Teilnehmer beantworten.
  
  
• 00:10:00 Das Expertengremium diskutiert den Einsatz von Sentiment- und Alternativdaten im Handel. Sie haben herausgefunden, dass die Einbeziehung von Nachrichtenanalysen und Stimmungen als zusätzliche Eingabefunktion in Vorhersagemodelle zu verbesserten Ergebnissen geführt hat, insbesondere bei der Vorhersage der Vermögensvolatilität. Darüber hinaus diskutieren sie die Entstehung alternativer Daten, die neue Informationen wie Verbrauchergewohnheiten einbringen, die als Grundlage für Handelsentscheidungen verwendet werden können. Sie unterstreichen, wie wichtig es ist, Daten mit Modellen zu koppeln und KI- und maschinelle Lerntechniken zu nutzen, um Marktrichtungen vorherzusagen und letztendlich die Finanzergebnisse zu verbessern.
  
  
• 00:15:00 Die Gründer von Brain, einem forschungsorientierten Unternehmen, erläutern ihren Ansatz zur Entwicklung proprietärer Algorithmen und Methoden, die mithilfe alternativer Datensätze Signale im Zusammenhang mit Finanzmärkten extrahieren. Sie führen den wachsenden Trend zu alternativen Datensätzen in der Investitions- und Vermögensverwaltung auf die zunehmende Verfügbarkeit von Datenquellen und die boomende Data-Science-Branche zurück. Während alternative Datensätze den Anlegern zusätzliche Informationen liefern, mit denen sie in ihren Modellen arbeiten können, betonen die Gründer die Notwendigkeit eines rigorosen Ansatzes zur Verarbeitung großer Informationsmengen und zur Identifizierung von Signalen ohne Überanpassung.
  
  
• 00:20:00 Das Panel diskutiert die Verwendung von Stimmungs- und alternativen Daten im Handel. Sie behandeln die Fragen, was alternative Daten sind, warum sie wichtig sind und wie man sie nutzt. Sie stellen fest, dass sich alternative Daten ständig weiterentwickeln und dass das, was heute als alternativ gilt, in Zukunft zum Mainstream werden könnte. Das Ziel im Finanzwesen ist einfach: mehr Geld zu verdienen. Allerdings ist es eine Herausforderung zu wissen, wann man kaufen und verkaufen sollte. Hier können alternative Daten einen Vorteil verschaffen. Das Gremium erkennt an, dass Voreingenommenheit ein Problem sein kann, wenn Nachrichten als Quelle für Stimmungsdaten verwendet werden, und schlägt Lösungen wie die Verwendung mehrerer Quellen und Techniken zur Analyse der Daten vor.
  
  
• 00:25:00 Das Panel diskutiert, wie wichtig es ist, die Szenarien zu verstehen, unter denen Daten gesammelt wurden, und die potenziellen Verzerrungen, die in den Daten vorhanden sind. Sie weisen darauf hin, dass Backtests verwendet werden können, um zu sehen, wie sich Daten in der Vergangenheit entwickelt haben. Kontextinformationen sind jedoch erforderlich, um eine differenziertere Sicht zu ermöglichen und bessere Algorithmen zu erstellen. Das Gremium geht auch auf die Idee ein, dass Vorurteile nicht immer negativ sein müssen, da sie manchmal Handelsstrategien zugute kommen können. Insgesamt ist die wichtigste Erkenntnis, dass die Datenquelle zwar nicht kontrolliert werden kann, der Schwerpunkt jedoch auf dem Verständnis und der Arbeit mit den verfügbaren Daten liegen sollte.
  
  
• 00:30:00 Das Panel diskutiert die Parameter, auf die bei der Analyse von Stimmungsdaten für Handelszwecke geachtet werden muss. Während Nachrichten- oder Stimmungsanbieter die Stimmung typischerweise als positiv, neutral oder negativ klassifizieren, stellt das Team fest, dass auch die Menge an Nachrichten oder Tweets ein zu berücksichtigender Faktor sein kann. Je nach Anbieter kann die Stimmung als kontinuierliche Zahl quantifiziert oder anhand des durchschnittlichen Nachrichtenaufkommens über einen bestimmten Zeitraum normalisiert werden. Das Gremium hebt außerdem hervor, dass Social-Media-Plattformen wie Twitter ein zusätzliches Element zur Stimmungsanalyse bieten können, indem sie berücksichtigen, wer etwas sagt, und wichtige Impulsgeber mit einem übergroßen Einfluss auf die Märkte identifizieren.
  
  
• 00:35:00 Das Panel diskutiert die Verwendung von Stimmungs- und alternativen Daten im Handel. Sie stellen fest, dass die Stimmung ein sprachspezifischer Faktor ist, der durch Textanalyse mithilfe von KI und anderen Techniken analysiert werden kann. Die Diskussionsteilnehmer sprechen auch darüber, wie wichtig es ist, die Relevanz und Neuheit von Nachrichtenereignissen zu berücksichtigen und wie Unternehmen Nachrichtendaten normalerweise über Abonnements bei Anbietern von Nachrichteninhalten erhalten, deren Verarbeitung nur wenige Sekunden dauern kann. Insgesamt wird in der Diskussion betont, wie wichtig es ist, die Stimmung und alternative Daten beim Aufbau eines Prognosemodells für den Handel zu verstehen.
  
  
• 00:40:00 Die Diskussionsteilnehmer diskutieren die Verwendung von Stimmungs- und alternativen Daten im Handel. Sie sprechen über die verschiedenen Zeitrahmen, die für Stimmungsindikatoren verwendet werden können, und darüber, dass diese nicht darauf abzielen, die Geschwindigkeit zu übertreffen, mit der Nachrichten den Markt erreichen. Die Stimmungsindikatoren sollen einen beschreibenden Indikator dafür liefern, wie sich der Nachrichtenfluss im Laufe der Zeit auf Aktien auswirkt. Die Diskussionsteilnehmer sprachen auch über die Bedeutung der Konvertierung von Text in Zahlen und die zusätzliche Verarbeitungsebene, die für Textdaten erforderlich ist. Sie erwähnten, wie sich der Anwendungsfall und die Häufigkeit des Handels auf die Qualität und den Zeitpunkt der für den Handel verwendeten Daten auswirken können.
  
  
• 00:45:00 Das Panel diskutiert die Relevanz von Sentimentdaten und alternativen Datenquellen im Handel. Es wird die Frage aufgeworfen, wie viele Tage an Stimmungsdaten relevant sind. Die Antwort lautet, dass dies vom Zweck des Modells und der Art des durchgeführten Handels abhängt. Anschließend diskutieren sie die Leistungskennzahlen für alternative Datenquellen. Die einfache Antwort lautet: Wie viel Gewinn wird erzielt? Sie erklären jedoch, dass die Menschen im Allgemeinen so viel Geschichte wie möglich zu einem günstigen Preis wollen, Datensätze jedoch billiger werden, wenn mehr Menschen sie nutzen und sie zur Ware werden. Sie weisen außerdem darauf hin, dass die Nutzung alternativer Datenquellen mit der Einsicht einhergeht, dass sich der Wert der Daten im Laufe der Zeit ändern kann.
  
  
• 00:50:00 Das Panel diskutiert die Herausforderungen bei der Verwendung alternativer Daten für den Handel und die Bedeutung von Backtesting. Sie erkennen an, dass es nur wenige historische Informationen gibt, was es schwierig macht, bestimmte alternative Datenquellen zu analysieren und erneut zu testen. Sie weisen jedoch darauf hin, dass es statistische Modelle und Techniken gibt, die dabei helfen können, Daten für Backtesting zu extrapolieren. Das Gremium betont auch, wie wichtig es ist, die Leistung einer bestimmten Datenquelle mit der Leistung ohne Datenquelle zu vergleichen und die Handelsstrategien entsprechend anzupassen. Bei der Erörterung der Stimmungsanalyse weisen sie darauf hin, dass der beste Ansatz je nach Modell und Einsatz variieren kann. Letztendlich ist sich das Gremium einig, dass der Wert alternativer Daten weitgehend davon abhängt, wie sie in einem bestimmten Modell verwendet werden.
  
  
• 00:55:00 Das Panel diskutiert zwei Fragen aus dem Publikum. Die erste Frage betrifft die Nutzung historischer Daten und wie viele davon genutzt werden sollten, um ein besseres Verständnis darüber zu erlangen, was in verschiedenen historischen Perioden passieren könnte. Das Gremium schlägt vor, mindestens das Siebenfache des Zeitintervalls zu verwenden, um eine gute Vorstellung von den verschiedenen Ergebnissen zu erhalten. Die zweite Frage bezieht sich auf die Suche nach guten Quellen für alternative Daten. Das Gremium schlägt vor, einen Daten-Scout zu beauftragen, verschiedene Quellen zu untersuchen und die besten verfügbaren Daten für die Verwendung durch das Quant-Team zu finden. Sie weisen darauf hin, dass es keine leichte Aufgabe ist, verlässliche Daten zu finden, und dass die eigentliche Quelle alternativer Daten bei diesen kleinen neuen Unternehmen liegt, die innovative Ideen finden.
  
  
• 01:00:00 Das Panel diskutiert alternative Daten und wie kleine Unternehmen, die frühzeitig einzigartige Datensätze identifizieren, das Potenzial haben, von größeren Unternehmen übernommen zu werden. Das Gremium erwähnt auch die Bedeutung von Vermittlern bei der Datenaggregation und den Wert abgeleiteter Datensätze mithilfe proprietärer Modellierung. Anschließend erörtern sie die Auswirkungen länderspezifischer Datensätze, schlüsseln Risikoquellen auf und erläutern, wie eng der Weltmarkt inzwischen miteinander verbunden ist. Daher ist es wichtig, regionale Risiken und ihre potenziellen Auswirkungen auf Handelsentscheidungen zu verstehen. Der Abschnitt endet mit einem Witz, bevor zur nächsten Frage übergegangen wird.
  
  
• 01:05:00 In der Podiumsdiskussion diskutieren die Referenten die notwendigen Fähigkeiten und Voraussetzungen für einen Kurs zur Nutzung von Sentiment- und Alternativdaten im Handel. Während es hilfreich ist, mit Python als Programmiersprache vertraut zu sein, betonen sie, wie wichtig es ist, über Grundkenntnisse im Finanzwesen und in Finanzmodellen zu verfügen. Darüber hinaus betonen sie, wie wichtig es ist, Zugang zu Datenquellen zu haben und bereit zu sein, am Kurs teilzunehmen und sich daran zu beteiligen. Sie gehen auch auf eine Frage zur Berufsberatung für jemanden ein, der daran interessiert ist, ein quantitativer Forschungsanalyst zu werden, und ermutigen den Einzelnen, sich zur Klärung an die Fakultät zu wenden, und betonen, wie wichtig es ist, offen für ein breites Spektrum an Fähigkeiten und Kenntnissen zu sein.
  
  
• 01:10:00 Die Diskussionsteilnehmer diskutieren die Fähigkeiten, die für eine Karriere im Finanzwesen erforderlich sind. Sie schlagen vor, Programmiersprachen zu lernen, da immer mehr Datensätze erstellt werden, und ein gutes Verständnis für mathematische Konzepte zu entwickeln. Darüber hinaus raten sie, keine Angst vor Mathematik und Programmierung zu haben, da diese Fähigkeiten in diesem Bereich immer wichtiger werden. Die Diskussionsteilnehmer legen außerdem Wert darauf, so viele Menschen wie möglich zu treffen und sich mit ihnen zu vernetzen, einen wertvollen Beitrag für potenzielle Arbeitgeber zu leisten, bereit zu sein, Chancen zu ergreifen, und über solide Mathematikkenntnisse zu verfügen.
  
  
• 01:15:00 Der Redner betont, wie wichtig es ist, sich darüber im Klaren zu sein, was auf dem Markt passiert, und offen für verschiedene Bereiche der Finanzbranche zu sein. Sie rät dazu, objektiv zu bleiben und Sentimentalitäten zu vermeiden, da es im Handel letztlich um Geld und die Verwaltung von Finanzen geht. Das Gespräch endet dann mit einem Dank an die Diskussionsteilnehmer und das Publikum und einer Erinnerung daran, den Organisatoren in den sozialen Medien alles Gute zum 11. Jubiläum zu wünschen.
  

[MetaQuotes]

Leerverkäufe im Bullenmarkt – Eine Meisterklasse von Laurent Bernut | Tag 3 der Algo-Handelswoche

Leerverkäufe im Bullenmarkt – Eine Meisterklasse von Laurent Bernut | Tag 3 der Algo-Handelswoche

Laurent Bernut wird als Gründer und CEO von Alpha Secure Capital sowie als engagierter Leerverkäufer bei Fidelity Investments vorgestellt. Das Video zeigt, dass er einen zweistündigen Meisterkurs zum Thema Leerverkäufe leiten wird. Es wird erwähnt, dass es am Ende des Meisterkurses keine Frage-und-Antwort-Runde geben wird, die Zuschauer werden jedoch ermutigt, während der Sitzung selbst relevante Fragen zu stellen. Darüber hinaus informiert der Redner das Publikum über einen Kurs zum Leerverkauf mit Python sowie über ein ergänzendes Buch, das das Wie und Warum des Leerverkaufs erklärt. Das Buch soll am 11. Oktober 2021 erscheinen und auf Amazon.com erhältlich sein.

Der Meisterkurs beginnt damit, dass Laurent Bernut die wichtigsten Erkenntnisse erklärt, die die Teilnehmer von der Sitzung erwarten können. Er behauptet, dass Top-Picking bankrott sei und betont, dass Leerverkäufe die wertvollsten Fähigkeiten für die Beschaffung eines erfolgreichen Fonds seien. Bernut entlarvt außerdem zehn klassische Mythen über Leerverkäufe und wirft Licht auf die unzureichend erforschte Natur dieser Disziplin. Er geht auf die Dynamik von Leerverkäufen ein und geht darauf ein, warum selbst erfolgreiche Marktteilnehmer mit der Leerverkaufsseite zu kämpfen haben. Bernut teilt persönliche Erkenntnisse und betont die entscheidende Rolle des Geldmanagements im Kurs.

Im weiteren Verlauf gibt Bernut einen Überblick über die Funktionsweise von Leerverkäufen und betont, wie wichtig es ist, den Kredit zu lokalisieren. Er erörtert die bankrotte Natur der Aktienauswahl und plädiert dafür, dass Händler ihren Fokus auf andere Praktiken wie Leerverkäufe verlagern. Bernut weist darauf hin, dass die Branche oft auf Stockpicker fixiert ist, empirische Belege jedoch zeigen, dass die Mehrheit der aktiven Manager ihre Benchmarks durchweg unterschreiten. Dies hat viele dazu veranlasst, die Aktienauswahl aufzugeben und sich stattdessen passivem Investieren und verdeckter Indexierung zuzuwenden. Bernut betont jedoch die Bedeutung von Leerverkäufen in Bärenmärkten und den Wert, den sie im Hinblick auf den Schutz vor Verlusten mit sich bringen.

Bernut geht auf Missverständnisse über Leerverkäufer ein und räumt mit der Vorstellung auf, dass sie Renten und Unternehmen zerstören. Er erklärt, dass Anleger nach Long-Short-Vehikeln suchen, die eine geringe Volatilität, geringe Korrelationsrenditen und Abwärtsschutz bieten – etwas, das aktive Manager nur schwer dauerhaft bieten können. Daher sind Long-Picks von Investmentfondsmanagern für Anleger, die passiv über börsengehandelte Fonds ähnliche Ergebnisse erzielen können, nicht so relevant. Bernut betont, dass der Leerverkauf von Aktien einen Schutz vor Abwärtsrisiken bietet, was die Fähigkeit des Leerverkaufs besonders in einem Bärenmarkt sehr gefragt macht.

Der Redner befasst sich mit der Rolle von Leerverkäufern im Kapitalismus und der Verantwortung der Unternehmensführung. Er argumentiert, dass Leerverkäufer, die sich nicht an der Unternehmensführung beteiligen, häufig für ihr Versagen verantwortlich gemacht werden, während in Wirklichkeit schlechtes Management den Untergang verursacht. Bernut hebt den Unterschied zwischen Marktwert und innerem Wert hervor und erklärt, dass der Marktwert durch subjektive Urteile bestimmt wird, ähnlich einem Schönheitswettbewerb. Er stellt außerdem klar, dass Leerverkäufer nicht von Natur aus böse Spekulanten sind, sondern oft Paradoxien auf dem Markt aufdecken. Er räumt ein, dass die Regulierungsbehörden Leerverkäufer missbilligen, die Marktmanipulationen betreiben, ihre Hauptaufgabe jedoch darin besteht, Marktineffizienzen aufzudecken.

Im Video geht es weiter mit der Diskussion von Laurent Bernut über das Raum-Zeit-Kontinuum von Unternehmen, das für Leerverkäufer ein Paradoxon darstellt. Er macht auf Situationen aufmerksam, in denen Unternehmen ihre Mitarbeiter für die Beteiligung an Betrug belohnen, während die Geschäftsleitung die Kenntnis solcher Praktiken verweigert. Bernut rät Leerverkäufern, gegenüber der Unternehmensführung einen nicht kontroversen Ansatz zu verfolgen, selbst wenn sie Recht haben, da es alternative Möglichkeiten gibt, eine Aktie leerzuverkaufen. Er betont den Risikomanagementaspekt von Leerverkäufen und weist darauf hin, dass diese mit Vorsicht erfolgen sollten.

In seiner Meisterklasse „Algo Trading Week“ betont Bernut, wie wichtig es ist, Leerverkäufe zu erlernen, und die Risiken, die mit dem Fehlen dieser Fähigkeit verbunden sind, insbesondere in Erwartung eines Bärenmarktes. Er geht auch darauf ein, wie Leerverkäufe zu erhöhter Marktvolatilität und dem Potenzial für Aktienkurseinbrüche beitragen können.

