이 포괄적인 비디오에서 Delaney Mackenzie는 거래 전략을 개발할 때 퀀트 트레이더가 따르는 워크플로에 대한 자세한 개요를 제공합니다. 연사는 미래에 대한 정보에 입각한 예측을 하기 위해 가설로 시작하고 역사적 데이터를 활용하는 것이 중요한 역할을 강조합니다. 이 프로세스에는 다른 모델과의 독립성을 유지하면서 미래 수익과의 역사적 상관 관계를 보장하기 위해 거래 모델을 지속적으로 개선하고 탐색하는 작업이 포함됩니다.
주요 목표 중 하나는 다양한 위험 제약 조건을 준수하면서 기대 수익을 극대화하는 포트폴리오를 설계하는 것입니다. 이를 달성하기 위해 발표자는 모델을 실시간으로 배포하고 확장하기 전에 적은 자본으로 모델을 테스트하는 것이 중요하다고 강조합니다. 또한 대체 데이터 소스를 통합하고 위험 관리 기술을 사용하는 것이 좋습니다.
이 비디오는 거래 전략 개발에서 백테스팅의 두 단계에 대해 자세히 설명합니다. 첫째, 포트폴리오 설계 및 실행 규칙 설정, 둘째, 백 테스팅 프로세스 자체 구현. 발표자는 모델 예측의 무결성을 보존하는 위험 제한 포트폴리오 구성의 중요성을 강조하고 모델이 지속적으로 대체 투자 기회를 능가하는 경우에만 다음 단계로 이동하도록 조언합니다. 또한 화자는 기존 모델의 리해싱된 버전에 의존하는 대신 새로운 가능성의 탐색을 장려합니다.
Delaney Mackenzie가 거래 전략 개발의 초기 단계에 대해 설명합니다. 여기에는 자산 선택 및 타이밍을 안내하는 경제적 가설을 공식화하는 작업이 포함됩니다. 재무는 가설을 기반으로 미래를 지능적으로 예측하여 아이디어를 수익성 있는 결과로 전환하는 것을 목표로 합니다. 거래에서 내리는 각 결정은 본질적으로 미래 시장 변화에 대한 내기를 나타내며 과거 정보를 활용하여 지능적인 예측을 하는 것이 중요한 역할을 강조합니다.
연사는 양적 거래 전략을 개발하는 워크플로에 대한 통찰력을 제공합니다. 이 프로세스는 가설을 공식화하고 샘플 데이터를 사용하여 탐색하는 것으로 시작됩니다. 정교화를 위해서는 가설을 기존 모델과 비교하는 것이 필수적이며, 새로운 모델이 가치를 입증하면 다른 하위 모델과 결합하여 예측력을 높이는 것이 좋습니다. 발표자는 가설과 모델이 독립적으로 존재하지 않으며 여러 정보 소스를 통합하는 집계 모델이 더 나은 성능을 제공하는 경향이 있음을 강조합니다. 또한 새 데이터에서 모델을 테스트하여 유효성을 확인하는 것이 중요합니다.
연사는 개발 단계에서 과적합을 방지하기 위해 보이지 않는 데이터에 대한 모델 테스트의 중요성을 강조합니다. 전체 전략을 백테스팅하는 것이 일반적이지만 대부분의 시간이 포트폴리오 구성보다는 모델과 예측 변수를 개발하는 데 소비된다는 점을 인정하는 것이 중요합니다. 따라서 연사는 실제 시장 상황에서 포트폴리오의 생존 가능성을 보장하기 위한 백테스팅을 수행하기 전에 거래 수수료와 같은 요소를 포함한 포트폴리오 구성 및 실행의 중요성을 강조합니다. 또한 연사는 백테스팅의 목적이 모델의 예측 성능을 평가하는 것만이 아니라 모델의 예측을 기반으로 설계된 포트폴리오가 실제 조건을 견딜 수 있는지 여부를 평가하는 것임을 강조합니다. 마지막으로 발표자는 효과적인 자본 배치를 보장하기 위해 규모를 확장하기 전에 적은 자본으로 모델을 테스트하는 것이 중요하다고 강조합니다.
연사는 미래 수익률 및 다른 모델과의 독립성과의 역사적 상관관계를 확립하기 위한 거래 모델의 개선 및 탐구에 대해 논의합니다. 이 프로세스 다음에는 정의된 위험 제약 조건 내에서 포트폴리오를 구성합니다. 연사는 모델 실행이 신호를 왜곡하지 않고 미래 수익과의 상관 관계를 감소시키지 않도록 하는 것의 중요성을 강조합니다. 제약 조건의 점진적 추가를 강조하기 위해 노트북 예제가 제공되어 다양한 위험 조건에서 모델의 성능을 평가할 수 있습니다. 이 섹션에서는 수익을 창출하는 거래 모델의 견고성과 효율성을 보장하기 위한 철저한 테스트와 개선의 중요성을 강조합니다.
다양한 위험 제약 조건을 만족시키면서 기대 수익을 극대화하는 포트폴리오를 설계하는 과정을 연사가 설명합니다. 처음에는 전체 자본을 단일 주식에 투자하여 기대 수익을 극대화하는 데 중점을 둔 순진한 최적화 전략을 사용하고 투자 금액을 제한하는 제약을 도입합니다. 결과적으로 포지션 집중 제약이 추가되어 어떤 한 가지에 대한 투자를 포트폴리오의 특정 비율로 제한합니다. 포트폴리오 전략은 섹터 익스포저 제약을 통합하여 더욱 세분화됩니다. 연사는 최종 전략의 가중치가 모델의 미래 예측과 다를 수 있으므로 위험 제약 조건을 고려하면서 포트폴리오를 최적화하면 복잡성이 발생할 수 있음을 강조합니다. 위험 제약이 모델링 예측에 어떤 영향을 미치고 포트폴리오 구성에 미치는 영향을 이해하는 것이 중요합니다.
연사는 Quantopian에서 개발한 오픈 소스 소프트웨어인 알파 라인을 사용하여 모델의 수익과 미래 수익 사이의 상관관계를 평가하는 개념을 소개합니다. 알파 라인을 사용하면 예측하는 유니버스 크기에 관계없이 모든 모델을 요인 모델로 인코딩할 수 있습니다. T일에 모델의 예측과 T+1일에 예측한 모든 자산의 수익률 간의 상관관계를 계산함으로써 알파선은 모델이 미래 수익률과 일관되게 양의 상관관계를 나타내는지 여부를 결정하는 데 도움이 됩니다. 그러나 화자는 실제 데이터가 항상 이상적인 상관 패턴을 나타내지 않을 수 있다고 지적합니다.
특정 기간에 따라 팩터에 의해 가중치가 부여되고 재조정된 포트폴리오의 수익률을 검토하는 데 중점을 두고 새로운 모델과 기존 모델을 비교하는 것의 중요성에 대해 논의합니다. 발표자는 새 모델의 포트폴리오 가중 수익률을 종속 변수로 사용하고 기존 모델의 포트폴리오 가중 수익률을 독립 변수로 사용하여 선형 회귀 분석을 실행할 것을 제안합니다. 이 분석은 새로운 모델과 기존 모델 간의 종속성을 평가하는 데 도움이 되며 잠재적인 알파 세대에 대한 통찰력을 제공합니다. 연사는 투자 전략에 따라 각 구성 요소를 개별적으로 제한하거나 여러 위험 요소를 평균화하여 위험 분산을 달성함으로써 달성할 수 있는 위험 관리 및 분산의 중요성을 강조합니다.
연사는 거래 전략 개발에서 백테스팅의 두 단계 사이의 차이점을 설명합니다. 1차 단계는 포트폴리오 설계 및 실행 규칙 결정을 포함하고 2차 단계는 모델의 예측과 미래 가격 사이의 상관관계를 평가하기 위해 백테스팅을 수행합니다. 무결성을 손상시키지 않고 모델의 예측을 효과적으로 통합하는 위험 제한 포트폴리오를 구성하는 것이 중요합니다. 연사는 투자자들에게 백 테스트가 대체 투자 기회에 대한 모델의 우월성에 대한 실질적인 증거를 지속적으로 제공하는 경우에만 다음 단계로 진행하도록 조언합니다. 또한 연사는 기존 모델의 재탕된 버전에 의존하지 말라고 경고하고 새로운 접근 방식을 엄격하게 탐색하도록 권장합니다.
양적 거래 전략을 개발하는 전체 워크플로우는 연사가 논의합니다. 이 프로세스는 아이디어를 생성하는 것으로 시작하며, 아이디어는 세상을 이해하고, 데이터를 분석하거나, 일반적인 이해가 다른 영역을 식별하는 것에서 비롯될 수 있습니다. 모델이 개발, 테스트 및 개선되면 기존 모델과 비교하여 고유성과 새로운 알파 생성 가능성을 결정합니다. 다음 단계에는 샘플 외 테스트 수행, 포트폴리오 구성 및 위험 제약이 있는 최적화 시뮬레이션 수행이 포함됩니다. 마지막으로, 이 전략은 확장하기 전에 소액의 자본을 사용하여 종이로 거래되거나 테스트됩니다. 발표자는 가격 데이터에만 의존하는 것은 혁신적인 아이디어를 생성하는 데 충분한 정보를 거의 제공하지 않으며 대체 데이터 소스를 통합하는 것이 새로운 통찰력을 얻는 데 중요하다고 강조합니다.
발표자는 속도와 편의성을 위해 가격 책정 및 기본 데이터에만 의존하기보다는 대체 데이터를 활용하여 알파를 생성하는 것이 중요함을 강조합니다. 그들은 또한 위험 모델에서 설명되는 모든 것이 후자로 간주되기 때문에 알파와 저렴한 베타를 구별할 필요성을 강조합니다. 과적합을 줄이는 데 있어 k-폴드 교차 검증의 한계에 대해 논의하며, 화자는 보다 신뢰할 수 있는 접근 방식으로 진정한 샘플 외 테스트를 권장합니다. 마지막으로 발표자는 미래를 예측하기 위한 데이터 세트 선택에 대한 통찰력을 갖고 기존 방법과 다른 접근 방식을 모색하는 것의 중요성을 강조합니다.
요약하면, Delaney Mackenzie의 비디오는 거래 전략을 개발할 때 퀀트 트레이더가 따르는 워크플로에 대한 포괄적인 개요를 제공합니다. 가설로 시작하고, 거래 모델을 다듬고 탐색하고, 새로운 데이터로 테스트하고, 위험이 제한된 포트폴리오를 구성하고, 철저한 백테스팅을 수행하는 것의 중요성을 강조합니다. 발표자는 대체 데이터 활용, 기존 모델과 모델 비교, 위험 관리 기술 통합의 중요성을 강조합니다. 그들은 모델의 예측이 역사적으로 미래 수익과 상관관계가 있고 다른 모델과 독립적인지 확인해야 할 필요성을 강조합니다. 연사는 또한 실제 배포로 확장하기 전에 소량의 자본으로 모델을 테스트하는 것의 중요성을 강조합니다.
또한 연사는 포트폴리오 디자인 및 실행 규칙의 복잡성에 대해 자세히 설명합니다. 다양한 위험 제약 조건을 충족하면서 기대 수익을 극대화하는 위험 제약 포트폴리오를 구성하는 프로세스에 대해 논의합니다. 연사는 다양한 위험 시나리오에서 모델이 어떻게 수행되는지 평가하기 위해 위치 집중 및 부문 노출과 같은 제약 조건의 점진적 추가를 강조합니다. 그들은 포트폴리오 최적화가 수익 극대화와 위험 관리 간의 절충을 포함한다고 강조합니다.
연사는 알파 라인의 개념과 모델의 수익과 미래 수익 사이의 상관 관계를 평가하는 역할을 소개합니다. 알파 라인이 어떤 모델이든 요인 모델로 인코딩하여 미래 수익에 대한 모델 예측 평가를 가능하게 하는 방법을 설명합니다. 발표자는 실제 데이터가 항상 일관된 양의 상관관계를 나타내지 않을 수 있음을 인정하고 상관관계 분석의 한계를 이해하는 것이 중요함을 강조합니다.
새 모델을 기존 모델과 비교하는 것은 효율성을 평가하는 중요한 단계로 강조됩니다. 연사는 선형 회귀 분석을 사용하여 새 모델의 포트폴리오 가중 수익률과 기존 모델의 수익률 간의 종속성을 평가할 것을 제안합니다. 이 비교는 모델의 고유성과 알파 생성 가능성을 결정하는 데 도움이 됩니다. 연사는 또한 개별 구성 요소를 제한하거나 여러 자산에 걸쳐 위험을 다양화함으로써 포트폴리오 구성에서 위험 관리 및 다각화의 중요성을 강조합니다.
연사는 거래 전략 개발에서 백테스팅의 두 단계를 더욱 강조합니다. 첫 번째 단계는 포트폴리오 및 실행 규칙 설계를 포함하고 두 번째 단계는 미래 가격에 대한 모델의 예측을 평가하기 위한 백 테스트 수행을 포함합니다. 무결성을 손상시키지 않으면서 모델의 예측을 통합하는 위험 제한 포트폴리오를 구성하는 것이 중요합니다. 연사는 투자자들에게 대체 투자 기회에 대한 모델의 우월성에 대한 일관된 증거가 있는 경우에만 두 번째 단계로 진행하라고 조언합니다. 그들은 기존 모델의 리해싱된 버전에 의존하지 않도록 주의하고 새로운 접근 방식을 탐색하도록 권장합니다.
마지막으로 연사는 양적 거래 전략 개발의 전체 워크플로를 설명합니다. 아이디어를 생성하는 것으로 시작하여 모델을 테스트, 개선 및 기존 모델과 비교하는 과정을 거칩니다. 그런 다음 전략은 샘플 외 테스트, 포트폴리오 구성 및 위험 제한 최적화를 거칩니다. 규모를 확장하기 전에 전략은 종이로 거래되거나 소액의 자본을 사용하여 테스트됩니다. 발표자는 새로운 통찰력을 얻기 위해 대체 데이터 소스를 통합하는 것의 중요성을 강조하고 알파와 저렴한 베타를 구별해야 할 필요성을 강조합니다. 그들은 과적합을 완화하고 미래를 예측하기 위해 데이터 세트 선택을 이해하는 것의 중요성을 강조하기 위해 진정한 샘플 외 테스트를 권장합니다.
결론적으로 Delaney Mackenzie의 비디오는 거래 전략을 개발할 때 퀀트가 따르는 워크플로에 대한 포괄적인 이해를 제공합니다. 가설 개발, 모델 개선, 새로운 데이터에 대한 테스트, 위험 관리 및 철저한 백 테스트의 중요성을 강조합니다. 발표자는 대체 데이터 소스의 사용, 기존 모델과의 비교 및 새로운 접근 방식 탐색을 권장합니다. 이 워크플로를 따르면 퀀트 트레이더는 거래 전략의 효율성과 견고성을 높일 수 있습니다.
00:00:00 Delaney Mackenzie가 거래 전략을 개발할 때 퀀트가 따를 일반적인 워크플로우를 설명합니다. 첫째, 어떤 자산에 투자하고 언제 투자할지 결정하는 데 도움이 될 경제 가설을 개발하는 것부터 시작합니다. 가설은 세상이 어떻게 돌아가는지에 대한 예측이며 금융의 목표는 지능적인 미래 예측을 기반으로 아이디어를 가져와 달러로 바꾸는 것입니다. 내려진 모든 결정은 본질적으로 미래에 대한 베팅이므로 과거 정보를 사용하여 시장의 미래 변화를 이해하고 지능적으로 베팅하는 것이 중요합니다.
00:05:00 연사가 양적 거래 전략 개발과 관련된 작업 흐름에 대해 논의합니다. 첫 번째 단계는 가설을 세우고 샘플 데이터를 사용하여 탐색하는 것입니다. 가설을 구체화하기 위해서는 가설을 기존 모델과 비교하는 것이 필수적이며, 새로운 모델이 가치를 갖게 되면 전문가들은 다른 하위 모델과 결합하여 예측하는 것을 권장합니다. 발표자는 가설이 단독으로 존재하지 않으며 모델이 단독으로 작동하는 경우가 드물기 때문에 더 나은 성능을 달성하기 위해 여러 정보 소스를 통합하는 집계 모델이 필요하다는 생각을 강조합니다. 마지막으로 모델의 유효성을 확인하기 위해 새 데이터에서 모델을 테스트해야 합니다.
00:10:00 연사는 모델이 개발 기간에 과적합되지 않았는지 확인하기 위해 이전에 본 적이 없는 새로운 데이터에 대해 모델을 테스트하는 것의 중요성에 대해 논의합니다. 그들은 또한 전체 전략의 백테스팅이 종종 과도하게 사용된다는 점에 주목합니다. 대부분의 시간은 포트폴리오 구축이 아니라 모델과 예측 변수를 개발하는 데 있기 때문입니다. 연사는 포트폴리오가 실제 시장 상황에서 살아남을 수 있는지 확인하기 위해 백 테스트를 수행하기 전에 거래 수수료 이해를 포함하여 포트폴리오 구성 및 실행의 중요성을 강조합니다. 발표자는 또한 백테스팅의 목적이 모델이 좋은 예측을 하는지 확인하는 것이 아니라 모델의 예측을 기반으로 설계된 포트폴리오가 실제 조건에서 살아남을 수 있는지 확인하는 것이라고 언급합니다. 마지막으로 발표자는 모델을 실제로 배포하고 실제로 돈을 벌기 위해 자본 금액을 확장하기 전에 소량의 자본으로 모델을 테스트하는 것이 중요하다고 강조합니다.
00:15:00 연사는 역사적으로 미래 수익과 상관관계가 있고 다른 모델과 독립적인지 확인하기 위해 거래 모델을 정제하고 탐색하는 프로세스에 대해 논의합니다. 다음 단계는 이 모델을 사용하여 위험 제약 조건 내에 있는 포트폴리오를 구성하는 것입니다. 연사는 모델의 실행이 신호를 파괴하지 않고 미래 수익과의 상관관계를 감소시키지 않도록 하는 것의 중요성을 강조합니다. 점진적으로 제약 조건을 추가하면 다양한 위험 제약 조건에서 모델이 어떻게 수행될 수 있는지 평가하는 데 도움이 될 수 있는 노트북 예제를 강조합니다. 이 섹션에서는 거래 모델이 견고하고 효과적인 수익 창출을 보장하기 위해 거래 모델을 테스트하고 개선하는 것의 중요성을 강조합니다.
00:20:00 연사는 기대 수익을 극대화하면서도 다양한 위험 제약 조건을 충족하는 포트폴리오를 설계하는 과정을 설명합니다. 그들은 한 종목에 모든 돈을 투자해 기대수익률을 극대화하고 일정 금액 이상 투자할 수 없다는 제약을 가하는 순진한 최적화 전략으로 시작한다. 그런 다음 포트폴리오의 15%에서 30% 이상을 한 가지에 투자하는 것을 제한하는 포지션 집중 제약 조건을 추가합니다. 그 후 섹터 익스포저를 제한하여 포트폴리오 전략을 개선합니다. 발표자는 위험 제약을 고려하면서 포트폴리오를 최적화할 때 최종 전략의 가중치가 모델의 미래 예측과 동일하지 않으며 많은 복잡성을 유발할 수 있다고 지적합니다. 또한 연사는 일부 모델이 위험 제약 단계에서 살아남지 못할 수 있다고 강조했는데, 이는 모델링 예측의 개념과 위험 제약 조건의 영향을 받는 방식을 이해해야 한다는 것입니다.
00:25:00 발표자는 Quantopian에서 개발한 오픈 소스 소프트웨어인 알파 라인을 사용하여 모델의 수익과 미래 수익 사이에 상관 관계가 있는지 확인하는 방법에 대해 논의합니다. 발표자는 예측을 수행하는 유니버스의 크기에 관계없이 모든 모델을 요인 모델로 쉽게 인코딩할 수 있다고 말합니다. 알파 라인은 T일의 모델 예측과 T+1일에 예측한 모든 자산의 수익률 사이의 상관관계를 계산하여 모델의 예측이 미래 수익률과 상관관계가 있는지 확인합니다. 발표자는 지속적으로 양의 상관관계가 이상적이지만 실제 데이터에서는 항상 그런 것은 아니라고 말합니다.
00:30:00 발표자는 모델이 과거 수익률과 상관관계가 있는지 확인하기 위해 알파 렌즈를 사용하는 방법에 대해 논의합니다. 미래 결과 예측을 위한 모델의 유용성을 확립한 후 다음 단계는 예측과 수익의 유사성을 확인하기 위해 이미 존재하는 다른 모델과 비교하는 것입니다. 이 비교는 모델의 고유성과 새로운 알파를 만들 가능성을 결정하는 데 중요합니다. 발표자는 모델에서 개발된 전체 전략이 다른 모델과 유사한지 확인하기 위해 위험 모델을 사용하여 이러한 비교를 수행하는 방법과 개별 요인 수준에서 위험 분석을 통해 단순화할 수 있는 방법을 설명합니다.
