On November 13, 2012, Ciamac Moallemi, Associate Professor of Decision, Risk, and Operations at Columbia Business School, presented High-Frequency Trading an...
On November 9, 2010, Kent Daniel, professor of Finance and Economics at Columbia Business School, presented Price Momentum. The presentation was part of the ...
何よりもまず、私の取引パートナーである By Vaca に特別な感謝の意を表したいと思います。彼はこれから説明するすべての作品の共著者です。当社の調査と洞察は、当社の取引グループ内の独自の商業的文脈から生まれました。私が強調する側面は、時間の経過とともに科学的に興味深いと思われる独自の要素ではない要素です。
ML ベースのアルゴリズム取引で ChatGPT を使用することに関連する制限とリスクについても説明します。発表者は、ドメインの専門知識の欠如、トレーニング データの制限、解釈可能性の問題など、潜在的な課題を強調しています。彼らは、取引の意思決定をChatGPTのみに依存することに対して警告し、さまざまな会計期間にわたって正確性チェックを実施することの重要性を強調しています。
バックテストと戦略分析による ML ベースの取引アルゴリズムの評価は、パフォーマンスを評価する際の重要なステップとして強調されています。講演者は、取引と全体的なパフォーマンスについての洞察を得るために、シャープレシオ、年率リターン、リターンのボラティリティなどのさまざまな指標を使用した詳細な分析の必要性を強調しています。アルゴリズムの有効性を評価する最初のステップとして、取引アルゴリズムとバイアンドホールド戦略のリターンの比較が示されています。
00:35:00講演者は、トレーディングにおける財務分析に言語モデル GPT を使用する場合の制限について説明します。聴衆は以前に世論調査に参加しており、大多数は妥当な精度には事実確認が必要であり、GPT は財務分析には適さない可能性があると考えていました。講演者は、GPT に Apple と Microsoft の 2020 年の年次財務諸表を比較するよう依頼し、その結果不正確な回答が得られたことによって、この限界を実証しました。講演者は、GPT はジェネレーター モデルであり、分野の専門知識が不足しているため、誤った結論や提案につながる可能性があることを強調しました。したがって、講演者は、取引に ML アルゴリズムを適用する前に、より多くの本を読み、金融関連の知識を獲得し、事実を確認することを推奨しています。
This session discusses the basics, uses & needs of ChatGPT and machine learning in trading. Attendees will learn how to integrate ChatGPT and machine learnin...
主催者は、金融市場の動きと複数のカテゴリーのデータの役割を理解するというトピックを紹介することでウェビナーを開始します。ゴッサム・ミトラ教授、アーネスト・チャン博士、マテオ・カンポローニ博士を含むパネリストは、トレーディングや学業において豊富な経験を持つ専門家として紹介されています。このウェビナーは、金融市場の行動を理解し、予測する上で、さまざまなカテゴリのデータがどのように重要な役割を果たしているかを探ることを目的としています。このトピックは、最近ますます重要性を増しています。このセッションは、Opticks Systems と QuantInsti が提供する Sentimentaracy および Alternative Data for Finance の証明書の一部であることが記載されています。
トレーダーが堅牢な投資戦略を開発するためにブルームバーグ アイコンやロイター クアンタムなどの代替データ プラットフォームを使用することについて講演者が議論します。これらのプラットフォームにはセンチメントやニュースなどのさまざまな形式のデータを定量化する独自のモデルがありますが、講演者はトレーダーに独自のモデルを作成することを推奨しています。 API を利用して代替データ入力を受け取ることの重要性が強調され、企業発表を分析する際のクレディ スイスのような組織化された Web サイトの価値についても言及されています。最後に、講演者らは、市場の動きを分析する際には、範囲を絞った特殊なアプローチが非常に効果的である可能性があると指摘しています。
00:00:00主催者は、金融市場の動きと複数のカテゴリーのデータの役割を理解するというウェビナーのトピックを紹介します。パネリストには、トレーディングと学術的キャリアにおいて豊富な経験を持つゴッサム・ミトラ教授、アーネスト・チャン博士、マテオ・カンポローニ博士が含まれます。このウェビナーの主な焦点は、最近ますます重要になっている金融市場の行動を理解し、予測する上で、複数のカテゴリーのデータがどのように重要な役割を果たしているかを探ることです。このセッションは、Opticks Systems と QuantInsti が提供する Sentimentaosis および Alternative Data for Finance の証明書の一部です。
00:05:00講演者は、金融市場の行動を理解する上でのデータの重要性について説明します。初期には、利用可能なデータは市場価格、売買注文、および詳細情報だけでしたが、現在では、ニュース データ、メディアセンチメント データ、代替データなど、さらに多くのカテゴリのデータが存在します。市場は最終的にすべての情報を消化するという効率的市場仮説にもかかわらず、短期的な市場の非効率性は依然として存在します。その結果、データは新たなアルファを発見し、ポートフォリオ計画とリスク管理という市場の 2 つの主要な問題に対処するために重要です。講演者はまた、ナレッジ データの AI と機械学習の部分がデータ シーンでますます重要になっていることにも言及しました。
00:30:00講演者は、健全な投資戦略を作成するためのトレーダーによるブルームバーグ アイコンやロイター クアンタムなどの代替データ プラットフォームの使用について話し合います。これらのプラットフォームにはセンチメント データやニュース データなどのさまざまな形式のデータを定量化する独自のモデルがありますが、トレーダーは独自のモデルを作成することをお勧めします。さらに、講演者は、API を使用して代替データ入力を受け取ることの重要性と、企業発表を分析するためにクレディ スイスのような組織化された Web サイトを使用することの価値について語ります。最後に、講演者らは、市場の動きを分析する際には、狭い範囲に特化したアプローチが非常に効果的である可能性があると指摘しています。
00:35:00講演者は、金融市場におけるさまざまな資産クラスの動きを理解するために使用できるさまざまなツールや Web サイトについて、また、投資スタイルと期間に基づいて市場を追跡する方法について説明します。すべてに当てはまる万能のソリューションはありませんが、Boomberg などの Web サイトからの定性的な情報が役立つ場合があります。講演者はまた、感情やミニブログやチャット ルームなどの代替データを理解することの重要性についても話します。ただし、これらの分野の専門家になることが必ずしも金融市場でより良いキャリアにつながるかどうかは明らかではありません。
Financial markets are influenced by news, (micro) blogs and other categories of online streaming data. These sources of information reach financial market pa...
This session covers the concept of factor investing and different types of factor investing strategies including a discussion of passive vs active investing ...
This session explains the application of machine learning for options trading. It covers the process of creating options trading strategies using machine lea...
イベントの最初のプレゼンテーションは、イタリアの中小企業での仕事で知られ、さまざまな企業機能に AI ソリューションを提供する独立系 AI およびビッグデータ エンジニア、ライモンド モウリーニョによって行われます。モウリーニョは、機械学習技術、統計、確率を組み合わせて高度な取引システムを作成することを信じています。プレゼンテーションの中で、彼はポートフォリオの資産配分における機械学習モデルを開発するための実践的でスケーラブルなフレームワークを共有しています。
00:00:00最初のプレゼンテーションは、ライモンド・モウリーニョ氏によるポートフォリオの資産配分に関するものです。モウリーニョは独立した AI およびビッグデータ エンジニアであり、イタリアのさまざまな中小企業と協力して、マーケティング、人事、販売、生産などの企業機能向けの AI エンドツーエンド ソリューションを考案しています。彼は、機械学習技術を統計および確率と組み合わせて、優れた取引システムを設計することを信じています。モウリーニョ氏はプレゼンテーションの中で、ポートフォリオの資産配分における機械学習開発のための実践的でスケーラブルなフレームワークを共有しています。
00:15:00講演者は、トレーダーの間でアルファ生成フェーズとして一般に知られている、機械学習用語の観点からアルファ生成フェーズについて説明します。このフェーズでは、トレーダーはさまざまな指標、感情分析、計量経済モデルを使用して、思いついたアイデアを追加します。次のステップは特徴選択フェーズです。ここでは、ランクベースの方法を使用して、定数および準定数の特徴、非定常の特徴、線形相関する特徴などの不必要な特徴が削除されます。講演者はまた、分数微分の使用についても言及しています。これにより、特徴自体の中に情報を保持しながら、望ましい定常性が可能になります。これらは、講演者が ML を使用したポートフォリオ資産配分と配当株の最適化のフレームワークの一部として取り組んでいる改善です。
EPAT project presentations on “Portfolio Asset Allocation with Machine Learning: A Practical and Scalable Framework for Machine Learning Development” by two ...