Das Video wird damit fortgesetzt, dass Laurent Bernut den Zuschauern für ihre Teilnahme und ihr Engagement während der gesamten Meisterklasse zum Thema Leerverkäufe dankt. Er drückt seine Wertschätzung für die während der Sitzung eingegangenen Fragen und Kommentare aus und betont die Bedeutung der aktiven Teilnahme und Neugier am Lernprozess.

Anschließend stellt Laurent Bernut einen bevorstehenden Kurs über Leerverkäufe mit Python vor, der darauf abzielt, praktische Fähigkeiten für die Implementierung von Leerverkaufsstrategien mithilfe der Programmierung zu vermitteln. Der Kurs behandelt verschiedene Themen, darunter Datenanalyse, algorithmischen Handel, Risikomanagement und Backtesting. Er betont den Wert der Kombination quantitativer Analysen mit Leerverkaufstechniken und wie Python für diesen Zweck ein leistungsstarkes Werkzeug sein kann.

Zusätzlich zum Kurs kündigt Laurent Bernut die Veröffentlichung eines ergänzenden Buches mit dem Titel „Short Selling Unveiled: A Comprehensive Guide to Profiting in Bear Markets“ an. Das Buch befasst sich mit dem Wie und Warum von Leerverkäufen und bietet Einblicke, Strategien und Beispiele aus der Praxis. Ziel ist es, die Disziplin zu entmystifizieren und den Lesern das Wissen und die Fähigkeiten zu vermitteln, die sie benötigen, um die Komplexität des Leerverkaufs erfolgreich zu meistern. Die Veröffentlichung des Buches ist für den 11. Oktober 2021 geplant und wird auf Amazon.com erhältlich sein.

Am Ende des Videos betont Laurent Bernut noch einmal, wie wichtig kontinuierliches Lernen und Verbesserungen im Bereich Leerverkäufe sind. Er ermutigt die Zuschauer, den Kurs und das Buch zu erkunden, um ihr Verständnis zu vertiefen und ihre Fähigkeiten zu verbessern. Er bringt sein Engagement zum Ausdruck, Einzelpersonen dabei zu helfen, Leerverkäufe zu beherrschen, und betont, wie wichtig es ist, auf den sich ständig verändernden Finanzmärkten informiert und anpassungsfähig zu bleiben.

Mit einer abschließenden Dankes- und Ermutigungsbekundung verabschiedet sich Laurent Bernut von den Zuschauern und hinterlässt ihnen die Einladung, Kontakte zu knüpfen, Fragen zu stellen und ihre Reise in die Welt des Leerverkaufs fortzusetzen. Das Video endet und die Zuschauer werden inspiriert und motiviert, die Chancen und Herausforderungen, die Leerverkäufe mit sich bringen, weiter zu erkunden.

• 00:00:00 Das Video stellt Laurent Bernut als Gründer und CEO von Alpha Secure Capital und engagierten Leerverkäufer bei Fidelity Investments vor. Die Meisterklasse konzentriert sich auf Leerverkäufe und dauert zwei Stunden, ohne Frage-und-Antwort-Runde am Ende. Der Redner ermutigt die Zuschauer, während der Sitzung selbst relevante Fragen zu stellen. Er erwähnt auch einen Kurs über Leerverkäufe mit Python und ein ergänzendes Buch, das erklärt, wie und warum man es macht. Das Buch erscheint am 11. Oktober 2021 und ist auf Amazon.com erhältlich.
  
  
• 00:05:00 Laurent Bernut erklärt die wichtigsten Erkenntnisse seiner Meisterklasse zum Thema Leerverkäufe und erklärt, dass Top-Picking bankrott ist und Leerverkäufe die wertvollsten Fähigkeiten für die Beschaffung eines erfolgreichen Fonds sind. Bernut entlarvt außerdem zehn klassische Mythen über Leerverkäufe und betont gleichzeitig die unzureichend erforschte Natur dieser Disziplin. Er erklärt die Dynamik von Leerverkäufen und warum selbst erfolgreiche Marktteilnehmer mit der Short-Seite zu kämpfen haben. Bernut gibt im Kurs auch einen persönlichen Einblick in das Geldmanagement und seinen zentralen Teil. Der Abschnitt schließt mit einem Überblick darüber, wie Leerverkäufe funktionieren und wie wichtig es ist, den Kredit zu finden.
  
  
• 00:10:00 Laurent Bernut spricht über die bankrotte Natur der Aktienauswahl und warum Händler ihren Fokus auf andere Praktiken wie Leerverkäufe verlagern müssen. Er erklärt, dass die Branche auf dem Kult des Stockpickers basiert, aber anhand der Zahlen wissen wir, dass zwei Drittel der aktiven Manager Jahr für Jahr schlechter abschneiden als ihre Benchmark, was dazu geführt hat, dass sie ihren Fokus von der Aktienauswahl auf die Aktienauswahl verlagert haben Schrankindexierung und passives Investieren. Aktive Manager weisen keine große Underperformance auf; Normalerweise beträgt er plus oder minus ein oder zwei Prozent des Index. In Bärenmärkten werden jedoch Branchen wie Leerverkäufe relevant.
  
  
• 00:15:00 Laurent Bernut räumt mit dem Mythos auf, dass Leerverkäufer Renten und Unternehmen zerstören. Er betont, dass Anleger ihr Geld in Long-Short-Vehikeln anlegen, weil sie eine geringe Volatilität, geringe Korrelationsrenditen und einen Schutz vor Verlusten wünschen, etwas, das aktive Manager nicht dauerhaft garantieren können. Daher kümmern sich Anleger nicht um die Long-Picks von Investmentfondsmanagern, da diese die gleiche Funktion auch passiv mit börsengehandelten Fonds erfüllen können. Bernut erklärt, dass der Leerverkauf von Aktien vor Abwärtsrisiken schützt, weshalb die Fähigkeit zum Leerverkauf besonders in einem Bärenmarkt sehr gefragt ist.
  
  
• 00:20:00 Laurent Bernut diskutiert Leerverkäufe im Kontext von Kapitalismus und Managementverantwortung. Leerverkäufer, die nicht an der Unternehmensführung beteiligt sind, werden oft für das Scheitern eines Unternehmens verantwortlich gemacht, obwohl es in Wirklichkeit ein schlechtes Management ist, das zum Scheitern des Unternehmens führt. In der Geschichte des Kapitalismus wimmelt es von Unternehmen, die aufgrund von schlechtem Management obsolet geworden sind und von Leerverkäufern oft einfach in diese Obsoleszenz geführt werden. Der Marktwert wird auch als vom inneren Wert getrennt betrachtet, wobei der Marktwert ein kanadischer Schönheitswettbewerb ist, bei dem die schönste Person ausgewählt wird, basierend darauf, wer der Richter für die Schönste hält. Abschließend wird das Missverständnis diskutiert, dass Leerverkäufer böse Spekulanten seien, wobei Bernut warnt, dass Regulierungsbehörden Leerverkäufer, die Marktmanipulationen betreiben, nicht mögen, die Aufgabe von Leerverkäufern jedoch oft darin besteht, Paradoxien auf dem Markt aufzudecken.
  
  
• 00:25:00 Laurent Bernut, der Sprecher im Video „Leerverkäufe im Bullenmarkt – Eine Meisterklasse“, spricht über das Raum-Zeit-Kontinuum von Unternehmen, ein Paradoxon, mit dem Leerverkäufer konfrontiert sind. Das Paradox entsteht, wenn Unternehmen Prämien an Mitarbeiter vergeben, die sich an Betrug beteiligen, und wenn die Geschäftsleitung sich dieser Praktiken nicht bewusst ist. Bernut schlägt außerdem vor, dass Leerverkäufer keine kontroverse Sicht auf die Unternehmensführung haben sollten, selbst wenn sie Recht haben, da es nicht kontroverse Möglichkeiten gibt, eine Aktie leerzuverkaufen. Da Leerverkäufe eine Risikomanagementübung sind, weist Bernut auf die damit verbundenen potenziellen Risiken hin und sagt, dass Leerverkäufe mit Vorsicht durchgeführt werden sollten.
  
  
• 00:30:00 Laurent Bernut erörtert in seinem Algo Trading Week-Meisterkurs, wie wichtig es ist, zu lernen, wie man Leerverkäufe tätigt, und welche Risiken es mit sich bringt, nicht zu wissen, wie man das macht, und betont den Wert von Training und Übung für den unvermeidlichen Bärenmarkt. Er geht auch darauf ein, wie Leerverkäufe die Marktvolatilität erhöhen und letztendlich zum Einbruch der Aktienkurse führen können. Bernut befasst sich kurz mit dem Konzept der Kreditnehmerauslastung und der Nachfrage und dem Angebot von Aktien, die für Leerverkäufe aufgenommen werden, beantwortet eine Frage zur Minimierung von Verlusten und geht auf die Notwendigkeit ein, Spot-Leerverkaufsstrategien auf Terminmärkten anzupassen.
  
  
• 00:35:00 Laurent Bernut entlarvt den Mythos, dass Leerverkäufe während eines Bullenmarktes nicht notwendig seien. Viele Hedgefonds haben vor der Finanzkrise 2008 das Erlernen von Leerverkäufen hinausgezögert, was dazu geführt hat, dass sie enorm gelitten haben, als die Märkte zusammengebrochen sind. Bernut glaubt, dass Leerverkäufe während eines Bullenmarkts erlernt werden sollten, da es sich um ein Wettbewerbsumfeld mit vielen Alpha-Lecks handelt, und das Lernen während eines Bullenmarkts gibt einem Raum, Fehler ohne große Konsequenzen zu machen. Auch der Mythos des Strukturschocks wird entlarvt. Während Unternehmen möglicherweise bankrott gehen, gilt diese Logik nicht für Long-Positionen, und diejenigen mit Long-Positionen kommen oft vorbei und trainieren, um ihre Investitionen zu schützen.
  
  
• 00:40:00 Laurent Bernut erklärt den Trugschluss, ein „Tourist“ zu sein und auf strukturelle Leerverkäufe zu setzen. Er glaubt, dass dies einen Mangel an Demut darstellt und sagt, dass es äußerst schwierig sei, Buchhaltungsbetrug aufzudecken. Ein weiteres Problem sind fehlerhafte Geschäftsmodelle, die schwer zu erkennen sind, weil Unternehmen versuchen, sie zu verbergen. Bernut spricht auch über Bewertungen und sagt, dass sie keinen Sinn mehr ergeben, wenn sie keinen Sinn ergeben. Er erklärt zwei Handelsarten, klassische Trendfolge und Mean-Reversion, und sagt, dass Leute auf der Long-Seite den Unterschied verstehen sollten, da sie antagonistische Profile und Auszahlungen haben.
  
  
• 00:45:00 Laurent Bernut diskutiert Leerverkaufsstrategien und betont, dass der Paarhandel keine Leerverkaufsstrategie ist, obwohl viele Leute ihn mit der Short-Seite in Verbindung bringen. Er spricht auch über die Regimedefinition, die den Markt anhand des Preises in drei Kategorien einteilt: bullisch, bärisch und nicht schlüssig, und über die Regeln: Regimedefinition, relative Reihen und Wertfallen. Bernut empfiehlt, sich auf die leistungsschwachen, „langweiligen“ Aktien ohne wirkliche Geschichte oder Wachstum und mit hohen Dividendenrenditen zu konzentrieren, da diese dazu neigen, der Konversation zu folgen und eine Underperformance zu erzielen, was Leerverkäufer wollen.
  
  
• 00:50:00 Laurent Bernut erörtert den Stolperstein der Ideengenerierung bei Leerverkäufen und vergleicht das Wachstum von Unternehmen mit dem Konzept des Alterns, bei dem ihre Erträge höher sind, weil ihr Wachstum schon vor Jahren stattgefunden hat und nichts mehr übrig ist. Er präsentiert auch eine Grafik des S&P 500 und erklärt, wie die durchgezogenen roten und grünen Linien die Anzahl der Aktien darstellen, die jeweils neue Einjahreshochs und -tiefs erreichen, während die gepunktete Linie die gleichen Daten zu relativen Reihen dividiert durch den Index darstellt. Die Hälfte der Indexbestandteile übertrifft in etwa die Wertentwicklung, die andere Hälfte schneidet schlechter ab, was bedeutet, dass der problematische Aspekt im Timing des Hochs und Tiefs liegt. Bernut schlägt stattdessen Sektorrotationen vor und präsentiert eine Heatmap aller Regionendefinitionsmethoden, die zur Diskussion der Regimedefinition führt.
  
  
• 00:55:00 Laurent Bernut erörtert die Bedeutung der Regimedefinition im Handel, sei es quantitative oder fundamentale Analyse. Die Definition des Regimes dient als Überblick über den Markt und sagt Händlern, ob dieser bullisch oder bärisch ist. Durch die Analyse des Regimes können Händler dann untersuchen, warum bestimmte Aktien besser oder schlechter abschneiden. Die Antworten auf diese Fragen lassen sich in drei Kategorien einteilen: Sektorrotation, vorübergehende Fehlbewertungen und spezifische Aktienperformance. Bernut stellt außerdem drei klassische Handelsstrategien vor: Trendfolge, Mean Reversion und I-Breed.
  
  
• 01:00:00 Laurent Bernut diskutiert die Nachteile klassischer Trendfolge- und Mean-Reversion-Strategien und betont die Bedeutung der Skalierung und der Mitnahme kurzfristiger Gewinne. Dies ermöglicht es Händlern, schnell Gewinne zu erzielen und die Gewinnquote zu erhöhen, während Lotterie-ähnliche Geschäfte langfristig ablaufen können. Er erklärt auch die Dynamik von Leerverkäufen und die Notwendigkeit, die Drift des Nettoengagements zu verstehen, die für Leerverkäufe von grundlegender Bedeutung ist. Abschließend stellt er fest, dass Geldmanagement für die Erzielung von Gewinnen in diesem Spiel unerlässlich ist.
  
  
• 01:05:00 Der Redner antwortet auf eine Frage zu seinem bevorzugten Zeitrahmen für Leerverkäufe. Sie erklären, dass ihr Leerverkaufsstil der Trendfolge folgt, ganz im Sinne ihres Freundes Mike Covell, der für seinen Trendfolge-Podcast bekannt ist. Sie unterstreichen auch die Bedeutung der Kreditaufnahme bei Leerverkäufen, da sie auf die Beteiligung institutioneller Anleger hinweist. Sobald die Kreditauslastung über 50 steigt, behauptet der Redner, dass dies ein Zeichen dafür sei, dass institutionelle Anleger das Gebäude verlassen hätten und die einzigen, die noch übrig seien, die Aktie nach unten treiben würden, seien die stabilen Aktionäre, die wahrscheinlich nicht verkaufen würden. Daher ist es wichtig, den Zyklus der Sektorrotation zu befolgen und relativ gesehen früh einzusteigen, da es lange dauern kann, bis die Sektorrotation endet.
  
  
• 01:10:00 Laurent Bernut diskutiert das Konzept des Engagements an der Börse, insbesondere Brutto-Exposure, Netto-Exposure und Netto-Beta. Er erklärt, dass Anleger in einem Bullenmarkt typischerweise Netto-Long-Positionen eingehen und ein positives Netto-Beta haben, während sie defensive Aktien mit geringerer Volatilität und Long-Positionen bei Aktien mit hohem Beta shorten. Allerdings weist Bernut darauf hin, dass ein negatives Netto-Beta sehr schwer zu erreichen ist und nur von wenigen Anlegern auf der Welt erreicht wird.
  
  
• 01:15:00 Laurent Bernut erläutert, wie man sich in einem Bärenmarkt richtig positioniert, ohne ein negatives Nettorisiko einzugehen. In einem Bärenmarkt sollten defensive Long-Positionen in Bereichen mit niedrigem Beta wie Versorgern, Basiskonsumgütern und Nahrungsmitteln eingegangen werden. Diese Bestände können aufgrund ihrer geringen Volatilität überdimensioniert werden. Andererseits müssen Aktien mit hohem Beta, die exponentiell gestiegen sind, leerverkauft werden, da sie am stärksten fallen werden. Dadurch entsteht eine starke Long-Seite und eine leichtere, volatilere Short-Seite, was zu einem Nettoengagement führt, das restlich positiv ist. Obwohl die Aktienauswahl in der Vergangenheit gescheitert ist, geht es bei Leerverkäufen um Risikomanagement und Positionsgröße, was sie zu einer Strategie macht, um den Bärenmarkt zu überleben.
  
  
• 01:20:00 Laurent Bernut erörtert, wie wichtig es ist, die Gewinner zu erweitern, damit sich mit der Zeit profitable Trades anhäufen. Er empfiehlt, Gewinne mit hoher Wahrscheinlichkeit frühzeitig mitzunehmen und dann den Rest des Handels laufen zu lassen, um das Potenzial für große Gewinne durch Trendfolgen zu berücksichtigen. Bei Leerverkäufen ist es jedoch wichtig, schnell Geld vom Tisch zu nehmen, da das Risiko von Short Squeezes besteht. Bernut betont außerdem, dass Stop-Loss-Orders nicht Teil normaler Handelsentscheidungen sein sollten und nur an einem Punkt platziert werden sollten, an dem die Anlageentscheidung entweder ungültig oder rückgängig gemacht wird. Das Platzieren von Stop-Loss-Orders innerhalb des Volatilitätsbandes kann zu Störungen führen und die Gewinnerwartung negativ beeinflussen.
  
  
• 01:25:00 Laurent Bernut spricht über Stop-Losses und wie sie die wichtigste Variable bei der Gewinnerwartung sind, da sie drei von vier Variablen beeinflussen – durchschnittlicher Verlust, Gewinnrate und Verlustrate. Er empfiehlt, Stop-Losses zu einem logischen und budgetären Thema zu machen und damit zu experimentieren, um die beste Lösung zu finden. Als Antwort auf eine Frage zur Spezialisierung auf den Leerverkauf von Rohstoffen gibt Bernut zu, dass ihm das Wissen mangelt, weist jedoch darauf hin, dass die Verwendung seiner Methode, den relativen Blickwinkel einzunehmen und sich Regime anzuschauen, den Handel mit Aktien einfacher macht, als es scheint. Abschließend betont er, dass im Geldmanagementmodul Geld verdient wird und die Aktienauswahl nicht der primäre Bestimmungsfaktor für die Rendite ist.
  