00:35:00 이 섹션에서 연사는 거래 모델의 효과를 평가하는 방법을 설명합니다. 그들은 모델의 수익을 다른 알려진 모델과 비교하고 위험 모델과 같은 위험 인식 기술을 사용하여 효율성을 확인할 것을 권장합니다. 그들은 다른 알려진 모델과의 위험 유사성을 살펴봄으로써 평가한 간단한 평균 회귀 모델의 예를 제공합니다. 그들은 또한 모델을 기존 알파 모델과 비교하여 집중 위험이 아닌 다각화 이점을 보장하는 것이 중요하다고 강조합니다. 마지막으로 위험 제약 조건에 따라 수익을 극대화하는 위험 인식 포트폴리오 최적화를 사용하여 포트폴리오를 구성하는 방법에 대해 논의합니다. 연사는 구체적인 예를 사용하여 각 주식의 노출을 분석하고 포트폴리오의 위험 노출을 계산하고 포트폴리오가 과도한 위험에 처해 있는지 여부를 결정할 것을 권장합니다.
00:40:00 알고리즘 생성 프로세스의 중요한 부분인 위험 제한에 대해 배웁니다. 콘은 알파를 파괴하지 않고 제한된 수의 이름만 거래하므로 과도한 노출을 방지하기 위해 위험을 억제할 필요가 있습니다. 상관관계는 모델의 예측이 미래 가격 및 수익과 상관관계가 있어야 하기 때문에 중요합니다. 따라서 위험을 제한할 때마다 이러한 상관관계를 유지하기가 더 어려워집니다. 예시 롱/숏 에퀴티 알고리즘의 맨 아래에 있는 알고리즘에는 달러 중립 정책 및 동등한 섹터 익스포저와 같은 제약 조건이 있습니다. 수익을 최적화하고 위험을 줄이는 지능적인 제약을 고려하는 것이 필수적입니다.
00:45:00 연사가 양적 거래 전략 개발의 전체 워크플로우에 대해 논의합니다. 첫 번째 단계는 세상, 데이터를 이해하거나 세상이 당신의 암묵적 모델이나 이해와 동의하지 않는 영역을 찾는 것에서 아이디어를 얻는 것입니다. 모델이 테스트되고 개선되면 기존 모델과 비교하여 새로운 재료를 결정하고 모델 간의 가중치를 결정합니다. 다음 단계는 샘플 외 테스트를 수행하고 포트폴리오를 구성하며 위험 제약이 있는 최적화 시뮬레이션을 실행하는 것입니다. 마지막으로, 전략은 확장되기 전에 소량의 자본으로 종이로 거래되거나 테스트됩니다. 연사는 가격 데이터만 사용하는 것은 새로운 아이디어를 생성하기에 충분한 정보를 거의 제공하지 않으며 새로운 통찰력은 대체 소스에서 나온다고 강조합니다.
00:50:00 발표자는 쉽고 빠르기 때문에 가격 및 기본 데이터만 사용하는 대신 알파를 생성하기 위해 대체 데이터를 사용하는 것의 중요성에 대해 논의합니다. 발표자는 또한 위험 모델의 모든 것이 알파가 아닌 값싼 베타로 간주되기 때문에 기존 위험 모델을 제외해야 할 필요성에 대해서도 논의합니다. 발표자는 또한 과적합을 줄이는 데 있어 k-폴드 교차 검증의 한계를 설명하고 대신 실제 샘플 외 테스트를 사용할 것을 권장합니다. 마지막으로 연사는 미래를 예측하기 위해 어떤 데이터 세트를 사용할 것인지, 그리고 그것이 사람들이 이전에 했던 것과 어떻게 다를 것인지에 대한 통찰력을 갖는 것의 중요성을 강조합니다.
00:55:00 연사는 팩터에 의해 가중치가 부여되고 일부 재조정 기간 규칙(보통 하루 또는 한 달)에 따라 재조정된 포트폴리오의 수익을 살펴봄으로써 새 모델을 기존 모델과 비교하는 방법을 설명합니다. 발표자는 모델의 포트폴리오 가중 수익률을 Y 변수로, 기존 모델의 포트폴리오 가중 수익률을 독립 변수로 사용하여 선형 회귀를 실행할 것을 제안합니다. 종속성이 높을수록 기존 모델이 새 모델과 유사하고 새 모델의 성능을 설명하며 더 많은 알파가 생성됩니다. 연사는 또한 위험 관리 및 다양화의 중요성을 강조합니다. 이는 모든 단일 구성요소를 위험 통제하도록 제한하거나 여러 위험 요소를 취하여 함께 평균화하여 투자 전략에 따라 위험을 다양화함으로써 수행할 수 있습니다.
01:00:00 연사는 거래 전략 개발에서 두 백 테스트 단계의 차이점을 설명합니다. 주요 백 테스트 단계는 포트폴리오 설계 및 실행 규칙 결정을 포함하고 두 번째 단계는 실제로 모델 예측이 미래 가격과 상관 관계가 있는지 확인하기 위해 백 테스트를 수행합니다. 모델 예측을 너무 많이 손상시키지 않고 얻을 수 있는 위험 제약이 있는 포트폴리오를 구성하는 것이 중요합니다. 연사는 백 테스트가 대안보다 더 나은 투자 기회가 될 수 있는 충분한 증거를 지속적으로 제공할 때 모든 것은 상대적이며 투자자는 다음 단계로 이동해야 한다고 조언합니다. 마지막으로 연사는 기존 모델을 재탕한 모델을 사용하는 것에 대해 경고하고 투자자가 새로운 것을 따르는 모델의 가능성을 엄격하게 탐색하도록 권장합니다.
The process of strategy development is that of turning ideas into money. There are numerous steps in between, many of which are unknown to people entering in...
이 비디오는 예시로 S&P 500에 중점을 두고 시장 정량 분석을 위한 Excel 워크시트 사용에 대해 자세히 설명합니다. Julie Marchesi는 노란색 상자를 입력으로 사용하여 74개 그룹과 40일의 검토 기간에서 상관 관계 인덱스를 선택하여 Excel에서 상관 관계 통합 문서를 만드는 방법을 보여줍니다. 상관관계 테스트는 지난 40일을 데이터세트의 다른 모든 기간과 비교하여 가장 높은 상관관계를 식별합니다. 상관 관계를 검증하기 위해 두 번째 시장을 사용하여 결과를 확인하고 신뢰할 수 없는 데이터 포인트를 제거합니다. 상관 지수 차트는 시간 경과에 따른 상관 관계의 변화를 시각적으로 추적합니다.
발표자는 특히 S&P 500에 대한 적용을 강조하면서 시장 정량 분석을 위해 Excel 워크시트를 활용하는 과정을 설명합니다. 이들은 룩백 기간과 상관관계 지수를 나타내는 차트에서 다양한 선을 보여줍니다. 이 라인을 분석함으로써 화자는 시장에 대한 편견을 도출하고 미래 추세에 대해 예측합니다. 또한 특정 기간 동안의 평균 백분율 변화를 표시하는 차트를 소개하고 중요한 상관 지수에 초점을 맞추는 것의 중요성을 강조합니다. 연사는 이 분석이 S&P 500 시장의 현재 상태에 어떻게 적용될 수 있는지 보여주면서 정보에 입각한 거래 결정을 내리는 데 잠재적인 유용성을 강조하면서 결론을 내립니다.
S&P 500 분석과 관련하여 확인 또는 충돌 신호에 대한 여러 시장을 조사하는 것이 다음 섹션의 초점입니다. 연사는 석유가 시장의 강한 상승세를 확인하고 추가적인 강세 활동의 가능성을 시사하는 반면, 유로와 유로 엔은 지난 20일 동안 약세 또는 부정적인 활동을 보였다고 강조합니다. 그러나 금은 중요한 확인을 제공하지 않습니다. 최근 시장 행동을 기반으로 화자는 앞으로 나아가는 부정적인 편향을 제안하지만 공매도에 대해 경고하고 중요한 움직임을 하기 전에 확인을 기다릴 것을 권장합니다. 전반적으로 화자는 시장에 강세 우위가 있다고 결론을 내리지만 단기적으로는 주의를 기울이는 것이 좋습니다.
연사는 다음 섹션에서 다양한 시장에 대한 상관관계 테스트에서 도출된 결론에 대해 논의합니다. 그들은 향후 5일 동안 S&P 500 시장의 일부 불안정 가능성에 주목합니다. 역사적 분석에 따르면 S&P 500이 장기적으로 강세를 보일 것으로 보이지만 연사는 거래를 실행하기 전에 시장에서 중립적인 활동을 관찰하는 것이 중요하다고 강조합니다. 그들은 정량적 분석과 감성적 분석을 결합하여 시장을 더 잘 이해하고 데이터를 다양한 방식으로 시각화하는 데 Excel 워크시트의 유용성을 강조할 것을 제안합니다. 비디오는 시청자에게 이러한 유형의 거래 접근 방식을 탐색하고 연사의 웹 사이트를 방문하여 저널 및 라이브 거래에 대한 추가 정보를 얻도록 권장하는 것으로 끝납니다.
00:00:00 이 섹션에서 Julie Marchesi는 양적 관점에서 시장을 분석하는 데 도움이 되는 Excel을 사용하여 상관 관계 통합 문서를 만드는 방법에 대해 설명합니다. 노란색 상자는 74개 그룹과 40일의 룩백 기간에서 상관관계 지수를 선택할 수 있는 입력값 역할을 합니다. 상관관계 테스트는 지난 40일을 전체 데이터 세트의 다른 모든 기간과 비교하여 가장 높은 상관관계를 찾습니다. 가장 높은 상관 관계가 발견되면 통합 문서는 두 번째 시장을 사용하여 상관 관계를 확인하고 신뢰할 수 없는 데이터 요소를 제거합니다. 상관 지수 차트는 상관 관계가 시간 경과에 따라 어떻게 변하는지 추적합니다.
00:05:00 이 섹션에서는 발표자가 S&P 500을 예로 들어 시장 정량 분석을 위해 Excel 워크시트를 활용하는 방법에 대해 설명합니다. 그는 룩백 기간과 상관관계 지수를 나타내는 차트에 다양한 선을 표시합니다. 이 라인을 분석함으로써 그는 시장에 대한 자신의 편향을 판단하고 미래 추세에 대한 예측을 할 수 있습니다. 그는 또한 특정 기간 동안의 평균 변화율을 보여주는 차트와 가장 중요한 상관관계 지수를 보여 주는 차트에 대해서도 논의합니다. 연사는 이 분석이 S&P 500 시장의 현재 상태에 어떻게 적용될 수 있는지, 그리고 이것이 거래 결정을 내리는 데 왜 유용한지를 보여주면서 결론을 내립니다.
00:10:00 비디오의 이 섹션에서 발표자는 다양한 시장이 S&P 500 분석에 대한 확인 또는 상충 신호를 제공할 수 있는 방법을 탐색합니다. 유가는 시장이 강한 상승세에 있고 지속적인 강세 활동 가능성을 보여주는 반면, 유로와 유로 엔은 지난 20일 동안 약세 또는 마이너스 활동을 보였습니다. 반면에 금은 많은 확인을 전혀 제공하지 않습니다. 연사는 지난 20일 동안의 최근 시장 행동이 앞으로 나아가는 부정적인 편향을 시사하지만 공매도에 대해 경고하고 큰 움직임을 하기 전에 확인을 기다릴 것을 제안합니다. 전반적으로 화자는 시장에 강세 우위가 있다고 결론을 내리지만 단기적으로는 약간의 주의가 필요합니다.
00:15:00 이 섹션에서 발표자는 여러 시장에 걸친 상관관계 테스트에서 도출된 결론에 대해 논의하며 향후 5일 동안 S&P 500 시장에 약간의 흔들림이 있을 수 있다고 말했습니다. 연사는 역사적 분석이 S&P 500의 장기적인 강세 우위를 시사하지만 거래를 하기 전에 시장에서 일종의 중립적인 활동을 찾고 있다고 말합니다. 발표자는 정량적 분석과 감성적 분석을 결합하여 시장을 더 잘 이해하고 Excel 워크시트를 활용하여 다양한 방식으로 데이터를 시각화할 것을 제안합니다. 그들은 시청자가 이러한 유형의 거래를 시도하고 저널 및 라이브 거래에 대한 자세한 내용을 보려면 웹 사이트를 방문하도록 권장합니다.
이 비디오는 Python과 알고리즘 거래 플랫폼인 Quantopian을 대표적인 예로 사용하여 정량적 주식 전략을 구축하는 방법에 대한 심층 탐구를 제공합니다. 연사는 자신과 데이터 분석 및 퀀트 금융에 대한 배경을 소개하면서 시작합니다. Quantopian은 소매 투자자가 데이터에 액세스하고 백테스팅을 활용하여 주식 거래를 위한 자체 양적 전략을 구축할 수 있는 플랫폼이라고 설명합니다. 초기 회의론에도 불구하고 연사는 투자 아이디어를 발견하기 위해 협력하는 퀀트 과학자, 해커 및 소매 투자자 커뮤니티를 유치한 Quantopian의 성공을 강조합니다. 그들은 또한 Quantopian이 현재 벤처 지원에 의해 지원되고 사전 수익이지만 궁극적으로 라이브 거래를 유료 서비스로 제공할 계획이 있다고 언급합니다.
연사는 Quantopian 플랫폼에서 크라우드 소싱 데이터와 아이디어를 통해 퀀트 전략을 구축하는 개념에 대해 자세히 설명합니다. 그들은 Quantopian이 정량적 알고리즘 개발을 위한 연결 및 아이디어 공유를 촉진하여 사용자 간의 직접 메시징을 용이하게 한다고 강조합니다. 그러나 화자는 필요한 모든 가격 데이터에 액세스할 수 없기 때문에 데이터 제한이 전략을 구성하는 사용자에게 문제를 야기할 수 있음을 인정합니다. 또한 그들은 Quantopian의 초점이 주식에만 있으며 빈도가 높거나 대기 시간에 민감한 거래 전략에는 적합하지 않을 수 있다는 점에 주목합니다.
거래 플랫폼의 한계에 대해 자세히 설명합니다. 연사는 Quantopian이 스캘핑 또는 시장 조성과 같은 저지연 전략을 위해 설계되지 않았음을 강조합니다. 그들은 가격 데이터 소스가 현재 수천 개의 국내 주식으로 구성된 증권의 범위를 결정한다고 언급합니다. 연사는 GitHub에서 사용할 수 있는 오픈 소스 기본 미끄러짐 모델에 대해 간략하게 설명합니다. 옵션과 선물을 포함하는 것은 미래의 가능성이지만, 주요 초점은 수익성 있는 전략을 제공하고 수익성 통계의 투명성을 보장하는 것입니다. 연사는 평균 회귀, 모멘텀, 오버나이트 갭, 변동성 및 페어링을 포함하여 플랫폼에서 일상적인 Python 사용자가 구현하는 5가지 기본 퀀트 전략을 분류합니다.
특히 평균 회귀 및 모멘텀의 상호 작용 및 튜닝에 중점을 둔 다양한 퀀트 전략을 탐구합니다. 연사는 Yahoo Finance 또는 Google Finance와 같은 소스를 통해 액세스할 수 있는 이러한 전략에 대한 데이터와 함께 평가 및 계절성과 같은 인기 있는 전략을 강조합니다. 관련 없는 증권을 찾기 위해 데이터를 맹목적으로 마이닝하는 것과 같은 쌍 거래의 일반적인 함정에 대해 경고합니다. 동일한 가치에 연결된 증권을 식별하고 두 자산 간의 스프레드 분포를 관찰하는 것의 중요성이 강조됩니다. 목표는 주식 간 스프레드의 반전을 활용하는 것입니다.
쌍 거래 및 모멘텀 거래 전략에 대해 더 자세히 논의하고 연사는 Python을 사용하여 쌍 거래 전략을 백테스팅하는 예를 제공합니다. 쌍 거래는 두 주식 간의 스프레드 거래를 포함하며 잠재적 반전과 같은 위험을 수반합니다. 반면에 모멘텀 거래는 이전 가격 상승을 기준으로 주식 순위를 매기는 것을 포함합니다. 플랫폼에서 데이터를 직접 다운로드할 수는 없지만 사용자는 대역폭 제약으로 인해 약 100개 주식의 제한된 유니버스 내에서 백테스트 및 실시간 거래를 실행할 수 있습니다.
저평가 및 고평가된 주식을 식별하기 위해 체계적인 기본 비율 분석이 필요한 정량적 주식 전략으로서 가치 평가의 개념을 탐구합니다. 그러나 이러한 전략을 구현하려면 광범위한 데이터 범위와 데이터 정규화, 일정 정렬 및 관련 조작에 대한 이해가 필요합니다. 화자는 사용자가 인터넷에서 CSV 데이터를 얻을 수 있도록 하는 가져오기 방법을 사용하여 이러한 전략을 구현할 것을 제안합니다. 연사는 또한 시장 정서 분석과 주가에 미치는 영향을 포함하는 정량적 주식 전략으로서 정서를 언급합니다. 그러나 그들은 이 전략을 구현하려면 데이터 분석, 정규화 및 조작에 대한 확실한 이해가 필요하다고 경고합니다.
퀀트 에퀴티 전략에서 정서 지표로 공매도 주식을 사용하는 방법에 대해 논의합니다. 주식 공매도는 어렵고 위험한 것으로 인식되어 경험이 많은 개인만이 참여할 의향이 있습니다. 그러나 NASDAQ에서 얻을 수 있는 짧은 이자 수준에 대한 공개 데이터는 이러한 목적에 유용할 수 있습니다. 연사는 숏 스퀴즈로 인한 유동성 제약의 위험을 강조하고 변동성 기반 신호를 사용하여 숏 포지션이 높지만 덜 위험한 주식을 식별할 것을 제안합니다. 그들은 공매도자가 일일 평균 거래량을 기준으로 포지션을 푸는 데 걸리는 일수를 나타내는 "커버일수" 신호를 기반으로 주식 순위를 매기는 알고리즘을 제안합니다. 이 전략은 공매도가 가장 낮은 주식을 매수하고 공매도가 가장 높은 주식을 공매도하는 것입니다.
발표자는 프로세스의 중간 단계와 알고리즘의 오픈 소싱에 대해 논의하기 위해 이동합니다. 그들은 중개인의 차용 비율과 슬리피지 모델의 한계와 같은 귀중한 데이터에 액세스하는 데 따른 어려움을 인정합니다. 연사는 사용 가능한 주문 유형과 더 많은 기능을 추가하기 위한 피드백 시스템에 대한 질문에 답합니다. 또한 거래의 계절성 사용과 온라인에서의 인기에 대해 간략하게 언급합니다.
초보자에게 적합한 간단한 퀀트 에퀴티 전략을 제시합니다. 예를 들어 5월에 주식을 매도하고 채권에 투자한 다음 10월에 주식 시장에 다시 매수하는 것과 같이 계절성을 사용하여 시장 타이밍을 맞추는 것은 시간이 지남에 따라 손쉬운 성과 분석을 허용하는 간단한 체계적 규칙으로 강조됩니다. 발표자는 응답, 보기 및 복제 수를 기반으로 Quantopian 플랫폼에서 공유되는 상위 25개의 양적 자산 알고리즘에 대한 분석을 제공합니다. 특히 Google 검색어를 사용하여 시장 움직임을 예측하는 방법에 대한 논문이 포럼에서 상당한 주목을 받았습니다. 화자는 또한 간단한 전략의 효과에도 불구하고 고급 수학적 개념이 포함된 길고 복잡한 약어가 있는 전략이 더 많은 관심을 끄는 경향이 있다고 지적합니다.
플랫폼에서 신뢰와 보안의 중요성이 강조됩니다. 연사는 사용자가 시장에 대한 테스트를 위해 알고리즘을 업로드하도록 장려하기 위해 사용자와 신뢰를 구축해야 할 필요성을 인정합니다. 그들은 보안 조치가 심각하게 취해짐을 보증합니다. 실시간으로 집계된 성능 데이터는 아직 사용할 수 없지만 연사는 약 1,000개의 알고리즘이 시뮬레이션에서 실행되고 있다고 언급합니다. 개별 알고리즘 수익성에 직접적인 영향을 미치지 않을 수 있다는 인식과 함께 퀀트에 대한 소셜 네트워크의 잠재적 이점에 대해 논의합니다. 그러나 퀀트 금융 커뮤니티 내에는 연결하고, 아이디어를 교환하고, 다른 사람들로부터 통찰력을 얻고자 하는 욕구가 있습니다. 사람들이 위험이 없는 환경에서 성공과 실수로부터 배울 수 있는 학습 환경으로서의 Quantopian의 가치가 강조됩니다.