高頻度取引戦略
高頻度取引戦略
本日は、高頻度取引戦略に関する私の論文発表にご招待いただきありがとうございます。私の名前はエイミー・クワンです。シドニー大学から来ました。この論文は、バブソン大学のマイケル・ゴールドスタインおよび同じくシドニー大学のリチャード・フィリップとの共著です。
このペーパーの目的は、金融市場に対する高頻度取引 (HFT) の影響に関する規制当局、市場参加者、学者の間で進行中の議論に貢献することです。私たちは、ショーンによるプレゼンテーションや昨夜のディスカッションを含め、この問題についてさまざまな見解を聞きました。
HFTについてはさまざまな意見があるが、著書「フラッシュ・ボーイズ」の著者マイケル・ルイスのように、米国の株式市場はスピードに基づく階級制度になっており、少数の特権階級がナノ秒単位の優位性を代償にしていると主張する人もいる。他の人は、これらの小さな時間間隔の価値に気づいていないままです。一方で、レイ・カツヤマ氏のようなHFTの支持者は、HFTは取引シグナルを拾い上げて一般投資家を利用できると主張している。
初期の学術的証拠は、HFT とアルゴリズム取引を一般に支持しており、HFT は流動性を高め、スプレッドの減少、深度の増加、短期ボラティリティの低下などの従来の市場の品質指標を改善すると考えられていました。しかし、より最近の研究では、HFT のいくつかのマイナス面が判明しています。たとえば、HFT は他の投資家からの注文の流れを予測し、市場の力から賃貸料を引き出すことができます。
さらに、Banker、Blending、Courageous、Canorkey などの最近の研究では、HFT は最初は逆風で取引されるが、大規模な取引が進むにつれて風に乗って取引されることが示されています。これを説明するために、大規模な年金基金が Apple 株を購入したいというシナリオを考えてみましょう。 HFT は、この取引を検出すると、買い圧力による将来の価格上昇を予測して、同じ方向に取引するために金融機関と競合する可能性があります。
HFT の効果についてはある程度理解されていますが、HFT が実際にどのように取引され、金融市場に影響を与えるかについては、文献では依然として不明瞭です。既存の証拠のほとんどは取引執行に基づいており、オーストラリアでの注文提出行動についてはほとんど知られていません。
このギャップに対処するために、私たちの研究では、完全な指値注文帳データを分析することで、HFT 取引戦略を直接調査しています。当社は、ASX の上位 100 銘柄の注文の送信、修正、キャンセル、取引に関する詳細情報にアクセスできます。トレーダーを HFT 企業、機関投資家、個人ブローカーに分類することで、彼らの行動と市場力学への影響を理解することを目指しています。
私たちの主な調査結果は、HFT がオーダーブックの監視と不均衡に基づく取引に優れていることを明らかにしています。株の売買の需要が高まると、HFT は他のトレーダー カテゴリに比べてその情報をうまく利用することができます。さらに、HFT は必要でない場合でもオーダーブックの固定側に流動性を提供する一方、非 HFT は HFT の戦略的な取引行動によりオーダーブックへのアクセスが制限されていることが観察されています。
また、「it」と呼ばれるより高速なデータ フィードの導入についても検討し、導入後は HFT が戦略的取引においてさらに効果的になることがわかりました。ただし、非 HFT 注文は指値注文帳から混雑しているため、これらのトレーダーにとって約定が成功する可能性は低くなります。
結論として、私たちの研究は、完全な指値注文帳データを分析することにより、HFT 取引戦略の理解に貢献します。 HFT は、オーダーブックの監視と不均衡に基づく取引において、他のトレーダー カテゴリよりも優れていることがわかります。より高速なデータフィードの導入により、取引上の優位性がさらに高まります。これらの調査結果は、HFT が市場力学にどのような影響を与えるかを明らかにし、規制当局、市場参加者、学者に貴重な洞察を提供します。
私たちの研究を発表する機会をいただきまして、重ねて御礼申し上げます。
Ciamac Moallemi: 高頻度取引と市場の微細構造
Ciamac Moallemi: 高頻度取引と市場の微細構造
私のプレゼンテーションの目的の一部は、教員が行った研究について人々に知ってもらうことです。本題に入る前に、応用数学者としての私自身の仕事について背景を説明したいと思います。私の時間の約半分は、不確実性が存在する中で時間をかけて意思決定を行う確率制御問題の探索に費やされています。これらの抽象的な数学的問題は重大な課題を引き起こしますが、多くのエンジニアリングおよびビジネス上の問題が同様の特徴を共有しているため、基本的なものです。私の研究の残りの半分は、金融工学の分野における確率制御問題のより応用的な側面に焦点を当てています。
ヘッジファンドマネージャーとしてのこれまでの経験から、私は金融市場における最適な取引、市場の微細構造、高頻度取引に特に興味を持っています。今日は、現代の電子市場の複雑さについての洞察を提供するために、これらのトピックについて説明します。当面の問題を理解するには、過去 5 ~ 10 年間で大きく進化した米国株式市場の主な特徴を理解することが重要です。
何よりもまず、電子取引が市場を支配しており、ニューヨーク証券取引所のフロアにいるトレーダーの伝統的なイメージはほとんど無意味になっています。現在、取引は主にコンピュータ上で行われており、交換の主なメカニズムは電子取引です。もう 1 つの注目すべき変化は、取引の分散化または細分化です。以前は、特定の銘柄は主にナスダックまたはニューヨーク証券取引所で取引されていました。しかし、現在では複数の取引所が存在し、それぞれが株式取引のかなりの割合を占めています。
これらの取引所は電子指値注文帳として組織されており、市場参加者は指定された価格で買い注文と売り注文を送信できます。価格が交差すると、取引が実行されます。これは、ニューヨーク証券取引所の歴史的なディーラー市場やスペシャリスト市場の構造とは対照的です。さらに、取引の約 30% は電子クロッシング ネットワーク、ダーク プール、インターナライゼーションなどの代替会場で行われており、取引の分散化にさらに貢献しています。
現代の市場の最も顕著な特徴の 1 つは、参加者の自動化が進んでいることです。以前は人間のトレーダーが大量の注文を処理していましたが、現在はアルゴリズムと高頻度取引が引き継いでいます。アルゴリズム取引により、投資家は時間をかけて取引所全体で大規模な注文を細かく分割することができる一方、マーケットメーカーとして分類されることが多い高頻度トレーダーは流動性を提供します。これらの最近の傾向により市場はより複雑になり、アルゴリズムトレーダーと高頻度トレーダーの間で予測不可能な相互作用が生じています。
これらの展開は、政策レベルと個々の参加者の両方で重要な疑問を引き起こしました。政策立案者と規制当局は、現在の複雑な市場構造の長所と短所を評価する必要があります。また、2010 年 5 月 6 日の有名なフラッシュ クラッシュのようなイベントの発生などの問題にも対処する必要があります。このフラッシュ クラッシュでは、アルゴリズム トレーダーと高頻度トレーダーの間の病的な相互作用により、市場価格が数分のうちに大幅に下落しました。
個々の参加者レベルでは、意思決定の問題に対処する必要があります。市場の複雑さと予測不可能性を考慮すると、参加者は取引戦略に最も効果的なアプローチを決定する必要があります。この文脈の中で、私は高頻度取引と市場の微細構造に関連する 2 つの具体的な問題、つまりレイテンシーの重要性の理解と市場におけるダーク プールの役割の調査について研究を行ってきました。
レイテンシーとは、取引の決定とその実行の間の遅延を指します。低遅延で迅速に取引できる機能がますます重要になっています。レイテンシーに関連する価値とコストを評価するには、取引の意思決定におけるレイテンシーの重要性を評価する必要があります。長年にわたり、米国株式市場の待ち時間は劇的に短縮され、取引はマイクロ秒単位で行われるようになりました。この技術の進歩は、より迅速な執行を求める高頻度トレーダーやその他の人々からの需要によって推進されてきました。
レイテンシの重要性を理解すると、さらなる疑問が生じます。最新の情報に基づいて意思決定を行う場合、低遅延は有益ですか?競合他社よりも速いことは、利益を獲得する上で有利になりますか?さらに、取引所のルールや組織では早期エントリーが優先されることが多く、接続遅延が短いトレーダーに利点が生まれます。これにより、市場機会への公平性と平等なアクセスに対する懸念が生じます。
これらの疑問に対処するために、私の研究には、高頻度取引のダイナミクスと取引戦略に対するレイテンシーの影響を捉える数学的モデルの開発が含まれます。さまざまなシナリオをシミュレーションし、結果を分析することで、取引の意思決定における速度と正確性の間の最適なバランスについての洞察を提供することを目指しています。この調査は、ヘッジファンドや機関投資家などの市場参加者が、競争の激しい環境でパフォーマンスを最大化するための取引アルゴリズムやインフラストラクチャを設計する際に役立ちます。
私の研究のもう 1 つの分野は、現代の市場におけるダーク プールの役割に焦点を当てています。ダークプールは、参加者が公開市場から離れて匿名で大規模な取引を実行できるプライベート取引の場です。これらの代替取引所は、市場への影響を最小限に抑え、大量の取引量を持つ機関投資家にとって執行の質を向上させる可能性があるため、人気が高まっています。
しかし、ダークプールの台頭により、市場の透明性と公平性に対する懸念が高まっています。批評家は、これらの場における透明性の欠如が情報の非対称性を生み出し、価格発見に悪影響を与える可能性があると主張しています。さらに、高頻度トレーダーがダークプールにおける取引前の透明性の欠如を自らの利益のために利用する例もあります。
私の研究では、市場の流動性、価格形成、市場参加者の行動に対するダーク プールの影響を調査しています。数理モデルを開発し、実証分析を行うことで、ダークプール取引に伴うメリットとデメリットを理解することを目指しています。この研究は、ダークプールの規制と監視に関する進行中の議論に貢献し、市場参加者が取引戦略について情報に基づいた決定を下すのに役立ちます。
結論として、今日の私のプレゼンテーションは、特に高頻度取引、市場の微細構造、レイテンシー、ダーク プールに焦点を当てた、金融工学の分野における私の研究の概要を説明します。これらのトピックを掘り下げることで、現代の電子市場の複雑さと、それが市場参加者や規制当局にもたらす課題に光を当てることを目指しています。私の研究は、数学的モデリング、シミュレーション、実証分析を通じて、貴重な洞察を提供し、金融市場の分野で進行中の議論と発展に貢献することを目的としています。
さらに、私の研究の別の側面は、金融市場に対する規制政策の影響を中心に展開しています。規制機関は、市場の完全性、安定性、投資家保護を確保する上で重要な役割を果たします。ただし、規制の設計と導入は予期せぬ結果をもたらし、市場動向に影響を与える可能性があります。
私の研究で重点を置いている分野の 1 つは、規制当局の発表に対する市場の反応を調査することです。過去のデータを分析し、イベント調査を実施することで、トレーダーや投資家などの市場参加者が規制の変更に応じて戦略やポジションをどのように調整するかを調査しています。この調査は、市場の流動性、ボラティリティ、全体的な効率に対する規制の即時的および長期的な影響を理解するのに役立ちます。
さらに、意図された目標を達成するためのさまざまな規制措置の有効性を調査します。たとえば、私はサーキットブレーカー(市場の極端な変動時に取引を一時的に停止するように設計されたメカニズム)が市場の安定性に及ぼす影響を研究しています。過去の市場データを分析し、シミュレーションを実施することで、サーキットブレーカーが市場の暴落を効果的に防止するか悪化させるかどうかを評価します。
もう一つの関心分野は、金融市場におけるシステミックリスクの軽減を目的とした規制の検討である。これには、資本要件、ストレステスト、銀行による自己勘定取引の制限などの措置の影響を分析することが含まれます。これらの規制が金融システムの安定に及ぼす影響を研究することで、その有効性と潜在的な予期せぬ結果についての洞察を提供することを目指しています。
さらに、特にブロックチェーンや暗号通貨などの新興テクノロジーの文脈において、テクノロジーと規制の交差点についても調査します。これらのテクノロジーは、従来の金融システムを破壊し、新たなリスクをもたらす可能性があるため、規制当局にとって独特の課題と機会をもたらします。この分野における私の研究は、これらのテクノロジーの規制上の影響を理解し、市場の健全性と投資家保護を確保しながらイノベーションを促進できる潜在的な枠組みを探索することに重点を置いています。
金融工学における私の研究は、規制政策の影響、規制変更に対する市場の反応、テクノロジーと規制の交差点など、幅広いトピックを網羅しています。厳密な分析、数学的モデリング、実証研究を通じて、金融市場の機能に関する貴重な洞察を提供し、十分な情報に基づいた効果的な規制枠組みの開発に貢献するよう努めています。
ケント・ダニエル: 価格の勢い
ケント・ダニエル: 価格の勢い
ここに来られてうれしいです、そして来てくれた皆さんに感謝したいと思います。皆さんがこのテーマに熱心に取り組んでいるのを見るのは素晴らしいことです。今日は、ヘッジファンドが一般的に使用する具体的なクオンツ戦略について説明します。この戦略は多くの場合、大きな影響力を利用して実装され、スンナ・レイエス教授とウォン教授が取り組んできた主題を補完します。私の目的は、クオンツ投資の概念を紹介し、この特定の戦略についての洞察を提供することです。