  
• 01:30:00 Laurent Bernut spricht über die Bedeutung der Renditen des Geldmanagements und darüber, dass es nicht nur auf die Aktienauswahl ankommt, die die Renditen erzielt. Er nennt als Beispiel das Unternehmen Fidelity, bei dem verschiedene Portfolios dieselben Aktien enthielten, aber aufgrund der Größe ihrer Investitionen unterschiedliche Renditen erzielten. Anschließend erklärt Bernut verschiedene Geldverwaltungsalgorithmen anhand eines Diagramms als Beispiel, darunter gleiches Gewicht, gleiches Risiko, konvex und konkav. Er vergleicht die verschiedenen Algorithmen mit dem Fahren eines Autos in unterschiedlichen Gängen und betont, wie wichtig es ist, das Risiko entsprechend den Marktbedingungen zu modulieren.
  
  
• 01:35:00 Laurent Bernut betont die Bedeutung des Geldmanagements für die Erzielung von Gewinnen in der Finanzbranche. Er geht davon aus, dass die größten Fortschritte bei der Positionsgröße, dem Risikomanagement und dem Portfoliomanagement erzielt werden. Er glaubt, dass die Modulation von konkaven und konvexen Endlinien dazu genutzt werden kann, das Risiko zu modulieren und ein anderes Risikoprofil zu schaffen, was eine effiziente Möglichkeit ist, die Größe des Portfolios, das in einen Handel eingebracht wird, zu verwalten. Laut Bernut werden hier maschinelles Lernen und KI in der nächsten Generation zu großen Fortschritten im Finanzwesen beitragen.
  
  
• 01:40:00 Laurent Bernut beantwortet Fragen von Zuschauern zum Risikomanagement, zur Black Litterman-Optimierung in einem Long-Short-Portfolio und zum Zusammenhang zwischen Long-Short-Portfolios und Leverage. Bernut erklärt, dass es bei der Risikobewältigung darum geht, zu wissen, wann man wieder beschleunigen oder langsamer bremsen muss, während die Hebelung eines Long-Short-Portfolios die Rendite steigern kann, aber auch ein zweischneidiges Schwert sein kann, wenn man es nicht sorgfältig anwendet. Er weist außerdem darauf hin, dass er die Black Litterman-Optimierung zwar nicht persönlich verwendet hat, es sich jedoch um eine Iteration der Begrenzung handelt. Abschließend teilt Bernut seinen persönlichen Ansatz mit, offenes Risiko und relative risikobereinigte Rendite zu nutzen, um das Risiko in seinem eigenen Handel zu steuern.
  
  
• 01:45:00 Laurent Bernut spricht über seine Vorliebe für die unabhängige Verwaltung von Aktien anstelle eines zusammengesetzten Ansatzes. Was die Zeitrahmen betrifft, handelt er täglich, da der Markt auf dieser Ebene zahlreiche Möglichkeiten bietet. Er glaubt auch, dass es einfacher ist, über längere Zeiträume eine positive Erwartung zu haben, dies könnte jedoch zu geringeren Renditen und langsameren Umsätzen führen. Abschließend geht Bernut auf die Herausforderung des Handels gegen Computer ein und erinnert uns daran, dass wir mit ihnen konkurrieren, anstatt von ihnen bestraft zu werden.
  
  
• 01:50:00 Laurent Bernut diskutiert den Einsatz von KI und maschinellem Lernen im Einzelhandel. Er glaubt, dass der Einsatz von KI und maschinellem Lernen für Marktvorhersagen zwangsläufig scheitern wird, weil der Zufall bestehen bleibt. Der Aufbau von Institutionen für Einzelhändler ist einfacher als man denkt. Man kann großen Institutionen folgen, indem man beobachtet, wohin sich die Volumina bewegen und welche Aktientrends sich entwickeln. Während Einzelhändler im Hochfrequenzhandel nicht gegen große Institutionen antreten können, können sie jederzeit Trends und Nischen handeln, die keiner umfangreichen Recherche bedürfen. Alles in allem rät Bernut davon ab, im Pick-by-Pick-Handel mit großen Institutionen zu konkurrieren, und empfiehlt, Bereiche zu finden, die einen einfacheren Einstieg und Erfolg ermöglichen.
  
  
• 01:55:00 Laurent Bernut erläutert, wie Leerverkäufer den Vorteil haben, Informationen schneller zu verarbeiten als Analysten, und wie wichtig es ist, seine Nische zu finden und sich auf negative Erwartungen zu konzentrieren. Auf die Frage, ob man eine Shorting-Denkweise beibehalten soll, rät Bernut, bescheiden zu bleiben und zu akzeptieren, wenn man falsch liegt, weiterzumachen und Stop-Losses zu setzen. Er vergleicht die Bestandsjagd sogar mit dem Fischen und erklärt, wie man beim Beschneiden der Bestände rücksichtslos vorgeht und das Netz weit auswirft. Abschließend geht er auf die Frage ein, ob Nieder- und Mittelfrequenzhändler eine Chance gegenüber Hochfrequenzhändlern haben, und stellt fest, dass es nicht darauf ankommt, dass HFT profitabler ist, sondern vielmehr darum, dass jeder Händler seine eigene Nische findet und auf seine Weise erfolgreich ist.
  
  
• 02:00:00 Der Redner erörtert die Rolle von HFTs im Handel und wie sie im Wesentlichen als Steuer fungieren, die in jedem Fall eine Senkung erfährt. Er erwähnt auch, dass das Gewinnen im HFT ein Wettrüsten ist und es entweder darum geht, dass man die Nase vorn hat oder dass man für das Mittagessen eines anderen bezahlt. Anstatt Trends zeitlich zu betrachten, glaubt er, dass Zeit der falsche Behälter ist und es besser ist, stattdessen das Regime zu betrachten. In Bezug auf das Long- und Short-Engagement spricht er über die Standardmodelle mit Long-Extension 130/30 oder 140/40, die von Quants oder Revolverhelden in Investmentfonds verwendet werden. Diese sind beliebt, weil sie im Asset-Allokationsspiel immer noch nur als Long-Positionen eingestuft werden. Er schlägt jedoch vor, einen anderen Netto-Beta-Benchmark als nur Brutto-Engagementniveaus in Betracht zu ziehen.
  
  
• 02:05:00 Der Referent erklärt, wie die 130/30-Strategie hinsichtlich der Vermögensallokation funktioniert und wie der Rest noch als langfristig eingestuft wird. Die 130/30-Strategie bedeutet, 130 % Long- und 30 % Short-Positionen zu haben, was ein Nettoengagement von 100 % und einen Barbestand nahe Null ergibt. Die Fonds, die diese Strategie anwenden, können immer noch als Long-Only-Fonds eingestuft werden und an ihren jeweiligen Indizes gemessen werden. Der Redner bringt einen interessanten akademischen Punkt dazu vor, ob ein Netto-Beta-Mandat möglich wäre, teilt jedoch mit, dass es sich um eine technische Frage handele, an die er bisher noch nicht gedacht habe. Die Sitzung endet hier mit einem Vorschlag, Feedback zu geben und Fragen zu stellen, sowie einer Erinnerung, an der nächsten Sitzung über die Verwendung von Stimmungs- und alternativen Daten im Handel teilzunehmen.

[MetaQuotes]

Wie man die besten Aktien auswählt und Live-Handel durchführt von Dr. Hui Liu | Tag 2 der Algo-Handelswoche

Wie man die besten Aktien auswählt und Live-Handel durchführt von Dr. Hui Liu | Tag 2 der Algo-Handelswoche

Während der Einführung in Tag 2 der Algo Trading Week würdigt der Redner die vorherigen Sitzungen mit Experten für Quant- und Algo-Trading. Sie erwähnen kurz die wertvollen Erkenntnisse dieser Experten und bereiten damit die Bühne für die Präsentation des Tages. Der Schwerpunkt von Tag 2 liegt auf der Auswahl der besten Aktien und der Teilnahme am Live-Handel, wobei Dr. Hui Liu als Moderator die Führung übernimmt.

Der Redner hebt auch den laufenden Algo-Trading-Wettbewerb hervor, der drei verschiedene Tests umfasst, die die Grundlagen des quantitativen und algorithmischen Handels abdecken. Die Gewinner des Wettbewerbs werden im September bekannt gegeben, was der Veranstaltung Vorfreude und Spannung verleiht. Darüber hinaus verrät der Redner, dass die Sitzung am nächsten Tag eine zweistündige Meisterklasse zum Thema Leerverkäufe unter der Leitung von Aloha Bendu sein wird. Der Zeitpunkt dieses Kurses wird angepasst, um Teilnehmern aus verschiedenen Zeitzonen gerecht zu werden.

Dr. Hui Liu beginnt seine Präsentation mit der Erörterung des Prozesses der Generierung einer Handelsidee, ihrer Validierung und der Konstruktion eines Modells für maschinelles Lernen, um ihre historische Leistung zu testen. Er schlägt vor, dass Händler Ideen ableiten können, indem sie Finanzberichte lesen oder Social-Media-Plattformen überwachen, um die Leistung eines Unternehmens zu beurteilen. Dr. Liu stellt außerdem den SPY ETF vor, der den S&P 500 Index abbildet und als wertvolle historische Datenquelle dient. Er betont, wie wichtig es ist, statistische Modelle einzusetzen und Backtesting durchzuführen, um Handelsideen zu validieren, bevor man mit der Entwicklung eines Handelsroboters mit iBridgePi fortfährt.

Anschließend erläutert Dr. Liu die Grundlagen des Trendhandels und die Bedeutung des Kaufs zu einem niedrigen Preis und des Verkaufs zu einem hohen Preis. Er erläutert die Sammlung historischer Daten und die Verwendung von Python auf Jupyter Notebook zur Entwicklung eines Modells für maschinelles Lernen. Dr. Liu zeigt, wie das Modell zur Erstellung eines Aktien-Screeners eingesetzt werden kann, der bei der Identifizierung der vielversprechendsten Aktien für Handelszwecke hilft. Er unterstreicht die Bedeutung der Überprüfung von Handelsideen durch Backtesting und Live-Handel.

In seinem nächsten Abschnitt liefert Dr. Liu eine praktische Demonstration der Verwendung von Python zum Abrufen historischer Daten von der Yahoo Finance API und deren Bearbeitung zum Aufbau eines Modells für maschinelles Lernen. Konkret ruft er tägliche Balkendaten für den SPY ab und nutzt die Funktion „Historische Daten anfordern“. Dr. Liu fügt den Daten zusätzliche Spalten hinzu, die die prozentuale Änderung des Schlusskurses vom Vortag zum aktuellen Tag sowie vom aktuellen Tag zum Folgetag berechnen. Er erklärt, dass eine negative Veränderung des Schlusskurses von gestern auf heute in Kombination mit einer positiven Veränderung von heute auf morgen eine Gelegenheit zum Kauf von Aktien darstellt, wenn der Preis sinkt, da seine Prognose auf einen bevorstehenden Preisanstieg hindeutet.

Der Prozess der Erstellung eines maschinellen Lernmodells zur Vorhersage von Aktienkursen wird anschließend von Dr. Liu detailliert beschrieben. Er erfasst Daten zum Schlusskurs, zur gestrigen Preisänderung und zur Preisänderung von heute auf morgen. Mithilfe eines linearen Regressionsmodells passt er die Daten an und analysiert die Ergebnisse. Dr. Liu zeigt ein Diagramm an, in dem die schwarze Linie die Vorhersagen des maschinellen Lernmodells darstellt, während verstreute Datenpunkte die täglichen Aktienkurse von Yahoo Finance für den S&P 500 darstellen. Er erklärt, dass ein negativer Koeffizient eine negative Korrelation bedeutet, was darauf hinweist, dass, wenn die Sinkt der Preis, steigt er wahrscheinlich und umgekehrt. Dr. Liu erwägt die Möglichkeit, dieses Modell für den automatisierten Handel zu nutzen, um potenziell Gewinne zu erzielen.

Dr. Liu geht weiter auf den Prozess der Auswahl der besten Aktien und der Teilnahme am Live-Handel ein. Er empfiehlt Händlern, den Preis am Ende des Handelstages zu prüfen, um seine Aufwärts- oder Abwärtsbewegung festzustellen, bevor sie in der Nähe des Marktschlusses Aufträge erteilen. Er demonstriert den Aufbau eines Aktien-Screeners, um Einblicke in die Leistung des Modells bei verschiedenen Aktien zu gewinnen und günstige Aktien zu identifizieren, denen man folgen sollte. Dr. Liu räumt ein, dass sein Modell relativ simpel ist und sich auf den Preis von gestern verlässt, um den Preis von morgen vorherzusagen, und erwägt daher die Einbeziehung fortschrittlicher Indikatoren wie der Moving Average Convergence Divergence (MACD), um die Vorhersagegenauigkeit zu verbessern und Geschäfte zu filtern.

Die Nutzung des MACD zur Vorhersage und Filterung von Aktien wird von Dr. Liu untersucht, zusammen mit einem Vergleich mit dem Buy-Low-Sell-High-Modell. Er stellt die Ergebnisse vor, die bei der Verwendung von MACD 10 und 30 beim SPY erzielt wurden, und zeigt einen relativ schwachen Trend auf. Folglich kommt Dr. Liu zu dem Schluss, dass die Verwendung des MACD für zukünftige Vorhersagen möglicherweise nicht mehr zu so günstigen Ergebnissen führt wie zuvor. Anschließend erörtert er den Aufbau eines statistischen Modells für maschinelles Lernen und betrachtet das Modell „Niedrig kaufen, hoch verkaufen“ als potenzielles Mittel zur Gewinngenerierung. Dr. Liu hebt Average Pi hervor, eine Python-Plattform, die Backtesting und Live-Handel erleichtert, und unterstreicht ihre 100-prozentige Datenschutzfunktion, Kompatibilität mit mehreren Konten und Flexibilität in Bezug auf Datenanbieter. Er veranschaulicht die Einfachheit und Effizienz der Erstellung eines Buy-Low-Sell-High-Modells in Average Pi mit nur wenigen Codezeilen.

Dr. Liu erklärt den Prozess der Einrichtung einer Konfiguration für den Handel mit Algo Trading Week Tag 2. Er betont die Ausführung der Initialisierungsfunktion zu Beginn, um Variablen zu definieren und die Konfiguration festzulegen. Als Beispiel plant er die Funktion „Niedrig kaufen, teuer verkaufen“ so ein, dass sie jeden Handelstag eine Minute vor Marktschluss ausgeführt wird, und weist sie an, 100 % des Portfolios in den SPY zu investieren, wenn der gestrige Preis niedriger als der heutige war. Dr. Liu befasst sich intensiv mit dem Thema Backtesting und veranschaulicht, wie historische Daten von Brokern oder Drittanbietern in verschiedenen Zeitrahmen genutzt werden können, darunter Minute für Minute, stündlich oder täglich.

Als nächstes demonstriert Dr. Liu den Prozess des Backtestings einer ausgewählten Strategie unter Verwendung verschiedener Datenanbieter und -pakete. Er empfiehlt, eine Startzeit und eine Endzeit für den Backtesting-Zeitraum auszuwählen und den ausgewählten Datenanbieter für die Durchführung zu bestätigen. Beim Übergang in den Demomodus stellt Dr. Liu den Prozess vor und weist darauf hin, dass Datenanbieter wie Interactive Brokers (IB) oder lokale historische Daten für Backtesting-Strategien verwendet werden können. Er bietet Anleitungen zur Konfiguration des Backtesting-Setups unter Verwendung verfügbarer historischer Daten, die in lokalen Dateien gespeichert sind.

Anschließend demonstriert Dr. Liu die Verwendung von Backtesting zum Testen der Wirksamkeit einer Handelsstrategie anhand historischer Daten. Er ist sich der Herausforderung bewusst, aussagekräftige tägliche Balkendaten für umfangreiche Backtesting-Zeiträume zu erhalten. Um dieses Hindernis zu überwinden, führt er das Konzept der simulierten Minutenbalkendaten ein, bei dem der Schlusskurs des Tagesbalkens zur Simulation der Daten verwendet werden kann. Dies vereinfacht den Prozess für Händler, die Schwierigkeiten haben, auf die genauen Daten zuzugreifen, die für Backtesting-Zwecke erforderlich sind.

Dr. Liu präsentiert die Ergebnisse des Backtestings eines „Buy-and-Hold-Sell-High“-Modells im Vergleich zu einer Buy-and-Hold-Strategie für den S&P 500 von 2000 bis 2020. Das Modell übertrifft die Buy-and-Hold-Strategie, was zu einem Portfolio führt Wert von 800.000 $ im Vergleich zu 200.000 $. Er räumt ein, dass das Modell trotz der geringen Korrelation, die durch einfache lineare Regression beobachtet wird, immer noch positive Ergebnisse liefert. Dr. Liu geht dann zum Thema Live-Handel über und weist darauf hin, dass es so einfach sein kann, zwei Codezeilen zu ändern, um die gewünschte Strategie auszuwählen und den Kontocode für Interactive Brokers einzugeben, bevor das Programm ausgeführt wird. Er schließt die Präsentation mit der Einladung an die Teilnehmer ab, sich per E-Mail an ihn zu wenden, um Unterstützung bei der Codierung zu erhalten oder ein persönliches Treffen in San Jose, Kalifornien, zu vereinbaren.