연사는 플랫폼 내에서 다양한 투자 전략 분류의 인기를 탐구합니다. 그들은 모멘텀 및 평균 회귀 전략이 현재 가장 인기가 있다는 점에 주목합니다. 그들은 소매 투자자들에게 더 접근하기 쉬운 콘텐츠를 제공할 수 있는 플랫폼의 잠재력에 대해 흥분을 표시합니다. Python에서 플랫폼의 백테스터 데모가 제공되어 실시간 거래 중 하루에 한 번 또는 분당 한 번 실행되는 초기화 방법과 데이터 처리 방법을 보여줍니다. 사용자 인터페이스 설정을 통해 백 테스트 날짜, 초기 자본 및 백 테스트 빈도를 지정할 수 있습니다. 커뮤니티 스레드에는 다른 회원이 만든 알고리즘을 찾아 활용하기 위한 검색 기능이 포함되어 있습니다.
마지막 섹션에서 발표자는 Interactive Brokers 계정에 대해 9개 섹터 ETF의 동일 가중 포트폴리오를 구매하는 기본 알고리즘을 배포하는 라이브 거래 대시보드를 제시합니다. 대시보드는 벤치마크에 연결된 성과 형평 곡선, 빨간색, 현재 위치, 배치된 주문 및 채우기를 표시합니다. 발표자는 배포된 소스 코드에 대한 정보를 기록하는 기능을 언급합니다. 편향되지 않은 방식으로 광범위한 주식을 선택하는 것이 현재 제공되지 않기 때문에 사용된 벤치마크는 SPI에 대한 수익입니다. 대신 분기별로 업데이트되는 일일 달러 거래량 유니버스를 제공합니다.
00:00:00 이 섹션에서 화자는 자신을 소개하고 데이터 분석 및 퀀트 금융 분야에서의 경험 배경을 제공합니다. 그녀는 Quantopian이 특히 소매 투자자를 비롯한 모든 사람이 데이터에 액세스하고 백테스팅을 통해 자신만의 퀀트 전략을 구축하고 자신의 계좌에 적용하여 주식을 거래할 수 있는 알고리즘 거래 플랫폼이라고 설명합니다. 연사는 Quantopian이 어떻게 작동하는지에 대한 개요를 제공하고 그녀의 초기 회의론에도 불구하고 플랫폼이 투자 아이디어를 찾기 위해 협력하는 퀀트 과학자, 해커 및 소매 투자자 커뮤니티를 성공적으로 유치했다고 강조합니다. 그녀는 또한 Quantopian이 사전 수익이며 벤처 지원으로 지원되며 궁극적으로 라이브 거래를 유료 서비스로 청구할 계획이라고 언급합니다.
00:05:00 이 섹션에서 발표자는 Quantopian의 플랫폼에서 크라우드 소싱 데이터 및 아이디어로부터 퀀트 전략을 구축하는 개념에 대해 논의합니다. 이 플랫폼은 P2P 다이렉트 메시징을 제공하고 사용자가 퀀트 알고리즘을 구축하기 위한 아이디어를 연결하고 공유할 수 있도록 합니다. 그러나 연사는 알고리즘에 필요한 모든 가격 데이터에 액세스하지 못할 수 있으므로 데이터 제한이 개인이 전략을 수립하는 데 주요 문제가 될 수 있음을 인정합니다. 또한 플랫폼이 주식에만 초점을 맞추고 있으며 고주파 거래 또는 대기 시간에 민감한 거래 전략에 적합한 플랫폼이 아닐 수 있습니다.
00:10:00 이 섹션에서 연사는 거래 플랫폼의 한계에 대해 논의하며 스캘핑 또는 시장 조성 전략을 위한 지연 시간이 짧은 플랫폼이 아님을 강조합니다. 그들은 또한 가격 데이터 소스가 현재 수천 개의 국내 주식만 포함하는 증권의 세계를 정의한다고 언급합니다. 발표자는 오픈 소스이며 GitHub에서 찾을 수 있는 기본 슬립 페이지 모델에 대해 간략하게 설명합니다. 그들은 또한 미래에 옵션과 선물의 잠재적 포함에 대해 다루지만 초점은 수익성 있는 전략을 제공하고 수익성 통계를 투명하게 하는 데 있다는 점에 유의하십시오. 마지막으로 발표자는 평균 회귀, 모멘텀, 오버나이트 갭, 변동성 및 페어링을 포함하여 플랫폼의 일상적인 Python 사용자가 구현한 5가지 기본 접근 가능한 퀀트 전략을 분류합니다.
00:15:00 이 섹션에서 연사는 평균 회귀 및 모멘텀의 상호 작용 및 조정을 기반으로 하는 몇 가지 기본 Quan 전략에 대해 설명합니다. 널리 사용되는 두 가지 전략은 가치 평가와 계절성이며 이러한 전략에 대한 데이터는 Yahoo Finance 또는 Google Finance를 통해 액세스할 수 있습니다. 그런 다음 화자는 맹목적으로 데이터 마이닝 및 실제로 서로 연결되지 않은 두 증권 찾기를 포함하여 쌍 거래의 일반적인 함정에 들어갑니다. 그들은 쌍 거래가 동일한 가치에 연결된 두 가지를 찾는 것뿐만 아니라 두 자산 가격 사이의 스프레드 분포를 보고 스프레드가 분포의 꼬리에 언제 오는지 알아차리는 것을 포함한다는 이해를 권장합니다. 목표는 스프레드를 사고, 스프레드를 팔고, 두 주식 사이의 가격이 결국 다시 되돌아갈 것이라는 데 베팅하는 것입니다.
00:20:00 이 섹션에서 연사는 쌍 거래 및 모멘텀 거래 전략에 대해 논의하고 Python을 사용하여 쌍 거래 전략을 백테스트할 수 있는 방법의 예를 보여줍니다. 쌍 거래는 두 주식 간의 스프레드 거래를 포함하며 잠재적으로 치명적인 반전과 같은 몇 가지 일반적인 함정이 있습니다. 반면에 모멘텀 거래는 주어진 기간 동안의 이전 가격 상승을 기준으로 주식 순위를 매기는 것을 포함합니다. 발표자는 또한 사이트에서 직접 데이터를 다운로드할 수는 없지만 대역폭 제약으로 인해 약 100개 주식의 제한된 우주 내에서 백 테스트 및 라이브 거래를 실행할 수 있다고 설명합니다.
00:25:00 이 섹션에서 연사는 양적 주식 전략으로서 가치 평가의 개념과 싼 주식과 비싼 주식을 식별하기 위해 체계적인 방법으로 근본적인 비율 분석이 필요한 방법에 대해 논의합니다. 그러나 그는 이러한 전략에는 우수한 데이터 범위와 데이터 정규화, 일정 정렬 및 관련 데이터 조작에 대한 이해가 필요하다고 언급합니다. 화자는 사용자가 인터넷에서 CSV 데이터를 가져올 수 있는 가져오기 방법을 사용하여 이러한 전략을 구현하도록 제안합니다. 또한 그는 시장 심리와 주가에 미치는 영향을 분석하는 정량적 주식 전략으로서 심리에 대해 이야기합니다. 그러나 그는 이 전략을 구현하려면 데이터 분석, 정규화 및 조작에 대한 확실한 이해도 필요하다고 경고합니다.
00:30:00 이 섹션에서 연사는 퀀트 주식 전략을 구축할 때 정서 지표로 공매도 주식을 사용하는 방법에 대해 설명합니다. 주식을 공매도하는 것은 어렵고 위험하며, 자신이 무엇을 하고 있는지 아는 사람만이 기꺼이 할 수 있습니다. 공개 거래 주식의 매도 이자 수준 또는 매도 주식 수는 나스닥에서 스크랩할 수 있는 공개 데이터입니다. 그러나 데이터는 시간이 지연되고 빈도가 낮은 스냅샷을 갖습니다. 연사는 또한 공매도 압박으로 인한 유동성 제약의 위험을 강조하고 변동성 유형 신호를 사용하여 공매도가 심하지만 덜 위험한 주식을 식별할 것을 제안합니다. 이 알고리즘은 공매도자가 푸는 데 걸리는 평균 일일 거래 일수를 나타내는 신호를 커버하는 일수를 기준으로 주식 순위를 매깁니다. 이 전략은 공매도가 가장 낮은 주식을 매수하고 공매도가 가장 높은 주식을 공매도합니다.
00:35:00 비디오의 이 섹션에서 발표자는 프로세스의 중간 단계와 알고리즘의 오픈 소스에 대해 이야기합니다. 그는 또한 중개인의 차용 비율 및 슬리피지 모델의 한계와 같은 귀중한 데이터에 액세스하는 것이 어렵다는 점에 대해서도 설명합니다. 발표자는 사용 가능한 현재 주문 유형과 더 많은 기능을 추가하기 위한 피드백 시스템에 대한 질문에 답합니다. 또한 화자는 거래에서 계절성을 사용하는 것과 온라인에서의 인기에 대해 간략하게 언급합니다.
00:40:00 이 섹션에서 연사는 초보자를 위한 양적 자산 전략의 가장 간단한 예에 대해 설명합니다. 예를 들어 5월에 주식을 매도하고 채권에 투자한 다음 10월에 주식 시장에 다시 사들이는 것과 같이 계절성을 사용하여 시장 타이밍을 맞출 수 있습니다. 이는 시간 경과에 따른 성과를 쉽게 분석할 수 있는 간단한 체계적 규칙입니다. 또한 응답 수, 조회 수 및 복제 횟수를 기반으로 Quantiopian 플랫폼에서 공유되는 상위 25개의 양적 자산 알고리즘에 대한 분석을 제공합니다. 이 중 Google 검색어를 사용하여 시장 움직임을 예측하는 방법에 대한 논문은 과대적합이라는 평가에도 불구하고 포럼에서 큰 주목을 받았습니다. 마지막으로 발표자는 사람들이 효과적으로 작동하는 단순한 전략보다 어려운 수학 개념을 포함하는 길고 복잡한 약어가 있는 전략을 찾는 경향이 있다고 지적합니다.
00:45:00 이 섹션에서 발표자는 사람들이 시장에 대한 테스트를 위해 온라인 플랫폼에 돈 버는 알고리즘을 기꺼이 업로드하도록 보장하는 신뢰와 보안의 중요성에 대해 논의합니다. 연사는 사용자가 플랫폼을 편안하게 사용할 수 있도록 사용자와 신뢰 수준을 구축해야 할 필요성을 강조하고 보안 조치를 진지하게 고려한다고 언급합니다. 라이브 집계 성능 데이터는 아직 사용할 수 없지만 발표자는 시뮬레이션에서 실행되는 약 1,000개의 알고리즘이 있다고 언급합니다. 화자는 퀀트를 위한 소셜 네트워크의 잠재적 이점을 고려하지만 그것이 개별 알고리즘 수익성을 주도할지는 확신하지 못합니다. 그러나 그는 퀀트 금융 세계의 사람들 사이에서 서로 대화하고 다른 사람들이 하는 일을 이해하려는 억눌린 요구가 있다고 믿습니다. 마지막으로 연사는 사람들이 안전하고 위험이 없는 환경에서 서로의 성공과 실수를 통해 배울 수 있는 학습 환경으로서의 플랫폼의 가치를 강조합니다.
00:50:00 비디오의 이 섹션에서 연사는 다양한 투자 전략 분류의 인기와 플랫폼 내에서 어떻게 표현되는지에 대해 논의합니다. 그들은 모멘텀 및 평균 회귀 전략이 현재 가장 인기가 있음을 관찰합니다. 그들은 소매 투자자가 접근할 수 있는 더 많은 콘텐츠를 추가할 수 있는 플랫폼의 잠재력에 대해 흥분을 표시합니다. 연사는 또한 실시간 거래에서 하루에 한 번 또는 분당 한 번 실행되는 초기화 방법과 핸들 데이터 방법을 사용하여 플랫폼의 백테스터가 Python에서 어떻게 작동하는지 보여줍니다. 유일한 UI 설정은 백 테스트 날짜, 초기 자본 및 백 테스트 빈도입니다. 회원이 다른 회원이 만든 다양한 알고리즘을 찾아 복사하여 플랫폼의 IDE에 붙여넣을 수 있는 커뮤니티 스레드에서 사용할 수 있는 검색 기능이 있습니다.
00:55:00 이 섹션에서 연사는 9개 부문 ETF의 동일 가중 포트폴리오를 구매하는 기본 알고리즘이 Interactive Brokers 계정에 대해 배포되는 라이브 거래 대시보드를 시연합니다. 대시보드는 벤치마크에 연결된 성과 형평 곡선, 빨간색, 현재 위치, 배치된 주문 및 채우기를 보여줍니다. 발표자는 배포된 소스 코드에 대한 정보를 기록하는 기능도 언급합니다. 벤치마크는 SPI에 대한 수익이며 현재 편향되지 않은 방식으로 광범위한 주식을 선택할 수 있는 기능을 제공하지 않습니다. 대신 분기별로 업데이트되는 일일 달러 거래량 유니버스를 제공합니다.
Presented by Dr. Jess StauthDr Jess Stauth, VP of Quant Strategy at Quantopian, former quant research analyst at StarMine, and former director of quant produ...
퀀트 트레이딩의 저명한 인물인 Dr. Ernie Chan이 이 분야의 트레이더들에게 도전과제에 대해 논의하고 귀중한 조언을 제공합니다. 그는 업계 전문가들이 지적한 바와 같이 점점 더 어려워지는 양적 거래와 많은 머신 러닝 펀드의 저조한 성과를 강조합니다. 성공하려면 트레이더는 자신의 기술을 향상하고 중요한 교훈을 배워야 합니다. 개인적인 경험을 바탕으로 Chan 박사는 트레이더가 피해야 할 사항을 공유하고 장기적인 성공을 위한 지침을 제공합니다.
Chan 박사가 강조하는 주요 경고 중 하나는 특히 강력한 전략 성과 기간 동안 과도한 레버리지에 대한 유혹입니다. Kelly 공식은 위험 관리에 자주 사용되지만 지나치게 낙관적인 기대로 이어질 수 있고 표본 기간에 민감할 수 있다고 경고합니다. 대신 그는 레버리지를 결정하기 위한 보다 예측 가능한 척도로 변동성을 사용할 것을 제안합니다. 전략의 예상 변동성을 목표로 삼음으로써 트레이더는 예상 수익보다는 위험에 초점을 맞춰 적절한 레버리지 수준을 결정할 수 있습니다.
Dr. Chan은 퀀트 거래에 대한 두 가지 필수 조언을 제공합니다. 첫째, 그는 예측할 수 없는 잠재적 이익에 집착하기보다는 전략의 하방 위험(즉, 얼마나 많은 손실을 입을 수 있는지)을 고려하는 것의 중요성을 강조합니다. 둘째, 그는 매니저를 선택하거나 레버리지를 결정하는 유일한 기준으로 단기 성과를 사용하는 것에 대해 경고합니다. 대신 그는 더 긴 실적을 찾고 위험 관리 및 점진적 재할당 목적을 위해 단기 성과를 활용하라고 조언합니다. 또한 그는 트레이더들이 개인의 사치에 빠지기보다 트레이딩 비즈니스의 인프라에 이익을 재투자하는 비즈니스 지향적 사고 방식을 채택하도록 권장합니다.
트레이딩 비즈니스의 인프라에 대한 투자는 Dr. Chan이 강조하는 주제입니다. 그는 고품질 데이터, 더 빠른 기계 및 숙련된 인력에 우선적으로 투자할 것을 제안합니다. 품질 데이터는 정확한 백테스팅 결과를 보장하는 데 중요하며 더 빠른 기계는 연구 생산성을 향상시킵니다. 필요한 기술을 갖춘 인력을 고용하면 비즈니스의 역량이 더욱 강화됩니다. Dr. Chan은 무역을 진지한 비즈니스 벤처로 취급하면서 이러한 투자의 장기적인 이점을 강조합니다.
연구 생산성을 향상시키기 위해 Dr. Chan은 멀티 코어 머신과 적절한 병렬 컴퓨팅 소프트웨어에 대한 투자의 중요성을 강조합니다. 이 투자는 생산성을 5~10배 크게 높일 수 있습니다. 그는 또한 코딩, 전략, 마케팅 또는 운영과 같은 보완적인 기술을 보유한 개인과 협력하여 비교 우위에 집중하고 단점을 보완할 것을 권장합니다.
Dr. Chan은 양적 거래에 대한 협력적 접근 방식을 옹호합니다. 그는 대학생들로 구성된 가상 거래 그룹을 포함하여 다양한 형태로 협업이 발생할 수 있다고 강조합니다. 아이디어를 공유하고 다른 사람들에게 전략에 대해 가르치는 것은 귀중한 피드백으로 이어지고 전반적인 성과를 향상시킬 수 있습니다. 자신의 경쟁 우위를 보호하는 것도 중요하지만 기본 거래 아이디어를 공유하면 지식과 통찰력이 순유입될 수 있습니다.
또한 Dr. Chan은 초보자에게 확실한 직관적 근거를 바탕으로 간단한 거래 전략부터 시작하라고 조언합니다. 그는 수익성이 더 좋은 거래만을 추구하는 것보다 나쁜 거래를 제거하는 것의 가치를 강조합니다. 거래하지 말아야 할 때와 특정 아이디어를 적용하지 말아야 할 때를 아는 것은 장기적인 성공에 기여합니다. 그는 또한 거래 전략의 지속적인 학습과 개선을 장려합니다.
Q&A 세션에서 Chan 박사는 금융 파생 상품 구성에 대한 통찰력을 공유하고 Python을 현장의 시작점으로 권장하며 모멘텀 거래 및 위험 패리티와 같은 효과적인 전략에 대해 논의합니다. 그는 수익이 감소하는 경우에도 전략을 유지하기 위해 더 나은 위험 관리의 필요성을 강조합니다.
요약하면 Dr. Ernie Chan은 퀀트 트레이더에게 유용한 조언을 제공합니다. 그는 과도한 레버리지와 단기 성과 의존에 대해 경고하며 하락 위험을 고려하고 더 긴 실적에 집중하는 것의 중요성을 강조합니다. 그는 데이터, 기계 및 인력을 포함한 비즈니스 인프라에 대한 투자를 강조합니다. 간단한 전략으로 시작하는 협업과 지속적인 학습은 장기적인 성공의 열쇠입니다.
00:00:00 Dr. Ernie Chan이 현재 양적 거래가 직면한 문제와 업계가 어떻게 성숙하고 있는지에 대해 이야기합니다. 그는 De Sha와 130억 달러 규모의 퀀트 펀드를 관리하는 Dr. Lopez de Prado가 인용한 것처럼 해마다 퀀트 거래가 점점 더 어려워지고 있다고 언급합니다. 대부분의 머신 러닝 펀드는 실패했으며 투자 가능한 가장 큰 통화 거래 프로그램의 성능은 지난 2년 동안 한결같이 공격을 받았습니다. Dr. Chan은 이 분야에서 생존하고 성공하기 위해 거래자들이 게임을 강화하고 몇 가지 높은 수준의 교훈을 배워야 한다고 믿습니다. 그는 또한 대부분의 거래를 위반하고 교훈을 얻었기 때문에 거래자들이 피해야 할 몇 가지 사항을 공유합니다.
00:05:00 화자는 특히 전략이 잘 수행되는 동안 거래에서 과도한 레버리지에 대한 유혹에 대해 경고합니다. 거래자들은 위험 관리를 위해 Kelly 공식에 의존하고 싶은 유혹을 느낄 수 있지만 연사는 그것이 지나치게 낙관적인 기대로 이어질 수 있고 샘플 기간에 매우 민감할 수 있다고 지적합니다. 대신 그는 수익을 정확하게 예측하는 것이 매우 어려울 수 있으므로 레버리지 결정에 변동성을 보다 예측 가능한 입력으로 사용할 것을 제안합니다. 따라서 트레이더는 전략의 예상 변동성을 목표로 삼고 예상 수익률이 아닌 해당 수량을 기준으로 레버리지를 결정해야 합니다.
00:10:00 연사는 퀀트 거래에 대한 두 가지 중요한 조언을 제공합니다. 첫째, 레버리지를 결정하기 위해 전략의 혀 측면에 초점을 맞추는 것이 필수적입니다. 이는 예측할 수 없기 때문에 얼마나 벌 수 있는지가 아니라 전략으로 얼마나 잃을 수 있는지입니다. 둘째, 단기 성과를 사용하여 매니저를 선택하거나 캐리 레버리지를 결정하지 않는 것이 중요합니다. 학술 연구에 따르면 그렇게 하는 것은 쓸모가 없기 때문입니다. 대신 연사는 더 긴 실적을 찾고 위험 관리 및 점진적 재배치 목적을 위해 단기 성과를 사용하도록 조언합니다. 또한 그는 거래자들이 여행 및 사치품과 같은 사치품에 지출하는 대신 데이터 장비에 수익을 재투자하는 비즈니스 지향적 사고 방식을 채택하도록 권장합니다.