さらに、価格モメンタムの要因とその現象が市場で発生する要因を理解するための研究を行っています。私は、主に投資家による不完全な情報処理が原因で、市場は完全に効率的ではないと主張します。したがって、私は勢いの特徴を掘り下げ、その根本的な原因についていくつかの考えを提供します。
最近、ブルームバーグ誌で、業界の著名人であるクリフ・アスネスを特集した記事を見つけました。彼の会社はこれまで、主に勢いが原因で困難に直面してきた。これは今日の議論に特に関係があると思います。実際、アスネスと彼の会社は勢いを捨てていません。彼らはヘッジファンドの取り組みに加えて、AQRモメンタムファンドと呼ばれる投資信託さえ立ち上げた。
AQR は、ミューチュアル ファンドとヘッジ ファンドの両方において、数学的ルールを採用して、特定のバイアスを備えた多様なポートフォリオを構築しています。勢いがある場合、彼らは勝者に投資し、敗者を売却することに重点を置きます。今日は、この戦略について詳しく説明します。ただし、具体的な内容に入る前に、アスネス、モスコウィッツ、パターソンによる研究論文から得た洞察をいくつか共有したいと思います。この論文では、さまざまな資産クラスにわたるモメンタムの存在を調査しています。
彼らの調査結果によると、モメンタムは歴史的に米国、英国、欧州大陸を含むさまざまな地域で好調に推移してきた。しかし、日本では同様の良い結果は得られませんでした。さらに、この調査では、株式国の選択、債券国の選択、外貨、および商品の勢いを調査しており、各分野で成功の度合いは異なります。
では、何が勢いを促すのでしょうか?私の予備研究と理論に基づくと、最も説得力のある説明は、投資家による情報処理を中心に展開されます。投資家は新しい情報を受け取ると、物事は比較的変わらないと仮定し、現状維持バイアスを示す傾向があります。彼らは情報に応じて何らかの価格変動を予想していますが、その影響を完全には理解していません。そのため価格は若干変動しますが、その情報が価格に反映されるまでには1年程度かかる場合が多いです。
金融市場においては、情報と連動した値動きを観察すれば、その勢いは継続する可能性が高い。この価格変動の持続性は、物理学における運動量の概念と一致します。つまり、特定の方向に一定の速度で移動する物体は、外力が作用しない限り動き続ける傾向があります。
それでは、モメンタム戦略を構築する方法を見てみましょう。 AQR のアプローチと同様の単純なモメンタム戦略を実装したいとします。ステップバイステップのガイドは次のとおりです。特定の月の初めから、1 か月前までの過去 12 か月間の NYSE、Amex、NASDAQ に上場されているすべての株式の月次収益を計算します。リターンに基づいて株式をランク付けし、上位 10% を勝者、下位 10% を敗者として特定します。時価総額で重み付けされた勝者で構成されるポートフォリオを構築します。同様に、1ドル相当の負け株を空売りしてロングショートポートフォリオを構築します。形成期間のリターンとランキングを更新して、毎月初めにポートフォリオのバランスを再調整します。
最近の収益は同様である可能性が高いため、この戦略ではポートフォリオの売上高が比較的低くなります。ただし、期間を 12 か月に延長すると、リターンは大きく乖離し始めます。
ここで、1949 年から 2007 年までのこの戦略のパフォーマンスを評価してみましょう。国庫短期証券への投資では、年平均 16.5% の超過収益が得られ、これは非常に大きなものです。これは、勝者を買い、敗者を売るモメンタム戦略が長期的に非常に収益性が高いことを示しています。
さて、この超過収益がさまざまな期間にわたって一貫しているかどうか疑問に思うかもしれません。これを調べるために、データを数十年に分けて、勢いがどのように変化するかを見てみましょう。各10年の超過収益は次のとおりです。
ご覧のとおり、その規模は異なりますが、モメンタムは 10 年ごとにプラスの超過収益をもたらしています。 1990 年代の超過収益は他の 10 年間に比べて相対的に低かったものの、依然としてプラスであったことは注目に値します。
では、なぜ収益性の高い戦略として勢いが持続するのでしょうか?説明の一つは、投資家が新しい情報に過小反応する傾向があり、価格の調整が遅くなるということです。その結果、プラスのリターンを達成した株式は、その価格が入手可能なすべての情報を完全に反映していないため、アウトパフォームし続けています。この調整の遅れは、投資家に勢いに乗って利益を獲得する機会を提供します。
モメンタムは一貫した収益性を示していますが、リスクがないわけではないことに言及することが重要です。他の投資戦略と同様に、それには独自のリスクと課題が伴います。市場状況は変化する可能性があり、過去の実績は将来の結果を保証するものではありません。したがって、モメンタムベースの投資アプローチを導入する場合は、徹底的な分析、リスク管理、継続的なモニタリングが重要です。
結論として、勝者を買い、敗者を売るというモメンタム戦略は、歴史的に金融市場で大幅な超過収益を生み出してきました。数十年ごとにリターンにばらつきがあるにもかかわらず、モメンタムは全体として収益性の高い戦略であり続けています。ただし、投資家はこの戦略を投資アプローチに組み込む前に、注意を払い、さまざまな要素を考慮する必要があります。
アルゴリズム取引と機械学習
アルゴリズム取引と機械学習
わかりました、コスタス、私を迎えてくれてありがとう。また、私がこれから説明する議論に貴重な背景を提供する洞察力に富んだ講演をしてくれたエリックにも感謝の意を表したいと思います。今日は、これらの取引所の反対側で運営し、高頻度トレーダー (HFT) やその他の取引相手と取引した経験に焦点を当てます。コスタスが私にそれは受け入れられると保証してくれたので、私の講演はゲーム理論を明示的にカバーするものではないことを明確にしたいと思います。ただし、過去 12 年間ウォール街のクオンツ トレーディング グループで働いてきた経験を活かして、実践的な側面を掘り下げていきます。
何よりもまず、私の取引パートナーである By Vaca に特別な感謝の意を表したいと思います。彼はこれから説明するすべての作品の共著者です。当社の調査と洞察は、当社の取引グループ内の独自の商業的文脈から生まれました。私が強調する側面は、時間の経過とともに科学的に興味深いと思われる独自の要素ではない要素です。
ウォール街は間違いなく、技術的にも社会的にも興味深い場所です。自動化と豊富なデータにより、大きな変化が見られました。これらの変革により、取引に多数の課題が生じており、学習ベースのアプローチ、特に機械学習が必要となっています。人間の理解を超えた時間的および空間的スケールで利用可能な膨大な量のデータにより、アルゴリズムは取引に不可欠なものとなっています。これらのアルゴリズムは、賢明な取引決定を行うために、適応性があり、最近のデータを含む履歴データに基づいてトレーニングされる必要があります。
私のプレゼンテーションでは、現代の電子市場におけるアルゴリズム取引で生じる 3 つの具体的な問題領域について概説します。これらのビネットまたはケーススタディは、アルゴリズムの課題に光を当て、新しい技術を使用して課題に対処するためのヒントを提供します。
最初の 2 つの問題は、実行の最適化に関係しています。取引を実行する場合、特定の数量の株式を売買する場合でも、即時性と価格の間にはトレードオフの関係があります。取引を迅速に実行することを選択して、価格に影響を与えますが、一時的な情報の利点を利用する可能性があります。一方で、よりゆっくりとしたアプローチを採用することで、より長い期間にわたって市場を希望の価格に収束させることができます。これらのトレードオフを詳しく掘り下げ、電子市場が直面する課題を示す具体的な事例を紹介します。
3 番目の問題は、平均分散最適化などの古典的なポートフォリオ最適化のアルゴリズム版に関係します。これには、リスクやボラティリティを考慮しながらリターンを最大化する分散ポートフォリオを保有することが含まれます。本質的にアルゴリズム的ではありますが、この問題は従来のポートフォリオ最適化アプローチと関連しています。
エリック氏が前述したように、継続的な二重指値注文オークションがこれらの課題の背景として機能していることは注目に値します。フラッシュクラッシュの画像と高頻度取引に関するマイケル・ルイスの本は、私たちが現在ウォール街で経験している興味深くダイナミックな時代を強調しています。私は、高頻度取引を含むあらゆる取引活動について道徳的な判断を下すつもりはありませんが、伝統的な統計的な株式取引の枠組みの中で活動する定量的取引グループの観点から、現代の電子市場が直面するアルゴリズムの課題を解明することを目指しています。
当社のトレーディンググループは、長期および短期の両方の株式のトレーディングを専門とし、国内外の市場における幅広い流動性の高い商品を網羅しています。ポジションをヘッジするために、当社は複雑なデリバティブを避け、先物のみを利用します。比較的単純な市場や金融商品での取引にもかかわらず、ウォール街での自動化とデータの利用可能性の向上により、多くの場合機械学習を使用した学習アプローチが必要となる多数の取引上の問題が発生しています。
ちなみに、これの一例を言いたいのですが、あるアナリストがある銘柄に対する見方を変えると、他のアナリストも同じ銘柄に対する見方を立て続けに変える傾向があることがよく観察されます。したがって、これが実際に新しいニュースなのか、それとも単に市場に入ってきた他の基本的なニュースの結果なのかを判断する必要があります。そのような場合、この情報に基づいて取引することはお勧めできません。
さて、なぜ最後に質問時間を割かずに残りの巻を購入したいのかというご質問ですが、これには答えが2つあります。まず、バンク・オブ・アメリカのようなアルゴリズム取引デスクを備えた証券会社の場合、顧客の指示に基づいて取引を実行します。彼らは、特定の期間内に何株購入するかについての指示を私たちに提供します。プロセス中に確認を求めることはありません。次に、入手可能な情報に基づいて適切な購入量を決定するための戦略を最適化しました。通常、この出来高は、株価に大きな影響を与えることなく取引できる最大量です。ご提案いただいたアプローチを実装することは可能ですが、複雑な取引の世界における意思決定を簡素化するために、関係するパラメーターの数を最小限に抑えることを好みます。
テストプロセスに関しては、調査後 6 か月間ライブテストを実施します。これにより、実際の市場条件におけるモデルのパフォーマンスを評価できるようになります。ただし、モデル自体はテスト段階で履歴データを使用します。
私たちのポリシーを人々に説明するとき、私たちは主に目視ではなく経験的なアプローチに依存しています。この特定の問題では、何が賢明な行動であるかは明らかです。うまく機能する戦略を、なぜ機能するのかを明確に理解せずに扱う場合、問題が発生します。このような場合、私たちは人類学的観点から問題にアプローチし、特定の取引が一貫して収益を上げている理由を理解しようとすることがあります。
私たちは、学習内容の複雑さが解釈の点で課題を引き起こすことを認識しています。特定の状態変数における一貫した予測力を特定することはできますが、根本的な理由を詳細なレベルで理解することは非常に困難です。金融市場、特に高頻度取引の微細構造には、通常の人間の理解を超えた量とデータ速度が伴います。したがって、私たちは一貫したパフォーマンスを確保するために、慎重なトレーニングとテストの方法論に重点を置いています。
私たちの実験では、オーダーブックのさまざまな機能とそれがパフォーマンスに与える影響を調査しました。たとえば、買値と売値のスプレッドを状態空間に組み込むことは、取引執行を最適化するのに有益であることが証明されています。ただし、すべての機能が同じ利点を提供するわけではなく、一部の変数は過剰適合によりパフォーマンスに悪影響を与える可能性もあります。最も有益な機能を選択することにより、制御理論的アプローチによって達成された 35 パーセントの改善に加えて、さらに 13 パーセントの改善を達成しました。
現在、詳細について詳しく説明する時間がありませんが、実験的にソリューションを評価しています。ただし、漫画モデルを使用して流動性を簡単に説明することはできます。代替取引の場であるさまざまなダークプールは、さまざまな時間およびさまざまな銘柄に対してさまざまな流動性特性を示します。
指値注文帳であれダークプールであれ、新しい取引所が出現すると、特定の種類の株式に対して優遇措置、リベート、手数料を提供することで市場での地位を確立しようとすることがよくあります。彼らは、特定の種類の株式を取引するための優先ダークプールとして自らを宣伝しています。その結果、それらの株式に興味のあるトレーダーはその特定のダークプールに引き寄せられ、流動性が生まれます。対照的に、他のダーク プールは流動性プロファイルが異なる可能性があり、それほど多くの取引活動を引きつけない可能性があります。
この概念を視覚化するには、各ダーク プールが定常確率分布で表される、特定の株式に対する固有の流動性プロファイルを持っていると想像してください。 X 軸は株式数を表し、Y 軸は各離散時間ステップで実行に使用可能な株式を見つける確率を表します。ダーク プールに取引注文を送信すると、この分布から数値が抽出され、その特定のタイム ステップで取引する意思のある取引相手の量が示されます。実行されるボリュームは、描画されたボリュームと要求されたボリューム (vns) の最小値によって決定され、必要に応じて部分的な実行が保証されます。
ここで、部分執行が発生した場合に、流動性曲線がどのようにして減少しないのか疑問に思われるかもしれません。流動性曲線は、特定の範囲内で利用可能な量が見つかる可能性を表すだけです。これは、ボリュームが小さいほど実行に使用できる可能性が高く、ボリュームが大きいほど実行可能になる可能性が低いことを示しています。部分的な約定は、単に実行された量が要求された量よりも少ないことを意味しますが、流動性曲線の全体的な形状には影響しません。