Während der Frage-und-Antwort-Runde wird die Frage gestellt, wie sicher es ist, dass eine Backtest-Strategie bei Live-Trades identische Ergebnisse liefert. Dr. Liu erklärt, dass historische Daten zwar die Vergangenheit darstellen und das Modell möglicherweise statistische Stabilität aufweist, der Preis selbst jedoch volatil ist, insbesondere in der Nähe des Marktschlusses. Daher sind Abweichungen bei der Vorhersage der Zukunft unvermeidlich. Über einen längeren Zeitraum sollte das Gesamtmodell jedoch Bestand haben. Er weist darauf hin, dass er das lineare Regressionsmodell aufgrund seiner Einfachheit und leichten Verständlichkeit verwendet, räumt jedoch ein, dass ausgefeiltere Modelle des maschinellen Lernens möglicherweise bessere Ergebnisse liefern könnten. Dr. Liu geht auch auf die Frage von Transaktionskosten und Slippage ein und weist darauf hin, dass diese bei der Umsetzung von Live-Trading-Strategien berücksichtigt werden sollten und einen Einfluss auf die Gesamtleistung der Strategie haben können.

Eine weitere Frage wird hinsichtlich der Verwendung anderer technischer Indikatoren in Verbindung mit dem Modell „Niedrig kaufen, hoch verkaufen“ aufgeworfen. Dr. Liu antwortet, indem er die Flexibilität der Average Pi-Plattform hervorhebt, die es Händlern ermöglicht, zusätzliche Indikatoren in ihre Strategien zu integrieren. Er erwähnt, dass der Moving Average Convergence Divergence (MACD)-Indikator eine wertvolle Ergänzung zum Filtern von Trades und zur Verbesserung der Vorhersagegenauigkeit sein könnte.

Ein Teilnehmer fragt nach der Bedeutung des Zeitintervalls zwischen dem Handelssignal und dem Marktschluss. Dr. Liu erklärt, dass das gewählte Zeitintervall von individuellen Vorlieben und Handelsstrategien abhängt. Abhängig von der gewünschten Handelsausführungszeit kann es einige Minuten oder sogar Stunden dauern, bis der Markt schließt. Er rät Händlern, mit verschiedenen Zeitintervallen zu experimentieren, um herauszufinden, was für ihre spezifischen Strategien am besten funktioniert.

Als Antwort auf eine Frage zu den Auswirkungen der Marktvolatilität auf das Modell „Niedrig kaufen, hoch verkaufen“ räumt Dr. Liu ein, dass eine erhöhte Volatilität potenziell mehr Handelsmöglichkeiten schaffen kann. Er warnt jedoch davor, dass eine höhere Volatilität auch ein höheres Risiko mit sich bringt und Händler ihre Risikotoleranz sorgfältig abwägen und ihre Strategien entsprechend anpassen sollten.

Ein Teilnehmer fragt nach den möglichen Einschränkungen des Buy-Low-Sell-High-Modells. Dr. Liu erkennt an, dass die Einfachheit des Modells sowohl eine Stärke als auch eine Einschränkung darstellt. Obwohl damit positive Ergebnisse erzielt werden können, kann es sein, dass es komplexere Marktdynamiken nicht erfasst und möglicherweise bestimmte Handelsmöglichkeiten verpasst. Er schlägt vor, dass Händler, die fortgeschrittenere Strategien und Modelle erkunden möchten, tiefer in die quantitative Finanzwelt eintauchen und andere Algorithmen für maschinelles Lernen erkunden sollten.

Die Frage-und-Antwort-Runde endet damit, dass Dr. Liu seine Bereitschaft zum Ausdruck bringt, den Teilnehmern bei weiteren Fragen oder bei der Codierung behilflich zu sein, und sie dazu ermutigt, sich per E-Mail an ihn zu wenden.

• 00:00:00 Der Redner stellt Tag 2 der Algo Trading Week vor und erwähnt kurz die vorherigen Sitzungen mit Experten für Quant- und Algo Trading. Der Schwerpunkt der Präsentation des Tages liegt auf der Auswahl der besten Aktien und dem Live-Handel, präsentiert von Dr. Hui Liu. Der Redner geht außerdem kurz auf die Algo Trading Competition und ihre drei verschiedenen Tests zu den Säulen des quantitativen und algorithmischen Handels ein, deren Gewinner Ende September bekannt gegeben werden. Die morgige Sitzung wird ein zweistündiger Meisterkurs zum Thema Leerverkäufe von Aloha Bendu sein, der je nach Standort des Teilnehmers früher als üblich durchgeführt wird.
  
  
• 00:05:00 Dr. Hui Liu erläutert, wie man eine Handelsidee entwickelt, sie validiert und dann ein maschinelles Lernmodell erstellt, um die Leistung in der Vergangenheit zu testen. Er schlägt vor, dass das Lesen von Finanzberichten oder die Nutzung sozialer Medien, um ein Gefühl für die Leistung eines Unternehmens zu bekommen, eine Möglichkeit sein kann, eine Handelsidee zu entwickeln. Anschließend spricht er über den SPY ETF, der den S&P 500-Index abbildet, und wie er als historische Datenquelle genutzt werden kann. Dr. Liu erwähnt auch die Verwendung statistischer Modelle und Backtesting zur Validierung der Handelsidee vor der Erstellung eines Handelsroboters mit iBridgePi.
  
  
• 00:10:00 Dr. Hui Liu erläutert die Grundlagen des Trendhandels und die Bedeutung des Kaufs zu einem niedrigen Preis und des Verkaufs zu einem hohen Preis. Aufbauend auf diesem Konzept erklärt er, wie man mit Python auf Jupyter Notebook historische Daten sammelt und ein Modell für maschinelles Lernen erstellt. Er zeigt auch, wie man mit dem Modell einen Aktien-Screener erstellt, der dabei helfen kann, die besten Aktien für den Handel zu identifizieren. Abschließend betont er, wie wichtig es ist, Ihre Handelsideen durch Backtesting und Live-Handel zu überprüfen.
  
  
• 00:15:00 Dr. Hui Liu zeigt, wie man mit Python historische Daten von der Yahoo Finance API abruft und die Daten manipuliert, um ein Modell für maschinelles Lernen zu erstellen. Die Daten werden für SPY mit einem Tagesbalken abgerufen und die Funktion zum Abrufen historischer Daten ist „Historische Daten anfordern“. Um ein Modell für maschinelles Lernen zu erstellen, fügt Dr. Liu einige Spalten hinzu, die die Schlusspreisänderung von gestern auf heute und von heute auf morgen in Prozent berechnen. Er erklärt, dass wenn die Schlusskursänderung von gestern auf heute negativ und die Schlusskursänderung von heute auf morgen positiv ist, dies bedeutet, dass eine Gelegenheit besteht, Aktien zu kaufen, wenn der Preis sinkt, da seiner Prognose zufolge der Preis fallen wird hoch.
  
  
• 00:20:00 Dr. Hui Liu erklärt seinen Prozess zum Aufbau eines maschinellen Lernmodells zur Vorhersage von Aktienkursen. Er beginnt mit dem Sammeln von Daten zum Schlusskurs, der gestrigen Preisänderung und der Preisänderung von heute auf morgen. Anschließend verwendet er ein lineares Regressionsmodell, um die Daten anzupassen und die Ergebnisse zu analysieren. Die schwarze Linie im Diagramm stellt die Vorhersagen des maschinellen Lernmodells dar, und die verstreuten Datenpunkte stellen die täglichen Aktienkurse von Yahoo Finance für den S&P 500 dar. Liu erklärt, dass ein negativer Koeffizient eine negative Korrelation bedeutet, was bedeutet, dass der Preis sinkt, wenn er sinkt Es ist wahrscheinlich, dass der Preis steigt, und wenn der Preis steigt, wird er wahrscheinlich sinken. Letztendlich überlegt Liu, ob dieses Modell für den automatisierten Handel genutzt werden kann, um möglicherweise einen Gewinn zu erzielen.
  
  
• 00:25:00 Dr. Hui Liu erläutert, wie man die besten Aktien auswählt und live handelt. Er schlägt vor, dass Händler den Preis am Ende eines Handelstages betrachten, um zu sehen, ob der Preis steigt oder fällt, und dann ihre Aufträge am Ende des Handelsmarktes erteilen. Er zeigt, wie man einen Aktien-Screener erstellt, um zu verstehen, wie das Modell für andere Aktien funktioniert und welche Aktie am besten zu verfolgen ist. Dr. Liu erklärt, dass sein Modell zu einfach ist, da er den Preis von gestern verwendet, um den morgigen Tag vorherzusagen. Daher erwägt er die Verwendung eines erweiterten Indikators wie Moving Average Convergence Divergence (MACD), um Trades vorherzusagen und zu filtern.
  
  
• 00:30:00 Dr. Hui Liu erläutert die Verwendung des MACD zur Vorhersage und Filterung von Aktien und wie es im Vergleich zum Modell „Niedrig kaufen, hoch verkaufen“ abschneidet. Er zeigt die Ergebnisse bei der Verwendung von MACD 10 und 30 bei Spy, die einen relativ schwachen Trend offenbaren, und kommt zu dem Schluss, dass die Verwendung von MACD für zukünftige Vorhersagen nicht mehr so erfolgreich sein wird wie zuvor. Dr. Liu erläutert den Aufbau eines statistischen Modells für maschinelles Lernen und die Überlegung, das Modell „Niedrig kaufen, teuer verkaufen“ in Betracht zu ziehen, um möglicherweise einen Gewinn zu erzielen. Anschließend geht er auf die Verwendung von Average Pi ein, einer Python-Plattform für Backtesting und Live-Handel, und betont dabei deren 100-prozentige Datenschutzfunktion, die die Verwaltung mehrerer Konten und die Verwendung eines beliebigen Datenanbieters für Backtesting ermöglicht. Abschließend erläutert Dr. Liu, wie man in Average Pi mit nur wenigen Codezeilen ein Buy-Low-Sell-High-Modell erstellt, und hebt dessen Einfachheit und Effizienz hervor.
  
  
• 00:35:00 Dr. Hui Liu erklärt den Prozess der Einrichtung einer Konfiguration für den Handel mit Algo Trading Week Tag 2. Dr. Liu führt die Initialisierungsfunktion zu Beginn der Ausführung aus, um Variablen zu definieren und die Konfiguration einzurichten. In einem Beispiel plant Dr. Liu die Funktion „Niedrig kaufen, teuer verkaufen“ so, dass sie jeden Handelstag eine Minute vor Marktschluss ausgeführt wird und 100 % seines Portfolios in SPY kauft, wenn der Preis gestern niedriger war als der Preis heute. Anschließend erklärt Dr. Liu, wie man Backtests anhand historischer Daten von Brokern oder Drittanbietern von Daten auf Minuten-, Stunden- oder Tagesbasis durchführt.
  
  
• 00:40:00 Dr. Hui Liu zeigt, wie Sie Ihre gewählte Strategie mit verschiedenen Datenanbietern und -paketen backtesten. Er erklärt, dass der einfachste Weg zum Backtest darin besteht, einen Startzeitpunkt und einen Endzeitpunkt für den Backtest zu wählen und dem Datenanbieter die Durchführung zu bestätigen. Dr. Liu wechselt in den Demo-Modus, um den Prozess zu zeigen, und erwähnt, dass man einen Datenanbieter wie IB oder lokale historische Daten verwenden kann, um seine Strategie erneut zu testen. Er gibt außerdem Anleitungen zur Einrichtung des Backtesting-Prozesses unter Verwendung historischer Daten, die in der lokalen Datei verfügbar sind.
  
  
• 00:45:00 Dr. Hui Liu zeigt, wie man Backtesting nutzt, um die Wirksamkeit einer Handelsstrategie anhand historischer Daten zu testen. Er erklärt, dass die Daten aussagekräftig sein müssen, Händler jedoch möglicherweise Schwierigkeiten haben, tägliche Balkendaten für lange Backtesting-Zeiträume zu finden. Um dieses Problem zu lösen, führt er jedoch das Konzept der simulierten Minutenbalkendaten ein, bei dem, wenn die Daten nicht verfügbar sind, der Schlusskurs des Tagesbalkens zur Simulation der Daten verwendet werden kann. Dies kann dazu beitragen, den Prozess für Händler zu vereinfachen, die Schwierigkeiten haben, die richtigen Daten für das Backtesting zu finden.
  
  
• 00:50:00 Dr. Hui Liu demonstriert die Ergebnisse des Backtestings eines „Buy Low Sell High“-Modells im Vergleich zu einer Buy-and-Hold-Strategie für den S&P 500 von 2000 bis 2020. Das Modell übertraf die Buy-and-Hold-Strategie Dies ergibt einen Portfoliowert von 800.000 US-Dollar im Vergleich zu 200.000 US-Dollar. Er stellt fest, dass die Korrelation mithilfe der einfachen linearen Regression zwar eine kleine Zahl war, aber dennoch zu guten Ergebnissen führte. Dr. Liu geht dann zum Live-Handel über, der seiner Meinung nach so einfach ist, dass man nur zwei Codezeilen ändert, um die Strategie auszuwählen und den Kontocode für IB (Interactive Brokers) einzugeben, bevor man das Programm ausführt. Zum Abschluss der Präsentation lädt er die Teilnehmer ein, sich per E-Mail an ihn zu wenden, um Hilfe bei der Codierung zu erhalten oder sich persönlich zu treffen, wenn sie sich gerade in San Jose, Kalifornien, aufhalten.
  
  
• 00:55:00 Dr. Hui Liu beantwortet eine Frage zur Sicherheit einer Backtest-Strategie, die bei Live-Trades identische Ergebnisse liefert. Er erklärt, dass historische Daten nur der Vergangenheit angehören und ein Modell zwar statistisch stabil sein mag, der Preis jedoch volatil ist, insbesondere in der Nähe des Marktschlusses. Daher wird es immer Variationen geben, um die Zukunft vorherzusagen, aber für einen langen Zeitraum wird das Gesamtmodell immer noch wahr sein. Er weist darauf hin, dass er das lineare Regressionsmodell verwendet, weil es am einfachsten zu verstehen ist, aber auch andere Modelle verwendet werden können, beispielsweise das Random-Forest-Modell. Es wäre jedoch schwierig, das Modell kurz zu erklären, und es sollten einfachere Modelle verwendet werden, um eine Überanpassung zu vermeiden.
  
  
• 01:00:00 Dr. Liu erläutert, wie häufig ein Modell neu trainiert werden muss und wie das Risiko durch Stop-Loss oder Take-Profit gesteuert werden kann. Er schlägt vor, dass die Umschulung von der Art des Modells und der Datenmenge abhängt, über die Sie verfügen; Mehr Daten führen zu besseren Ergebnissen und einer besseren Vorhersagbarkeit. Wenn es um das Risikomanagement durch Stop-Loss geht, weist er darauf hin, dass es zwar schwierig ist, es direkt in das Modell einzubauen, es aber in ein Backtesting-Framework integriert werden kann, um einen Stop-Loss-Punkt einzurichten und die Ergebnisse mit einer Strategie ohne Stop-Loss zu vergleichen. Abschließend warnt er reguläre Händler davor, sich auf den Hochfrequenzhandel einzulassen, da es in diesem Bereich keine Möglichkeit gibt, die Institutionen zu schlagen.
  
  
• 01:05:00 Dr. Hui Liu bespricht die niedrigste Ebene, die für Backtests erforderlich ist, und die Datenmenge, die für zuverlässige Ergebnisse erforderlich ist. Er sagt, dass die niedrigste Stufe für zuverlässige Tests die höchste Anzahl an Datenpunkten ist, die Sie erhalten können, und dass Sie Ihr Urteil auf der Grundlage der täglichen oder stündlichen Balken fällen sollten. Er schlägt vor, dass Sie beim Vergleich der Anzahl der Faktoren mit Ihrem Modell für jeden Faktor hundert Datenpunkte haben sollten, die zu Ihrem Modell passen, sonst wird Ihr Modell nicht so gut sein. Abschließend bedanken sich die Gastgeber bei Dr. Liu und kündigen den nächsten Kurs an.

[MetaQuotes]

Wie man ein erfolgreicher Quant wird | Dr. Ernest Chan | Tag 1 der Algo-Handelswoche

Wie man ein erfolgreicher Quant wird | Dr. Ernest Chan | Tag 1 der Algo-Handelswoche

Die Frage-und-Antwort-Runde mit Dr. Ernest Chan beginnt damit, dass der Redner einen algorithmischen Handelswettbewerb vorstellt, der Anfängern die Möglichkeit geben soll, die Grundlagen des algorithmischen Handels zu erlernen, und Experten gleichzeitig die Möglichkeit gibt, ihr Wissen aufzufrischen. Der Wettbewerb bietet Preise wie Stipendien und Leistungszertifikate für die drei besten Gewinner. Dr. Chan, Gründer und CEO von PredictNow.ai und QTS Capital Management sowie Autor von drei Büchern über quantitativen Handel, teilt sein Fachwissen mit dem Publikum.

Dr. Chan betont zunächst die Dominanz des quantitativen Handels im letzten Jahrzehnt. Schätzungen gehen davon aus, dass bis zu 90 % des Handelsvolumens an US-Börsen auf algorithmischen Handel zurückzuführen sind. Er behauptet zwar nicht, dass quantitativer Handel dem diskretionären Handel überlegen ist, betont jedoch, wie wichtig es ist, die Möglichkeit zur Automatisierung oder Systematisierung von Handelsstrategien nicht zu übersehen. Im Hinblick auf den Wettbewerb einzelner Händler mit Institutionen schlägt Dr. Chan vor, dass Nischenstrategien mit begrenzter Kapazität die besten Chancen bieten. Diese Strategien sind für große Institutionen oft unattraktiv und erfordern seltenen Handel, was sie zu einer praktikablen Option für unabhängige Händler macht.