00:15:00 연사는 무역 사업에서 이익 투자의 중요성을 강조합니다. 더 큰 포트폴리오에 투자하는 것보다 데이터, 장비 또는 인력과 같은 비즈니스 인프라에 투자하는 것이 좋습니다. 데이터와 관련하여 저렴한 데이터에는 종종 백 테스트의 정확성을 손상시킬 수 있는 주의 사항이 있으므로 양질의 데이터에 투자하는 것이 중요합니다. 마찬가지로, 연구 생산성을 높이고 작업에 필요한 기술을 갖춘 적절한 인력을 고용하려면 더 빠른 기계를 갖추는 것이 중요합니다. 비즈니스에 대한 이러한 투자는 비즈니스의 장기적인 생존 가능성을 향상시킬 수 있습니다. 연사는 다른 사업과 마찬가지로 무역 사업을 운영하는 것이 장기적으로 유익할 수 있다고 결론을 내립니다.
00:20:00 연사는 연구 생산성을 5배에서 10배 향상시키기 위해 멀티 코어 머신과 적절한 병렬 컴퓨팅 소프트웨어에 대한 투자의 중요성에 대해 논의합니다. 기계가 노동력보다 훨씬 저렴하다는 점을 고려하면 훌륭한 투자입니다. 또한 로컬 시스템에 투자하는 것이 클라우드 컴퓨팅에 투자하는 것보다 비용 효율적이고 생산적입니다. 클라우드 컴퓨팅은 심리적 장벽을 제공하고 데이터 전송 및 스토리지 비용 지불이 필요합니다. 발표자는 코딩, 전략, 마케팅 또는 운영과 같은 보완적인 기술을 갖춘 인력에 투자하여 비교 우위에 집중하고 단점을 보완해야 함을 강조합니다.
00:25:00 연사는 단점을 보완하고 전략을 확장하기 위해 인력 투자의 중요성에 대해 논의합니다. 그는 장사를 진지한 사업으로 여겨야 하며, 인력에 투자할 자본이 없다면 대처할 수 있는 방법이 있다고 강조한다. 최고의 퀀트 펀드는 이제 생성된 전략이 개인의 작업이 아니라 팀의 노력인 팀 접근 방식을 사용합니다. 따라서 트레이딩 전략보다는 금융 현상을 연구하는 것이 트레이딩 전략의 질을 향상시키는 데 도움이 됩니다. 연사는 또한 독립 트레이더 접근 방식이 구식이 되고 있으며 젊은 트레이더들이 유망한 독특한 접근 방식을 채택하고 있다고 지적합니다.
00:30:00 연사는 수익성 있는 거래 전략을 생성하는 것 이상으로 시장 연구의 이점에 대해 논의합니다. 과학적 접근 방식을 취하고 본질적인 호기심과 관심을 위해 현상을 연구함으로써 트레이더는 과거 데이터를 과적합한 결과가 아니라 반복 가능한 시장의 흥미로운 인공물을 발견할 수 있습니다. 화자는 직관적인 정당성을 갖춘 간단한 거래 전략으로 시작하는 것을 지지하며 성공적인 전략은 종종 더 수익성 있는 거래를 찾는 것보다 나쁜 거래를 제거하는 것과 관련이 있다고 지적합니다. 또한 거래하지 말아야 할 때와 특정 아이디어를 적용하지 말아야 할 때를 아는 거래자는 장기적으로 더 성공할 가능성이 높습니다.
00:35:00 거래에서 간단한 전략으로 시작하는 것의 중요성이 강조됩니다. 이는 엄청난 양의 정보를 돌파하고 개인적인 경험을 얻을 수 있도록 도와주기 때문입니다. 그러나 이 수준에 머물지 않고 지속적으로 더 많은 예측자를 추가하여 단일 예측자의 수명을 연장하는 것도 중요합니다. 여러 예측 변수는 선형 또는 계층과 같은 다양한 방식으로 기하급수적으로 결합될 수 있으므로 복제하기 어렵고 느린 알파 붕괴에 기여합니다. 기계 학습은 예측 변수를 결합할 때 종종 필요하지만 과적합의 위험이 존재합니다. 이러한 어려움에도 불구하고 연사는 낙관적인 말로 결론을 내리고 트레이더가 지속적으로 전략을 배우고 개선하도록 격려합니다.
00:40:00 Ernie는 양적 거래에서 협업의 중요성에 대해 이야기합니다. 그는 협업이 대기업이나 기업에만 국한되지 않고 다양한 형태로 일어날 수 있다고 강조한다. 예를 들어, 대학생들은 다양한 사람들이 성공적인 거래 전략을 만들기 위해 다양한 기술을 기여할 수 있는 가상 거래 그룹을 공동으로 구성할 수 있습니다. Ernie는 또한 거래자들이 자신의 아이디어를 공유하고 다른 사람들에게 자신의 전략에 대해 가르치는 것을 주저하지 않도록 권장합니다. 그는 대부분의 거래 아이디어가 독창적이지 않다고 생각하지만 전략에 추가된 실행, 위험 관리 및 기타 경쟁 우위가 더 잘 작동하고 오래 지속되도록 합니다. 따라서 트레이더는 자신의 경쟁 우위를 포기할 필요는 없지만 기본 트레이딩 아이디어를 공유하면 다른 사람들이 전략을 날카롭게 하고 개선할 수 있는 피드백을 제공하므로 순유입으로 이어질 수 있습니다.
00:45:00 연사는 양적 거래에 대한 자신의 배경에 대해 설명하고 절정기에 샤프 비율이 3 이상인 성공적인 Forex 모델을 언급합니다. 그는 소프트웨어 엔지니어에게 먼저 다른 사람의 모델을 조사하고, 백테스팅하고 거래하고, 기본 지식은 있지만 코딩 기술이 부족한 개인과 파트너 관계를 맺으라고 조언합니다. 그는 변동성을 예측하는 다양한 방법을 제안하고 유리한 체제에서만 거래 전략을 권장합니다. 퀀트 개발자를 고용하기 위한 자격 요건에 대한 질문에 그는 코딩 기술과 시장 및 그 복잡성에 대한 기본적인 이해를 강조합니다.
00:50:00 화자가 양적 거래에서 해야 할 일과 하지 말아야 할 일에 대해 논의합니다. 그는 거래 전략이 돈을 벌지 못한다면 포트폴리오에서 노이즈가 될 때까지 레버리지를 줄여야 한다고 강조합니다. 연사는 물리학 및 공학과 마찬가지로 거래에서 패턴과 현상을 찾는 것의 중요성을 강조합니다. 초보자로서 그는 경쟁 우위를 파악하고 보완적인 기술을 가진 사람과 협력할 것을 권장합니다. 그런 다음 발표자는 ML 알고리즘에서 더 많은 데이터를 사용하는 것을 고려하고 더 많은 데이터가 항상 더 좋은 것은 아니라고 설명하고 기록을 더 이상 확장하지 않고 데이터를 시뮬레이션하기 위해 배깅을 사용할 것을 제안합니다. 마지막으로 연사는 수익이 줄어들기 시작하더라도 손실 없이 전략을 계속 실행할 수 있기 때문에 더 나은 위험 관리가 중요하다고 말합니다.
00:55:00 Ernie Chan이 퀀트 거래와 관련된 시청자 질문에 답변합니다. 금융파생상품 구축은 전문성을 갖춘 이들에게 좋은 기회지만 틈새시장 탐색이 필요하다는 것이다. 그는 주식 데이터를 백테스팅하기 위해 Crisp Data와 Tech Data를 사용할 것을 권장하지만 좋은 데이터에는 높은 비용이 든다고 경고합니다. Chan은 또한 현재 환경에서 효과적인 전략으로 모멘텀 거래 및 위험 패리티에 대해 논의하고 Python이 현장에서 시작하는 데 사용할 수 있는 좋은 오픈 소스라고 제안합니다.
The best advice on how to thrive, or at least survive, in the increasingly competitive world of quantitative trading. Topics include optimal leverage, perfor...
Quantpedia의 CEO인 Radovan Vojtko는 데이터베이스에 대한 양적 거래 전략을 선택하는 과정에 대한 귀중한 통찰력을 제공합니다. 그는 트레이더가 사용할 수 있는 신뢰할 수 있고 실행 가능한 전략을 발견하기 위해 학술 연구를 활용하는 것이 중요하다고 강조합니다. 일반적인 오해에도 불구하고 Vojtko는 학술 논문에 잠재적인 거래 아이디어가 여전히 많이 있음을 강조합니다.
Vojtko는 거래 전략에 가장 많이 사용되는 자산 클래스는 주식이고 상품, 통화, 채권 및 부동산이 그 뒤를 따른다고 설명합니다. 이러한 자산군은 퀀트 전략을 실행할 수 있는 다양한 기회를 제공합니다. 그는 퀀트 전략을 타이밍, 차익 거래, 모멘텀 등 다양한 분류로 분류합니다.
Vojtko가 강조하는 주요 측면 중 하나는 학술 연구, 특히 채권 및 상품과 같이 잘 다루어지지 않는 자산 클래스에 사각지대가 존재한다는 것입니다. 이러한 맹점은 새로운 알파 소스를 발견할 수 있는 기회를 제공하며 거래자는 이를 활용할 수 있습니다. P-해킹 및 복제와 같은 문제를 해결하기 위해 Vojtko는 엄격한 테스트와 모멘텀 익명화 기술의 사용을 권장합니다.
게시된 거래 전략이 더 이상 작동하지 않는다는 믿음과는 달리 Vojtko는 일부 전략은 게시된 후에도 계속해서 긍정적인 결과를 산출하며 알파의 40% 이상이 5년 후에도 남아 있다고 주장합니다. 가장 유망한 전략을 선택하기 위해 그는 표본 외 테스트를 수행하고, 통계적 유의성에 대한 컷오프 포인트를 높이고, 포괄적인 전략 데이터베이스를 구축하고, 최고의 성과를 내는 전략을 선택할 것을 제안합니다.
Vojtko는 상품 선물 거래의 평균 회귀 접근법 및 사전 수익 발표 위험 전략과 같은 특정 거래 전략에 대해 추가로 논의합니다. 그는 알파 붕괴의 중요성과 P-해킹 및 데이터 마이닝으로 인한 문제를 강조합니다. 구현하기 전에 전략을 엄격하게 테스트하고 검증하는 것이 중요합니다.
Vojtko는 퀀트 트레이딩 전략이 일단 발표되면 효과가 떨어진다는 오해에 대처하면서 전략이 시간이 지나도 여전히 좋은 성과를 거둘 수 있다는 연구 결과를 인용합니다. 그는 거래자들에게 데이터 준설을 피하라고 조언하고 철저한 테스트와 검증의 필요성을 강조합니다.
학술 연구의 복제 측면에서 Vojtko는 통계적 유의성에 대한 컷오프 포인트를 늘리고 공개된 데이터를 기반으로 포트폴리오를 비교하기 위해 샘플 외 테스트를 사용할 것을 제안합니다. 이 접근 방식은 보다 정확한 복제를 보장하고 성공적인 전략 식별을 가능하게 합니다.
Vojtko는 수익성 있는 전략의 풀을 확장하기 위해 다양한 전략으로 데이터베이스를 구축하고 최고의 성능을 가진 전략을 선택할 것을 권장합니다. 그는 또한 Social Science Network 및 Quantpedia와 같은 양적 거래 전략을 찾기 위한 리소스를 제공합니다.
Vojtko는 양적 금융을 위한 프로그래밍 언어와 관련하여 다양한 옵션을 사용할 수 있다고 언급하고 자신에게 편한 언어를 선택하라고 조언합니다. Python이 선호되는 언어이지만 Tradestation, Ninjatrader 또는 Ami Broker와 같은 다른 옵션도 효과적일 수 있습니다. Vojtko는 성공적인 알고리즘 거래를 위해 금융과 기술 기술을 통합해야 할 필요성을 강조하고 두 분야의 전문성을 개발하기 위한 교육 프로그램을 제공합니다.
00:00:00 이 섹션에서는 Arjuna가 Quantpedia의 CEO인 Radovan Vojtko를 소개합니다. Vojtko는 전직 포트폴리오 매니저이며 전략, 시장 타이밍 및 변동성 거래를 따르는 다중 자산 ETA 추세에 중점을 둔 양적 펀드에서 3억 유로 이상을 관리했습니다. Vojtko는 사람들이 거래에 사용하거나 자신의 거래 시스템에 맞게 조정할 수 있는 흥미로운 거래 전략과 아이디어가 학술 연구에 게시되어 있다고 언급하면서 금융 학술 연구에 주의를 기울이는 것의 중요성을 강조합니다. 그는 또한 학술 연구에서 벗어난 전략을 구현하는 것과 관련된 몇 가지 일반적인 문제를 공유합니다.
00:05:00 이 섹션에서 Radovan Vojtko는 데이터베이스에 대한 거래 전략을 선택하는 과정에 대해 설명합니다. 그는 그들이 많은 학술 논문을 읽고 실행 가능하고 신뢰할 수 있는 성능과 위험 특성을 가진 전략을 선택한다고 설명합니다. 그는 Jagadeesh와 Titman의 1993년 논문과 후속 관련 논문에서 처음으로 작성된 주식의 모멘텀 전략의 예를 제공합니다. Vojtko는 또한 기관 고객이 자신의 데이터로 전략을 테스트하는 것을 선호하기 때문에 거래 코드를 게시하지 않는다고 언급합니다. 마지막으로 그는 퀀트 리서치를 수행하는 세 개의 큰 그룹인 학계, 셀사이드 리서치, 헤지 펀드 및 자산 관리 회사에 대해 설명합니다.
00:10:00 이 섹션에서 연사는 양적 거래 전략의 개요 및 분류에 대해 논의합니다. 연사에 따르면 주식은 학술 연구에서 잘 다루는 자산 클래스이며 상품, 통화, 채권 및 부동산이 그 뒤를 따릅니다. 거래 전략에 가장 많이 사용되는 기간은 월간 재조정이며, 더 비싼 데이터 및 프로그래밍 요구 사항에 대한 필요성으로 인해 고주파 거래가 과소 표시됩니다. 주제별로는 롱숏, 모멘텀 등 주식 전략이 가장 인기가 많았고, 그 다음이 마켓 타이밍, 밸류, 펀더멘털 어닝 효과 순이었다. 연사는 또한 데이터베이스에서 흥미로운 거래 전략을 분류하고 찾는 방법에 대한 자신의 관점을 제시합니다.
00:15:00 이 섹션에서 연사는 양적 거래 전략의 다양한 분류에 대해 논의하고 연구의 맹점 개념을 소개합니다. 맹점은 잘 다루어지지 않은 연구 영역을 말하며 새로운 알파 또는 거래 전략을 찾을 수 있는 기회를 제공합니다. 그런 다음 연사는 자산 클래스 전반에 걸쳐 다양한 전략의 분포를 제시하여 주식이 우세한 반면 채권과 REIT는 잘 다루지 않는다는 것을 보여줍니다. 잘 알려진 스타일 중에서 모멘텀과 차익 거래가 잘 다루어지지만 연사는 다른 자산 클래스에 대한 타이밍 전략과 통화 거래를 위한 흥미로운 전략 개발의 기회를 강조합니다.
00:20:00 이 섹션에서 Radovan Vojtko는 특히 주식 전략에 중점을 두고 자산 클래스별로 양적 거래 전략을 분류하는 방법에 대해 설명합니다. 그는 타이밍, 차익 거래 및 가치 거래를 포함하는 6가지 주요 유형의 주식 전략과 함께 다른 모든 자산 클래스를 합친 것보다 더 많은 주식 거래 스타일이 있다고 지적합니다. 그러나 인기 있는 스타일과 채권 및 상품과 같은 일부 자산 클래스에 대해서는 사각지대가 있습니다. Vojtko는 또한 연구 논문에서 다루지 않은 독특하고 흥미로운 투자 기회를 찾을 수 있는 높은 기회를 제공하는 일중 및 단기 전용 전략의 일부 격차를 강조합니다.
00:25:00 이 섹션에서는 비디오에서 두 가지 양적 거래 전략에 대해 설명합니다. 첫 번째 전략은 상품 선물 거래에 평균 회귀 접근 방식을 사용하는 것입니다. 접근 방식은 유사한 특성을 가진 상품을 그룹화하고 각 상품 그룹에 대한 상품 총 수익률 지수를 계산하며 각 그룹 내에서 쌍을 구축합니다. 그런 다음 쌍은 과거 거리를 기반으로 거래되며 가격의 차이가 2 표준 편차를 초과하면 일일 포지션이 취해집니다. 두 번째 전략은 실적 발표 후 주가가 급락하는 경향을 이용하는 사전 실적 발표 위험입니다. 롱숏 포트폴리오를 생성함으로써 투자자는 이러한 경향에서 이익을 얻을 수 있습니다. 실적 발표 후 드리프트는 잘 알려져 있지만 주식도 실적 발표 전에 드리프트되는 경향이 있다는 사실은 잘 알려져 있지 않습니다.
00:30:00 비디오의 이 섹션에서 Radovan Vojtko는 거래 전략의 샘플 내 성과와 샘플 외 성과에 차이가 있는 알파 붕괴의 개념을 설명합니다. 그는 또한 P-해킹 문제와 양적 연구에서 복제 문제에 대해 논의합니다. 여기서 연구원은 흥미로운 것을 발견할 때까지 다양한 거래 전략을 테스트하여 데이터 마이닝으로 이어질 수 있습니다. 이 문제를 피하기 위해 Vojtko는 모멘텀 익명화를 사용할 것을 제안합니다. 이를 통해 트레이더는 전략이 실제로 수익성이 있는지 또는 단지 통계적 우연인지 확인할 수 있습니다. 이러한 이슈에도 불구하고 연 40%의 수익률을 보인 실적발표 전 전략 등 다양한 퀀트 트레이딩 전략이 학술논문을 통해 발표되고 있다.
00:35:00 이 섹션에서 발표자는 양적 거래 전략이 게시되고 다른 사람에게 알려진 후에는 다른 플레이어에 의해 차익 거래를 받기 때문에 더 이상 작동하지 않는다는 일반적인 오해에 대해 논의합니다. 그러나 McLean과 Pontiff의 연구에 따르면 일부 전략은 출판 이후에도 여전히 작동하며 40% 이상의 알파가 출판 5년 후에도 남아 있습니다. 연사는 또한 거래에서 변칙이나 요인의 지속에 대해 이야기하면서 어떤 전략이든 지속적이고 미래에 좋은 성과를 낼 수 있지만 투자자의 타이밍이 좋지 않으면 수익률이 낮아질 수 있음을 강조합니다. 연사는 잘못된 발견으로 이어질 수 있는 데이터 마이닝을 사용하는 데이터 준설 또는 데이터 낚시에 대해 경고하고 전략을 구현하기 전에 엄격하게 테스트하는 것이 중요함을 강조합니다.
00:40:00 이 섹션에서 Radovan Vojtko는 특히 양적 거래 전략에서 학술 연구의 복제 문제에 대해 논의합니다. 그는 연구자들이 사전에 구체적인 가설 없이 데이터를 마이닝하고 패턴을 찾아 실제 활용 없이 통계적 유의미성을 보이는 문제를 언급한다. Vojtko는 통계적 유의성에 대한 컷오프 포인트를 3.0 또는 3.5로 증가시켜 공개된 데이터를 기반으로 주식 팩터의 포트폴리오를 비교하기 위해 샘플 외 테스트를 사용하여 발견된 전략에서 가능한 한 어렵게 할 것을 제안합니다. 이러한 방식으로 데이터는 승자를 선택하는 데 있어 그 자체로 말하며 향후 거래에서 보다 정확한 복제 및 잠재적 사용을 허용합니다.
00:45:00 이 섹션에서 Radovan Vojtko는 매년 실적에 따라 이상 현상의 순위가 매겨지고 다음 해에 최고 성능의 이상 현상이 거래되는 모멘텀 미공개 이상 현상 전략에 대해 설명합니다. 이 전략은 비현실적이고 실적이 저조하거나 차익 거래 전략을 걸러내어 학술 연구를 통해 수익성 있는 전략을 발견할 가능성을 높이는 데 도움이 됩니다. 그러나이 전략은 방탄이 아니며 유동성과 거래 비용을 고려해야합니다. 또한 이상 현상의 성능이 저하될 수 있으며 편견과 사각지대를 해결해야 합니다. Vojtko는 더 많은 전략의 데이터베이스를 구축하고 최고의 성과를 내는 전략을 선택하여 수익성 있는 전략을 찾을 가능성을 높일 것을 권장합니다.
00:50:00 비디오의 이 섹션에서 연사는 시청자의 질문을 받고 정량적 거래 전략을 찾기 위한 리소스를 추천합니다. 페어 트레이딩, 모멘텀 트레이딩 등의 키워드로 검색할 수 있는 사회과학 연구 논문 저장소인 소셜 사이언스 네트워크 웹사이트를 확인하는 것이 좋습니다. 연사는 또한 60개 이상의 일반적이고 잘 알려진 전략이 있는 무료 섹션과 더 독특한 전략이 있는 프리미엄 섹션이 있는 자신의 웹사이트인 Quantpedia를 추천합니다. 초보자에게 어떤 전략부터 시작해야 하느냐는 질문에 화자는 EPS에서 자산 비용 선택과 모멘텀 전략을 살펴볼 것을 제안합니다. 베타 붕괴를 계산하기 위해 발표자는 자신의 출판물에 언급된 학술 논문을 참조하거나 Google에서 알파 붕괴에 관한 학술 논문을 검색할 것을 권장합니다.