ダークプールの急増は興味深い現象です。これは市場の均衡とこれらの会場間の競争について疑問を引き起こします。市場が最終的に統合され、いくつかのダークプールが優勢になるかどうかは依然として不透明である。金融市場の規制緩和により複数の取引所が同時に運営できるようになって以来、同様の動きが継続的な二重オークションでも観察されている。規制の状況と新興企業が新しいメカニズムを提案する能力は、市場構造の複雑さに寄与しています。
この研究とエリックの論文との関連性を考慮すると、さまざまな市場構造、アルゴリズム間の相互作用、およびそれらが市場の安定性と細分化に及ぼす影響を探ることができます。同様のアルゴリズムを使用して複数のプレーヤーが関与するシナリオをシミュレートすることで、計算結果を調査し、市場構造とアルゴリズムの多様性が価格やその他の規制上の懸念にどのように影響するかを研究できます。この研究努力の組み合わせにより、市場構造、アルゴリズム取引、市場の安定性の間の複雑な関係について貴重な洞察が得られる可能性があります。
さらに、さまざまなアルゴリズムと市場構造の間の相互作用や、それらが市場のダイナミクスをどのように形成するかなど、より洗練された問題を掘り下げることができます。さまざまな市場シナリオを調査することで、安定性を達成し断片化の問題に対処するためのさまざまな市場構造とアルゴリズムの適合性を分析できます。
金融市場の進化により、特定の側面が自動化され、多くの場合、有用な人間の要素が置き換えられています。ただし、機能を複製および強化するために、新しい電子メカニズムが導入されています。これらのダイナミクスを理解し、それに応じて戦略を適応させることで、現代の金融市場の複雑さを乗り越えることができます。
私の講演では、現代の電子金融市場における取引に内在するアルゴリズム上の課題に光を当てます。私が紹介する 3 つのケーススタディは、最適化された実行とアルゴリズムによるポートフォリオの最適化で直面する複雑さとトレードオフを浮き彫りにします。時間の制約によりすべてのトピックを完全にカバーすることはできないかもしれませんが、これらの分野について貴重な洞察を提供できればと思っています。
シミュレーションと計算分析は、アルゴリズム取引の潜在的な結果を理解する手段を提供しますが、抽象的なモデリングと現実世界の関連性の間でバランスを取ることが不可欠です。課題は、特に複雑で進化し続ける金融市場の状況において、実際的な関連性を犠牲にすることなく、どの詳細が重要で、どの詳細を見落としても安全かを特定することにあります。
金融取引所の設計: Econ と CS の交差点におけるいくつかの未解決の疑問
金融取引所の設計: Econ と CS の交差点におけるいくつかの未解決の疑問
コスタスさん、本当にありがとうございました。この講演は私にとって少し型破りなものになりますが、この会議の精神と開かれた方向性のテーマに沿ったものになることを願っています。これは金融取引所の設計、特に連続指値注文ブックとして知られる一般的な設計に関連しています。まず、ピーター・クランプトンとジョン・シムと私が最近取り組んだ論文について説明します。この論文は、現在の金融取引所の設計における経済的欠陥を浮き彫りにしています。この欠陥が高頻度取引のマイナス面に寄与していると私たちは主張します。
講演の最初の部分では、この論文について取り上げます。この論文については、一部の人にはよく知られているかもしれませんが、ほとんどの人には馴染みがないでしょう。これは、離散時間取引または頻繁なバッチ オークションと呼ばれる代替アプローチの経済的な事例を示しています。私たちの論文は、連続指値注文ブックは世界中で広く使用されているものの、高頻度取引に関連するさまざまな問題につながる構造的欠陥を抱えていることを示唆しています。この部分はこれまでに何度も提示されているので、この部分を要約してわかりやすく説明します。
講演の第 2 部と第 3 部では、金融取引所の設計に関する未解決の質問と研究の方向性について掘り下げていきます。これらの研究分野は、経済学とコンピューターサイエンスの交差点にあります。後のセクションでは、現在の市場設計と比較した離散時間取引の計算上の利点について、定理やデータを欠いた定性的な議論を提示する、季刊経済ジャーナルの論文の後ろの 2 ページの部分について説明します。 。この議論は多くの疑問を引き起こし、さらなる探究を促すことを目的としています。
講演の後半は私が慣れ親しんでいるものよりも形式的ではありませんが、未解決の疑問を提起し、将来の研究の議題を設定する上で重要であると私は信じています。これは、経済学とコンピュータ サイエンスの交差点の探索を奨励し、将来の研究に向けた実りある方向性を示唆するこの会議の目的と一致しています。
ここで、離散時間取引の経済的ケースと、連続指値注文ブックに対するその利点について詳しく掘り下げてみましょう。これについては後ほど詳しく説明します。継続的な指値注文帳は、毎日何兆ドルもの経済活動を処理する市場設計です。これは、証券の価格、数量、方向 (買いまたは売り) を指定する指値注文に基づいて動作します。市場参加者は 1 日を通して指値注文を送信、キャンセル、変更することができ、これらのメッセージは取引所に送信されます。
新しいリクエストが指値注文帳の既存の注文と一致すると、取引が発生します。たとえば、未払いの売りオファーと同じかそれより高い価格の買いリクエストは取引となります。これが連続指値注文ブックの基本的な機能です。
しかし、私たちの調査では、この市場設計には本質的な欠陥があることが示唆されています。大きな問題の 1 つは、いわゆる「狙撃」です。公開情報やシグナルに変化があった場合、流動性供給に携わる商社はそれに応じて相場を調整します。以前の入札または質問をキャンセルし、更新された情報を反映した新しい入札または質問に置き換えます。さて、私が相場を調整している貿易会社の 1 社であると仮定してください。同時に、トーマスのような他の業者も、交換される前に古い相場で取引するよう取引所にメッセージを送信します。
市場はこれらのメッセージを連続時間かつ連続順序で処理するため、どのメッセージが最初に取引所に届くかはランダムになります。複数の取引会社が新しい情報に同時に反応した場合、トーマスまたは他の参加者からのリクエストが私のリクエストよりも先に処理され、古い価格で取引できる可能性があります。この狙撃現象には問題があり、いくつかの影響を及ぼします。
まず、対称的な公開情報に基づいて機械的な裁定取引の機会を可能にしますが、これは効率的な市場では起こるはずがありません。第二に、そのような裁定取引の機会からの利益は、流動性の供給を犠牲にして得られます。スナイパーが古い価格で取引を実行することに成功すると、流動性供給取引会社は相場を迅速に調整することに躊躇するようになります。このためらいは、狙撃されて潜在的な利益を失うことへの恐怖から生じます。その結果、流動性プロバイダーが新しい情報に応じて相場を更新する意欲が薄れ、市場の効率が低下します。
継続的な指値注文ブックに関するもう 1 つの問題は、注文の予測が発生する可能性があることです。このシナリオでは、トレーダーは新しい指値注文の到着を観察し、将来の取引を見越して先制的に相場を調整します。この動作はカスケード効果につながる可能性があり、トレーダーがお互いに反応して相場を常に調整し、市場に不必要なボラティリティと不安定性を生み出します。
これらの欠陥に対処するために、私たちの論文では、離散時間取引または頻繁なバッチオークションとして知られる代替市場設計を提案しています。この設計では、連続時間で注文を処理するのではなく、市場は離散的な時間間隔またはバッチで動作します。各バッチ中に市場参加者は指値注文を送信でき、バッチの終了時に市場が清算され、単一の均一価格で取引が実行されます。
離散時間取引を導入することで、スナイピングや注文の予測の問題を排除します。バッチ内で送信されたすべての注文は同時に処理されるため、注文の実行にランダム性はありません。トレーダーは、自分の注文が同じバッチ内の他の参加者と同じ価格で執行されることを確信できるため、公平性が確保され、狙撃のインセンティブが軽減されます。
さらに、頻繁なバッチオークションにより安定性が促進され、市場の不必要な変動が軽減されます。トレーダーは、受信するすべての注文に応じて相場を常に調整する必要がなくなりました。代わりに、バッチの最後に注文が公正な価格で執行されることを知っているため、情報の分析と情報に基づいた取引の決定に集中できます。
金融市場への投資では、取引が行われるまでに一定の待ち時間が必要になることがよくあります。この待ち時間が重大なコストであるか、それともわずかなコストであるかについては、人によって異なる意見があるかもしれません。たとえば、取引の実行においてあなたが私よりわずかに速い場合 (100 万分の 1 秒速いなど)、その時間枠内でニュース イベントに対処する際に有利になる可能性があります。一方で、少しスピードが遅いため、行動のチャンスを逃してしまうこともあります。この速度の利点は、多くの場合、連続市場における速度差 (デルタ) とバッチ間隔 (タウ) の比によって測定されます。
個別の市場では、オークションベースの競争により、あなたが私よりわずかに速い場合、いつでも特定の時間間隔 (タウに対するデルタ) で私を「狙撃」することができます。ただし、あなたと他の数人のトレーダーが全員私よりわずかに速い場合、速度だけで競争するのではなく、私と取引するためにオークションで競争する必要があります。このため、さまざまな市場がこの同期クロックのアプローチを一律に採用しているのか、それとも実際的な課題があるのかという疑問が生じます。
現在の継続的な市場では、価格の変更は異なる取引所で同時に発生しないため、単一価格の法則が常に違反されていることに注意することが重要です。この違反は、人間による観察や入手可能な研究データでは簡単に検出できません。しかし、複数の取引所が同時に頻繁に一括オークションを導入すれば、一価の法則違反をより容易に発見できるようになるだろう。これは、必ずしも 1 つのアプローチが優れている、または劣っているということを意味するのではなく、データがより明確な洞察を提供することを意味します。
他の取引所が継続的である一方で、単一の取引所が個別市場に移行した場合、その取引所はレイテンシー・アービトラージを排除し、流動性供給に対する税金を取り除くことになります。経済的な意味で、これは時間の経過とともに個別市場取引に有利になる可能性があります。ただし、新しい市場の立ち上げには課題があり、規制の曖昧さ、現在の市場設計の恩恵を受ける既存の取引所からの既得権益が存在します。
連続時間交換を維持しながらすべての注文にレイテンシーを導入するという IEX の提案については、受信注文と送信注文の両方を特定の時間間隔で遅延させることで機能します。 IEX は市場の変化を数秒以内に監視し、それに応じて価格を調整します。ただし、その設計の潜在的な弱点は、外部ソースからの価格情報へのアクセスに依存していることです。これは、IEX のアプローチが価格発見に貢献しているのか、それとも単に他所からの情報に依存しているのかという疑問を引き起こします。
一方、すべての注文にランダムな遅延を導入すると、スナイピングに効果的に対処できない可能性があり、無限のメッセージ トラフィックにつながる可能性があります。この問題に対処するためにいくつかのアイデアが提案されていますが、それらの多くは分析すると効果がないことが判明しています。対照的に、私たちの論文は、公開情報からのレントを生み出し、速度競争を促進する市場設計の欠陥の解決策として、時間を離散化してバッチ処理することを提案しています。
この論文で議論する側面の 1 つは、離散時間取引の計算上の利点です。現代の金融市場は、フラッシュクラッシュや為替の不具合など、さまざまな計算上の問題に直面しています。離散時間は連続時間と比較して計算が簡単で、取引所、アルゴリズムトレーダー、規制当局に特有の利点をもたらします。
取引所の場合、連続時間処理によりバックログの問題が発生する可能性があり、活発な時間帯の注文や市場の状態についてアルゴリズムが不確実になります。対照的に、離散時間バッチ オークションはより効率的に処理でき、最悪の場合の処理時間に比べて時間を緩和できます。これにより、取引所が直面する不確実性とバックログの問題が軽減されます。
また、離散時間により交換のメッセージ処理が簡素化され、さまざまな種類のメッセージの配布に優先順位を付ける必要がなくなりました。これにより、情報の非対称性が悪用される可能性が低くなります。さらに、離散時間により交換用のプログラミング環境が簡素化され、グリッチの発生が減少し、システム全体の安定性が向上する可能性があります。
離散時間取引の計算上のもう 1 つの利点は、アルゴリズム戦略の分析とモデル化が簡素化されることです。連続時間市場では、アルゴリズムトレーダーは、リアルタイムで受信データへの応答を最適化するという課題に直面しています。変化する市場状況を考慮しながら、迅速な意思決定を行う必要があります。スピードとインテリジェンスのこのトレードオフは、解決が難しい複雑な問題です。
ただし、離散時間取引では、データのバッチ処理により、アルゴリズムトレーダーは一定の間隔で分析して意思決定を行うことができます。たとえば、バッチ間隔が 100 ミリ秒に設定されている場合、トレーダーはすぐに実行するというプレッシャーを感じることなく、最初の 100 ミリ秒を徹底的な分析に充てることができます。これにより、より洗練された正確な意思決定プロセスが可能になります。
この計算上の利点から研究上の疑問が生じます。アルゴリズムトレーダーは、意思決定においてスピードとインテリジェンスの適切なバランスをどのように取ることができるでしょうか?市場で知性よりもスピードを優先することに関連した負の外部性はありますか?離散時間フレームワークは、連続時間取引と比較して価格形成の精度を向上させますか?