Die Diskussion wird fortgesetzt, indem Dr. Chan darauf eingeht, wie wichtig es ist, eine Nische im algorithmischen Handel zu finden, in der große Institutionen nicht konkurrieren. Er rät vom direkten Wettbewerb mit großen Playern ab und empfiehlt, Bereiche aufzusuchen, in denen es wenig bis gar keine Konkurrenz gibt. Dr. Chan beantwortet Fragen zur Bedeutung eines Doktortitels. im quantitativen und algorithmischen Handel. Er betont, dass es entscheidend ist, „im Spiel zu sein“, also das eigene Geld aufs Spiel zu setzen, um ein erfolgreicher Quant zu werden. Er schlägt vor, dass sich Händler darauf konzentrieren, ein intuitives Verständnis des Marktes zu entwickeln, indem sie selbst Handelsstrategien testen und Blogs und Bücher über den Handel lesen, anstatt sich nur auf theoretisches Wissen zu verlassen.

Dr. Chan rät, dass ein erfolgreicher quantitativer Trader praktische Erfahrung und Marktverständnis über einen Doktortitel stellen sollte. Er weist darauf hin, dass es Zeit braucht, um ein erfolgreicher Quant-Fonds zu werden, und empfiehlt, sich bei der Aufnahme in einen Top-Quant-Fonds durch das Verfassen origineller Forschungsergebnisse in Form eines Whitepapers zu profilieren, das sich auf eine Handelsstrategie oder ein bestimmtes Marktphänomen konzentriert. Er weist darauf hin, dass eine kurze Erfolgsbilanz, beispielsweise ein einziger erfolgreicher Handel, nicht ausreicht, um Beständigkeit und Wissen zu beweisen. Als Antwort auf eine Frage zur Integration von Auftragsflussdaten in Handelsstrategien erkennt Dr. Chan deren Wert als Indikator an, betont jedoch, dass sie in Verbindung mit anderen Indikatoren verwendet werden sollten, da kein einzelner Indikator für sich genommen umfassend sei.

Die Grenzen der Verwendung einzelner Indikatoren zum Aufbau einer Handelsstrategie werden von Dr. Chan erörtert. Er weist darauf hin, dass viele Menschen diese Indikatoren verwenden, was ihre Wirksamkeit verringert. Er schlägt vor, sie als eine von vielen Funktionen in ein maschinelles Lernprogramm zu integrieren. Auf die Frage nach Altersdiskriminierung in der Quant-Branche hebt Dr. Chan hervor, dass Altersdiskriminierung kein Problem darstellt, wenn jemand als Einzelunternehmer tätig ist. Er teilt auch seine Meinung zum Einsatz von maschinellem Lernen zur Generierung von Alpha, warnt vor dem Risiko einer Überanpassung und empfiehlt es stattdessen als Instrument für das Risikomanagement. In Bezug auf den Handel mit geringer Latenz argumentiert Dr. Chan, dass quantitativer Handel in diesem Bereich eine Notwendigkeit sei. Abschließend weist er darauf hin, dass neben einer erfolgreichen Erfolgsbilanz auch Managementfähigkeiten für jeden, der einen quantitativ orientierten Hedgefonds gründen möchte, unerlässlich sind.

Dr. Chan betont, dass erfolgreiches Fondsmanagement nicht nur Handelsfähigkeiten, sondern auch Management- und Geschäftsentwicklungsfähigkeiten erfordert. Führungsqualitäten und ein betriebswirtschaftlicher Hintergrund sind von entscheidender Bedeutung. Auf die Frage nach dem quantitativen Verständnis des indischen Marktes räumt er ein, dass es vor allem aufgrund von Vorschriften an Wissen mangelt. Auf die Frage, wie viel Zeit man mit dem Papierhandel verbringen sollte, bevor man mit einer Strategie live geht, erklärt Dr. Chan, dass es auf die Effizienz des Handels ankomme. Bei Hochfrequenzhandelsstrategien, bei denen im Sekundentakt Geschäfte ausgeführt werden, können zwei Wochen Papierhandel ausreichen, um in Betrieb zu gehen. Umgekehrt kann bei Haltestrategien ein dreimonatiger Papierhandel erforderlich sein, um eine statistische Aussagekraft basierend auf der Anzahl der durchgeführten Geschäfte zu erzielen.

Dr. Chan erörtert außerdem, ob der Zeitreihenansatz immer noch der Kern des eigenen Alpha-Portfolios sein sollte, obwohl jüngste Studien zeigen, dass profitable Alphas größtenteils nicht preisbasiert sind. Er schlägt vor, an Branchenkonferenzen teilzunehmen, sich über Plattformen wie LinkedIn mit Fachleuten zu vernetzen und eine starke Erfolgsbilanz im Handel aufzubauen, um die Aufmerksamkeit erfahrener Quants zu erregen. Er ermutigt Einzelpersonen, Mentoren zu suchen und proaktive Schritte zu unternehmen, um potenzielle Mitarbeiter zu erreichen.

Anschließend gibt Dr. Chan Einblicke in die Einstellung und Schulung eines erfolgreichen quantitativen Handelsteams. Er empfiehlt, dass die eingestellten Personen über nachgewiesene Fachkenntnisse in der spezifischen Funktion verfügen sollten, auf die sich das Team konzentriert, sei es Risikomanagement, Derivatpreisgestaltung oder Datenwissenschaft. Wenn das Ziel des Teams darin besteht, profitable Handelsstrategien zu entwickeln, ist es am besten, jemanden einzustellen, der bereits über eine Erfolgsbilanz in diesem Bereich verfügt. Darüber hinaus betont Dr. Chan, dass es keinen allgemein idealen Markt für den Handel gibt und dass sich Teams auf das konzentrieren sollten, was sie am besten wissen. Er erklärt auch, wie Hochfrequenzhändler im Vergleich zu Mittel- und Niederfrequenzhändlern einen Vorteil bei der Vorhersage der kurzfristigen Marktrichtung haben.

Die Diskussion wird fortgesetzt, indem Dr. Chan sich mit der Herausforderung befasst, Marktbewegungen über kurze Zeiträume hinweg genau vorherzusagen, und mit der Komplexität, die mit der Nutzung von Hochfrequenzhandelsvorhersagen verbunden ist. Er teilt seinen persönlichen Handelsansatz mit, bei dem es darum geht, qualifizierte Händler einzustellen, anstatt selbst zu handeln. Dr. Chan betont, wie wichtig es ist, Händler mit starker Erfolgsbilanz einzustellen, unabhängig davon, ob sie diskretionäre oder quantitative Strategien anwenden. Auf die Frage nach seiner kumulierten jährlichen Wachstumsrate stellt er klar, dass er diese Informationen aufgrund der SEC-Vorschriften nicht offenlegen darf. Abschließend weist er darauf hin, dass Quant-Händler in der Regel nicht für alle Anlageklassen die gleiche Strategie anwenden, was es schwierig macht, Programmiersprachen wie Python und MATLAB für algorithmische Handelszwecke zu vergleichen.

Dr. Chan diskutiert die Verwendung von MATLAB und Python im Handel und räumt ein, dass er persönlich zwar MATLAB bevorzugt, verschiedene Händler jedoch ihre eigenen Vorlieben haben und die Wahl der Sprache nicht der entscheidende Faktor ist. Er glaubt, dass die Optimierung der Transaktionskosten selbst für Experten auf diesem Gebiet schwierig ist und daher für Händler keine vorrangige Priorität haben sollte. Was die Überarbeitung oder Umschulung von Strategien für maschinelles Lernen betrifft, schlägt er vor, dies nur dann zu tun, wenn sich das Marktregime erheblich ändert. Er empfiehlt außerdem, die Möglichkeiten durch das Erlernen neuer Sprachen wie Python oder MATLAB zu erweitern, um die Handelsfähigkeiten zu verbessern.

Dr. Chan schließt die Sitzung mit einer Karriereberatung für Personen ab, die daran interessiert sind, Quant-Trader zu werden. Er schlägt vor, verschiedene Bereiche wie den Optionshandel zu erkunden, um ein besseres Verständnis der persönlichen Stärken und Schwächen zu erlangen. Er erwähnt, dass sein aktueller Fokus darauf liegt, sein auf maschinellem Lernen basierendes Risikomanagementsystem breiter verfügbar zu machen, und stellt klar, dass er keine Pläne hat, in naher Zukunft eine zweite Auflage seines Buchs über maschinellen Handel zu veröffentlichen. Bei der Einstellung von Händlern achtet er auf eine lange und konsistente Erfolgsbilanz und empfiehlt den Einsatz von Zeitreihentechniken und ökonometrischen Modellen für den Handel in kurzen Zeiträumen. Ausstiegsstrategien sollten mit der spezifischen Handelsstrategie übereinstimmen und Stopp- oder Gewinnziel-Ausstiege entsprechend umgesetzt werden.

Am Ende des Videos bedankt sich der Moderator bei Dr. Ernest Chan für seine wertvollen Erkenntnisse und die Zeit, die er für die Beantwortung verschiedener Fragen im Zusammenhang mit der Entwicklung eines erfolgreichen Quants aufgewendet hat. Zuschauer werden gebeten, alle unbeantworteten Fragen per E-Mail zu senden, um sicherzustellen, dass sie beantwortet werden. Der Moderator kündigt für die kommende Woche weitere Sitzungen mit anderen geschätzten Gästen aus dem Bereich des algorithmischen Handels an, drückt seine Wertschätzung für die Unterstützung des Publikums aus und ermutigt es, weiterhin einzuschalten.

• 00:00:00 In dieser Frage-und-Antwort-Runde mit Dr. Ernest Chan werden neben vorab ausgewählten Fragen auch Fragen des Publikums beantwortet. Bevor er sich mit den Fragen und Antworten befasste, stellte der Redner den Wettbewerb zum algorithmischen Handel vor, der Anfängern die Möglichkeit bietet, die Grundlagen des algorithmischen Handels zu erlernen, und Experten gleichzeitig die Möglichkeit gibt, ihr Wissen aufzufrischen. Die drei besten Gewinner des Wettbewerbs erhalten Preise wie Stipendien und Leistungszertifikate. Dr. Chan ist Gründer und CEO von PredictNow.ai und QTS Capital Management sowie Autor von drei Büchern über quantitativen Handel.
  
  
• 00:05:00 Dr. Ernest Chan erklärt, dass quantitativer Handel bereits seit 10 Jahren eine dominierende Handelsform ist, wobei einige Schätzungen darauf hindeuten, dass bis zu 90 % des Handelsvolumens an US-Börsen auf algorithmischen Handel zurückzuführen sind. Er behauptet zwar nicht, dass quantitativer Handel besser ist als diskretionärer Handel, betont jedoch, dass es nicht klug wäre, die Möglichkeit zur Automatisierung oder Systematisierung der eigenen Strategie zu ignorieren. Wenn es um den Wettbewerb einzelner Händler mit Institutionen geht, schlägt Dr. Chan vor, dass Nischenstrategien mit begrenzter Kapazität die besten Chancen bieten. Diese Strategien sind für große Institutionen oft unattraktiv und erfordern seltenen Handel, was sie zu einer praktikablen Option für unabhängige Händler macht.
  
  
• 00:10:00 Dr. Ernest Chan erörtert, wie wichtig es ist, eine Nische im Algo-Handel zu finden, in der große Institutionen nicht konkurrieren, und wie wichtig es ist, Konkurrenz um jeden Preis zu vermeiden. Er rät davon ab, mit großen Playern zu konkurrieren und empfiehlt, eine Nische zu finden, in der es keine Konkurrenz gibt. Er beantwortet auch Fragen zur Bedeutung eines Doktortitels. im quantitativen und Algorithmenhandel, wo er darauf hinweist, dass es entscheidend ist, mitzuspielen, um ein erfolgreicher Quant zu werden. Ohne das eigene Geld aufs Spiel zu setzen, wird man nie lernen, zu handeln und sich auf zweitrangige Dinge wie Mathematik oder Datenwissenschaft zu konzentrieren. Es ist wichtig, ein intuitives Verständnis des Marktes zu entwickeln, indem Sie selbst Handelsstrategien testen und Blogs und Bücher zum Thema Handel lesen.
  
  
• 00:15:00 Dr. Ernest Chan rät, dass der Fokus eines erfolgreichen quantitativen Händlers auf den Märkten selbst liegen sollte und nicht auf theoretischen Kenntnissen, die er durch einen Doktortitel erworben hat. Er weist darauf hin, dass ein einziger Fokus auf praktische Erfahrung erforderlich ist und dass es Zeit braucht, um ein erfolgreicher Quant zu werden. Um sich von anderen abzuheben, wenn man sich einem Top-Quant-Fonds anschließen möchte, empfiehlt er, Originalrecherchen in Form eines Whitepapers zu verfassen, das sich auf eine Handelsstrategie oder ein bestimmtes Marktphänomen konzentriert. Er warnt auch davor, dass eine kurze Erfolgsbilanz, beispielsweise ein erfolgreicher Handel, allein nicht ausreicht, um Beständigkeit und Wissen zu beweisen. Als Antwort auf eine Folgefrage zur Einbeziehung von Auftragsflussdaten weist er darauf hin, dass es sich dabei um einen guten Indikator handele, der jedoch als alleiniger Indikator nicht ausreiche, und dass es viele andere Indikatoren gäbe, die in Verbindung verwendet werden sollten.
  
  
• 00:20:00 Dr. Ernest Chan erörtert die Grenzen der Verwendung einzelner Indikatoren zum Aufbau einer Handelsstrategie aufgrund der großen Anzahl von Personen, die sie verwenden. Er schlägt vor, sie als eine von vielen Funktionen in ein maschinelles Lernprogramm zu integrieren. Auf die Frage nach Altersdiskriminierung in der Quant-Branche weist Dr. Chan darauf hin, dass Altersdiskriminierung kein Problem darstellt, wenn jemand Einzelunternehmer ist. Er teilt auch seine Meinung zum Einsatz von maschinellem Lernen zur Generierung von Alpha, hebt das Risiko einer Überanpassung hervor und empfiehlt es stattdessen als Risikomanagement-Tool. Im Hinblick auf den Handel mit geringer Latenz argumentiert Dr. Chan, dass quantitativer Handel für diesen Bereich eine Notwendigkeit ist. Abschließend weist er darauf hin, dass neben einer erfolgreichen Erfolgsbilanz auch Managementfähigkeiten für jemanden, der einen quantitativ basierten Hedgefonds gründen möchte, unerlässlich sind.
  
  
• 00:25:00 Dr. Ernest Chan betont, dass erfolgreiches Fondsmanagement nicht nur Handelsfähigkeiten, sondern auch Management- und Geschäftsentwicklungsfähigkeiten erfordert. Daher sind Führungsqualitäten und ein betriebswirtschaftlicher Hintergrund von entscheidender Bedeutung. Auf die Frage nach dem quantitativen Verständnis des indischen Marktes gibt er zu, dass er vor allem aufgrund von Vorschriften keine Kenntnisse darüber habe. Auf die Frage, wie viel Zeit man mit dem Papierhandel verbringen sollte, bevor man mit einer Strategie live geht, erklärt Dr. Chan, dass es auf die Effizienz des Handels ankomme. Bei Hochfrequenzhandelsstrategien, die im Sekundentakt handeln, genügen zwei Wochen Papierhandel, um live zu gehen. Für Haltestrategien kann es hingegen erforderlich sein, drei Monate lang Papierhandel zu betreiben, um statistische Signifikanz auf der Grundlage der Anzahl der Merkmale zu erzielen. Abschließend erörtert er, ob der Zeitreihenansatz immer noch das Herzstück des eigenen Alpha-Portfolios sein sollte, obwohl jüngste Studien zeigen, dass profitable Alphas größtenteils nicht preisbasiert sind.
  
  
• 00:30:00 Dr. Ernest Chan schlägt vor, an Branchenkonferenzen teilzunehmen, sich über LinkedIn oder andere Plattformen mit Fachleuten zu vernetzen und eine starke Erfolgsbilanz im Handel aufzubauen. Er empfiehlt außerdem, Mentoren zu suchen und proaktiv auf potenzielle Kooperationspartner zuzugehen. Der Aufbau eines guten Rufs und die Bereitschaft, zu lernen und sich zu verbessern, können dazu beitragen, die Aufmerksamkeit erfahrener Quants zu erregen.
  
  
• 00:35:00 Dr. Ernest Chan erläutert, wie man ein erfolgreiches Team für quantitativen Handel anstellt und ausbildet. Er weist darauf hin, dass die eingestellte Person über nachgewiesene Fachkenntnisse in der spezifischen Funktion verfügen muss, auf die sich das Team konzentriert, sei es Risikomanagement, Derivatpreisgestaltung oder Datenwissenschaft. Wenn das Ziel des Teams darin besteht, profitable Handelsstrategien zu entwickeln, ist es am besten, jemanden einzustellen, der bereits über eine Erfolgsbilanz verfügt. Darüber hinaus gibt Chan an, dass es keinen allgemein guten Markt für den Handel gibt und dass sich Teams auf das konzentrieren sollten, was sie am besten wissen. Abschließend erörtert er, welchen Vorteil Hochfrequenzhändler bei der kurzfristigen Vorhersage der Marktrichtung im Vergleich zu Mittel- und Niederfrequenzhändlern haben.
  
  
• 00:40:00 Dr. Ernest Chan erörtert die Schwierigkeit, Marktbewegungen über kurze Zeiträume hinweg genau vorherzusagen, und die Herausforderung, Prognosen für den Hochfrequenzhandel zu nutzen. Er geht auch auf seinen persönlichen Handelsansatz ein, bei dem es darum geht, qualifizierte Händler einzustellen und nicht selbst zu handeln. Chan betont, wie wichtig es ist, Händler mit starker Erfolgsbilanz einzustellen, unabhängig davon, ob sie diskretionäre oder quantitative Strategien anwenden. Auf die Frage nach seiner kumulierten jährlichen Wachstumsrate gibt Chan an, dass er diese Informationen aufgrund der SEC-Vorschriften nicht offenlegen könne. Abschließend weist er darauf hin, dass Quant-Händler in der Regel nicht für alle Anlageklassen die gleiche Strategie verwenden und dass ein Vergleich von Python und MATLAB für den Algo-Handel schwierig ist.
  