00:55:00 이 섹션에서 발표자는 양적 금융에 권장되는 프로그래밍 언어에 대해 논의하며 온라인에서 사용할 수 있는 언어가 많고 궁극적으로 개인 취향에 달려 있다고 말합니다. 그들은 약 50명의 백 테스터에 대한 여러 링크가 있는 웹 사이트에 대한 링크를 제공하며 개인적으로 Python을 선호하지만 다른 것도 마찬가지로 유효하다는 점에 유의합니다. 그들은 거래 또는 테스트를 시작하기 위해 편안한 언어를 선택하고 Tradestation, Ninjatrader 또는 Ami Broker와 같은 제공된 소스에서 미리 구성된 솔루션을 사용할 것을 제안합니다. 또한 연사는 성공적인 알고리즘 거래를 위해서는 금융과 기술의 기술을 융합해야 한다고 언급하며 두 분야 모두에서 개인을 훈련시키는 교육 프로그램을 제공합니다.
In this informative video on Quantitative Finance, Radovan Vojtko provides a comprehensive quantitative trading tutorial on the classification of quantitativ...
이 비디오에서 성공적인 퀀트 트레이더인 Dave Bergstrom은 트레이딩 세계에서의 여정을 공유하고 데이터 분석 기술을 활용하여 시장 우위를 발견하는 것의 중요성을 강조합니다. 그는 커브 피팅과 과도한 최적화를 피해야 할 필요성을 강조하고 거래 및 프로그래밍 학습을 위해 여러 리소스를 활용할 것을 권장하며 적절한 위험 관리와 현실적인 기대치를 갖는 것의 중요성을 강조합니다. Bergstrom은 또한 고주파 거래의 잠재적인 감소에 대해 논의하고 트레이더가 수익성 있는 거래 전략을 찾고 생성하는 데 도움이 되는 그의 소프트웨어 패키지인 Build Alpha를 소개합니다.
초기에 고주파 거래자였던 Dave Bergstrom은 거의 로스쿨에 진학하여 거래자가 되기까지의 경로를 자세히 설명합니다. 학부 과정에서 그는 트레이딩을 탐구하고 트레이딩 패턴과 모멘텀 주식에 대해 배우기 위해 금융 Twitter 및 팟캐스트와 같은 플랫폼에 대한 정보를 찾았습니다. Bergstrom은 초기에 성공을 거두었지만 초기 전략과 기법이 현재 거래 방식과 크게 다르다는 점을 인정합니다. 그는 전략 개발 중 데이터 마이닝 기술의 사용을 강조하고 트레이더가 이 에피소드에서 논의된 다양한 형태의 분석을 사용할 수 있게 해주는 소프트웨어 패키지인 Build Alpha를 소개합니다.
그의 겸손한 시작부터 Bergstrom은 위조 NFL 유니폼과 지갑을 판매하여 거래에 대한 초기 진출을 공개합니다. 그 후 그는 거래 계정에 자금을 조달하고 모멘텀과 기술적 분석, 특히 차트 패턴을 기반으로 주식 거래에 참여했습니다. 그러나 그는 불일치에 직면했고 자신의 자본 잔액이 지속적으로 0으로 돌아가는 이유를 이해하기 위해 고군분투했습니다. 더 많은 경험을 통해 Bergstrom은 체계적인 접근 방식의 부재가 일관된 수익을 달성하는 데 방해가 된다는 것을 깨달았습니다. 그는 플로리다로 이주하여 초단타매매 회사에서 거래 보조원으로 일한 후에야 양적 분석의 영역을 발견하고 거래 노력의 일관성을 위한 길을 닦았습니다.
Bergstrom은 데이터 분석이 필요한 역할로의 전환에 대해 자세히 설명합니다. 이 직책에서 탁월하기 위해 그는 프로그래밍을 독학하고 객관적인 기술 분석에 집중했습니다. 그의 회사는 수익성 있는 거래로 이어질 수 있는 데이터의 이상 또는 패턴을 식별해야 한다고 믿었기 때문입니다. 그는 일관된 성공을 달성하기 위해 수년간의 시행 착오가 필요한 여정인 테스트 및 백 테스트 프로세스를 설명합니다. 기술적 분석에 대한 Bergstrom의 견해는 직관에 의존하는 주관적 분석보다 패턴을 식별하기 위해 데이터를 활용하는 객관적 분석을 선호하면서 진화했습니다.
프로그래밍은 Bergstrom이 초강대국이라고 생각하는 거래 여정에서 중요한 역할을 합니다. 초단타매매에서 방대한 양의 데이터를 처리하기에는 엑셀이 부족하다는 것을 깨닫고 트레이딩 어시스턴트 역할에서 트레이드 데스크 역할로 발전하기 위한 프로그래밍을 배웠다. Bergstrom은 프로그래밍의 비대칭 이득과 최소 위험으로 인해 탁월한 투자라고 생각합니다. 그는 야심 찬 프로그래머에게 다양한 리소스를 탐색하고, 부지런히 노력하고, 학습 과정을 촉진하기 위해 지식이 풍부한 개인의 지도를 구하라고 조언합니다.
Bergstrom은 거래 및 프로그래밍을 배울 때 여러 리소스를 찾는 것이 중요하다고 강조합니다. 그는 프로그래밍을 위해 Stack Exchange와 같은 플랫폼을 활용할 것을 권장하고 Python, C++ 및 Java와 같은 여러 프로그래밍 언어 학습을 권장합니다. 자신의 거래 방식에 대해 논의하는 동안 Bergstrom은 자신을 데이터 마이너라고 밝히고 데이터 분석을 통해 수많은 시장 우위를 발견할 수 있다고 믿습니다. 일부 사람들은 데이터 마이닝이 과적합되기 쉬운 것으로 인식하지만 과적합 및 과최적화를 방지하기 위한 조치를 취할 때 귀중한 도구가 될 수 있다고 주장합니다.
Bergstrom은 데이터 마이닝을 통해 거래 우위를 발견하고 특정 기준에 따라 수익성 있는 전략을 검색하는 피트니스 기능을 사용하는 방법을 조명합니다. 그는 최소한의 거래 수를 유지하고 교차 검증을 활용하는 것과 같은 기술을 사용하여 곡선 맞춤을 피하는 것의 중요성을 강조합니다. 그는 엣지가 데이터 분석을 통해 식별할 수 있는 긍정적인 기대를 가진 것을 의미한다고 설명합니다. 궁극적으로 그는 기존 가설에 기반하지 않더라도 수익성 있는 전략을 추구하지만 논리적 추론과 일치하는 전략에 더 많은 확신을 둡니다.
Bergstrom에 따르면 전략을 테스트할 때 상당한 수의 거래를 하는 것이 중요합니다. 그는 커브 피팅의 위험을 강조하고 룩백 기간이 있는 매개변수를 최적화하지 말라고 조언합니다. 대신 그는 계수 측정과 같은 비모수 메트릭을 사용하는 것을 선호합니다. 또한, Bergstrom은 시장 행동을 이해하는 데 있어 시장 체제와 거래량 및 변동성의 중요성을 강조합니다. 그는 트레이딩 시스템에 대한 자금 할당 부족을 방지하기 위해 현실적인 기대치를 설정하고 몬테카를로 분석을 사용하는 것의 중요성을 보여주는 트위터에서 공유한 강력한 그래프를 언급합니다.
Bergstrom은 백테스트에서 수익성 있는 전략을 보여주더라도 실제 결과가 다를 수 있음을 이해하는 것이 중요하다고 강조하면서 거래에 대한 현실적인 기대를 더 탐구합니다. Monte Carlo 시뮬레이션 및 분산 테스트와 같은 도구는 트레이더가 가능한 결과의 분포를 생성하고 미래 거래에 대한 현실적인 기대치를 설정하는 데 도움이 됩니다. Bergstrom은 비대칭적인 위험 보상 비율을 선호하는 첫 번째 법칙과 함께 세 가지 거래 법칙을 소개합니다. 이것은 그가 그 반대보다는 낮은 승률을 선호하지만 더 높은 보수를 선호한다는 것을 의미합니다.
적절한 위험 관리는 특히 베팅 크기 조정과 관련하여 Bergstrom의 거래 철학에서 중심 단계를 차지합니다. 그는 거래자가 동일한 패턴이나 시스템 내에서 다른 거래보다 훨씬 더 큰 규모의 거래를 하는 것은 유익하지 않다고 설명합니다. Bergstrom은 "흥미로운" 거래에 과도하게 투자하는 것에 대해 경고합니다. 많은 수의 법칙이 효력을 발휘하는 데 필요한 많은 수의 거래에서 수학적 확률이 발생하는 것을 방지하기 때문입니다. 그는 상당한 수의 거래에 대해 보다 보수적이고 일관된 방식으로 거래하면 긍정적인 이점이 나타날 것이라고 제안합니다. 일중 거래와 초단타 거래는 다수의 법칙에 더 잘 부합하지만 Bergstrom은 분산 테스트가 만족스러운 경우 일일 시간 프레임도 효과적일 수 있다고 믿습니다.
Bergstrom은 시장 전반에 걸쳐 전략 견고성의 중요성을 탐구합니다. 그는 여러 시장에서 작동하는 전략을 만드는 것의 가치를 인정하지만 불충분한 거래를 생성하는 전략을 피하는 경향이 있습니다. 거래 비용과 각 거래에서 더 높은 이익을 추구하는 것과 관련하여 Bergstrom은 균형 잡힌 접근이 가능하다고 믿습니다. 이 전략은 과도한 거래 비용으로 인해 부담을 받아서는 안 되지만 동시에 과도한 거래를 생성하도록 설계되어서는 안 됩니다. 기어를 바꿔서 Bergstrom은 초단타매매(HFT)를 둘러싼 일반적인 오해에 대해 설명하며 희생양을 찾는 사람들로 인해 종종 부당하게 비방을 받아 왔다고 말했습니다. 그는 HFT가 유익하며 약탈 의도가 없다고 굳게 믿습니다.
마지막으로 Bergstrom은 초단타매매의 잠재적인 감소에 대해 논의합니다. 그는 경쟁 심화와 전략의 노출 때문이라고 생각합니다. 논쟁은 하락이 과포화 시장 때문인지, 아니면 극초단타매매에 필요한 양면 시장을 지원하지 않는 중앙은행이 시행한 통화 정책 때문인지를 중심으로 전개됩니다. Bergstrom은 사용자가 신호를 선택하고 종료 기준 및 피트니스 기능을 기반으로 다양한 전략을 검색할 수 있는 소프트웨어 패키지인 Build Alpha를 소개합니다. 이 소프트웨어는 최상의 전략을 식별하고 각각에 대해 거래 가능한 코드를 생성하여 포트폴리오 생성 및 철저한 분석을 가능하게 합니다. 관심 있는 개인은 웹사이트 buildalpha.com을 방문하거나 이메일 David@buildalpha.com 또는 Twitter @Deeper_DB를 통해 Dave Bergstrom에게 문의할 수 있습니다.
결론적으로 성공적인 트레이더가 되기 위한 Dave Bergstrom의 여정은 시장 우위를 찾는 데 있어 데이터 분석 기술의 중요성을 보여줍니다. 커브 피팅 방지, 학습을 위한 여러 리소스 활용, 적절한 위험 관리 실행 및 현실적인 기대치 유지에 대한 그의 강조는 트레이더를 꿈꾸는 사람들에게 귀중한 통찰력을 제공합니다. 또한 고주파 거래에 대한 그의 생각과 Build Alpha 도입은 혁신적인 소프트웨어 솔루션을 통해 거래 전략을 발전시키고 거래자에게 권한을 부여하려는 그의 의지를 보여줍니다.
00:00:00 초단타 트레이더인 Dave Bergstrom이 로스쿨 진학에서 트레이딩으로의 여정에 대해 이야기합니다. 학부 시절 트레이딩을 시작했고 트레이딩 패턴과 모멘텀 주식에 대해 알아보기 위해 금융 트위터, 팟캐스트 등 인터넷에서 정보를 검색했다. 그는 초기에 거래에 성공했지만 당시 사용했던 초기 거래 전략과 기술이 현재 거래 방식과 많이 다르다는 점을 인정합니다. 또한 Dave는 전략 개발 중에 데이터 마이닝 기술을 사용하는 방법에 대해 이야기하고 곡선 맞춤을 줄이는 방법을 제안합니다. 그는 심지어 Build Alpha라는 소프트웨어 패키지를 개발하여 트레이더가 이 에피소드에서 논의된 많은 기술과 다양한 형태의 분석을 수행할 수 있도록 합니다.
00:05:00 퀀트 트레이더인 Dave Bergstrom은 위조 NFL 유니폼과 지갑 판매를 통해 돈을 버는 것부터 시작하여 트레이딩의 겸손한 시작을 공유합니다. 그런 다음 그는 모멘텀과 기술적 분석, 특히 차트 패턴을 기반으로 주식을 처음 거래하는 거래 계정에 자금을 지원했습니다. 그러나 그는 불일치로 어려움을 겪었고 왜 계속해서 0의 자산 잔고로 돌아가는지 이해할 수 없었습니다. 더 많은 경험을 통해 Bergstrom은 시스템이 없다는 것을 깨닫고 계속 다시 시작하여 일관된 수익을 얻지 못했습니다. 그가 정량적 분석을 발견하고 거래의 일관성에 대한 새로운 길을 찾은 것은 그가 플로리다로 이사하고 초단타매매 회사의 거래 보조원이 되었을 때였습니다.
00:10:00 퀀트 트레이더인 Dave Bergstrom이 데이터 분석이 필요한 역할로의 전환에 대해 이야기합니다. Bergstrom은 자신이 일했던 회사가 수익성 있는 거래로 이어질 수 있는 데이터의 이상 또는 패턴을 검색한다고 믿었기 때문에 프로그래밍을 독학하고 객관적인 기술 분석에 집중해야 했습니다. 그는 에지나 패턴을 거래에 사용하기 전에 테스트와 백테스트의 과정이 있으며 일관된 성공을 얻기 위해 몇 년 동안 시행착오를 겪어야 했다고 설명합니다. 기술적 분석에 대한 Bergstrom의 관점이 바뀌었고, 그는 패턴을 식별하기 위해 데이터를 사용하는 객관적인 분석이 패턴을 식별하기 위해 직관에 의존하는 주관적인 분석보다 낫다고 믿습니다.
00:15:00 Dave Bergstrom이 프로그래밍을 배운 방법과 프로그래밍을 초능력으로 보는 이유를 설명합니다. 그는 Excel이 고주파 거래와 관련된 데이터의 양을 처리할 수 없다는 것을 깨닫고 트레이너 보조 역할에서 트레이드 데스크 역할로 발전하기를 원했기 때문에 프로그래밍을 배웠습니다. Bergstrom은 이익이 비대칭적이며 위험이 최소화되기 때문에 프로그래밍이 누구나 할 수 있는 최고의 거래라고 생각합니다. 그는 프로그래밍 방법을 배우려는 모든 사람에게 다양한 리소스를 살펴보고, 부지런히 작업하고, 프로세스 속도를 높이는 데 도움이 되는 질문에 답할 수 있는 사람을 찾으라고 조언합니다.
00:20:00 Dave Bergstrom은 거래 및 프로그래밍 방법을 배울 때 여러 리소스를 찾는 것의 중요성에 대해 논의합니다. 그는 프로그래밍을 위해 Stack Exchange를 사용할 것을 권장하고 Python, C++ 및 Java와 같은 여러 언어를 학습할 것을 제안합니다. 자신의 거래 방식에 대해 질문을 받았을 때 Bergstrom은 데이터 마이너임을 인정하고 시장에는 데이터 분석을 통해 발견되기를 기다리는 많은 우위가 있다고 믿습니다. 일부에서는 데이터 마이닝을 과적합으로 볼 수 있지만 과적합 및 과최적화를 방지하기 위한 조치를 취하는 한 유용한 도구라고 주장합니다.
00:25:00 Dave Bergstrom은 데이터 마이닝과 특정 기준에 따라 수익성 있는 전략을 검색하는 피트니스 기능을 사용하여 거래에서 우위를 찾는 방법에 대해 이야기합니다. 그는 최소 거래 수 및 교차 검증과 같은 기술을 사용하여 커브 피팅을 방지하는 것의 중요성을 강조합니다. 그는 또한 데이터 분석을 통해 식별할 수 있는 긍정적인 기대를 가진 것이 엣지라고 설명합니다. 결국 기존의 가설이 아니더라도 수익성 있는 전략을 찾아보지만 논리적으로 타당하다면 더 신뢰한다.
00:30:00 Dave Bergstrom은 전략을 테스트할 때 많은 수의 거래를 갖는 것의 중요성에 대해 논의합니다. 그는 또한 커브 피팅의 위험과 룩백 기간이 있는 매개변수를 최적화하지 않음으로써 이를 피하는 방법에 대해서도 언급합니다. 대신 그는 계수 측정과 같은 비모수 메트릭을 사용하는 것을 선호합니다. 그는 또한 시장 행동을 이해할 때 거래량과 변동성뿐만 아니라 시장 제도의 중요성을 강조합니다. 또한 그는 트위터에 게시한 강력한 그래프에 대해 설명하며 거래 시스템에 대한 자금 할당 부족을 방지하기 위해 현실적인 기대치를 갖고 몬테카를로 분석을 사용하는 것의 중요성을 보여줍니다.
00:35:00 우리는 거래에서 현실적인 기대에 대해 배웁니다. 백 테스트가 수익성 있는 전략을 보여주더라도 이러한 결과가 실생활에서 동일하지 않을 수 있음을 이해하는 것이 중요합니다. Monte Carlo 시뮬레이션 및 분산 테스트와 같은 도구는 트레이더가 가능한 결과의 분포를 생성하고 미래 거래에 대한 현실적인 기대치를 결정하는 데 도움이 될 수 있습니다. 초청 연사는 또한 거래의 세 가지 법칙을 소개합니다. 그 중 첫 번째는 보상보다 비대칭 위험을 선호한다는 것입니다.
00:40:00 퀀트 트레이더 Dave Bergstrom은 특히 베팅 규모와 관련하여 거래에서 적절한 위험 관리의 중요성을 강조합니다. 그는 동일한 패턴이나 시스템에서 다른 거래보다 훨씬 더 큰 규모의 거래를 하는 것이 거래자에게 최선의 이익이 되지 않는다고 설명합니다. Bergstrom은 "흥미로운" 거래에 너무 많이 베팅하는 것에 대해 경고합니다. 많은 수의 법칙이 작용하는 데 필요한 많은 수의 거래에 대해 수학이 작동하지 않도록 하기 때문입니다. Bergstrom은 지루하게 거래하고 긍정적인 우위를 점할 수 있도록 많은 거래를 통해 게임에 머무르는 것이 더 낫다고 제안합니다. 일중 및 고주파 거래는 큰 수의 법칙에 더 적합하지만 Bergstrom은 분산 테스트가 만족스러운 경우 일일 시간 프레임도 작동할 수 있다고 믿습니다.
00:45:00 Dave Bergstrom이 거래 전략을 위한 시장 전반의 견고성의 중요성에 대해 논의합니다. 그는 여러 시장에서 작동하는 전략을 만드는 것이 좋은 접근 방식이라고 생각하지만 충분한 거래를 생성하지 않는 것을 피하는 경향이 있습니다. 거래 비용이 거래 전략에 어떤 영향을 미칠 수 있는지 그리고 각 거래에서 더 많은 이익을 찾는 데 비용이 드는지 묻는 질문에 Bergstrom은 전략이 거래 비용으로 당신을 죽이지 않지만 아마도 생성하지 않는 행복한 매체를 얻을 수 있다고 믿습니다. 천 거래도. 다른 말로 Bergstrom은 HFT(고빈도 거래)가 오해를 받고 희생양을 찾는 사람들로 인해 종종 나쁜 랩으로 그려졌다고 주장합니다. 그는 HFT가 유익하다고 믿으며 그것에 대해 약탈적인 것은 없습니다.
00:50:00 Dave Bergstrom은 경쟁과 전략 노출로 인해 실행하기가 점점 더 어려워짐에 따라 고주파 거래의 잠재적인 감소에 대해 논의합니다. 시장에 너무 많은 플레이어가 있기 때문인지, 아니면 연준과 다른 중앙 은행들이 초단타 거래에 필요한 양면 시장을 지원하지 않는 통화 정책 때문인지에 대한 논쟁이 있습니다. Bergstrom은 사용자가 신호 목록에서 선택하고 종료 기준 및 피트니스 기능을 기반으로 다양한 전략을 검색할 수 있는 Build Alpha라는 소프트웨어 패키지를 개발하고 있습니다. 그런 다음 최상의 전략을 찾고 각각에 대해 거래 가능한 코드를 생성하여 포트폴리오 생성 및 분석을 허용합니다. Build Alpha의 웹사이트는 buildalpha.com이며 David@buildalpha.com 또는 Twitter @Deeper_DB에서 Dave에게 연락할 수 있습니다.