規制当局にとって、離散時間取引は紙の痕跡がきれいになるという利点をもたらします。連続時間市場では、クロックの同期とタイムスタンプの調整により、一連のイベントを再構築する際に複雑さが生じる可能性があります。さまざまな市場にわたるアクションの時系列的な順序を決定することは困難になります。対照的に、離散時間取引ではこのプロセスが簡素化され、市場活動の明確かつ正確な記録を確立することが容易になります。
離散時間取引におけるクリーンペーパー証跡の潜在的な利点は未解決の問題です。直観的に言えば、十分に文書化され、簡単に追跡できる市場活動により、透明性と説明責任が向上します。これにより、市場監視が強化され、規制当局が操作的または違法な取引慣行をより効果的に特定して対処できるようになる可能性がある。
私たちの研究は、一般的な連続指値注文ブックの設計における経済的欠陥を浮き彫りにし、離散時間取引または頻繁なバッチオークションと呼ばれる代替アプローチを提示しています。この代替設計は、狙撃や注文の予測などの問題に対処し、金融取引の公平性、安定性、効率性を促進します。これらの未解決の疑問と研究の方向性を探求することで、私たちは金融取引所の設計に関するさらなる研究を促進し、経済学とコンピューターサイエンスの分野を橋渡しして市場の機能とパフォーマンスを強化することを目指しています。
離散時間取引には、連続時間取引に比べていくつかの計算上の利点があります。これにより、交換のメッセージ処理が簡素化され、計算のボトルネックが軽減され、より洗練されたアルゴリズム戦略が可能になります。また、規制当局にとってよりクリーンな文書証跡を提供し、市場の監視と透明性が強化されます。ただし、実際の離散時間取引の影響と潜在的な欠点を調査するには、さらなる研究が必要です。
トレーディングにおけるChatGPTと機械学習
トレーディングにおけるChatGPTと機械学習
発表者は、貿易業界における ChatGPT のような自然言語処理 (NLP) モデルの利用に関するトピックを掘り下げ、ニュース記事、ソーシャル メディアの投稿、財務諸表などのテキスト ソースを分析して理解する能力を強調しました。具体的には、強力な言語モデルである ChatGPT は、膨大な量の金融データを分析し、自然な応答を生成するのに最適であり、トレーダーが取引機会について会話できるようにします。
金融コミュニティは ChatGPT に大きな期待を寄せており、取引戦略の開発と最適化への貢献を期待しています。発表者はさらに、人工知能 (AI)、機械学習 (ML)、深層学習の違いを説明し、機械学習が AI のサブセットであり、機械に人間の行動をシミュレートし、インテリジェントな意思決定を行うよう教える技術を採用していることを強調しました。
次に、プレゼンターはトレーディングにおける ML の典型的なワークフローについて説明します。彼らは、ML を使用すると、機械がデータから学習し、一連の手順に従って予測を行うことができると説明しています。最初に、データが収集され、その品質と関連性を確保するために前処理されます。次に、生データを機械が理解できる意味のある属性に変換するように機能が設計されます。次に、データはトレーニング セットとテスト セットに分割され、ML アルゴリズムを使用してモデルが構築されます。最後に、モデルが新しいデータでテストされ、満足のいくパフォーマンスが得られれば、予測に使用でき、取引プロセスが容易になります。
ML の応用を説明するために、発表者は次の取引日の金などの資産の高値と安値を予測する例を示します。この予測は、トレーダーが情報に基づいた意思決定を行い、取引戦略を改善するのに大いに役立ちます。
さらに、発表者は、ChatGPT が、金価格を予測するための線形回帰モデルの作成など、取引の問題を解決する貴重なツールとしてどのように機能するかを検討します。彼らは、ChatGPT のアプローチを、データ収集、クリーニング、モデル作成、パイプライン開発、ライブ取引、継続的改善を含む、より包括的な定量的アプローチと比較しています。機械学習回帰コード ノートブックの例が共有されており、問題解決に必要な 4 つの主要なステップ (データ準備、前処理、価格予測、戦略とパフォーマンス分析) の概要が説明されています。 ChatGPT はアイデア生成に役立ちますが、発表者は、各概念を微妙に理解し、エラーを避けるために慎重に検討する必要があると強調しました。
ML ベースのアルゴリズム取引で ChatGPT を使用することに関連する制限とリスクについても説明します。発表者は、ドメインの専門知識の欠如、トレーニング データの制限、解釈可能性の問題など、潜在的な課題を強調しています。彼らは、取引の意思決定をChatGPTのみに依存することに対して警告し、さまざまな会計期間にわたって正確性チェックを実施することの重要性を強調しています。
さらに、発表者は、コードを正確に生成する ChatGPT の機能に関して実施されたアンケートの結果についても説明します。聴衆の大多数 (74%) は、ChatGPT は妥当な精度を提供できるが、ドメインの専門知識を必要とする複雑なプログラミング タスクには適していないことを正しく認識しています。このプロセスを説明するために、プレゼンターは、ChatGPT によって生成された Python コードを使用してデータをトレーニング セットとテスト セットに分割する方法を示します。特に取引における時系列データのコンテキストにおいて、データの正しい順序付けを重視しています。
バックテストと戦略分析による ML ベースの取引アルゴリズムの評価は、パフォーマンスを評価する際の重要なステップとして強調されています。講演者は、取引と全体的なパフォーマンスについての洞察を得るために、シャープレシオ、年率リターン、リターンのボラティリティなどのさまざまな指標を使用した詳細な分析の必要性を強調しています。アルゴリズムの有効性を評価する最初のステップとして、取引アルゴリズムとバイアンドホールド戦略のリターンの比較が示されています。
さらに、プレゼンターは収益性の高い取引戦略の例を共有し、取引プロセスにおけるデータの視覚化と分析の重要性を強調します。年間収益や累積収益などの戦略分析は、戦略の成功を評価するのに役立ちます。
ギアを変えて、プレゼンターはトレーディングにおける財務分析に GPT を使用する際の制限について説明します。聴衆は以前にアンケートに参加しており、大多数は妥当な精度が必要で事実確認が必要であり、GPT は財務分析には適さない可能性があるという意見を表明しました。この限界を説明するために、発表者は GPT に対し、Apple と Microsoft の 2020 年の年次財務諸表を比較するよう要求しました。しかし、GPT は不正確な回答を示し、分野の専門知識が欠けているジェネレーター モデルとしての限界を強調しました。発表者は、GPT などの ML アルゴリズムを取引に適用する前に、金融関連の知識を取得し、書籍を読み、事実を確認することの重要性を強調します。
発表者は、金融におけるドメイン関連の知識の重要性を認識し、専門知識を得るためにコースを受講することを提案しています。この専門知識により、トレーダーは ChatGPT などの機械学習ツールをより有効に活用できるようになります。これを裏付けるために、プレゼンターは機械学習教育コースの 4 つのノートブックへの無料アクセスを提供し、視聴者がコードとそのアプリケーションについてより深く理解できるようにします。
Q&A セッション中に、ChatGPT が金融市場の日々の変化に対応できるかどうかというよくある質問が 1 つ発生します。発表者は、言語モデルとしての ChatGPT の有効性はトレーニングに使用されたデータによって制限され、毎日更新されるわけではないことを明らかにしました。 ChatGPT や金融分野の機械学習モデルを効果的に活用するには、最新の市場データを常に最新の状態に保つことが不可欠です。
講演者はその他の聴衆のさまざまな質問に答え、役立つ情報を提供します。彼らは、録画されたセッションが今後の参考のために電子メールと YouTube チャンネルで共有されることを視聴者に通知します。また、今後 24 時間のノートブックの可用性についても説明し、機械学習におけるパイプラインの概念についても説明します。
ベクトル化された Python コードをライブ取引ライブラリに展開可能な形式に変換することに関して、特定の質問が提起されます。講演者は、ChatGPT はコード変換を支援できますが、イベント トリガーの定義は依然として必要であると説明します。さらに、Chargeability 3.5 では 2022 年の情報が提供されていないとも述べています。
最後に、講演者は、機械学習技術を使用して最適化された翌日の高値と安値の予測を利用した取引戦略について説明します。彼らは、時系列予測、ポートフォリオの最適化、リスク管理など、取引におけるディープラーニングの応用を強調しています。深層学習と強化学習を組み合わせることで、エージェントが報酬と罰を通じて間違いから学習できるようになり、取引戦略のパフォーマンスを向上させることができます。
講演者は、取引における機械学習の信頼性の高い使用には、引き続きその分野の専門知識と直感が極めて重要であることを強調します。 ChatGPT のようなツールは、過去のデータを分析し、将来の取引で成功する可能性を評価するのに役立ちますが、それだけに依存すべきではありません。トレーディング業界における正確で情報に基づいた意思決定を確実にするためには、ドメイン関連の知識の取得、事実確認、最新の市場データを継続的に更新することの重要性が強調されています。
金融市場の行動を理解する: 複数のカテゴリーのデータの役割
金融市場の行動を理解する: 複数のカテゴリーのデータの役割
主催者は、金融市場の動きと複数のカテゴリーのデータの役割を理解するというトピックを紹介することでウェビナーを開始します。ゴッサム・ミトラ教授、アーネスト・チャン博士、マテオ・カンポローニ博士を含むパネリストは、トレーディングや学業において豊富な経験を持つ専門家として紹介されています。このウェビナーは、金融市場の行動を理解し、予測する上で、さまざまなカテゴリのデータがどのように重要な役割を果たしているかを探ることを目的としています。このトピックは、最近ますます重要性を増しています。このセッションは、Opticks Systems と QuantInsti が提供する Sentimentaracy および Alternative Data for Finance の証明書の一部であることが記載されています。
最初の講演者は、金融市場の行動を理解する上でのデータの重要性を強調します。初期には、市場価格、買い注文と売り注文、本の内容など限られたデータのみが利用可能でしたが、現在では考慮すべきデータ カテゴリが広範囲にあります。これらには、ニュース データ、メディア感情データ、代替データが含まれます。市場は最終的にすべての情報を組み込むことを示唆する効率的市場仮説にもかかわらず、市場には依然として短期的な非効率性が存在します。したがって、データは、新たなアルファを発見し、ポートフォリオ計画とリスク管理という 2 つの主要な市場問題に対処する上で重要な役割を果たします。講演者はまた、データ処理における人工知能 (AI) と機械学習の重要性が高まっていることを強調しました。
次の講演者は、因果関係投資の概念を紹介します。これには、単に統計的な相関関係を分析するのではなく、さまざまな予測変数とターゲット変数の間の因果関係を調べることが含まれます。オプション活動などの代替データを利用することで、投資家は価格変動の根本的な原因についての洞察を得ることができ、取引戦略の精度を高めることができます。平均回帰戦略の例が引用され、なぜそれが時々失敗するのかを理解することの重要性が強調されています。代替データを使用して価格変動の原因を明らかにすることで、投資家は戦略をいつ適用するかについて、より多くの情報に基づいた意思決定を行うことができます。