  
• 00:45:00 Dr. Ernest Chan diskutiert den Einsatz von Matlab und Python im Handel. Obwohl er persönlich Matlab bevorzugt, räumt er ein, dass verschiedene Händler ihre eigenen Vorlieben haben und dass die Sprache nicht der wichtigste Aspekt ist. Er glaubt auch, dass die Optimierung der Transaktionskosten selbst für Experten auf diesem Gebiet schwierig ist und daher für Händler keine Priorität haben sollte. Wenn es darum geht, Strategien für maschinelles Lernen zu überarbeiten oder neu zu trainieren, schlägt er vor, dies nur dann zu tun, wenn sich das Marktregime drastisch geändert hat, und eine Weiterbildung durch das Erlernen neuer Sprachen wie Python oder Matlab kann Händlern dabei helfen, ihre Möglichkeiten zu erweitern.
  
  
• 00:50:00 Dr. Ernest Chan bespricht Karrieretipps für Personen, die daran interessiert sind, Quant-Trader zu werden. Er schlägt vor, verschiedene Bereiche auszuprobieren, beispielsweise den Optionshandel, um ein besseres Verständnis für die persönlichen Stärken und Schwächen zu erlangen. Er erwähnt auch, dass sein aktueller Fokus darauf liegt, sein auf maschinellem Lernen basierendes Risikomanagementsystem breiter verfügbar zu machen, und dass er nicht plant, in naher Zukunft eine zweite Auflage seines Buchs über maschinellen Handel zu veröffentlichen. Bei der Einstellung von Händlern achtet er auf eine lange und konsistente Erfolgsbilanz und empfiehlt den Einsatz von Zeitreihentechniken und ökonometrischen Modellen für den Handel in kurzen Zeiträumen. Er weist darauf hin, dass Exit-Strategien von der jeweiligen Handelsstrategie abhängen und schlägt die entsprechende Umsetzung von Stop- oder Gewinnziel-Exits vor.
  
  
• 00:55:00 Das Video endet damit, dass der Moderator Dr. Ernest Chan für seine Zeit und die aufschlussreichen Antworten auf eine Vielzahl von Fragen im Zusammenhang mit der Entwicklung eines erfolgreichen Quants dankt. Zuschauer werden gebeten, alle Fragen, die während der Sitzung nicht beantwortet wurden, per E-Mail zu senden, um sicherzustellen, dass sie beantwortet werden. Der Gastgeber kündigt an, dass es im Laufe der nächsten Woche weitere Sitzungen mit anderen geschätzten Gästen aus dem Bereich des Algo-Handels geben wird. Dem Publikum wird für seine Unterstützung gedankt und es wird ermutigt, weiterhin einzuschalten.

[MetaQuotes]

Bevor Sie sich mit quantitativem und algorithmischem Handel befassen ... [Podiumsdiskussion] | Tag 0 der Algo-Handelswoche

Bevor Sie sich mit quantitativem und algorithmischem Handel befassen ... [Podiumsdiskussion] | Tag 0 der Algo-Handelswoche

Die Algo Trading Week beginnt mit einer spannenden Podiumsdiskussion unter der Leitung des Gastgebers und mit Branchenexperten. Der Gastgeber lädt zunächst den Leiter der Marketing- und Outreach-Initiativen ein, einige Hintergrundinformationen zur Veranstaltung und ihrem Zweck zu geben. Der Marketingleiter erklärt, dass das Hauptziel der Algo Trading Week darin besteht, den algorithmischen Handel zugänglicher zu machen und ihn in den Mainstream zu bringen. Ziel der Veranstaltung ist es, dies durch verschiedene Bildungsinitiativen wie Webinare, Workshops und kostenlose Ressourcen zu erreichen. Darüber hinaus feiert Algo Trading Week das 11-jährige Firmenjubiläum und erstreckt sich über 7 bis 8 Tage und bietet eine breite Palette an Sitzungen und Wettbewerben.

Anschließend stellt der Redner seine Quantra-Kurse vor und betont, dass ein erheblicher Teil, etwa 20–25 Prozent oder mehr, der Kurse kostenlos verfügbar sind. Möglich wird dies durch die Unterstützung und Beiträge der Community. Der Redner bringt seinen Wunsch zum Ausdruck, mehr zu tun, und erklärt, wie dies dazu führte, dass sie ein einwöchiges Lernfestival organisierten. Das Festival bringt einige der besten Experten der Branche zusammen, die ihr Wissen und ihre Erkenntnisse teilen. Der Redner bedankt sich für die positiven Rückmeldungen.

Anschließend stellt der Redner die Panelmitglieder vor, die an der Diskussion teilnehmen werden. Dem Gremium gehören Ishaan an, der das Contra-Content-Team leitet, Nitish, der Mitbegründer und CEO von QuantInsti, Pradipta, der Vizepräsident von Blue Shift, und Rajiv, der Mitbegründer und CEO von iRage. Diese geschätzten Diskussionsteilnehmer bringen unterschiedliche Perspektiven und Fachkenntnisse mit.

Die Diskussion geht dann zum Thema der notwendigen Fähigkeiten und Bildungshintergründe über, die für eine Karriere im quantitativen und algorithmischen Handel erforderlich sind. Das Gremium betont, wie wichtig es ist, seine Interessen und Leidenschaften in Einklang zu bringen, bevor man sich in dieses Gebiet vertieft. Sie raten Einzelpersonen, bereit zu sein, viel Zeit und Mühe zu investieren, und betonen die Notwendigkeit eines klaren Verständnisses der Finanzmärkte, der Programmiermethoden sowie der Statistik und Ökonometrie. Das Gremium betont, dass Fachkenntnisse in einem oder zwei dieser Bereiche erforderlich sind, in allen dreien jedoch ein Mindestmaß an Qualifikationskriterien erfüllt sein muss. Das Gremium diskutiert auch, wie Kurzkurse Einzelpersonen dabei helfen können, die notwendigen Fähigkeiten zu entwickeln, um wettbewerbsfähige Akteure auf diesem Gebiet zu werden.

Anschließend befassen sich die Diskussionsteilnehmer mit den Vorteilen der Teilnahme an Kursen zum quantitativen und algorithmischen Handel. Sie unterstreichen, wie wichtig es ist, einem ordnungsgemäßen Handelsprozess zu folgen und Mathematik und Statistiken zu nutzen, um Marktanomalien zu untersuchen. In den Kursen werden die Fähigkeiten von Python vermittelt, die für das Backtesting und die Überprüfung von Hypothesen unerlässlich sind. Darüber hinaus erhalten die Teilnehmer die Möglichkeit, ihre Strategien auf Plattformen wie BlueShift zu Papier zu bringen oder live zu handeln. Die Diskussionsteilnehmer diskutieren außerdem die verschiedenen Alpha-Quellen in den Märkten und wie Privatanwender von der Nutzung von Recherche- und Live-Handelsplattformen profitieren können, anstatt sich ausschließlich auf vorgefertigte Strategien zu verlassen. Sie betonen, dass bei der Bewertung des Risikos einer Handelsstrategie nicht nur die Strategie isoliert betrachtet werden sollte, sondern auch ihre Auswirkungen auf die eigene Position und das Gesamtportfolio.

Die Bedeutung von Teststrategien und des Zugangs zu Alpha wird vom Gremium weiter erörtert. Sie betonen, wie wichtig es ist, Plattformen wie BlueShift für systematische Forschung zu nutzen, anstatt eine eigene Plattform aufzubauen, die andere Fähigkeiten und Prozesse erfordert. Die Diskussionsteilnehmer stellen fest, dass der Handel in verschiedene Stile eingeteilt werden kann und die Auswirkungen der Marktentwicklungen entsprechend unterschiedlich sind. Sie nutzen die Analogie maschinell lernender Schachprogramme, um zu veranschaulichen, wie die Quant-Trading-Branche von Fortschritten in der Technologie und Datenanalyse profitieren kann. Sie verdeutlichen auch das beträchtliche Informationsvolumen, das für Mittel- und Hochfrequenzhandelsstrategien aufgrund des erhöhten Marktvolumens und der Datenverfügbarkeit verfügbar ist.

Die Diskussionsteilnehmer verlagern ihren Fokus auf die Auswirkungen der Technologie auf den quantitativen und algorithmischen Handel. Sie betonen die wachsende Bedeutung von Big Data und Automatisierung und erkennen an, dass Hochfrequenzhändler einem zunehmenden Wettbewerb ausgesetzt sind. Die Diskussionsteilnehmer gehen auf die Bedenken von Privatanlegern ein, die einen Einstieg in dieses Feld erwägen, und warnen davor, Strategien zu schnell umzusetzen.

Die Diskussionsteilnehmer betonen, wie wichtig es ist, eine Strategie gründlich zu testen und zu verstehen, bevor man in sie investiert. Sie unterstreichen die Notwendigkeit, die Gefahren einer überstürzten Umsetzung ohne ordnungsgemäße Bewertung zu vermeiden. Sie betonen, dass es entscheidend ist, zu verstehen, warum eine bestimmte Strategie erfolgreich sein soll, bevor man sie anwendet.

Die Diskussionsteilnehmer betonen, wie wichtig es ist, sich auf Inputs wie Alpha-Ideen, Tests und Risikomanagement zu konzentrieren, um die Erfolgswahrscheinlichkeit beim Handel zu erhöhen. Sie erkennen an, dass dieser Prozess langsam und langwierig erscheinen mag, es aber notwendig ist, dabei zu bleiben und übereilte Entscheidungen zu vermeiden. Für diejenigen, die den Übergang vom diskretionären zum systematischen Handel anstreben, empfehlen die Diskussionsteilnehmer den Erwerb grundlegender Kenntnisse des Markthandels, grundlegender Mathematik- und Strategiekenntnisse sowie der Programmierung, insbesondere Python. Sie raten Einzelpersonen auch, sich über erfolgreiche Händler zu informieren und aus ihren Erfahrungen zu lernen, um Verluste durch Versuch und Irrtum zu vermeiden.

Die Diskussionsteilnehmer erörtern die potenziellen Fallstricke des algorithmischen Handels und wie man sie vermeidet. Sie betonen, wie wichtig es ist, Verzerrungen in Strategien zu erkennen und durch gründliche Backtests und Analysen sicherzustellen, dass sie unter verschiedenen Marktbedingungen funktionieren. Die Diskussionsteilnehmer warnen davor, die Modellierung der Börsenaktivität zu unterschätzen, da mangelndes Verständnis dazu führen kann, dass Gelegenheiten verpasst oder die Handelsausführung bei Hochfrequenzhandelsstrategien erheblich verzögert wird. Sie empfehlen, bei der Strategieentwicklung systematisch vorzugehen und diese sowohl mit einfachen als auch mit komplexen Faktoren ausgiebig zu testen. Die Diskussionsteilnehmer schlagen vor, durch Kurse, Webinare und Übungen die notwendigen Fähigkeiten zu erwerben, um kompetente und erfolgreiche Quant-Trader zu werden.

Die Diskussionsteilnehmer geben wertvolle Ratschläge für Personen, die sich für den algorithmischen Handel interessieren. Sie warnen vor einer Voreingenommenheit, einer übermäßigen Abhängigkeit von Backtests und einem übermäßigen Vertrauen in hohe Renditen, ohne die damit verbundenen Risiken zu berücksichtigen. Die Diskussionsteilnehmer betonen außerdem, wie wichtig es ist, eine übermäßige Verschuldung zu vermeiden, und erinnern Händler daran, die damit verbundenen Risiken bei der Bewertung der Renditen zu berücksichtigen. Sie heben das Vorhandensein von Verzerrungen hervor, die Backtest-Ergebnisse verzerren können, und betonen die Notwendigkeit, diese Verzerrungen zu verstehen und angemessen anzugehen.

Die Referenten betonen, wie wichtig es ist, beim Backtesting die richtigen Tools und Methoden einzusetzen, um die Erfolgsaussichten im Handel zu verbessern. Sie heben die Möglichkeiten hervor, die sich mit dem Aufkommen von Open-Source-Systemen und datenwissenschaftlichen Bibliotheken ergeben, die für Händler, die über die Fähigkeit zur korrekten Interpretation von Daten verfügen, frei zugänglich sind. Darüber hinaus erwähnen sie die Möglichkeit, mithilfe der Cloud-Infrastruktur flexibel Server zu mieten, was zur Kostensenkung beitragen kann. Die Redner erkennen die Herausforderungen an, die mit dem Erreichen eines erfolgreichen Handels einhergehen, und betonen, wie wichtig es ist, objektiv und systematisch vorzugehen, um emotionale Einflüsse wie Angst und Gier bei Handelsentscheidungen zu vermeiden. Sie empfehlen die Teilnahme an Kursen wie denen von Quantra, um die Fähigkeiten im quantitativen und algorithmischen Handel zu verbessern.

Anschließend erörtert der Referent, wie wichtig es ist, alle Bausteine des Handels objektiv zu erlernen und sich der verschiedenen vorhandenen Strategien bewusst zu sein. Sie unterstreichen den Wert der Investition in die eigene Ausbildung, sei es im quantitativen und algorithmischen Handel oder in einem anderen Bereich. Der Redner kündigt einen Wettbewerb für Einzelpersonen an, die daran interessiert sind, die Grundlagen des Handels zu erlernen. Der Wettbewerb steht Händlern, Programmierern und allen offen, die ihr Wissen erweitern möchten. Der Wettbewerb besteht aus drei Quizfragen zu den Themen Finanzmärkte, Mathematik und Statistik sowie Programmierung und maschinelles Lernen. Der Referent stellt Ressourcen zur Prüfungsvorbereitung zur Verfügung.

Der Redner informiert ausführlich über das bevorstehende Quiz der Algo Trading Week und nennt die zu behandelnden Termine und Themen. Den Teilnehmern wird empfohlen, sich mit den angegebenen Ressourcen oder anderen von ihnen bevorzugten Mitteln vorzubereiten, da die Ergebnisse die endgültige Bestenliste bestimmen. Der Referent schlägt vor, alle drei Tests zu absolvieren, um die Chancen auf eine Platzierung unter den ersten drei oder zehn Teilnehmern zu erhöhen. Darüber hinaus erörtert der Redner die Hardware-Anforderungen, die für ein Quant-Setup erforderlich sind, und erklärt, dass die Ausführungshardware so einfach wie ein Laptop oder eine Mindestkonfiguration in der Cloud sein kann. Für fortgeschrittenere Forschungsfunktionen ist jedoch möglicherweise ein besserer Computer mit mindestens 4 GB RAM erforderlich.

Anschließend befasst sich das Gremium mit den Hardwareanforderungen für den Hochfrequenzhandel (HFT) und rechenintensiven Fonds. Sie betonen, dass HFT häufige Hardware-Upgrades und -Verbesserungen erfordert, um eine schnellere Börsenkonnektivität zu erreichen, was ein entscheidender Faktor bei ihrer Alpha-Generierung ist. Handelsstrategien, die Geschwindigkeit und umfangreiche Recherchen und Datenanalysen erfordern, erfordern eine Infrastruktur auf Serverniveau. Das Gremium warnt außerdem davor, algorithmischen Handel als „Fire-and-Forget“-Mechanismus zu behandeln, und betont die Notwendigkeit, die Strategieleistung regelmäßig zu überwachen und bei Bedarf Korrekturmaßnahmen zu ergreifen, selbst wenn ein cloudbasiertes Handelssystem verwendet wird.

Gegen Ende der Podiumsdiskussion danken die Diskussionsteilnehmer dem Publikum dafür, dass es zugeschaltet und aktiv an der Sitzung teilgenommen hat. Sie schätzen die Geduld, die sie während der einstündigen Diskussion gezeigt haben, und verabschieden sich bis zur nächsten Sitzung, die am nächsten Tag stattfinden wird. Die Podiumsdiskussion endet mit einer abschließenden Dankesrunde und Glückwünschen an alle Teilnehmer der Veranstaltung.

• 00:00:00 Der Gastgeber der Algo Trading Week eröffnet die Veranstaltung mit einer Podiumsdiskussion mit Branchenexperten. Der Gastgeber lädt den Leiter der Marketing- und Outreach-Initiativen ein, einige Hintergrundinformationen zur Veranstaltung und den Grund für ihre Entstehung zu geben. Der Marketingleiter erklärt, dass das Ziel darin besteht, den algorithmischen Handel zugänglicher zu machen und ihn durch Bildungsinitiativen wie Webinare, Workshops und kostenlose Ressourcen in den Mainstream zu bringen. Die Algo Trading Week ist eine Feier zum 11-jährigen Jubiläum des Unternehmens und wird in den nächsten 7 bis 8 Tagen eine Vielzahl von Sitzungen und Wettbewerben bieten.
  
  
• 00:05:00 Der Redner spricht über ihre Quantra-Kurse und gibt an, dass 20–25 Prozent oder mehr der Kurse aufgrund der Unterstützung und Beiträge der Community kostenlos sind. Sie erklärten, dass sie mehr tun wollten, was sie dazu veranlasste, ein einwöchiges Lernfestival mit einigen der besten Leute der Branche zu organisieren, um ihr Wissen zu teilen, was auf positive Resonanz stieß. Anschließend stellt der Redner die Panelmitglieder vor, darunter Ishaan, der das Contra-Content-Team leitet, Nitish, der Mitbegründer und CEO von QuantInsti, Pradipta, der Vizepräsident von Blue Shift, und Rajiv, der Mitbegründer und CEO von iRage. Die Diskussion geht dann zum Thema der notwendigen Fähigkeiten und Bildungshintergründe über, die für den quantitativen und algorithmischen Handel erforderlich sind.
  