EP 103: Escaping randomness, and turning to data for an edge w/ Dave BergstromOn this episode, I’m joined by a quant trader who works at a high frequency tra...
이 비디오는 양적 거래 및 고주파 거래(HFT)에서 일반적으로 사용되는 프로그래밍 언어에 대한 포괄적인 개요를 제공합니다. 발표자는 이러한 언어를 프로토타이핑 연구 및 해석 스크립팅 언어와 Java, C#, C 및 C++와 같은 레거시 컴파일 언어로 분류합니다. Python, R, MATLAB 및 Microsoft Visual Studio를 포함하여 트레이딩 아이디어를 모델링하는 데 널리 사용되는 언어의 장단점에 대해 자세히 설명합니다. 또한 이 비디오는 프로그래밍 언어를 선택할 때 코로케이션, 비용 효율적인 프로토타이핑 및 브로커 지원과 같은 중요한 고려 사항을 강조합니다. 생산성 도구를 사용하고 위험 관리 및 포트폴리오 관리를 포함한 전체 거래 시스템을 고려하는 것의 중요성을 강조합니다.
연사는 프로토타이핑 연구 및 해석 스크립팅에 대한 적합성에 따라 프로그래밍 언어를 여러 그룹으로 분류하는 것으로 시작합니다. 퀀트 거래의 맥락에서 그는 거래 아이디어를 모델링하기 위한 인기 있는 선택으로 특히 Python과 MATLAB을 언급합니다. 그러나 그는 Python의 분할된 버전(2.7 및 3.x)의 문제를 지적하고 R의 호환성 및 성능 문제를 강조합니다. 한편 Python은 개발자에게 부담이 될 수 있고 추가 교육이 필요한 다양한 옵션을 제공합니다. 반면에 R은 호환성과 성능 면에서 일정한 제한이 있습니다.
앞으로 연사는 양적 거래 및 HFT 거래에서 일반적으로 사용되는 다양한 프로그래밍 언어를 탐구합니다. 데이터 패키지 측면에서 Python의 강점을 강조하면서 논의하지만 느린 실행 및 제한된 주문 관리 기능과 같은 단점도 강조합니다. 발표자는 Python 통합을 허용하는 MATLAB 2015 및 Microsoft Visual Studio 2015도 언급합니다. Java, C#, C 및 C++와 같은 레거시 컴파일 언어가 강조 표시되며 Java는 프로그래밍 초보자에게 적합한 시작점으로 권장됩니다. C#은 이해하기 쉽고 고급 기술로 찬사를 받는 반면 C#의 최적 성능은 Windows 환경으로 제한됩니다.
이 비디오는 Java, C/C++ 및 MATLAB을 포함하여 양적 및 고주파 거래에 적합한 프로그래밍 언어를 추가로 탐색합니다. Java 및 C#은 데이터베이스와의 쉬운 통합으로 유명하지만 성능에 영향을 미치는 가비지 수집으로 인해 제한이 발생할 수 있습니다. C와 C++는 최적의 속도와 메모리 제어를 제공하는 언어로 찬사를 받지만 배우기가 더 복잡할 수 있습니다. MATLAB은 데이터 수집, 분석, 거래 실행 및 위험 관리를 위한 다양한 도구 상자를 갖춘 강력하고 다재다능한 플랫폼으로 인정받고 있습니다. MATLAB Coder를 통해 C/C++에서 코드를 생성하는 기능과 함께 고급 수학 및 기계 학습 지원이 강조 표시됩니다. 연사는 또한 MATLAB Production을 사용하여 MATLAB을 고성능 웹 서버에 내장하는 옵션에 대해서도 언급합니다.
퀀트 및 HFT 거래에서 프로그래밍 언어를 선택할 때 고려해야 할 사항에 대해 자세히 설명합니다. 연사는 거래 거래소, 특히 HFT 거래에서 코로케이션의 이점을 강조하고 코로케이션을 용이하게 하는 공급자로 MathWorks를 언급합니다. $150부터 시작하는 Lab Home Edition의 경제성은 비용 효율적인 프로토타이핑 환경으로 언급됩니다. 또한 브로커의 선택은 프로그래밍 언어 선택에 영향을 미치는 중요한 요소로 강조된다. Interactive Brokers는 Java, C++ 및 C#과 같은 레거시 언어를 지원하는 브로커로 강조 표시됩니다. 연사는 초보자에게 생산성 도구를 활용하도록 조언하고 위험 관리, 평가 및 포트폴리오 관리를 포함하여 거래 시스템의 더 넓은 측면을 고려할 필요성을 강조합니다.
전반적으로 비디오는 양적 거래 및 HFT에 사용되는 다양한 프로그래밍 언어, 강점과 한계, 거래 목적으로 언어를 선택할 때 고려해야 할 주요 요소에 대한 귀중한 통찰력을 제공합니다. 전체 거래 시스템을 이해하고 효율적이고 효과적인 거래 운영을 위해 적절한 도구를 활용하는 것이 중요함을 강조합니다.
00:00:00 발표자가 퀀트 및 고주파 거래를 위한 다양한 프로그래밍 언어 옵션에 대해 논의합니다. 그는 언어를 레거시 컴파일 언어와 함께 프로토타이핑 연구 및 해석 스크립팅 언어로 분류합니다. 발표자는 일반적으로 거래 아이디어를 모델링하는 데 사용되는 Python 및 MATLAB을 다루며 특히 Python의 두 가지 주요 버전(2.7 및 3.x)의 분열 문제를 지적합니다. 발표자는 또한 R과 Python의 장단점에 대한 통찰력을 제공하고 R에 호환성 및 성능에 몇 가지 문제가 있다고 제안합니다. 한편 Python에는 옵션이 너무 많아 개발자에게 혼란을 줄 수 있으며 약간 더 많은 교육이 필요합니다.
00:05:00 연사는 데이터 패키지로 유명하지만 느리고 주문 관리 기능이 제한된 Python을 시작으로 퀀트 및 HFT 거래에 사용되는 여러 프로그래밍 언어에 대해 논의합니다. 그는 또한 Python을 사용할 수 있게 해주는 MATLAB 2015 및 Microsoft Visual Studio 2015를 언급한 다음 모두 컴파일된 언어인 Java, C#, C 및 C++와 같은 레거시 언어로 이동합니다. 그는 Java를 적절하고 기본적으로 실행하는 데 제한이 있지만 프로그래밍 초보자에게 좋은 출발점으로 Java를 강조하고 이해하기 쉽고 고급 기술을 제공하는 C#을 권장합니다. 그러나 C#을 사용한 최적의 성능은 Windows에서만 가능합니다.
00:10:00 이 비디오는 Java, C/C++ 및 MATLAB을 포함하여 퀀트 및 고주파 거래에 유용한 다양한 프로그래밍 언어에 대해 설명합니다. Java 및 C#은 다른 데이터베이스와 쉽게 통합할 수 있지만 가비지 수집으로 인해 성능이 제한될 수 있습니다. C와 C++는 속도와 메모리 제어를 위한 최적의 수행 언어이지만 배우기가 복잡할 수 있습니다. MATLAB은 데이터 수집 및 분석, 거래 실행 및 물 관리를 위한 많은 도구 상자가 있는 강력하고 보편적인 플랫폼입니다. 또한 고급 수학 및 머신 러닝 지원과 MATLAB 코더를 통해 엄격한 규정을 준수하는 C/C++에 대한 코드를 생성하는 기능이 있습니다. 또한 MATLAB Production을 사용하여 고성능 웹 서버에 내장할 수도 있습니다.
00:15:00 발표자가 퀀트 및 HFT 거래를 위한 프로그래밍 언어 선택 시 고려 사항에 대해 논의합니다. 그는 MathWorks가 어떻게 HFT 거래에 유리한 거래 거래소에서 공동 위치를 허용하는지 언급합니다. 그는 계속해서 $150부터 시작하는 비용 효율적인 프로토타이핑 환경인 Lab Home Edition에 대해 이야기합니다. 또한 그는 Java, C++ 및 C#과 같은 레거시 언어를 지원하는 대화형 브로커와 함께 브로커 선택이 사용할 언어에 큰 영향을 미칠 것이라고 강조합니다. 연사는 초보자에게 생산성 도구를 사용하고 위험 관리, 평가 및 포트폴리오 관리를 포함하는 전체 시스템의 작은 부분을 인식하도록 조언합니다.
Download: Which programming language for quant and HFT tradingI will be forwarding all newbies with questions to this video and Powerpoint PPT http://quantla...
Max Margenot이 제공하는 "Basic Statistical Arbitrage: Understanding the Math Behind Pairs Trading"이라는 제목의 비디오에서 통계적 차익 거래의 개념을 자세히 설명합니다. Margenot은 통계적 차익 거래가 통계 분석을 통해 식별된 불균형과 시장이 어떻게 행동해야 하는지에 대한 모델을 기반으로 거래를 생성하는 방법을 설명합니다. 비디오는 정상성, 통합 주문 및 공동 통합과 같은 기본 통계 개념에 의존하는 쌍 거래에 중점을 둡니다.
Margenot은 거래 알고리즘을 개발하는 개인을 돕기 위해 무료 통계 및 금융 강의를 제공하는 그의 회사 플랫폼인 Quantopian을 소개하는 것으로 시작합니다. 그런 다음 쌍 거래에서 정상성, 통합 주문 및 공동 통합의 중요성에 대해 자세히 설명합니다. 정상성은 동일한 매개변수를 사용하여 동일한 확률 분포에서 추출된 시계열의 모든 샘플을 의미하며 종종 금융 응용 프로그램에서 정규 분포로 가정됩니다. 증가된 Dickey-Fuller 테스트는 정상성을 테스트하는 수단으로 도입되었습니다.
연사는 실제 데이터와 관련된 불확실성을 강조하고 특히 변수 간의 미묘하거나 교묘한 관계를 다룰 때 가설 테스트에서 잘못된 긍정 가능성을 강조합니다. 그는 가설 검정으로 감지되지 않을 수 있는 시계열의 병리학적 관계를 생성함으로써 이를 입증합니다. Margenot은 결과에 대한 신중한 해석의 중요성을 강조하고 청중에게 그래프를 육안으로 검사하더라도 근본적인 통계적 속성이 드러나지 않을 수 있음을 상기시킵니다.
시계열 모델링의 한계와 가양성의 가능성에 대해 논의합니다. 시계열이 평균 회귀 동작을 보일 수 있지만 항상 정상성을 나타내는 것은 아닙니다. 정상성은 시계열이 평균 회귀이고 고정적이고 결정적이며 임의적인 분포를 따르는 시나리오를 나타냅니다. 차수 0의 적분은 정상성을 의미하지 않지만 정상성은 차수 0의 적분을 의미하는 적분 차수의 개념이 도입되었습니다. 누적 합계도 설명되어 차수가 0인 다중 통합이 더 높은 통합 차수를 생성하는 방법을 설명합니다.
금융에서 고정된 수익의 가정과 고정된 시계열을 찾는 어려움이 해결됩니다. 수익률은 정규 분포를 따르는 것으로 가정하여 정상성을 나타냅니다. 통합된 차수 및 차이 표기법은 정상성을 테스트하는 데 사용됩니다. 발표자는 이론적으로 가격 시리즈는 수익률과의 관계로 인해 차수 1로 통합되어야 하며, 이는 차수 0으로 통합되어야 한다고 지적합니다. 회사의 가격 데이터를 사용하는 예가 제공됩니다.
Margenot은 고정된 선형 조합을 생성하기 위해 특정 정의된 방식으로 시계열을 통합하는 것을 포함하는 공적분의 개념을 설명합니다. 함께 고정된 두 개의 통합 시계열을 찾는 것은 어려울 수 있지만 합리적인 경제적 기반을 가진 가격 시리즈를 탐색할 때 공적분은 가치가 있을 수 있습니다. 연사는 평균 회귀에 대한 특정 시간 모델 없이도 고정 스프레드의 현재 값을 기반으로 베팅을 할 수 있다고 강조합니다.
시뮬레이트된 데이터를 생성하는 프로세스는 선형 회귀를 사용하여 산포 계산 및 추정을 설명하기 위해 시연됩니다. Margenot은 재무 데이터가 한 변수에서 다른 변수를 빼는 것만큼 단순하지 않기 때문에 변수 간의 관계를 추정하기 위해 선형 회귀가 필요하다고 강조합니다. 목표는 시장 수익률 측면에서 포트폴리오 구성을 나타내는 베타 값을 결정하는 것입니다. 이 정보는 쌍 거래에서 롱 포지션과 숏 포지션을 허용합니다. 개념을 설명하기 위해 한 쌍의 대체 에너지 증권과 관련된 예가 제공됩니다.
기본 통계 차익 거래를 위한 두 가지 잠재적 증권 사이의 선형 회귀를 구성하는 방법이 설명되어 있습니다. Margenot은 차익 거래 기회를 나타낼 수 있는 잠재적 공동 통합 관계를 식별하기 위한 출발점으로 관계를 나타내는 동일한 부문 내 두 증권을 찾을 것을 권장합니다. 두 증권 사이의 고정성은 유익하지만 연사는 한 쌍에만 의존하기보다는 가능한 한 많은 다른 독립적인 내기를 통해 거래해야 할 필요성을 강조합니다.
통계적 차익 거래 내 쌍 및 거래의 계산은 조사된 쌍의 로그 수익을 기반으로 합니다. Engle-Granger 방법으로 알려진 로그 수익 사이의 선형 회귀는 회귀가 정상인지 여부를 결정하는 데 사용됩니다. 합리적인 세계 모델이 확립되면 거래자는 다른 사람보다 더 많은 정보를 가지고 상대적으로 정보에 입각한 베팅을 함으로써 우위를 점할 수 있습니다. 롤링 스프레드를 적극적으로 거래하고 업데이트하려면 평균 및 표준 편차의 롤링 개념이 필요합니다. 이동 평균 및 공통 필터와 같은 다양한 방법을 활용하여 거래 전략을 반복하고 향상시킬 수 있습니다.
연사는 통계적 차익 거래가 단순하거나 복잡한 단위 전략이 될 수 있음을 강조합니다. 여기에는 거래할 주식 쌍 간의 정지성, 공적분 및 관계를 식별하는 것이 포함됩니다. 다른 사람과 비교할 때 정보가 많을수록 이러한 관계를 더 잘 활용할 수 있습니다. 다양한 포트폴리오를 구축하려면 서로 의존하지 않는 독립적인 베팅이 필요합니다. 재조정 빈도는 개별 쌍과 데이터에서 관찰된 정상 기간에 따라 다릅니다.
비디오는 실시간 데이터를 사용한 알고리즘 거래 시뮬레이션에 대해 논의합니다. 이분산성과 같은 선형 회귀의 기본 가정은 실행 가능성에 영향을 줄 수 있는 요인으로 언급됩니다. 공적분은 고정성을 나타내는 더 강한 조건을 나타내기 때문에 주식 쌍 간의 관계를 모델링할 때 상관관계보다 선호됩니다. 배팅 크기는 체계적인 접근 방식에 적합하지 않을 수 있는 상관관계와 달리 가설 스프레드의 평균 및 표준 편차를 사용하여 체계적으로 결정할 수 있습니다.
요약하면 비디오는 통계적 차익 거래 및 쌍 거래에 대한 포괄적인 설명을 제공합니다. 정상성, 적분 순서 및 공적분과 같은 필수 개념을 다룹니다. 통계 결과에 대한 신중한 해석의 중요성과 독립적인 베팅의 필요성이 강조됩니다. 연사는 주식 쌍 간의 관계를 추정할 때 선형 회귀의 역할과 차익 거래 기회를 식별할 때 평균 회귀의 중요성을 강조합니다. 비디오는 알고리즘 거래의 시뮬레이션과 통계적 차익 거래에서 다양한 포트폴리오를 구성하기 위한 고려 사항에 대해 논의하면서 마무리됩니다.
00:00:00 Max Margenot는 통계적 차익 거래의 개념과 통계적 분석을 통해 시장 비효율성을 이용하는 방법을 소개합니다. 그는 통계적 차익 거래에는 세상이 어떠해야 하는지에 대한 모델을 사용하고 통계 분석에 의해 생성된 불균형을 기반으로 거래를 하는 것이 포함된다고 설명합니다. 그런 다음 회사의 플랫폼인 Quantopian에 대해 설명하고 사람들이 거래 알고리즘을 작성하는 데 도움이 되는 무료 통계 및 금융 강의를 제공하는 방법을 설명합니다. Margenot은 기본 통계 개념을 기반으로 하는 파리 거래를 구축할 때 정상성, 통합 주문 및 공적분의 사용에 대해 계속 논의합니다.
00:05:00 발표자가 시계열 데이터의 정상성 개념과 자동회귀 및 이동 평균 모델과 같은 통계 모델에서의 중요성에 대해 논의합니다. 화자는 정상성이 시계열 데이터의 모든 샘플이 동일한 매개변수를 사용하여 동일한 확률 분포에서 추출된다는 것을 의미하며 이는 일반적으로 금융 애플리케이션에서 정규 분포로 가정된다는 점에 주목합니다. 발표자는 정지성에 대한 가설 테스트로 증강된 Dickey-Fuller 테스트를 소개하고 정지 및 비정상 시계열 데이터 모두에 대한 사용을 보여줍니다.
00:10:00 연사는 특정 방식으로 작동하게 만드는 데이터 생성 프로세스를 확신할 수 없기 때문에 실제 데이터로 작업하는 데 내재된 불확실성에 대해 논의합니다. 이는 특히 변수 간의 미묘하거나 은밀한 관계에서 가설 검정에서 거짓 양성 가능성을 초래합니다. 화자는 가설 테스트에서 놓칠 수 있는 평균에 약간의 주기적인 추세가 있는 시계열과 병리학적 관계를 생성하여 이를 증명합니다. 발표자는 가설 테스트 결과를 해석할 때 주의의 중요성을 강조하고 그래프를 보더라도 근본적인 통계적 특성을 드러내지 않을 수 있음을 지적합니다.
00:15:00 연사는 시계열 모델링의 한계와 오탐 가능성에 대해 논의합니다. 그는 시계열이 평균 회귀(평균으로 역전)될 수 있지만 항상 정상성을 의미하지는 않는다고 설명합니다. 대신, 정상성은 평균 회귀하고 고정적이고 결정론적이며 임의적인 분포를 따르는 시계열의 인스턴스를 나타냅니다. 그런 다음 연사는 통합 차수라는 개념을 소개합니다. 여기서 차수 0의 적분은 정상성을 의미하지 않지만 정지 상태라는 것은 차수 0의 적분을 의미합니다. 논의는 누적 합계의 개념으로 끝납니다. 여기서 차수가 0인 계열을 여러 번 추가하면 계열이 1인 등으로 적분됩니다.
00:20:00 통합 주문의 개념과 금융의 고정 수익 가정에 대해 논의합니다. 화자는 고정된 시계열을 찾기가 어렵고 수익은 정상 분포, 즉 고정된 것으로 가정한다고 설명합니다. 정상성을 테스트하기 위해 화자는 통합된 순서 및 차이 표기법을 사용하는 방법을 보여줍니다. 또한 화자는 이론적으로 가격 시리즈는 수익과의 관계로 인해 차수가 0으로 통합되어야 한다고 말합니다. 회사의 가격 데이터를 사용하는 예가 제공됩니다.
00:25:00 Margenot는 고정된 계열의 선형 결합을 초래하는 특정 정의된 방식으로 시계열을 통합하는 것을 포함하는 공적분의 개념을 설명합니다. 함께 고정된 두 개의 통합 시계열을 찾기는 어렵지만 특정 가격 시리즈 세트를 탐색하기 위한 합리적인 경제적 기반이 있는 경우 공적분은 유용할 수 있습니다. 고정 스프레드는 무언가가 평균으로 되돌아갈지 여부에 베팅하는 데 사용되며, 이러한 회귀가 어떻게 발생할 수 있는지에 대한 특정 시간 모델은 없지만 스프레드의 현재 값을 기반으로 베팅을 할 수 있습니다.
00:30:00 Max Margenot이 스프레드 계산을 설명하기 위해 시뮬레이션 데이터를 생성하는 과정과 선형 회귀를 사용하여 스프레드를 추정하는 방법을 설명합니다. 그는 재무 데이터가 한 변수의 한 인스턴스에서 다른 인스턴스의 한 인스턴스를 빼는 것만큼 단순하지 않으므로 두 변수 사이의 관계를 추정하려면 선형 회귀가 필요하다고 강조합니다. 목표는 포트폴리오가 시장 수익으로 구성되는 방식을 알려주는 베타 값을 찾는 것입니다. 베타 값을 찾음으로써 롱과 숏을 결정할 수 있으므로 쌍 거래에서 X 2와 숏 베타 X 1을 구매할 수 있습니다. Margenot은 개념을 설명하기 위해 한 쌍의 대체 에너지 증권의 구체적인 예를 사용합니다.