市場運営者にとってのデータ、特に代替データの重要性について、次の講演者が説明します。オルタナティブ データとは、まだ業界標準になっていないデータを指し、新しいプレーヤーやデータ ベンダーが継続的に出現し、継続的に拡大するエコシステムを形成します。このデータは、クレジット カード取引、衛星画像、モバイル デバイス データ、気象データなど、さまざまなチャネルから取得できます。講演者はまた、自然言語処理ツールを使用してテキスト文書を分析し、センチメント指標を生成することについても言及しています。これは、投資家にとって投資戦略を補完する上で有益となりえます。
投資戦略にオルタナティブ データを活用するプロセスについては、次の講演者が説明します。これには、新しい情報ソースを特定し、非構造化データを構造化データセットに組み込んで変換することが含まれます。投資戦略を策定した後は、データの信頼性と結果の統計的有意性を理解する必要がある検証が重要なステップになります。講演者は、代替データだけに依存するのではなく、モデルを作成する際に市場データも考慮することの重要性を強調しています。
講演者は、市場トレンドを把握する上での代替データの重要性と、そのようなデータのバックテストに伴う課題について詳しく掘り下げます。テクニカル トレーダーはこれまで 120 日移動平均などの単純な指標に依存していましたが、現在では、リターンの原因を理解するために、より広範囲のデータ カテゴリを組み込むことが求められています。ただし、代替データは比較的新しいため、バックテストの方法や長期にわたる一貫性がどの程度維持されるかについて懸念があります。投資戦略の影響を理解するには、ランダムな変動に関するシステムの安定性を評価する必要があります。
トレーダーが堅牢な投資戦略を開発するためにブルームバーグ アイコンやロイター クアンタムなどの代替データ プラットフォームを使用することについて講演者が議論します。これらのプラットフォームにはセンチメントやニュースなどのさまざまな形式のデータを定量化する独自のモデルがありますが、講演者はトレーダーに独自のモデルを作成することを推奨しています。 API を利用して代替データ入力を受け取ることの重要性が強調され、企業発表を分析する際のクレディ スイスのような組織化された Web サイトの価値についても言及されています。最後に、講演者らは、市場の動きを分析する際には、範囲を絞った特殊なアプローチが非常に効果的である可能性があると指摘しています。
講演者は続いて、金融市場におけるさまざまな資産クラスの動向を理解するために利用できるさまざまなツールやウェブサイト、および投資スタイルと期間に基づいて市場を追跡する方法について議論します。彼らは、万能の解決策がないことを認めながらも、この点に関してはブルームバーグのようなウェブサイトからの定性的な情報が役立つ可能性があると示唆しています。また、感情や、マイクロブログやチャット ルームなどの代替データ ソースを理解することの重要性も強調しています。ただし、これらの分野の専門家になることが金融市場でより良いキャリアにつながるとは必ずしも保証されていないと彼らは指摘しています。
次に講演者は、大規模ファンド向けの高度な取引戦略の開発と、独立系トレーダー向けの単純な戦略の開発の違いについて説明します。複雑な手法は大規模ファンドの求職者にとってより適している可能性がある一方、独立系トレーダーは機関にとって興味のないニッチな戦略から始めることをお勧めします。このアプローチは、複雑なデータ フィードに伴う高額なコストを回避するのに役立ちます。講演者はさらに、取引のための新しいデータソースへの関心が高まっており、それが学び追求すべき関連分野となっていると強調しました。また、彼らは資金管理において代替データを個人的にある程度利用しており、クライアントが機械学習および自然言語処理ベースのモジュールを実装したり、データセットを使用して独自の戦略を検証したりするのを支援しているとも述べています。
Q&Aセッションでは、Twitterが青いティックを販売していることや、認証済みアカウントが自然言語処理(NLP)においてより重要視されるかどうかについて質問が出た。最初、パネリストたちは質問を理解するのに苦労しましたが、後に、自分たちには質問に答える資格がないことを認めました。その後、議論は初心者や学生に適した従来の財務データ ソースに移り、潜在的な選択肢として Bloomberg と Definitive が挙げられます。データプロバイダーが一定レベルの対話を伴う無料のデータセットを提供する可能性があるという提案がなされています。
講演者はその後、金融市場分析のための代替データソースの使用について議論し、特にグローバルおよびローカルのニュースソースからデータを収集する DGLT 社について言及しました。関連情報をフィルタリングするために必要な労力を認識する一方で、収集されたデータは 1800 年代にまで遡る市場の行動に関する歴史的な視点を提供できることに留意してください。代替データを唯一の情報源として使用すべきか、それとも従来のデータと並行して検証のために使用すべきかとの質問に対して、講演者は、一般的なルールはなく、採用されている特定の戦略に依存すると述べました。ただし、市場データが引き続き主要な推進力であり、代替データのみに依存すべきではないと強調しています。
講演者は、金融市場における代替データの使用と、そのようなデータを分析するために機械学習をどのように利用できるかについて議論してウェビナーを締めくくりました。彼らは、価格や基礎データを含む複数の種類のデータを機械学習の予測アルゴリズムに入力する必要性を強調しています。しかし、彼らはまた、代替データだけが唯一の推進力として機能することはできず、市場価格のインプットと組み合わせる必要があるとも強調しています。聴衆は、さらに質問がある場合は連絡することをお勧めします。
クオンツ・ファクター投資入門
クオンツ・ファクター投資入門
このビデオでは、クオンツ ファクター投資の概念と、その価値、モメンタム、質、規模などのさまざまなファクターへの分類を紹介します。講演者は、ファクター投資では、収益をもたらすと想定される特定の要因に基づいて証券を選択し、それを長期間続ける必要があると説明します。このビデオでは、統計分析、ファクター モデリング、機械学習、最適化モデル、時系列分析、リスク モデル、モンタゴリアル シミュレーションなど、定量的ファクター投資を適用するために使用できるさまざまな定量的手法について説明します。講演者はまた、クオンツファクター投資を使用する利点とファクターの選択と組み合わせのプロセスについて説明し、データソースや中・高頻度取引への適合性など、このトピックに関連する質問に答えます。
ウェビナーでは、QuantInsti のクオンツ アナリストである Varun Kumar がクオンツ ファクター投資について包括的に紹介します。彼はまず、投資家を定量化可能なリターンに導くリスクとリターンの広範かつ永続的なソースであるファクターの概念を説明します。共通の要因には、価値、勢い、品質、規模、ボラティリティなどがあります。クマール氏は、一例として品質要因に焦点を当てており、これには高品質の特徴を持つ企業への投資が含まれます。自己資本利益率や成長率の収益性などの財務比率は、企業の質を定量化するために使用されます。比率が高く利益率が高い株は高品質とみなされ、比率と利益率が低い株は低品質とみなされます。過去のデータによれば、優良株で構成されたポートフォリオが長期にわたって超過収益を生み出してきたことがわかります。
次にクマール氏は、クオンツ・ファクター投資におけるファクターの分類を詳しく掘り下げます。要因は、マクロ要因、スタイルベース要因、セクター別要因、ESGベース要因、センチメントベース要因、流動性ベース要因、テクニカル要因の7種類に分類されます。彼は、これらの各ファクターがどのように機能するか、またそれらをファクター ポートフォリオの構築にどのように使用できるかについての洞察を提供します。これを説明するために、彼はマクロ経済とスタイルベースの要因を使用して構築された戦略の例を示しています。これらの戦略には、GDP成長率、インフレ率、金利、株主資本利益率などの変数を利用して銘柄を選択し、ポートフォリオを構築することが含まれます。クマール氏はまた、ポートフォリオの株式を選択する際に、より高い自己資本利益率や低い負債資本比率などの要素を考慮することの重要性を強調しています。
このウェビナーでは、スタイル要因、セクター別マトリックス、ESG基準、センチメント、流動性、テクニカル指標など、定量的ファクター投資戦略に組み込むことができるさまざまな要因をさらに検討します。 Kumar は、ポートフォリオを構築するための論理的なフレームワークを開発するためにこれらの要素をどのように利用できるかを説明し、これらの要素を使用して実装できる戦略の実例を示します。同氏は、環境、社会、ガバナンスの基準を表す ESG 基準と、社会や環境への影響に基づいて企業を評価するその役割について簡単に触れます。
クオンツファクター投資における数学モデルと統計分析の利用についても説明します。クマール氏は、これらの方法は投資決定から感情的なバイアスを排除し、直感的ではない要因の調査を可能にするのに役立つと強調します。彼は、統計分析、因子モデリング、機械学習、最適化モデル、時系列分析、リスク モデル、モンテカルロ シミュレーションなど、この分野で最も一般的に使用される 7 つの定量的手法について概説します。このビデオでは、証券と要素の間のパターンと相関関係を特定するために統計分析をどのように利用できるかを強調しています。
ウェビナーでは、投資ポートフォリオの構築と管理におけるクオンツファクター投資の利点について説明します。重要な利点の 1 つは、極端な市場状況をシミュレートできることであり、これにより、投資家はポートフォリオの限界をより深く理解できるようになります。講演者は、株価収益率が低い大型株ポートフォリオのケーススタディを用いて、従来のファクター投資とクオンツファクター投資のアプローチの違いを強調しました。従来の投資には、ファクターの特定、大型株のユニバースの決定、PER に基づいて並べ替える前に各銘柄のファクターを計算することが含まれますが、クオンツ ファクター投資ではデータの収集、前処理、および特徴の選択が行われます。選択した特徴に基づいて株価を予測するモデルが構築されます。
クオンツ ファクター投資のプロセスが説明され、特定の特徴に基づいて株価を予測するための正確なモデルを構築することの重要性が強調されます。講演者は、このアプローチはデータ主導であり、従来のファクター投資と比較してより客観的であり、より正確で信頼性の高い分析が可能であることを強調しました。投資に最適なファクターを選択するには、そのファクターが永続的であり、さまざまな市場やセクターにわたって機能し、さまざまな市場状況に対して堅牢であり、市場倫理の変化に過度に敏感ではなく、十分な流動性とキャパシティを備えている必要があります。
このウェビナーでは、クオンツファクター投資におけるファクターの組み合わせについても説明します。均等加重スコアリングや因子スコアリングなど、一般的に使用される 5 つの方法について説明します。この方法では、各因子が過去のパフォーマンスに基づいてスコアリングされ、加重平均が取られて全体のスコアが得られます。ポートフォリオのリスクを軽減し、分散を高め、パフォーマンスの変動性を最小限に抑えるため、要素を組み合わせる重要性が強調されています。講演者は、最良のファクターの 5 つの主要な特徴について概説します。これには、経験的証拠によって裏付けられている、経済的または財務的基盤がある、長期的な投資機会を提供している、投資可能である、直感的で広く受け入れられているなどがあります。