  
• 00:10:00 Das Panel diskutiert, wie wichtig es ist, Interessen und Leidenschaft in Einklang zu bringen, bevor man in die Welt des quantitativen und algorithmischen Handels eintaucht. Sie weisen darauf hin, dass Einzelpersonen bereit sein müssen, viel Zeit und Mühe zu investieren und über ein klares Verständnis der Finanzmärkte, Programmiermethoden sowie Statistik und Ökonometrie verfügen müssen. Sie betonen, dass alle drei Säulen gleich wichtig sind und dass Fachwissen in einer oder zwei erforderlich ist, in allen drei jedoch ein Mindestmaß an Qualifikationskriterien erfüllt sein muss. Das Panel diskutiert auch, wie Kurzkurse den Benutzern dabei helfen können, die notwendigen Fähigkeiten zu erwerben, um wettbewerbsfähige Akteure auf diesem Gebiet zu werden.
  
  
• 00:15:00 Die Diskussionsteilnehmer diskutieren die Vorteile eines Kurses im quantitativen und algorithmischen Handel. Der Kurs betont, wie wichtig es ist, beim Handel einem ordnungsgemäßen Prozess zu folgen und Mathematik und Statistiken zur Untersuchung von Anomalien zu verwenden. Im Kurs werden die Fähigkeiten von Python vermittelt, um Ihre Hypothese erneut zu testen und zu verifizieren. Gleichzeitig erhalten Sie die Möglichkeit, Ihre Strategie auf Plattformen wie BlueShift zu Papier zu bringen oder live zu handeln. Die Diskussionsteilnehmer diskutieren außerdem die verschiedenen Alpha-Quellen in den Märkten und wie Privatanwender von der Nutzung von Research- und Live-Handelsplattformen profitieren können, anstatt sich auf vorgefertigte Strategien zu verlassen. Das Risiko einer Handelsstrategie besteht nicht nur für sich allein, sondern auch in Bezug auf Ihre Position und das Gesamtportfolio.
  
  
• 00:20:00 Das Panel diskutiert die Bedeutung des Testens von Strategien und des Zugangs zu Alpha, auch für Einzelhändler. Sie diskutieren auch die Vorteile der Nutzung einer Plattform wie Blueshift für systematische Forschung statt des Aufbaus einer eigenen Plattform, die andere Fähigkeiten und Prozesse erfordert. Der Diskussionsteilnehmer stellt fest, dass der Handel in verschiedene Stile unterteilt werden kann und die Auswirkungen der Marktentwicklungen entsprechend unterschiedlich sind. Sie verwenden eine Analogie zu Schachprogrammen für maschinelles Lernen, um zu erklären, wie die Quant-Trading-Branche von Fortschritten in der Technologie und Datenanalyse profitieren kann. Sie erwähnen auch das gestiegene Volumen an den Börsen und die große Menge an Informationen, die für Mittel- und Hochfrequenzhandelsstrategien verfügbar sind.
  
  
• 00:25:00 Die Referenten diskutieren die Auswirkungen der Technologie auf den Bereich des quantitativen und algorithmischen Handels. Big Data und Automatisierung werden immer wichtiger und Hochfrequenzhändler sehen sich einem stärkeren Wettbewerb ausgesetzt. Die Redner gehen auf die Bedenken von Privatanlegern ein, die einen Einstieg in dieses Feld erwägen, warnen sie vor den Gefahren einer zu schnellen Umsetzung von Strategien und betonen, wie wichtig es ist, eine Strategie vor einer Investition gründlich zu testen und zu verstehen. Es ist wichtig zu verstehen, warum eine bestimmte Strategie erfolgreich sein wird, bevor man sie anwendet.
  
  
• 00:30:00 Die Konzentration auf Inputs wie Alpha-Ideen, Tests und Risikomanagement ist entscheidend, um eine höhere Erfolgswahrscheinlichkeit sicherzustellen. Auch wenn es wie ein langsamer und langweiliger Prozess erscheinen mag, ist es notwendig, dabei zu bleiben und eine überstürzte Umsetzung zu vermeiden. Für diejenigen, die den Übergang vom diskretionären zum systematischen Handel anstreben, ist es wichtig, sich ein grundlegendes Verständnis des Markthandels, grundlegende Mathematik- und Strategiekenntnisse sowie Programmierung (insbesondere Python) anzueignen. Es wird außerdem empfohlen, sich über erfolgreiche Händler zu informieren und zu vermeiden, durch Versuch und Irrtum Geld zu verlieren.
  
  
• 00:35:00 Die Diskussionsteilnehmer diskutieren die potenziellen Fallstricke des algorithmischen Handels und wie man sie vermeiden kann. Sie betonen, wie wichtig es ist, etwaige Verzerrungen in einer Strategie zu identifizieren und durch Backtesting und Analyse sicherzustellen, dass sie in verschiedenen Marktregimen funktioniert. Darüber hinaus warnen sie davor, die Modellierung der Börsenaktivität zu unterschätzen, da mangelndes Verständnis bei Hochfrequenzhandelsstrategien zu verpassten Gelegenheiten oder erheblichen Verzögerungen bei der Handelsausführung führen kann. Die Referenten empfehlen, bei der Strategieentwicklung systematisch vorzugehen und diese ausführlich mit einfachen sowie komplexeren Faktoren zu testen. Schließlich schlagen sie vor, sich durch Kurse, Webinare und Übungen die notwendigen Fähigkeiten anzueignen, um ein kompetenter und erfolgreicher Quant-Trader zu werden.
  
  
• 00:40:00 Die Diskussionsteilnehmer beraten Interessierte am algorithmischen Handel. Sie warnen vor einer Voreingenommenheit, einer übermäßigen Abhängigkeit von Backtests und einem zu großen Vertrauen in hohe Renditen, ohne die damit verbundenen Risiken zu berücksichtigen. Die Diskussionsteilnehmer warnen auch vor einer übermäßigen Hebelwirkung und raten Händlern, sich vor Augen zu halten, dass Renditen an sich keine große Bedeutung haben, ohne die damit verbundenen Risiken zu berücksichtigen. Darüber hinaus weisen sie darauf hin, dass es viele Verzerrungen gibt, die Backtest-Ergebnisse verzerren können, und dass es wichtig ist, diese Verzerrungen zu verstehen und anzugehen.
  
  
• 00:45:00 Die Referenten betonen, wie wichtig es ist, beim Backtesting die richtigen Tools und Methoden einzusetzen, um die Erfolgschancen im Handel zu verbessern. Sie heben auch die Möglichkeiten hervor, die sich mit dem Aufkommen von Open-Source-Systemen und Data-Science-Bibliotheken ergeben, die Händlern, die die Sprache der Daten verstehen und sie richtig interpretieren können, frei zur Verfügung stehen. Darüber hinaus weisen sie auf die Möglichkeiten hin, die Cloud-Infrastruktur zu nutzen, um Server auf Minuten-, Stunden-, Sekunden- oder Tagesbasis zu mieten, um Kosten zu sparen. Die Redner betonen auch die Schwierigkeit, im Handel erfolgreich zu sein, und betonen die Notwendigkeit, objektiv und systematisch vorzugehen, um zu vermeiden, dass Emotionen wie Angst und Gier Handelsentscheidungen beeinflussen. Sie empfehlen die Teilnahme an Kursen wie denen von Quantra, um die Fähigkeiten im quantitativen und algorithmischen Handel zu verbessern.
  
  
• 00:50:00 Der Referent erörtert, wie wichtig es ist, alle Bausteine des Handels objektiv zu erlernen und sich der verschiedenen vorhandenen Strategien bewusst zu sein. Sie legen Wert darauf, in die eigene Ausbildung zu investieren, sei es im quantitativen oder algorithmischen Handel oder anderswo. Anschließend stellt der Redner einen Wettbewerb für Personen vor, die daran interessiert sind, die Grundlagen des Tradings zu erlernen. Der Wettbewerb steht Händlern, Programmierern und allen offen, die ihr Wissen auffrischen möchten, und besteht aus drei Quizfragen zu den Themen Finanzmärkte, Mathematik und Statistiken sowie Programmierung und maschinelles Lernen. Die Quizze finden zu bestimmten Terminen statt, die Gewinner werden Ende September bekannt gegeben. Der Referent stellt auch Ressourcen zur Prüfungsvorbereitung zur Verfügung.
  
  
• 00:55:00 Der Redner informiert über das bevorstehende Quiz der Algo Trading Week und nennt die zu behandelnden Termine und Themen. Die Teilnehmer können sich mit den angegebenen Ressourcen oder anderen von ihnen bevorzugten Mitteln auf das Quiz vorbereiten, die endgültige Bestenliste wird jedoch durch die Ergebnisse bestimmt. Der Redner schlägt vor, an allen drei Tests teilzunehmen, um die Chancen zu erhöhen, unter die ersten drei oder zehn zu kommen. Anschließend erörtert der Redner die für ein quantitatives Setup erforderlichen Hardwareanforderungen und erklärt, dass die Ausführungshardware so einfach wie ein Laptop oder eine Mindestkonfiguration in der Cloud sein kann, während für erweiterte Forschungsfunktionen ein besserer Computer mit mindestens 4 GB RAM erforderlich ist.
  
  
• 01:00:00 Das Panel diskutiert Hardwareanforderungen für Hochfrequenzhandel (HFT) und rechenintensive Fonds. Sie weisen darauf hin, dass HFT häufige Hardware-Upgrades und -Verbesserungen erfordert, um die Börse schneller zu erreichen, was ihr wichtigstes Alpha ist. Handelsstrategien, die Geschwindigkeit und große Mengen an Recherchen und Daten erfordern, benötigen eine Infrastruktur auf Serverniveau. Sie warnen außerdem davor, den algorithmischen Handel als „Fire-and-Forget“-Mechanismus zu behandeln, und weisen darauf hin, dass es wichtig sei, die Strategieleistung regelmäßig zu überwachen und bei Bedarf Korrekturmaßnahmen zu ergreifen, selbst wenn das Handelssystem cloudbasiert sei.
  
  
• 01:05:00 Die Diskussionsteilnehmer danken dem Publikum dafür, dass es eingeschaltet und ihrer Diskussion zugehört hat. Sie bedanken sich für die Geduld aller während der einstündigen Sitzung und verabschieden sich, bis sie sich am nächsten Tag zur nächsten Sitzung wiedersehen. Das Gremium schließt mit einer abschließenden Runde von Danksagungen und Glückwünschen ab.

[MetaQuotes]

So automatisieren Sie eine Handelsstrategie | Algo-Trading-Kurs

So automatisieren Sie eine Handelsstrategie | Algo-Trading-Kurs

Rishabh Mittal ist ein quantitativer Analyst und arbeitet im Content-Team von Quantra. Seine Expertise liegt in der Anwendung unüberwachter Lerntechniken, insbesondere K-Means, um handelbare Signale zu generieren. Er ist aktiv an der Entwicklung innovativer Algorithmen zur Positionsgrößenbestimmung auf den Finanzmärkten beteiligt und nutzt dabei unter anderem Methoden wie Constant Proportion Portfolio Insurance (CPPI). Bevor er zu Quantra kam, sammelte Rishabh Erfahrung in der Entwicklung systematischer Handelsstrategien mithilfe von TradingView für verschiedene Kunden.

In diesem Webinar mit dem Titel „So automatisieren Sie eine Handelsstrategie“ wird Rishabh sich mit dem Prozess der Automatisierung von Handelsstrategien befassen und den Teilnehmern zeigen, wie sie ihre systematischen Handelsstrategien in die Praxis umsetzen können. Das Webinar beginnt mit der Auseinandersetzung mit den Voraussetzungen, die für die Automatisierung einer Strategie notwendig sind.

Anschließend wird sich Rishabh auf den ereignisgesteuerten Ansatz konzentrieren, der für den automatisierten Handel unerlässlich ist. Er wird sich mit Themen wie der Verbindung mit einem Broker, dem Abrufen von Echtzeitdaten, der Generierung von Signalen auf Basis der erfassten Daten und schließlich der Auftragserteilung beim Broker befassen.

Zum Abschluss der Sitzung wird Rishabh Schritt für Schritt die Einrichtung einer Demostrategie für den Papierhandel auf den Märkten mithilfe von Blueshift demonstrieren. Die Teilnehmer erhalten praktische Einblicke in die Umsetzung und Erprobung ihrer Strategien in einer simulierten Handelsumgebung.

Nehmen Sie an diesem informativen Webinar mit Rishabh Mittal teil, in dem er sein Fachwissen über die Automatisierung von Handelsstrategien teilt und wertvolle Anleitungen für die Umsetzung Ihres systematischen Handelsansatzes von der Theorie in die Praxis bietet.

[MetaQuotes]

So erstellen Sie einen Handelsalgorithmus von Grund auf [Algo Trading Webinar] – 22. Juli 2021

So erstellen Sie einen Handelsalgorithmus von Grund auf [Algo Trading Webinar] – 22. Juli 2021

Während des Webinars teilte Ashutosh seine umfangreiche Erfahrung im Bereich des Finanzderivatehandels aus über einem Jahrzehnt. Er betonte seine Expertise in der Anwendung fortschrittlicher Datenwissenschaft und Techniken des maschinellen Lernens zur Analyse von Finanzdaten. Ashutosh verfügt über einen renommierten Master-Abschluss und ist zertifizierter Finanzanalyst (FF). Derzeit ist er ein wertvolles Mitglied des Quantum City-Teams und verantwortlich für die Entwicklung und Schulung des EPAT-Kurses, der weltweit ersten verifizierten Zertifizierung für algorithmischen Handel.

Das Webinar konzentrierte sich hauptsächlich darauf, die Teilnehmer durch den Prozess der Erstellung eines Handelsalgorithmus von Grund auf zu führen. Ashutosh betonte die Bedeutung des Verständnisses von Handelsalgorithmen, ihrer verschiedenen Anwendungen auf dem Markt und der Umsetzung von Ideen in Strategien und schließlich in Handelsalgorithmen. Im Wesentlichen handelt es sich bei einem Algorithmus um ein Computerprogramm, das Händler dabei unterstützt, gewinnbringende Entscheidungen zu treffen, indem es Daten analysiert und auf der Grundlage vorgegebener Regeln Kauf- und Verkaufsaufträge generiert. Es erleichtert auch die Interaktion mit der externen Umgebung, um Aufträge effektiv zu senden und zu empfangen.

Bevor er sich mit den praktischen Aspekten des Handels befasste, betonte Ashutosh, wie wichtig es ist, das eigene Handelsuniversum zu definieren und das gewünschte Alpha zu bestimmen. Alpha stellt die treibende Kraft hinter Gewinnen dar, die aus unterschiedlichen Quellen stammen können, beispielsweise aus einzigartigen Marktperspektiven, der Erlangung eines Vorsprungs gegenüber der Konkurrenz oder der Umsetzung spezifischer, auf individuelle Ziele zugeschnittener Strategien.

Der Videoinhalt deckte die drei grundlegenden Phasen des Handels ab: Research, Trading und Post-Trading. Ashutosh erläuterte diese Phasen und lieferte Beispiele für verschiedene Handelsstrategien, wobei der Schwerpunkt auf dem Prozess der Umsetzung von Ideen in konkrete Handelsalgorithmen lag. Er demonstrierte, wie selbst einfache Regeln, wie der Kauf einer Aktie, wenn ihre Änderungsrate (roc) innerhalb der letzten 63 Tage 2 überschreitet, die Grundlage eines Handelsalgorithmus bilden können.

Während des Webinars präsentierten verschiedene Händler ihre Ansätze zur Entwicklung von Handelsalgorithmen von Grund auf. Ein Händler nutzte visuelle Codierung, nutzte Daten aus dem indischen Markt und integrierte Orderlimits und Provisionen pro Aktie. Ein anderer Händler demonstrierte den schrittweisen Prozess, beginnend mit der Definition seines Handelsuniversums, gefolgt von der Erstellung einer Alpha-Funktion zur Berechnung des ROC, der Festlegung von Handelsregeln und schließlich der Implementierung der Strategie mithilfe von Logikblöcken.

Das Video lieferte umfassende Einblicke in die wesentlichen Bestandteile eines Handelsalgorithmus, nämlich die Konditionen, Orderversand und Orderempfang. Darüber hinaus wurde gezeigt, wie Algorithmen für die automatische Ausführung geplant werden. Als Mittel zur Ausnutzung von Markttrends wurden auf Beta und Momentum basierende Strategien sowie die Einbeziehung einer Mean-Diversing-Strategie vorgestellt.

Ashutosh erläuterte den Prozess der Erstellung eines Handelsalgorithmus von Grund auf und behandelte dabei wichtige Aspekte wie die Definition eines Aktienuniversums, die Berechnung relevanter Absicherungen und die Umsetzung von Handelsregeln. Er betonte auch die Bedeutung der Durchführung von Backtests für den Algorithmus und seiner Optimierung für eine verbesserte Leistung.

Quantitative Methoden und ihre Rolle bei der Verbesserung der Handelsfähigkeiten wurden diskutiert, wobei der Schwerpunkt auf der Nutzung von Beta und Korrelation mit dem Markt lag, um fundierte Entscheidungen zu treffen. Ashutosh bot den Teilnehmern außerdem die Möglichkeit zu einem kostenlosen Beratungsgespräch, um ihre Handelsreise weiter zu unterstützen.

Darüber hinaus untersuchte das Webinar die verschiedenen Arten von Daten, die in einem Algorithmus verwendet werden können, und befasste sich mit dem Prozess der Kostenbewertung für den EPAT-Kurs. Den Teilnehmern wurde außerdem eine Liste von Kursberatern zur Orientierung und Unterstützung zur Verfügung gestellt.

Das Webinar von Ashutosh lieferte einen umfassenden Leitfaden zur Erstellung von Handelsalgorithmen von Grund auf. Die Teilnehmer wurden aufgefordert, alle unbeantworteten Fragen einzureichen, die sie möglicherweise während der Präsentation hatten, um ein umfassendes Verständnis des Themas sicherzustellen.