00:35:00 발표자는 기본 통계적 차익 거래를 위해 두 잠재적 증권 사이에 선형 회귀를 구성하는 방법을 설명합니다. 연사는 동일한 부문 내에서 서로 관계가 있는 두 증권을 찾는 것이 잠재적인 차익 거래 기회를 나타낼 수 있는 공동 통합 관계가 있는지 확인하기 위한 좋은 근거를 제공한다고 조언합니다. 연사는 두 증권 사이의 정지성이 크지만 예측일 뿐이며 쌍을 거래하려는 경우 한 쌍을 기반으로 자산을 구성하는 것은 끔찍한 생각이라고 경고하면서 가능한 한 많은 다른 독립적인 베팅을 거래해야 할 필요성을 강조합니다.
00:40:00 Max Margenot은 통계적 차익 거래 내 쌍과 거래의 계산이 검사 중인 쌍의 로그 수익을 기반으로 한다고 설명합니다. Engle-Granger 방법으로 알려진 로그 수익 사이의 선형 회귀는 선형 회귀가 정상인지 여부를 결정하는 데 사용됩니다. 일단 세계가 어떻게 구성되어 있는지에 대한 합리적인 모델이 되면, 다른 사람보다 약간의 정보를 기반으로 베팅을 할 수 있어 상대적으로 합리적인 베팅을 할 수 있는 우위를 제공합니다. 롤링 스프레드를 적극적으로 거래하고 업데이트하려면 평균 및 표준 편차의 롤링 개념이 필요합니다. 이동 평균 및 공통 필터와 같은 다양한 방법을 사용하여 거래 전략을 반복하고 개선할 수 있습니다.
00:45:00 연사는 통계적 차익 거래가 어떻게 단순하게 유지하거나 복잡하게 만들 수 있는 단위 전략인지 설명합니다. 이 전략에는 거래할 주식 쌍 간의 정지성, 공적분 및 관계를 식별하는 것이 포함됩니다. 다른 사람보다 정보가 많을수록 이러한 관계에서 더 잘 거래할 수 있습니다. 이러한 관계가 서로 독립적인 한 화자는 다양한 포트폴리오를 구축하기 위해 가능한 한 많은 독립적인 베팅을 할 것을 권장합니다. 또한 화자는 재조정 빈도가 개별 쌍과 데이터에서 발견된 정상 기간에 따라 다르다고 설명합니다.
00:50:00 발표자가 실시간 데이터로 알고리즘 거래를 시뮬레이션하는 방법을 설명합니다. 그는 또한 실행 불가능하게 만들 수 있는 이분산성과 같은 선형 회귀에 들어가는 가정에 대해서도 이야기합니다. 화자는 주식 쌍 간의 관계를 모델링할 때 상관 관계보다 공적분을 선호합니다. 전자는 정상성을 나타내는 더 강력한 조건이기 때문입니다. 그는 베팅 크기가 가설 스프레드의 평균 및 표준편차를 사용하여 체계적으로 구성될 수 있는 반면, 이것은 상관관계와 함께 체계적으로 수행되지 않을 수 있음에 주목합니다.
This talk was given by Max Margenot at the Quantopian Meetup in Santa Clara on July 17th, 2017. To learn more about Quantopian, visit: https://www.quantopian...
이 비디오는 금융 및 고주파 거래(HFT)에서의 C++ 프로그래밍 사용에 대한 포괄적인 개요를 제공하여 이 분야의 다양한 측면에 대한 귀중한 통찰력을 제공합니다. 금융 산업에서의 중요성을 강조하는 책 "Practical C++ Financial Programming"에 대해 논의하는 것으로 시작합니다. 이 책은 고정 수입 주식과 같은 필수 주제를 다루고 잘 구성된 코드 섹션과 함께 실용적인 예를 제공합니다. C++ 프로그래밍에 어느 정도 익숙하다고 가정하고 C++ 템플릿을 효과적으로 활용하는 방법에 대한 지침을 제공합니다. 발표자는 STL 및 부스트 라이브러리의 적절한 활용과 인터페이스 디자인을 위한 QT 및 플로팅을 위한 새로운 플롯과 같은 오픈 소스 라이브러리의 사용을 강조합니다.
앞으로 비디오는 C++에서 사용자 인터페이스를 개발하기 위한 강력한 도구인 QT의 사용을 탐색합니다. QT는 정교한 그래픽 인터페이스 생성을 가능하게 하지만 기존의 C++ 방법론에서 벗어나며 비디오는 이 측면을 조명합니다. 그런 다음 프레젠테이션에서는 선형 대수, 보간, 수치 적분과 같은 수학적 개념을 탐구하여 이해를 돕기 위해 기본 알고리즘과 방정식으로 세분화합니다. C++에서의 구현에 대한 통찰력과 함께 금융과 관련된 인기 있는 알고리즘 및 모델링 기술에 대해서도 논의합니다. 이 비디오는 재무 응용 프로그램에 대한 Monte Carlo 시뮬레이션의 중요성을 강조하고 이 중요한 주제에 한 장을 할애합니다. 또한 재무 라이브러리를 확장하기 위한 Lua 및 Python 사용에 대해 HFT 직책에 가장 많이 사용되는 프로그래밍 언어에 대한 개요와 함께 살펴봅니다.
비디오가 진행됨에 따라 Python 및 Lua와 C++의 통합을 강조하고 Lua를 Redis와 함께 효과적으로 사용하여 C++ 애플리케이션 내에서 포함 가능성을 활용하는 방법을 보여줍니다. Plaza를 사용한 멀티스레딩과 C++ 11 및 14 기능의 활용을 포함하여 다양한 C++ 기술도 다룹니다. 이 비디오는 언어와 관련된 일부 메모리 관리 문제를 해결하면서 C++ 프로그래밍에 도전하는 개인을 위한 훌륭한 입문 리소스 역할을 합니다. 사용자가 사용할 수 있는 다양한 옵션과 기술을 포함하여 C++ 프로그래밍 학습을 위한 포괄적인 로드맵을 제공합니다.
끝으로 연사는 금융 및 초단타매매 애플리케이션을 위한 C++ 프로그래밍에 관한 최근 출판된 책에 대한 긍정적인 리뷰를 공유합니다. 이 책은 낮은 수준의 하드웨어 문제를 해결하는 C++ 17에 도입된 새로운 기능을 구체적으로 다루므로 이 전문 분야에 관심이 있는 사람들에게 귀중한 리소스가 됩니다. 연사는 이 책과 아무런 관련이 없음을 인정하지만 이 영역의 기존 리소스에 대한 귀중한 추가 자료로 이 책을 적극 권장합니다.
00:00:00 연사는 금융 산업에서 C++의 중요성에 초점을 맞춘 책 "Practical C++ Financial Programming"에 대한 개요를 제공합니다. 이 책은 고정 수입 주식을 다루고 코드를 섹션으로 나누는 유용한 형식의 예를 제공합니다. 이 책은 독자가 C++에 익숙하다고 가정하고 STL 및 부스트 라이브러리를 사용하는 올바른 방법을 강조하면서 C++ 템플릿을 효율적으로 사용하는 방법에 대한 지침을 제공합니다. 발표자는 또한 플로팅을 위한 새로운 플롯과 인터페이스 디자인을 위한 QT와 같은 오픈 소스 라이브러리를 사용하는 방법을 다룹니다.
00:05:00 동영상에서는 C++에서 사용자 인터페이스를 개발하기 위한 도구인 QT 사용에 대해 설명합니다. QT는 정교한 그래픽 사용자 인터페이스를 만드는 데 유용하지만 기존의 C++ 방법론과는 다릅니다. 그런 다음 비디오는 선형 대수, 보간 및 수치 적분과 같은 더 많은 수학적 주제로 이동하며, 이 모든 주제는 쉬운 이해를 위해 기본 알고리즘과 방정식으로 나뉩니다. 이 비디오는 또한 널리 사용되는 알고리즘 및 모델링 기술과 이러한 기술을 C++에서 구현하는 방법을 다룹니다. 이 책에는 재무 응용 프로그램에 중요한 Monte Carlo에 대한 장이 포함되어 있습니다. 마지막으로 동영상에서는 금융 라이브러리 확장을 위한 Lua 및 Python 사용과 HFT 직책에 가장 많이 사용되는 언어에 대해 설명합니다.
00:10:00 이 비디오는 Python 및 Lua와 C++의 통합과 Lua가 특히 C++ 애플리케이션에 포함되는 기능으로 인해 Redis와 함께 사용되는 방법을 다룹니다. 이 비디오는 또한 Plaza를 사용하는 멀티스레딩과 C++ 11 및 14 기능을 사용하는 등 다양한 C++ 기술을 살펴봅니다. 이 비디오는 C++ 프로그래밍으로 전환하려는 사람들을 위한 훌륭한 소개 역할을 하며 C++와 관련된 일부 메모리 관리 문제도 다룹니다. 전반적으로 이 비디오는 C++ 프로그래밍 학습을 위한 훌륭한 로드맵을 제공하고 사용자가 사용할 수 있는 다양한 옵션과 기술을 다룹니다.
00:15:00 연사는 금융 및 초단타매매 애플리케이션을 위한 C++ 프로그래밍에 관한 새로운 책에 대해 긍정적인 리뷰를 제공합니다. 이 책은 저수준 하드웨어를 다루는 C++ 17의 새로운 기능을 다루므로 이 분야에 관심이 있는 사람들에게 유용한 리소스가 됩니다. 연사는 그 책을 강력히 추천하고 자신은 그 책과 아무런 관련이 없지만 이 책이 이 분야에 큰 도움이 되었음을 알게 되었다고 강조합니다.
이 비디오는 거래 스타일, 시장 및 시스템과 같은 다양한 측면을 다루는 알고리즘 거래에 대한 포괄적인 개요를 제공합니다. 발표자는 알고리즘 거래의 기초를 설명하는 것으로 시작하여 가격 행동, 거래량 및 수학적 지표를 기반으로 한 기술적 분석의 사용을 강조합니다. 알고리즘 거래는 전통적인 기술 분석과 구별되는 거래 실행과 컴퓨터를 이용한 알고리즘 백 테스팅을 포함한다는 점이 강조됩니다.
초단타매매, 통계적 차익거래, 추세/평균회귀/모멘텀 거래 등 다양한 유형의 퀀트/알고리즘 거래가 도입되었습니다. 연사는 특히 선물 시장의 스윙 및 데이 트레이딩에 중점을 둡니다. 통계적 차익 거래는 자산을 동시에 매매함으로써 가격 차이를 활용하는 것과 관련이 있으며, 추세/평균 회귀/모멘텀 거래는 컴퓨터를 활용하여 이익을 위해 방향성 거래를 실행합니다. 이러한 개념을 설명하기 위해 TradeStation 소프트웨어를 사용하여 알고리즘 트레이딩 프로그램 예제를 보여줍니다. 이 프로그램은 하락일에 빨간 양초로 매수하고 다음 긍정적인 날에 매도하도록 설계되었습니다. 연사는 이 알고리즘 프로그램을 백테스팅 목적으로 S&P 500 E-minis 차트에 통합하는 방법을 보여줍니다.
다음 부분에서는 TradeStation의 거래 전략을 살펴봅니다. 화자는 차트를 사용하여 촛불 색상을 기준으로 전략이 성공하거나 실패했을 경우를 보여줍니다. TradeStation에서 생성한 성과 보고서를 보여주기 위해 축소되어 순이익, 총 이익, 승률, 평균 거래 및 하락률과 같은 메트릭을 제공합니다. 전략의 최적화는 다양한 입력으로 성능을 평가하기 위해 중지 및 목표를 조정하여 해결됩니다. 연사는 알고리즘 거래의 시간 절약 측면을 강조합니다. 그렇지 않으면 발견하는 데 몇 달이 걸릴 귀중한 통찰력을 제공할 수 있기 때문입니다.
알고리즘 거래의 장단점은 다음 섹션에서 설명합니다. 이점에는 인간 및 감정적 오류 감소, 거래 아이디어의 신속한 백 테스트, 빠른 주문 입력, 여러 아이디어를 테스트하고 포트폴리오를 구축하는 기능이 포함됩니다. 그러나 지나친 자신감, 과도한 최적화, 지정학적 사건이나 근본적인 거래 기법을 고려하지 못하는 것과 같은 단점도 인정됩니다. 중요한 정치적 또는 경제적 날에 거래하지 않도록 알고리즘을 프로그래밍할 수 있지만 일반적으로 모든 시장 조건에서 작동합니다.
비디오는 내용을 요약하여 마무리합니다. 간단한 알고리즘 예제를 통해 알고리즘 거래의 힘을 강조하면서 양적 거래와 기본 또는 일반 기술 거래의 차이점을 명확히 합니다. 포괄적인 이해를 위해 알고리즘 거래의 장단점을 반복해서 설명합니다. 연사는 시청자가 질문이 있으면 연락하도록 격려하고 동영상이 유익하고 도움이 되었기를 바랍니다.
00:00:00 이 섹션에서 강사는 다양한 거래 스타일, 시장 및 시스템을 포함하여 알고리즘 거래에 대한 입문서를 제공합니다. 알고리즘 거래는 주로 기술적 분석에 중점을 두고 있으며, 가격 조치, 거래량 및 수학적 지표를 사용하여 거래를 알립니다. 강사는 기술적 분석 자체가 반드시 알고리즘적일 필요는 없다고 설명합니다. 알고리즘 거래는 컴퓨터를 사용하여 거래를 실행하고 알고리즘을 백테스트하는 것과 관련되기 때문입니다. 강사는 또한 초단타매매, 통계적 차익거래, 추세/평균회귀/모멘텀 거래 등 다양한 종류의 퀀트/알고리즘 거래를 식별하며 그의 회사는 선물 시장의 스윙 및 데이 트레이딩에 중점을 두고 있다고 설명합니다.
00:05:00 이 섹션에서 연사는 통계적 차익 거래와 추세/평균 회귀/모멘텀 거래라는 두 가지 유형의 알고리즘 거래에 대해 논의합니다. 통계적 차익 거래는 가격 차이에서 이익을 얻기 위해 자산을 동시에 사고 파는 것을 포함하는 반면 추세/평균 회귀/모멘텀 거래는 컴퓨터를 사용하여 방향성 거래를 하여 이익을 창출하는 것입니다. 그런 다음 발표자는 TradeStation 소프트웨어를 사용하는 알고리즘 거래 프로그램의 기본 예를 제공합니다. 이 코드는 하락일에 빨간 양초에서 구매하고 다음 긍정적인 날에 달러 목표와 중지로 매도하는 것을 기반으로 합니다. 그런 다음 이 프로그램은 백테스팅 목적으로 S&P 500 E-minis 차트에 추가됩니다.
00:10:00 이 섹션에서 발표자는 TradeStation에서 거래 전략의 예를 제공합니다. 차트를 사용하여 전략이 효과가 있었을 때와 효과가 없었을 때의 예를 촛불 색상을 기준으로 보여줍니다. 그런 다음 스피커는 축소하여 TradeStation이 성과 보고서를 채우는 방법을 보여주고 전략의 순이익 및 총 이익은 물론 승률, 평균 거래 및 하락률을 제공합니다. 또한 다른 입력으로 전략이 어떻게 수행되는지 확인하기 위해 중지 및 목표를 변경하여 전략을 최적화하는 방법을 보여줍니다. 발표자는 거래에 알고리즘을 사용하는 요점은 알고리즘이 없었다면 알아내는 데 몇 달이 걸렸을 정보를 제공하는 것이라고 강조합니다.
00:15:00 이 섹션에서는 알고리즘 거래의 장단점에 대해 설명합니다. 이점에는 인적 오류 및 감정적 오류 가능성 감소, 거래 아이디어를 신속하게 백 테스트하는 기능, 빠른 주문 입력, 여러 아이디어를 테스트하고 포트폴리오를 구축하는 기능이 포함됩니다. 단점은 과도한 자신감과 과도한 최적화, 지정학적 사건이나 근본적인 거래 기법을 고려하지 않은 알고리즘 거래를 포함합니다. 주요 정치적 또는 경제적 날에 거래를 하지 않도록 알고리즘을 프로그래밍할 수 있지만 일반적으로 모든 시장 조건에서 실행됩니다.
00:20:00 이 섹션에서는 화자가 동영상 내용을 요약하면서 결론을 내립니다. 그들은 먼저 양적 거래와 기본 또는 일반 기술 거래의 차이점을 검토한 다음 알고리즘 거래의 힘을 보여주는 간단한 알고리즘의 예를 제공합니다. 알고리즘 거래의 장단점도 다룹니다. 연사는 시청자에게 질문이 있는 경우 연락하도록 권장하고 동영상이 도움이 되었기를 바랍니다.
In this video, we discuss what algorithmic trading is and provide an example with actual code for a very basic trading algorithm. Also discussed are the adva...
알고리즘에 대한 아이디어: 양적 거래 전략 개발의 전체 워크플로우
알고리즘에 대한 아이디어: 양적 거래 전략 개발의 전체 워크플로
이 포괄적인 비디오에서 Delaney Mackenzie는 거래 전략을 개발할 때 퀀트 트레이더가 따르는 워크플로에 대한 자세한 개요를 제공합니다. 연사는 미래에 대한 정보에 입각한 예측을 하기 위해 가설로 시작하고 역사적 데이터를 활용하는 것이 중요한 역할을 강조합니다. 이 프로세스에는 다른 모델과의 독립성을 유지하면서 미래 수익과의 역사적 상관 관계를 보장하기 위해 거래 모델을 지속적으로 개선하고 탐색하는 작업이 포함됩니다.
주요 목표 중 하나는 다양한 위험 제약 조건을 준수하면서 기대 수익을 극대화하는 포트폴리오를 설계하는 것입니다. 이를 달성하기 위해 발표자는 모델을 실시간으로 배포하고 확장하기 전에 적은 자본으로 모델을 테스트하는 것이 중요하다고 강조합니다. 또한 대체 데이터 소스를 통합하고 위험 관리 기술을 사용하는 것이 좋습니다.
이 비디오는 거래 전략 개발에서 백테스팅의 두 단계에 대해 자세히 설명합니다. 첫째, 포트폴리오 설계 및 실행 규칙 설정, 둘째, 백 테스팅 프로세스 자체 구현. 발표자는 모델 예측의 무결성을 보존하는 위험 제한 포트폴리오 구성의 중요성을 강조하고 모델이 지속적으로 대체 투자 기회를 능가하는 경우에만 다음 단계로 이동하도록 조언합니다. 또한 화자는 기존 모델의 리해싱된 버전에 의존하는 대신 새로운 가능성의 탐색을 장려합니다.
Delaney Mackenzie가 거래 전략 개발의 초기 단계에 대해 설명합니다. 여기에는 자산 선택 및 타이밍을 안내하는 경제적 가설을 공식화하는 작업이 포함됩니다. 재무는 가설을 기반으로 미래를 지능적으로 예측하여 아이디어를 수익성 있는 결과로 전환하는 것을 목표로 합니다. 거래에서 내리는 각 결정은 본질적으로 미래 시장 변화에 대한 내기를 나타내며 과거 정보를 활용하여 지능적인 예측을 하는 것이 중요한 역할을 강조합니다.
연사는 양적 거래 전략을 개발하는 워크플로에 대한 통찰력을 제공합니다. 이 프로세스는 가설을 공식화하고 샘플 데이터를 사용하여 탐색하는 것으로 시작됩니다. 정교화를 위해서는 가설을 기존 모델과 비교하는 것이 필수적이며, 새로운 모델이 가치를 입증하면 다른 하위 모델과 결합하여 예측력을 높이는 것이 좋습니다. 발표자는 가설과 모델이 독립적으로 존재하지 않으며 여러 정보 소스를 통합하는 집계 모델이 더 나은 성능을 제공하는 경향이 있음을 강조합니다. 또한 새 데이터에서 모델을 테스트하여 유효성을 확인하는 것이 중요합니다.
연사는 개발 단계에서 과적합을 방지하기 위해 보이지 않는 데이터에 대한 모델 테스트의 중요성을 강조합니다. 전체 전략을 백테스팅하는 것이 일반적이지만 대부분의 시간이 포트폴리오 구성보다는 모델과 예측 변수를 개발하는 데 소비된다는 점을 인정하는 것이 중요합니다. 따라서 연사는 실제 시장 상황에서 포트폴리오의 생존 가능성을 보장하기 위한 백테스팅을 수행하기 전에 거래 수수료와 같은 요소를 포함한 포트폴리오 구성 및 실행의 중요성을 강조합니다. 또한 연사는 백테스팅의 목적이 모델의 예측 성능을 평가하는 것만이 아니라 모델의 예측을 기반으로 설계된 포트폴리오가 실제 조건을 견딜 수 있는지 여부를 평가하는 것임을 강조합니다. 마지막으로 발표자는 효과적인 자본 배치를 보장하기 위해 규모를 확장하기 전에 적은 자본으로 모델을 테스트하는 것이 중요하다고 강조합니다.