講演者は続けて、クオンツファクター投資でファクターを組み合わせるためのいくつかの方法について説明します。そのような方法の 1 つは主成分分析 (PCA) であり、これは複数の要素を組み合わせて相関のない成分の小さなセットを作成します。このアプローチは、因子の数を減らし、多重共線性とも呼ばれる相関因子の問題に対処します。もう 1 つの方法はファクター ティルティングです。これには、ポートフォリオ内の重みや配分を調整して特定のファクターを強調することが含まれます。この手法は柔軟性を提供し、投資家が特定の要因をターゲットにすることを可能にします。さらに、機械学習を活用して、過去のパフォーマンスに基づいて要素を選択または組み合わせて、非線形関係を効果的に把握できます。講演者は、深層学習アルゴリズムは大量のデータを必要とし、過学習になりやすいため、深層学習アルゴリズムを採用する際には注意することの重要性を強調しています。最適な結果を得るには、従来の統計手法と組み合わせることをお勧めします。
さらに、講演者はクオンツ ファクター投資に関する聴衆の質問に答えます。質問は、価格変動や長期チャートを投資の要素として使用するなど、さまざまなトピックをカバーしていますが、講演者は、価格変動や長期チャートを適切に定義し、その過去のパフォーマンスを研究することでテクニカル要素として使用できると示唆しています。流動性の判断が難しいため非取引要因である不動産を例に、取引要因と非取引要因の区別について説明します。クオンツファクター投資では、データが簡単にアクセスでき、バックテストが可能なため、主に取引されるファクターに焦点を当てています。講演者はまた、企業がバリュー重視か成長重視かを判断するための洞察を提供し、バリュー株を定義するために株価収益率を使用するなどの手法を提案しています。
議論はクオンツ・ファクター投資で使用されるさまざまなアルゴリズムの探求に続きます。リカレント ニューラル ネットワーク (RNN) や長短期記憶 (LSTM) などのアルゴリズムについても言及されており、それらの関連性は分析されるデータの種類に応じて異なります。深層学習技術を使用してファクターを組み合わせ、各ファクターの最適な重みを決定することで、ポートフォリオのパフォーマンスが向上します。講演者は、ファクター戦略のバックテストに関するアドバイスを提供し、複数のデータセットと市場にわたる統計的有意性をテストすることの重要性を強調します。横ばい市場を識別するためのテクニカル指標としてのボリンジャーバンドの使用についても言及されています。
最後に、ウェビナーは最終 Q&A セッションで終了し、講演者は聴衆からの追加の質問に答えます。質問には、産業セクターの選択におけるディープラーニング アルゴリズムの役割が含まれており、デシジョン ツリー、ニューラル ネットワーク、ランダム フォレストなどのさまざまなオプションが強調されています。アルゴリズムの選択は、当面の特定のタスクとデータセットに依存することが強調されます。講演者は、データ要件と過剰適合の可能性があるため、深層学習アルゴリズムを慎重に使用する重要性を繰り返し述べています。聴衆は参加してくれたことに感謝し、セッションについてのフィードバックを提供することが奨励されます。
オプション取引のための機械学習
オプション取引のための機械学習
オプション取引のための機械学習に関するウェビナーでは、講演者のヴァルン・クマール・パトゥラが機械学習とその基本的な目的の紹介から始めます。同氏は、機械学習アルゴリズムはデータを分析し、人間が気付かない可能性のあるパターンを発見するために使用されると説明します。 Varun 氏は人工知能、機械学習、深層学習を区別し、機械学習はデータに基づいて予測や意思決定を行うためのモデルのトレーニングに重点を置いた AI のサブセットであることを強調しています。さらに彼は、機械学習を教師あり学習、教師なし学習、強化学習の 3 つのタイプに分類し、それぞれに独自の特徴と用途があります。
次に講演者は、ウェビナーの主な焦点であるオプション取引における機械学習の応用について詳しく説明します。オプション取引には、オプション契約の売買が含まれます。オプション契約により、保有者は特定の期間内に特定の価格で資産を売買する権利が与えられます。 Varun 氏は、オプション取引に伴う高いリスクを強調し、機械学習がどのように分析精度を向上させ、それによってリスクを軽減できるかを説明します。彼は、オプションの価格設定、取引戦略の設計、ボラティリティの計算、インプライド ボラティリティの予測など、オプション取引における機械学習のさまざまな応用について詳しく説明しています。これらのアプリケーションは、オプション取引における意思決定を改善し、収益性を高めることを目的としています。
オプション取引における機械学習の必要性を理解するために、ブラック-ショールズ モデルのような従来のモデルの限界について説明します。ブラック・ショールズ モデルは一定のリスクフリー レートとボラティリティを前提としていますが、現実世界のシナリオでは当てはまらない可能性があります。 Varun 氏は、独自の制限と入力パラメーター要件がある German Candy モデルや Heston モデルなどの代替モデルについて言及しています。提案されたソリューションは、拡張された機能セットと入力パラメーターを可能にするため、これらのモデルの置き換えまたは組み合わせとして機械学習を利用することです。機械学習モデルは、暗黙的または現実的なボラティリティ、金利、その他の関連機能などの要素を考慮して、オプションの公正価格を決定できます。これにより、より正確な価格設定、権利行使価格の選択、ヘッジ戦略が可能になります。 Varun 氏は、実証研究により、多層パーセプトロン モデルなどの複数の隠れ層を備えた深層学習モデルが、特にお金に余裕のないオプションやお金に余裕があるオプションの場合、ブラック・ショールズ モデルよりも優れていることが示されていることを強調しています。
このウェビナーでは、オプション戦略の機械学習モデルを使用した取引意思決定の最適化について探求していきます。一般的なプロセスには、原資産の強気または弱気の感情を分析し、それに応じて適切な戦略を選択することが含まれます。ただし、多くのオプション戦略ではリスクと報酬の分布が歪んでいるため、より洗練された分析が必要です。機械学習は、過去のリターン、モメンタム、ボラティリティなどの特徴を考慮することでこの分析を強化し、原資産に関する洞察を提供します。これらの特徴は機械学習モデルに入力され、次の取引期間を強気か弱気かに分類します。このビデオでは、SP500 インデックス データで使用される特徴にも触れ、オプション戦略の決定における特徴分析の重要性を強調しています。
次に、講演者は垂直オプション スプレッドに関する取引決定のための機械学習モデルの構築に焦点を当てます。彼らは、入力パラメータが前の例と同じままであると説明しています。この例では、デシジョン ツリー分類子を使用して次の取引日を強気か弱気かに分類します。オプションを活用するには、リスクを制限するブル コール スプレッドやベア プット スプレッドなどのスプレッドが導入されます。機械学習モデルを組み合わせて、取引範囲と契約のボラティリティを予測します。これらの組み合わせモデルを活用することで、トレーダーはオプション取引において重要なインプライド・ボラティリティを予測しながら、取引戦略における垂直スプレッドの最適な設定を決定できます。
オプション取引における機械学習のもう 1 つの応用例は、インプライド ボラティリティを予測し、オプション戦略について計算された決定を下すことです。過去のインプライド ボラティリティやその他の関連する特徴を機械学習モデルに入力することで、トレーダーはボラティリティを予測し、ショート ストラドルやショート ストラングルなどの適切な戦略を選択できます。講演者は、基になるデータやオプション データを含む戦略と入力特徴のリストに基づいて、最適なオプション戦略を予測する機械学習モデルが構築されたケース スタディを紹介します。戦略ユニバースを設計し、さまざまな契約を含めるように研究を拡張することにより、トレーダーは機械学習を利用して、取引目標に沿った最適な戦略を作成および選択できます。
ウェビナーでは、講演者が、ポジションと契約のさまざまな組み合わせを検討することで、オプション取引のための 27 の異なる戦略をどのように作成したかについて説明します。戦略を改良するために、コーラーにポジションがない組み合わせやショートストラドルのような非現実的な組み合わせに依存する組み合わせを排除することで、戦略を 20 個まで絞り込みました。これら 20 の戦略のうちどれが最大の利益をもたらすかを判断するために、講演者は機械学習モデル、特に長短期記憶 (LSTM) モデルを採用しました。このモデルには、基礎となる資産、オプション、ボラティリティからの入力特徴が組み込まれており、マルチクラス分類システムを利用して展開のための最適な戦略を特定しました。
このビデオでは、オプション グレードに関連する機能や LSTM モデルに使用されるニューラル ネットワークの構造も明らかにされています。約 10 年分のデータに基づいてモデルをトレーニングし、入力特徴に基づいて戦略ラベルを生成しました。結果は、機械学習モデルが時間の経過とともに基礎となる資産よりも優れたパフォーマンスを発揮することを実証しました。オプションの機械学習モデルの予測精度を高めるために、講演者はいくつかのベスト プラクティスを推奨します。これらには、微調整のための確率レベルの利用、複数のビジョン モデルの採用、投票分類器手法の実装、精度と収益性を向上させるために別の機械学習モデルをトレーニングするための複数の分類器の出力の活用が含まれます。
さらに、講演者はオプション取引における分類モデルのパフォーマンスを向上させる方法を検討します。これらの方法には、確率レベルの利用、複数の分類器を組み合わせてアンサンブル手法を採用すること、機械学習モデルを使用してさまざまなモデルの出力を集約することが含まれます。モデルの精度を高めるには、ハイパーパラメーター調整と相互検証技術の重要性が強調されます。講演者はまた、リアルマネーを使った戦略を展開する前に紙取引の重要性を強調しています。これにより、トレーダーは実際の資本を危険にさらす前に、実際的な問題や課題を特定して対処できるようになります。
その後の質疑応答では、講演者が参加者からの質問に答えます。質問は、オプション取引の機械学習戦略のパフォーマンス、モデルの特徴を選択するために使用される方法論、既存のテクニカル指標に対する機械学習の利点、特徴の重要性の計算、オプション取引の適切な保有期間など、さまざまなトピックをカバーしています。 SPY(スタンダード&プアーズ500指数)。講演者は、モデルに使用されるデータは 2010 年まで遡り、2020 年以降の期間も網羅しているため、この戦略のパフォーマンスは 2020 年の市場の方向性だけによるものではないことを明確にしています。彼らは、オプション取引には、オプション ギリシャ人などの要素を考慮した、より複雑な分析が必要であると説明しています。暗黙のボラティリティを考慮すると、機械学習は貴重なツールになります。モデルの特徴の選択は、取引経験と情報に基づいた意思決定の組み合わせに基づいています。
ウェビナーの終わりに向かって、講演者は付随するコースの前提条件について説明し、機械学習と関連コースの利点を最大限に高めるための予備知識を推奨します。このコースは主に S&P 500 オプション取引用の機械学習モデルの構築に焦点を当てていますが、さらにトレーニングとカスタマイズを行うことで、その概念を他の契約に適応して適用することができます。このコースでは、事前に構築された機械学習モデルは提供されませんが、参加者は独自のモデルを構築するために必要な知識とスキルを身につけることができます。