• 00:00:00 Ashutosh erläutert, wie er seit mehr als einem Jahrzehnt im Bereich des Finanzderivatehandels tätig ist und über Erfahrung in der Anwendung fortschrittlicher Datenwissenschaft und Techniken des maschinellen Lernens auf Finanzdaten verfügt. Er verfügt außerdem über einen Master-Abschluss einer renommierten Universität und ist zertifizierter Finanzanalyst (FF). Derzeit ist er Teil des Quantumcity-Teams und verantwortlich für die Entwicklung und Vermittlung des epact-Kurses, der weltweit ersten verifizierten Zertifizierung für den algorithmischen Handel.
  
  
• 00:05:00 Dieses Webinar konzentriert sich auf die Erstellung eines Handelsalgorithmus von Grund auf und behandelt Themen wie die Frage, warum wir etwas über Handelsalgorithmen lernen müssen, die verschiedenen Arten, wie Algorithmen auf dem Markt verwendet werden, und wie man sie umwandelt Ideen in Strategien und Strategien in Handelsalgorithmen.
  
  
• 00:10:00 Ein Algorithmus ist ein Computerprogramm, das Händlern hilft, profitable Handelsentscheidungen zu treffen. Es analysiert Daten und generiert Kauf- und Verkaufsaufträge basierend auf voreingestellten Regeln. Es interagiert auch mit der Außenwelt, um Befehle zu senden und zu empfangen.
  
  
• 00:15:00 Bevor Sie mit dem Handel beginnen, ist es wichtig, Ihr Handelsuniversum zu definieren und zu bestimmen, welches Alpha Sie erreichen möchten. Alpha ist der Grund für Gewinne und kann aus verschiedenen Quellen stammen, z. B. durch die besondere Betrachtung von Marktvariablen, durch einen Vorteil gegenüber dem Markt oder durch die Verfolgung einer bestimmten Strategie.
  
  
• 00:20:00 In diesem Video wird erklärt, wie man einen Handelsalgorithmus von Grund auf erstellt, wobei der Schwerpunkt auf den drei Phasen des Handels liegt: Research, Trading und Post-Trading. Das Video bietet Beispiele für verschiedene Handelsstrategien und erklärt, wie man Ideen in Handelsalgorithmen umwandelt.
  
  
• 00:25:00 In diesem Video erklärt der Moderator, wie man einen Handelsalgorithmus von Grund auf erstellt. Regeln können so einfach sein wie der Kauf einer Aktie, wenn ihre Änderungsrate (roc) in den letzten 63 Tagen größer als 2 ist.
  
  
• 00:30:00 In diesem Video erklärt ein Händler, wie man mithilfe visueller Codierung einen Handelsalgorithmus von Grund auf erstellt. Der Händler nutzt Daten vom indischen Markt und legt Limits für Aufträge und Provisionen pro Aktie fest.
  
  
• 00:35:00 In diesem Video zeigt ein Händler, wie man einen Handelsalgorithmus von Grund auf erstellt. Zunächst definieren sie ihr Universum, das alle Aktien umfasst, die sie in der Handelsstrategie verwenden. Als nächstes erstellen sie eine Alpha-Funktion zur Berechnung des ROC und definieren dann Handelsregeln. Abschließend zeigen sie, wie der Logikblock zur Ausführung der Handelsstrategie verwendet wird.
  
  
• 00:40:00 In diesem Video wird erklärt, wie man einen Handelsalgorithmus von Grund auf erstellt. Das Video behandelt die drei Teile eines Algorithmus: Bedingung, Auftragssenden und Auftragsempfangen. Das Video zeigt auch, wie Sie den Algorithmus so planen, dass er automatisch ausgeführt wird.
  
  
• 00:45:00 Das Video erklärt, wie man einen Handelsalgorithmus von Grund auf erstellt. Die Strategie basiert auf Beta und Momentum und ist darauf ausgelegt, Markttrends zu nutzen. Das Video behandelt auch eine gemeine Ablenkungsstrategie.
  
  
• 00:50:00 Der Moderator erklärt, wie man einen Handelsalgorithmus von Grund auf erstellt, einschließlich der Definition eines Aktienuniversums, der Berechnung relevanter Absicherungen und der Ausführung von Handelsregeln. Der Moderator erklärt außerdem, wie man Backtests für den Algorithmus durchführt und wie man ihn optimiert.
  
  
• 00:55:00 In diesem Video wird erläutert, wie man einen Handelsalgorithmus von Grund auf erstellt, einschließlich der Bedeutung von Beta und Korrelation mit dem Markt. Der Moderator erläutert außerdem, wie Sie mithilfe quantitativer Methoden Ihre Handelsfähigkeiten verbessern können. Abschließend informiert der Moderator über ein kostenloses Beratungsgespräch.
  
  
• 01:00:00 In diesem Webinar geht es um die Erstellung eines Algorithmus von Grund auf und um die verschiedenen Datentypen, die in einem Algorithmus verwendet werden können. Im Webinar werden auch die Kosten für einen Kurs besprochen und eine Liste der Kursberater bereitgestellt.
  
  
• 01:05:00 In diesem Video erklärt Ashitosh Sharma von Blueshift, wie man mithilfe des visuellen Editors und der Strategien von Blueshift einen Handelsalgorithmus von Grund auf erstellt. Blueshift ermöglicht es Benutzern, ihre Strategien zu testen und sie sogar auf Papier zu handeln.
  
  
• 01:10:00 Der Moderator erläutert, wie man einen Handelsalgorithmus von Grund auf erstellt. Anschließend können Teilnehmer Fragen einreichen, die im Vortrag nicht beantwortet wurden.

[MetaQuotes]

Maschinelles Lernen und Stimmungsanalyse [Webinar zum Algo Trading Project]

Maschinelles Lernen und Stimmungsanalyse [Webinar zum Algo Trading Project]

Meine Damen und Herren,

Ich hoffe, dass Sie mich alle deutlich hören können.

Willkommen auf dem YouTube-Kanal von Quantum City. Diejenigen unter Ihnen, die regelmäßig an unseren Webinaren teilnehmen, erinnern sich vielleicht an eines unserer jüngsten Webinare zum Algo Trading Project, das sich auf maschinelles Lernen in der Stimmungsanalyse und Portfolioallokation konzentrierte. Wir hatten das Vergnügen, zwei geschätzte EPAT-Alumni, Carlos Peral und Vivian Thomas, einzuladen, ihre Projektarbeit vorzustellen. Leider wurde die Nachpräsentation durch einen Hardwarefehler unterbrochen und wir konnten zu diesem Zeitpunkt nicht ausführlicher darauf eingehen. Wir hatten jedoch das Glück, dass Carlos sich einige zusätzliche Stunden Zeit nahm, um seine Präsentation separat aufzuzeichnen und mit uns zu teilen.

Lassen Sie uns also ohne weitere Verzögerung fortfahren und uns Carlos' Präsentation ansehen. Danke schön.

„Hallo zusammen. In der heutigen Präsentation werde ich mein Abschlussprojekt für das EPAT-Programm (Executive Program in Algorithmic Trading) vorstellen, das letzten März abgeschlossen wurde. Lassen Sie mich zunächst mich vorstellen. Mein Name ist Carlos Martin und Ich habe einen Bachelor-Abschluss in Computertechnik. Ich arbeite seit über 10 Jahren für mehrere Kunden, hauptsächlich in Spanien und Belgien. Meine Hauptkompetenz liegt in der Softwareentwicklung, und ich arbeite seit fünf Jahren für europäische Institutionen.

Die Motivation hinter diesem Projekt ergibt sich aus meinem Interesse am maschinellen Lernen, insbesondere an der Stimmungsanalyse. Ich glaube, dass diese Techniken in den letzten Jahren beeindruckende Fortschritte gemacht haben, wobei Modelle des maschinellen Lernens in verschiedenen Bereichen wie Textanalyse, Spracherkennung, Sprachübersetzung und Stimmungsanalyse angewendet werden, auf die sich dieses Projekt konzentriert. Das Hauptziel besteht darin, eine Korrelation zwischen der Nachrichtenstimmung und der Preissensitivität zu finden und die Stimmungswerte zur Generierung von Handelssignalen zu nutzen.

Im Gegensatz zu herkömmlichen Ansätzen, die auf technischer oder quantitativer Analyse basieren, nutzt dieses Projekt qualitative Daten als neue Informationsquelle. Ziel ist es, diese qualitativen Daten in Handelssignale umzusetzen. Das Projekt gliedert sich in zwei Hauptteile: Textanalyse und Umsetzung der Handelsstrategie.

Der Teil der Textanalyse umfasst das Herunterladen von Nachrichten, die Durchführung einer Vorverarbeitung und die Implementierung eines maschinellen Lernmodells zur Generierung von Sentiment-Scores. Für dieses Projekt habe ich ein Long-Short-Term-Memory-Modell (LSTM) ausgewählt, um Sentiment-Scores zu generieren. Der Handelsteil umfasst die Umsetzung der Handelsstrategie, die Analyse der Aktienkurse und die Bewertung der Leistung der Strategie.

Schauen wir uns die Struktur des Projekts im Detail an. Der Textanalyseteil besteht aus dem Nachrichtenmanager, der den anfänglichen Abruf und die Vorverarbeitung von Nachrichtendaten übernimmt. Ich habe eine Klasse verwendet, um eine Verbindung zu einem externen Webdienst herzustellen und die Nachrichten im JSON-Format abzurufen. Diese Nachrichtendaten werden dann in einer CSV-Datei gespeichert. Der Teil der Stimmungsanalyse umfasst die Vorverarbeitung von Text und den NLP-Handler (Natural Language Processing), der mithilfe einer Bibliothek namens Analytic Evaluator Polaritätsbewertungen generiert. Diese Bibliothek weist den Nachrichten binäre Bewertungen zu und kennzeichnet sie entweder als negativ (-1) oder positiv (1). Dieser Schritt ist für das Training des Modells von entscheidender Bedeutung.

Das Modell nimmt die vorverarbeiteten Nachrichten und wird mithilfe einer Sigmoidfunktion für die binäre Klassifizierung trainiert. Die Output-Sentiment-Scores werden entweder als positiv oder negativ klassifiziert. Anschließend wird die Handelsstrategie umgesetzt und die generierten Sentiment-Scores in Handelssignale übersetzt. Ein Wert von -1 stellt ein Verkaufssignal dar, während ein Wert von 1 ein Kaufsignal darstellt.

Das Projekt wurde anhand von vier Aktien getestet: Apple, Amazon, Twitter und Facebook. Die Sentiment-Score-Strategie wurde mit einer Buy-and-Hold-Strategie verglichen. Die Performance wurde anhand der Renditen, der Sharpe Ratio und der Strategierenditen bewertet. Die Ergebnisse variierten je nach Aktie, wobei einige Aktien mit der Sentiment-Score-Strategie im Vergleich zur Buy-and-Hold-Strategie eine bessere Performance zeigten. Es gab jedoch Fälle, in denen die Sentiment-Score-Strategie insbesondere in bestimmten Zeiträumen keine gute Leistung erbrachte.

Zusammenfassend zeigt dieses Projekt einen Zusammenhang zwischen negativen Trends, schlechten Nachrichten und potenziellen Handelsmöglichkeiten auf. Durch die Einbeziehung der Stimmungsanalyse in die Handelsstrategie wird es möglich, qualitative Daten zu nutzen und die Marktstimmung systematisch zu erfassen. Dieser Ansatz kann eine zusätzliche Informationsebene bereitstellen, die die traditionelle technische und quantitative Analyse ergänzt.

Es ist jedoch wichtig zu beachten, dass die Stimmungsanalyse keine narrensichere Methode ist und ihre Wirksamkeit je nach verschiedenen Faktoren variieren kann. Die Marktbedingungen, die Qualität und Zuverlässigkeit der Nachrichtenquellen sowie die Genauigkeit des Stimmungsanalysemodells spielen alle eine Rolle bei der Bestimmung des Erfolgs der Strategie.

Darüber hinaus ist es von entscheidender Bedeutung, das Stimmungsanalysemodell kontinuierlich zu bewerten und zu verfeinern, um es an sich ändernde Marktdynamiken und sich entwickelnde Nachrichtenmuster anzupassen. Um ihre Wirksamkeit im Laufe der Zeit sicherzustellen, ist eine regelmäßige Überwachung der Leistung der Strategie und die Vornahme notwendiger Anpassungen erforderlich.

Insgesamt zeigt dieses Projekt das Potenzial der Sentimentanalyse im algorithmischen Handel. Es eröffnet neue Möglichkeiten für die Einbeziehung qualitativer Daten in Handelsstrategien und bietet einen Rahmen für weitere Forschung und Entwicklung in diesem Bereich.

Ich möchte dem EPAT-Programm und dem Quantum City-Team für die Bereitstellung der Plattform und der Ressourcen für die Durchführung dieses Projekts meinen Dank aussprechen. Es war eine bereichernde Erfahrung und ich glaube, dass die Stimmungsanalyse wertvolle Erkenntnisse im Bereich des algorithmischen Handels liefern kann.

Vielen Dank fürs Zuschauen und ich hoffe, dass Sie diese Präsentation informativ fanden. Wenn Sie Fragen haben oder weitere Fragen besprechen möchten, können Sie sich gerne an mich wenden. Ich wünsche ihnen einen wunderbaren Tag!

• 00:00:00 Carlos Peral stellt sein Abschlussprojekt für das QuantInsti-Programm vor, das sich auf maschinelles Lernen in der Stimmungsanalyse und Portfolioallokation konzentriert. Carlos hat einen Hintergrund in der Computertechnik und arbeitet seit mehr als 10 Jahren in der Softwareentwicklung, wobei sein Hauptinteresse den Themen des maschinellen Lernens gilt. Er erörtert das beeindruckende Wachstum, das in den letzten Jahren bei Modellen für maschinelles Lernen zu verzeichnen war, und das breite Spektrum an Bereichen, in denen sie eingesetzt werden, einschließlich der Stimmungsanalyse. Das Ziel von Carlos‘ Projekt besteht darin, eine Korrelation zwischen sensiblen Preisen und Nachrichtenstimmungswerten zu finden und diese Informationen zu nutzen, um Handelssignale zu erzeugen. Er geht das Problem an, indem er qualitative Daten anstelle einer quantitativen als neue Informationsquelle verwendet und diese Daten in Handelssignale übersetzt.
  
  
• 00:05:00 Der Redner diskutiert die beiden Hauptteile des Algorithmus für sein Sentimentanalyse- und maschinelles Lernprojekt. Der erste Teil konzentriert sich auf die Textanalyse, bei der die Sentiment-Scores durch ein Langzeit-Kurzzeitgedächtnismodell und die Vorverarbeitung von Nachrichten generiert werden, die von einem Webdienst abgerufen werden. Im zweiten Teil geht es um die Umsetzung der Handelsstrategie und die Analyse der Aktienkurse. Die fünf Schritte des Projekts umfassen das Herunterladen von Nachrichten, die Vorverarbeitung, die Erstellung des LCT-Modells, die Nachrichtenvorhersage für Sentiment-Scores und die Aktienkursanalyse. Die Sentiment-Analyse-Komponente umfasst die Vorverarbeitung von Text, um eine bessere Leistung zu erzielen. Im Projekt sind Klassen zum Abrufen von Nachrichten und zum Generieren von Sentiment-Scores verfügbar.
  
  
• 00:10:00 Der Redner erklärt die verschiedenen Schritte, die bei der Herangehensweise an ein Sentiment-Analyse-Algo-Trading-Projekt erforderlich sind. Zunächst werden die Nachrichten heruntergeladen und vorverarbeitet, bevor sie mithilfe einer Bibliothek namens Analytic Evader als positiv oder negativ klassifiziert werden. Der nächste Schritt besteht darin, ein Modell zu trainieren, um die vorherigen Nachrichten und klassifizierten Daten zu klassifizieren. Anschließend folgt die Backtesting-Phase zur Validierung der Handelsindikatoren. Das Projekt wurde zwischen März 2018 und Dezember 2020 getestet.
  
  
• 00:15:00 Der Redner erörtert die Bedeutung der Festlegung von Werten für Sentiment-Scores, insbesondere weil dies einen erheblichen Einfluss auf das Backtesting hat. Sie erklären, dass sie keine neutralen Nachrichten verwenden und negative Werte für Nachrichten festlegen, die unter 0,08 liegen, und positive Werte für höhere Werte. Anschließend erklärt der Redner, wie sie mithilfe der NLTK-Bibliothek Scores generiert und das LCT-Modell mithilfe einer Sigma-Funktion für die binäre Klassifizierung trainiert und kompiliert haben. Sie vergleichen die Renditen der Sentiment-Score-Strategie mit einer Buy-and-Hold-Strategie für vier Aktien: Apple, Amazon, Twitter und Facebook. Der Redner zeigt Diagramme für jede Aktie und erklärt, dass der stimmungsbasierte Handel für einige Zeiträume, einschließlich einer Verbesserung während der Pandemie, besser zu sein scheint als Buy-and-Hold.
  
  
• 00:20:00 Der Moderator kommt zu dem Schluss, dass es einen gewissen Zusammenhang zwischen negativen Trends und schlechten Nachrichten und einer guten Performance im Vergleich zu einer Buy-and-Call-Strategie gibt. Er weist jedoch darauf hin, dass es wichtig ist, mit qualitativ hochwertigen Datenquellen zu arbeiten und die Stimmungspolarität zu verfeinern, um Nachrichten genau zu klassifizieren und positive oder negative Etiketten zuzuweisen. Er glaubt, dass noch mehr Arbeit geleistet werden muss, um einer auf Sentiment basierenden Strategie voll und ganz zu vertrauen, und schlägt vor, dass ein gutes Modell in bestimmte Strategien integriert werden könnte. Abschließend beleuchtet die Präsentation das Potenzial der Einbeziehung der Stimmungsanalyse in Anlagestrategien, warnt jedoch davor, dass weitere Forschung und Verbesserungen bei der Verfeinerung der Stimmungspolarität erforderlich sind.