このウェビナーでは、オプション取引における機械学習のアプリケーションの包括的な概要を提供します。機械学習の基礎、他の関連分野との違い、および 3 種類の機械学習アルゴリズムについて説明します。このウェビナーでは、分析の精度を高め、リスクを軽減できる機械学習の機能により、オプション取引における機械学習の必要性を強調しています。オプションの価格設定、取引戦略の設計、インプライド・ボラティリティの予測など、オプション取引における機械学習のさまざまな応用について説明します。このウェビナーでは、垂直オプション スプレッドと取引意思決定の最適化のための機械学習モデルの構築についても説明します。
ML を使用したポートフォリオ資産配分と配当株の最適化 |アルゴ取引プロジェクト
ML を使用したポートフォリオ資産配分と配当株の最適化 |アルゴ取引プロジェクト
イベントの最初のプレゼンテーションは、イタリアの中小企業での仕事で知られ、さまざまな企業機能に AI ソリューションを提供する独立系 AI およびビッグデータ エンジニア、ライモンド モウリーニョによって行われます。モウリーニョは、機械学習技術、統計、確率を組み合わせて高度な取引システムを作成することを信じています。プレゼンテーションの中で、彼はポートフォリオの資産配分における機械学習モデルを開発するための実践的でスケーラブルなフレームワークを共有しています。
モウリーニョはまず、このようなシステムの設計に必要な主要コンポーネントを紹介します。彼は、ポートフォリオの考え方を採用し、機械学習モデルを利用してアイデアを実行可能な戦略に変換し、マルチ CPU、マルチコア、GPU の機能を活用することの重要性を強調しています。これらの要素が彼のフレームワークの基礎を形成します。同氏は、運用開始時のインフラストラクチャの必要性について簡単に言及していますが、低中頻度取引のフレームワークの基本ブロックに焦点を当て、フレームワークの最後の部分はプレゼンテーションの範囲を超えていることを認めています。
次に、講演者は、Python での機械学習と配当株の最適化を使用して、ポートフォリオの資産配分のための堅牢なフレームワークを構築するために必要なコンピテンシーを詳しく掘り下げます。彼は、ポートフォリオ技術、オブジェクト指向プログラミング、マルチプロセッシング技術、および非同期プログラミングを深く理解する必要性を強調しています。さらに、ハイパーパラメーター最適化ツール、SQL 言語、Docker テクノロジーに関する専門知識も貴重であると考えられます。モウリーニョ氏は、フレームワークの最初のステップについて説明を続けます。これには、時系列に対するデータベースの最適化、データの前処理、欠損データと外れ値の処理、データの正規化、指定された資産ユニバース内での資産選択の実行が含まれます。
プレゼンテーションは、取引シグナルを生成するための機械学習用語に対応するアルファ生成フェーズについて説明します。モウリーニョ監督は、この段階ではトレーダーがさまざまな指標、センチメント分析、計量経済モデルを使ってアイデアを組み込むことを強調した。次のステップでは、ランクベースの方法を使用して、定数および準定数の特徴、非定常の特徴、線形相関のある特徴などの冗長な特徴が削除される特徴の選択が含まれます。さらに、特徴内の重要な情報を保存しながら、望ましい定常性を維持する手法である分数微分の利用についても言及しています。これらの改善は、機械学習と配当株の最適化を使用したモウリーニョのポートフォリオ資産配分のフレームワークに不可欠です。
アセットの選択や重み付けの割り当てを含むリバランスについては、学習パイプラインで徹底的に説明されています。モウリーニョは資産の選択に、資産間の相対的な強さに基づく横断的なモメンタムを採用しています。加重配分については、クリティカル ライン アルゴリズム、逆ボラティリティ ポートフォリオ、等加重ポートフォリオなどの従来の手法と、階層的リスク パリティや階層的等リスク寄与などの機械学習モデルを組み合わせています。スピーカーはシミュレーション結果を紹介し、履歴データを使用してパフォーマンスを評価します。彼はまた、ドランクン モンキー戦略や組み合わせパージ相互検証などの手法を組み込むことでポートフォリオをさらに強化する意向についても言及しています。さらに、モウリーニョ氏は、これらのテクニックをライブトレーディングシナリオに適用する際の効果的な資金管理の重要性を強調しています。
パラメーターの変動推定に対処するために、モウリーニョ氏はモンテカルロ シミュレーションやブートストラップなどの手法を採用することを推奨しています。彼は、最終資産と最大ドローダウンのパーセンタイルに焦点を当てた分析結果を提示します。講演者は、データ主導型を維持し、特定の取引アイデアに過度に執着しないことの重要性を強調しています。また、さまざまな手法を採用することで特異なリスクを軽減し、同等のパフォーマンスを持つよりシンプルなシステムを選択することで過剰適合を回避することもアドバイスしています。最後に、時系列データの非定常的な性質のため、ライブ取引システムを継続的に監視し、調整する必要性を強調しています。
Q&Aセッションでは、モウリーニョ監督が聴衆からのいくつかの質問に答えた。参加者の一人がパイプラインの最も重要なステップについて質問し、モウリーニョ監督はデータの前処理が不可欠で時間がかかることを強調した。別のクエリはデータの正規化を中心に展開しており、モウリーニョ氏は、ほとんどの場合、平均を引いて標準偏差で割るという一般的な方法を提案しています。主成分分析 (PCA) を使用して線形相関を除去することに関して、彼はその可能性を認めていますが、特徴の意味が失われる可能性について警告し、結果を効果的に解釈するためにシャープレシオなどのモデルを考慮することを提案しています。
講演者は、特徴選択のための PCA の使用と、特徴の解釈可能性に対する PCA の潜在的な影響について議論を続けます。意欲的なクオンツトレーダーおよびアルゴリズムトレーダーは、EPAT (アルゴリズム取引エグゼクティブ プログラム) を貴重な出発点として検討することをお勧めします。彼らは、このプログラムが業界の要件に合わせた包括的な学習目標を提供していることを強調しています。ウェビナーの参加者には、プログラムへの早期入場権の延長が提供され、アルゴリズム トレーディング デスクの確立や高度なテクノロジーやツールのトレーディングへの組み込みなど、キャリア目標の達成にウェビナーがどのように役立つかを理解するためにコース カウンセリングの電話を予約することができます。戦略。
香港取引所および清算有限会社のプロジェクトマネージャーであるカート・セレストッグ氏が壇上に上がり、ポートフォリオ管理に関するプロジェクトを共有します。これは定量的ポートフォリオ管理に関するジェイ・パーマー氏の講義を拡張するものです。 Celestog のプロジェクトは、ポートフォリオ管理を通じて配当利回りを最適化することに重点を置いています。彼の目標は、ポートフォリオの価値を維持しながら、配当支払いの安定性と成長を確保しながら、定期的な配当収入の流れを生み出すことです。彼は、最適なポートフォリオ管理手法を通じて、配当利回りと価格リターンの両方でベンチマークインデックスやETFを上回ることを目指しています。 Celestog は配当データを取得するという課題に直面し、それをダウンロードするための Web スクレイピング機能を開発しました。彼はデータセットを 2 つの部分に分割し、それぞれ 10 年間をカバーし、景気後退と景気拡大を網羅しました。
講演者は、配当株ポートフォリオ最適化のためのデータクレンジングプロセス中に遭遇する課題について説明します。ウェブサイトから取得したデータはきれいではなかったので、配当をドル額で表現するには修正と正規化が必要でした。特に当初はパーセンテージで表示されていた早期配当についてはそうです。価格データは Yahoo Finance から取得され、年間配当利回り、配当成長率、平均成長率などの指標が計算されました。選択されたすべての銘柄の複合比率が導出され、均等に加重されたポートフォリオと加重が最適化されたポートフォリオの 2 つのポートフォリオが作成されました。講演者の目的は、1 回の最適化とそれに続く 10 年間の保有期間がベンチマークと ETF を上回るパフォーマンスを発揮するかどうかを分析することでした。
次に、講演者は機械学習技術を利用したポートフォリオ最適化プロジェクトの結果を共有します。表示されているグラフでは、左上の象限に緑色のバブルが描かれており、総合指標が最も高い 5 つの銘柄を表しています。均等加重ポートフォリオと最適加重ポートフォリオはどちらも、ベンチマークよりも高い平均リターンと配当利回りを示しました。しかし、その後 10 年間で銀行株とテクノロジー株の人気が高まり、最適化されたポートフォリオのパフォーマンスがベンチマークと比較して低下しました。パフォーマンスを向上させるために、講演者はポートフォリオのバランスを定期的に再調整し、選択した指標に基づいて最良の 5 銘柄を選択することを実験しました。リバランスされたポートフォリオはベンチマークを上回り、より高い配当利回りを示しました。
講演者は、ポートフォリオの最適化と定期的なリバランスが、特に不動産投資信託(REIT)のような配当株において、いかに高い配当利回りをもたらし、ベンチマーク指数を上回るパフォーマンスをもたらすかを強調しました。半年ごとにポートフォリオのバランスをとり、さまざまな振り返り期間を検討することで、講演者は平均配当利回り、配当成長率、リターン、ドローダウンの低さの点で指数を上回るパフォーマンスを達成しました。しかし、彼らはデータの取得とクレンジングに課題があることを認めており、リバランス機能が複雑になる可能性があることを指摘し、この複雑さに対処するためにオブジェクト指向プログラミングの使用を提案しています。全体として、講演者はポートフォリオの最適化と定期的なリバランスが投資家にとって貴重なツールであることを強調しています。
講演者は、アウトパフォーマンスを達成するにはポートフォリオの頻繁なリバランスが重要であると指摘しています。ただし、配当株の配当データが入手できる頻度が低いため、年に 1 ~ 2 回よりも頻繁にリバランスを行うのは困難です。講演者はまた、さまざまな最適化基準の検討、多様化を高めるためにポートフォリオにさらに多くの銘柄を組み込むこと、大規模なバックテストの実施など、プロジェクトのさらなる作業の必要性を強調しました。彼らは、読み取り範囲を拡大し、ポートフォリオのパフォーマンスに対するトランザクションコストの影響について議論することを提案しています。
Q&A セッションでは、Celestog が聴衆からの質問に答えます。参加者の 1 人が、最適化されたポートフォリオと比較した等加重ポートフォリオのパフォーマンスについて質問しました。 Celestog 氏は、均等加重ポートフォリオのパフォーマンスは一般的に良好でしたが、最適化されたポートフォリオのほうがより高いリターンをもたらし、ポートフォリオ最適化手法の有効性が実証されたと説明しています。別の出席者は、ポートフォリオのパフォーマンスに対する取引コストの影響について質問しています。 Celestog は、トランザクション コストが大きな影響を与える可能性があることを認識しており、実際のパフォーマンスをより正確に表現するために、トランザクション コストを最適化プロセスに組み込むことを提案しています。同氏はまた、ライブ取引シナリオでスリッページを考慮することの重要性にも言及し、ライブ取引で戦略を実装する前に履歴データを使用して戦略を徹底的にテストするよう参加者にアドバイスしています。
全体として、ウェビナーでのプレゼンテーションは、機械学習と配当株の最適化技術を使用したポートフォリオの資産配分の実践的な側面に光を当てました。講演者は、成功した結果を達成するために、データの前処理、機能の選択、再バランス、および定期的なモニタリングの重要性を強調しました。彼らはまた、金融市場の動的な性質を乗り切るために、継続的な学習、適応性、さまざまな戦略の探求の必要性を強調しました。聴衆は、ポートフォリオ管理における機械学習の活用の課題、手法、潜在的な利点について貴重な洞察を得ました。