연사는 미래 수익률 및 다른 모델과의 독립성과의 역사적 상관관계를 확립하기 위한 거래 모델의 개선 및 탐구에 대해 논의합니다. 이 프로세스 다음에는 정의된 위험 제약 조건 내에서 포트폴리오를 구성합니다. 연사는 모델 실행이 신호를 왜곡하지 않고 미래 수익과의 상관 관계를 감소시키지 않도록 하는 것의 중요성을 강조합니다. 제약 조건의 점진적 추가를 강조하기 위해 노트북 예제가 제공되어 다양한 위험 조건에서 모델의 성능을 평가할 수 있습니다. 이 섹션에서는 수익을 창출하는 거래 모델의 견고성과 효율성을 보장하기 위한 철저한 테스트와 개선의 중요성을 강조합니다.
다양한 위험 제약 조건을 만족시키면서 기대 수익을 극대화하는 포트폴리오를 설계하는 과정을 연사가 설명합니다. 처음에는 전체 자본을 단일 주식에 투자하여 기대 수익을 극대화하는 데 중점을 둔 순진한 최적화 전략을 사용하고 투자 금액을 제한하는 제약을 도입합니다. 결과적으로 포지션 집중 제약이 추가되어 어떤 한 가지에 대한 투자를 포트폴리오의 특정 비율로 제한합니다. 포트폴리오 전략은 섹터 익스포저 제약을 통합하여 더욱 세분화됩니다. 연사는 최종 전략의 가중치가 모델의 미래 예측과 다를 수 있으므로 위험 제약 조건을 고려하면서 포트폴리오를 최적화하면 복잡성이 발생할 수 있음을 강조합니다. 위험 제약이 모델링 예측에 어떤 영향을 미치고 포트폴리오 구성에 미치는 영향을 이해하는 것이 중요합니다.
연사는 Quantopian에서 개발한 오픈 소스 소프트웨어인 알파 라인을 사용하여 모델의 수익과 미래 수익 사이의 상관관계를 평가하는 개념을 소개합니다. 알파 라인을 사용하면 예측하는 유니버스 크기에 관계없이 모든 모델을 요인 모델로 인코딩할 수 있습니다. T일에 모델의 예측과 T+1일에 예측한 모든 자산의 수익률 간의 상관관계를 계산함으로써 알파선은 모델이 미래 수익률과 일관되게 양의 상관관계를 나타내는지 여부를 결정하는 데 도움이 됩니다. 그러나 화자는 실제 데이터가 항상 이상적인 상관 패턴을 나타내지 않을 수 있다고 지적합니다.
특정 기간에 따라 팩터에 의해 가중치가 부여되고 재조정된 포트폴리오의 수익률을 검토하는 데 중점을 두고 새로운 모델과 기존 모델을 비교하는 것의 중요성에 대해 논의합니다. 발표자는 새 모델의 포트폴리오 가중 수익률을 종속 변수로 사용하고 기존 모델의 포트폴리오 가중 수익률을 독립 변수로 사용하여 선형 회귀 분석을 실행할 것을 제안합니다. 이 분석은 새로운 모델과 기존 모델 간의 종속성을 평가하는 데 도움이 되며 잠재적인 알파 세대에 대한 통찰력을 제공합니다. 연사는 투자 전략에 따라 각 구성 요소를 개별적으로 제한하거나 여러 위험 요소를 평균화하여 위험 분산을 달성함으로써 달성할 수 있는 위험 관리 및 분산의 중요성을 강조합니다.
연사는 거래 전략 개발에서 백테스팅의 두 단계 사이의 차이점을 설명합니다. 1차 단계는 포트폴리오 설계 및 실행 규칙 결정을 포함하고 2차 단계는 모델의 예측과 미래 가격 사이의 상관관계를 평가하기 위해 백테스팅을 수행합니다. 무결성을 손상시키지 않고 모델의 예측을 효과적으로 통합하는 위험 제한 포트폴리오를 구성하는 것이 중요합니다. 연사는 투자자들에게 백 테스트가 대체 투자 기회에 대한 모델의 우월성에 대한 실질적인 증거를 지속적으로 제공하는 경우에만 다음 단계로 진행하도록 조언합니다. 또한 연사는 기존 모델의 재탕된 버전에 의존하지 말라고 경고하고 새로운 접근 방식을 엄격하게 탐색하도록 권장합니다.
양적 거래 전략을 개발하는 전체 워크플로우는 연사가 논의합니다. 이 프로세스는 아이디어를 생성하는 것으로 시작하며, 아이디어는 세상을 이해하고, 데이터를 분석하거나, 일반적인 이해가 다른 영역을 식별하는 것에서 비롯될 수 있습니다. 모델이 개발, 테스트 및 개선되면 기존 모델과 비교하여 고유성과 새로운 알파 생성 가능성을 결정합니다. 다음 단계에는 샘플 외 테스트 수행, 포트폴리오 구성 및 위험 제약이 있는 최적화 시뮬레이션 수행이 포함됩니다. 마지막으로, 이 전략은 확장하기 전에 소액의 자본을 사용하여 종이로 거래되거나 테스트됩니다. 발표자는 가격 데이터에만 의존하는 것은 혁신적인 아이디어를 생성하는 데 충분한 정보를 거의 제공하지 않으며 대체 데이터 소스를 통합하는 것이 새로운 통찰력을 얻는 데 중요하다고 강조합니다.
발표자는 속도와 편의성을 위해 가격 책정 및 기본 데이터에만 의존하기보다는 대체 데이터를 활용하여 알파를 생성하는 것이 중요함을 강조합니다. 그들은 또한 위험 모델에서 설명되는 모든 것이 후자로 간주되기 때문에 알파와 저렴한 베타를 구별할 필요성을 강조합니다. 과적합을 줄이는 데 있어 k-폴드 교차 검증의 한계에 대해 논의하며, 화자는 보다 신뢰할 수 있는 접근 방식으로 진정한 샘플 외 테스트를 권장합니다. 마지막으로 발표자는 미래를 예측하기 위한 데이터 세트 선택에 대한 통찰력을 갖고 기존 방법과 다른 접근 방식을 모색하는 것의 중요성을 강조합니다.
요약하면, Delaney Mackenzie의 비디오는 거래 전략을 개발할 때 퀀트 트레이더가 따르는 워크플로에 대한 포괄적인 개요를 제공합니다. 가설로 시작하고, 거래 모델을 다듬고 탐색하고, 새로운 데이터로 테스트하고, 위험이 제한된 포트폴리오를 구성하고, 철저한 백테스팅을 수행하는 것의 중요성을 강조합니다. 발표자는 대체 데이터 활용, 기존 모델과 모델 비교, 위험 관리 기술 통합의 중요성을 강조합니다. 그들은 모델의 예측이 역사적으로 미래 수익과 상관관계가 있고 다른 모델과 독립적인지 확인해야 할 필요성을 강조합니다. 연사는 또한 실제 배포로 확장하기 전에 소량의 자본으로 모델을 테스트하는 것의 중요성을 강조합니다.
또한 연사는 포트폴리오 디자인 및 실행 규칙의 복잡성에 대해 자세히 설명합니다. 다양한 위험 제약 조건을 충족하면서 기대 수익을 극대화하는 위험 제약 포트폴리오를 구성하는 프로세스에 대해 논의합니다. 연사는 다양한 위험 시나리오에서 모델이 어떻게 수행되는지 평가하기 위해 위치 집중 및 부문 노출과 같은 제약 조건의 점진적 추가를 강조합니다. 그들은 포트폴리오 최적화가 수익 극대화와 위험 관리 간의 절충을 포함한다고 강조합니다.
연사는 알파 라인의 개념과 모델의 수익과 미래 수익 사이의 상관 관계를 평가하는 역할을 소개합니다. 알파 라인이 어떤 모델이든 요인 모델로 인코딩하여 미래 수익에 대한 모델 예측 평가를 가능하게 하는 방법을 설명합니다. 발표자는 실제 데이터가 항상 일관된 양의 상관관계를 나타내지 않을 수 있음을 인정하고 상관관계 분석의 한계를 이해하는 것이 중요함을 강조합니다.
새 모델을 기존 모델과 비교하는 것은 효율성을 평가하는 중요한 단계로 강조됩니다. 연사는 선형 회귀 분석을 사용하여 새 모델의 포트폴리오 가중 수익률과 기존 모델의 수익률 간의 종속성을 평가할 것을 제안합니다. 이 비교는 모델의 고유성과 알파 생성 가능성을 결정하는 데 도움이 됩니다. 연사는 또한 개별 구성 요소를 제한하거나 여러 자산에 걸쳐 위험을 다양화함으로써 포트폴리오 구성에서 위험 관리 및 다각화의 중요성을 강조합니다.
연사는 거래 전략 개발에서 백테스팅의 두 단계를 더욱 강조합니다. 첫 번째 단계는 포트폴리오 및 실행 규칙 설계를 포함하고 두 번째 단계는 미래 가격에 대한 모델의 예측을 평가하기 위한 백 테스트 수행을 포함합니다. 무결성을 손상시키지 않으면서 모델의 예측을 통합하는 위험 제한 포트폴리오를 구성하는 것이 중요합니다. 연사는 투자자들에게 대체 투자 기회에 대한 모델의 우월성에 대한 일관된 증거가 있는 경우에만 두 번째 단계로 진행하라고 조언합니다. 그들은 기존 모델의 리해싱된 버전에 의존하지 않도록 주의하고 새로운 접근 방식을 탐색하도록 권장합니다.
마지막으로 연사는 양적 거래 전략 개발의 전체 워크플로를 설명합니다. 아이디어를 생성하는 것으로 시작하여 모델을 테스트, 개선 및 기존 모델과 비교하는 과정을 거칩니다. 그런 다음 전략은 샘플 외 테스트, 포트폴리오 구성 및 위험 제한 최적화를 거칩니다. 규모를 확장하기 전에 전략은 종이로 거래되거나 소액의 자본을 사용하여 테스트됩니다. 발표자는 새로운 통찰력을 얻기 위해 대체 데이터 소스를 통합하는 것의 중요성을 강조하고 알파와 저렴한 베타를 구별해야 할 필요성을 강조합니다. 그들은 과적합을 완화하고 미래를 예측하기 위해 데이터 세트 선택을 이해하는 것의 중요성을 강조하기 위해 진정한 샘플 외 테스트를 권장합니다.
결론적으로 Delaney Mackenzie의 비디오는 거래 전략을 개발할 때 퀀트가 따르는 워크플로에 대한 포괄적인 이해를 제공합니다. 가설 개발, 모델 개선, 새로운 데이터에 대한 테스트, 위험 관리 및 철저한 백 테스트의 중요성을 강조합니다. 발표자는 대체 데이터 소스의 사용, 기존 모델과의 비교 및 새로운 접근 방식 탐색을 권장합니다. 이 워크플로를 따르면 퀀트 트레이더는 거래 전략의 효율성과 견고성을 높일 수 있습니다.
엑셀 워크시트를 활용한 시장정량분석! S&P 500 분석 및 거래 아이디어
엑셀 워크시트를 활용한 시장정량분석! S&P 500 분석 및 거래 아이디어
이 비디오는 예시로 S&P 500에 중점을 두고 시장 정량 분석을 위한 Excel 워크시트 사용에 대해 자세히 설명합니다. Julie Marchesi는 노란색 상자를 입력으로 사용하여 74개 그룹과 40일의 검토 기간에서 상관 관계 인덱스를 선택하여 Excel에서 상관 관계 통합 문서를 만드는 방법을 보여줍니다. 상관관계 테스트는 지난 40일을 데이터세트의 다른 모든 기간과 비교하여 가장 높은 상관관계를 식별합니다. 상관 관계를 검증하기 위해 두 번째 시장을 사용하여 결과를 확인하고 신뢰할 수 없는 데이터 포인트를 제거합니다. 상관 지수 차트는 시간 경과에 따른 상관 관계의 변화를 시각적으로 추적합니다.
발표자는 특히 S&P 500에 대한 적용을 강조하면서 시장 정량 분석을 위해 Excel 워크시트를 활용하는 과정을 설명합니다. 이들은 룩백 기간과 상관관계 지수를 나타내는 차트에서 다양한 선을 보여줍니다. 이 라인을 분석함으로써 화자는 시장에 대한 편견을 도출하고 미래 추세에 대해 예측합니다. 또한 특정 기간 동안의 평균 백분율 변화를 표시하는 차트를 소개하고 중요한 상관 지수에 초점을 맞추는 것의 중요성을 강조합니다. 연사는 이 분석이 S&P 500 시장의 현재 상태에 어떻게 적용될 수 있는지 보여주면서 정보에 입각한 거래 결정을 내리는 데 잠재적인 유용성을 강조하면서 결론을 내립니다.
S&P 500 분석과 관련하여 확인 또는 충돌 신호에 대한 여러 시장을 조사하는 것이 다음 섹션의 초점입니다. 연사는 석유가 시장의 강한 상승세를 확인하고 추가적인 강세 활동의 가능성을 시사하는 반면, 유로와 유로 엔은 지난 20일 동안 약세 또는 부정적인 활동을 보였다고 강조합니다. 그러나 금은 중요한 확인을 제공하지 않습니다. 최근 시장 행동을 기반으로 화자는 앞으로 나아가는 부정적인 편향을 제안하지만 공매도에 대해 경고하고 중요한 움직임을 하기 전에 확인을 기다릴 것을 권장합니다. 전반적으로 화자는 시장에 강세 우위가 있다고 결론을 내리지만 단기적으로는 주의를 기울이는 것이 좋습니다.
연사는 다음 섹션에서 다양한 시장에 대한 상관관계 테스트에서 도출된 결론에 대해 논의합니다. 그들은 향후 5일 동안 S&P 500 시장의 일부 불안정 가능성에 주목합니다. 역사적 분석에 따르면 S&P 500이 장기적으로 강세를 보일 것으로 보이지만 연사는 거래를 실행하기 전에 시장에서 중립적인 활동을 관찰하는 것이 중요하다고 강조합니다. 그들은 정량적 분석과 감성적 분석을 결합하여 시장을 더 잘 이해하고 데이터를 다양한 방식으로 시각화하는 데 Excel 워크시트의 유용성을 강조할 것을 제안합니다. 비디오는 시청자에게 이러한 유형의 거래 접근 방식을 탐색하고 연사의 웹 사이트를 방문하여 저널 및 라이브 거래에 대한 추가 정보를 얻도록 권장하는 것으로 끝납니다.
Python에서 Quant Equity 전략 구축
Python에서 Quant Equity 전략 구축
이 비디오는 Python과 알고리즘 거래 플랫폼인 Quantopian을 대표적인 예로 사용하여 정량적 주식 전략을 구축하는 방법에 대한 심층 탐구를 제공합니다. 연사는 자신과 데이터 분석 및 퀀트 금융에 대한 배경을 소개하면서 시작합니다. Quantopian은 소매 투자자가 데이터에 액세스하고 백테스팅을 활용하여 주식 거래를 위한 자체 양적 전략을 구축할 수 있는 플랫폼이라고 설명합니다. 초기 회의론에도 불구하고 연사는 투자 아이디어를 발견하기 위해 협력하는 퀀트 과학자, 해커 및 소매 투자자 커뮤니티를 유치한 Quantopian의 성공을 강조합니다. 그들은 또한 Quantopian이 현재 벤처 지원에 의해 지원되고 사전 수익이지만 궁극적으로 라이브 거래를 유료 서비스로 제공할 계획이 있다고 언급합니다.
연사는 Quantopian 플랫폼에서 크라우드 소싱 데이터와 아이디어를 통해 퀀트 전략을 구축하는 개념에 대해 자세히 설명합니다. 그들은 Quantopian이 정량적 알고리즘 개발을 위한 연결 및 아이디어 공유를 촉진하여 사용자 간의 직접 메시징을 용이하게 한다고 강조합니다. 그러나 화자는 필요한 모든 가격 데이터에 액세스할 수 없기 때문에 데이터 제한이 전략을 구성하는 사용자에게 문제를 야기할 수 있음을 인정합니다. 또한 그들은 Quantopian의 초점이 주식에만 있으며 빈도가 높거나 대기 시간에 민감한 거래 전략에는 적합하지 않을 수 있다는 점에 주목합니다.
거래 플랫폼의 한계에 대해 자세히 설명합니다. 연사는 Quantopian이 스캘핑 또는 시장 조성과 같은 저지연 전략을 위해 설계되지 않았음을 강조합니다. 그들은 가격 데이터 소스가 현재 수천 개의 국내 주식으로 구성된 증권의 범위를 결정한다고 언급합니다. 연사는 GitHub에서 사용할 수 있는 오픈 소스 기본 미끄러짐 모델에 대해 간략하게 설명합니다. 옵션과 선물을 포함하는 것은 미래의 가능성이지만, 주요 초점은 수익성 있는 전략을 제공하고 수익성 통계의 투명성을 보장하는 것입니다. 연사는 평균 회귀, 모멘텀, 오버나이트 갭, 변동성 및 페어링을 포함하여 플랫폼에서 일상적인 Python 사용자가 구현하는 5가지 기본 퀀트 전략을 분류합니다.
특히 평균 회귀 및 모멘텀의 상호 작용 및 튜닝에 중점을 둔 다양한 퀀트 전략을 탐구합니다. 연사는 Yahoo Finance 또는 Google Finance와 같은 소스를 통해 액세스할 수 있는 이러한 전략에 대한 데이터와 함께 평가 및 계절성과 같은 인기 있는 전략을 강조합니다. 관련 없는 증권을 찾기 위해 데이터를 맹목적으로 마이닝하는 것과 같은 쌍 거래의 일반적인 함정에 대해 경고합니다. 동일한 가치에 연결된 증권을 식별하고 두 자산 간의 스프레드 분포를 관찰하는 것의 중요성이 강조됩니다. 목표는 주식 간 스프레드의 반전을 활용하는 것입니다.
쌍 거래 및 모멘텀 거래 전략에 대해 더 자세히 논의하고 연사는 Python을 사용하여 쌍 거래 전략을 백테스팅하는 예를 제공합니다. 쌍 거래는 두 주식 간의 스프레드 거래를 포함하며 잠재적 반전과 같은 위험을 수반합니다. 반면에 모멘텀 거래는 이전 가격 상승을 기준으로 주식 순위를 매기는 것을 포함합니다. 플랫폼에서 데이터를 직접 다운로드할 수는 없지만 사용자는 대역폭 제약으로 인해 약 100개 주식의 제한된 유니버스 내에서 백테스트 및 실시간 거래를 실행할 수 있습니다.
저평가 및 고평가된 주식을 식별하기 위해 체계적인 기본 비율 분석이 필요한 정량적 주식 전략으로서 가치 평가의 개념을 탐구합니다. 그러나 이러한 전략을 구현하려면 광범위한 데이터 범위와 데이터 정규화, 일정 정렬 및 관련 조작에 대한 이해가 필요합니다. 화자는 사용자가 인터넷에서 CSV 데이터를 얻을 수 있도록 하는 가져오기 방법을 사용하여 이러한 전략을 구현할 것을 제안합니다. 연사는 또한 시장 정서 분석과 주가에 미치는 영향을 포함하는 정량적 주식 전략으로서 정서를 언급합니다. 그러나 그들은 이 전략을 구현하려면 데이터 분석, 정규화 및 조작에 대한 확실한 이해가 필요하다고 경고합니다.
퀀트 에퀴티 전략에서 정서 지표로 공매도 주식을 사용하는 방법에 대해 논의합니다. 주식 공매도는 어렵고 위험한 것으로 인식되어 경험이 많은 개인만이 참여할 의향이 있습니다. 그러나 NASDAQ에서 얻을 수 있는 짧은 이자 수준에 대한 공개 데이터는 이러한 목적에 유용할 수 있습니다. 연사는 숏 스퀴즈로 인한 유동성 제약의 위험을 강조하고 변동성 기반 신호를 사용하여 숏 포지션이 높지만 덜 위험한 주식을 식별할 것을 제안합니다. 그들은 공매도자가 일일 평균 거래량을 기준으로 포지션을 푸는 데 걸리는 일수를 나타내는 "커버일수" 신호를 기반으로 주식 순위를 매기는 알고리즘을 제안합니다. 이 전략은 공매도가 가장 낮은 주식을 매수하고 공매도가 가장 높은 주식을 공매도하는 것입니다.
발표자는 프로세스의 중간 단계와 알고리즘의 오픈 소싱에 대해 논의하기 위해 이동합니다. 그들은 중개인의 차용 비율과 슬리피지 모델의 한계와 같은 귀중한 데이터에 액세스하는 데 따른 어려움을 인정합니다. 연사는 사용 가능한 주문 유형과 더 많은 기능을 추가하기 위한 피드백 시스템에 대한 질문에 답합니다. 또한 거래의 계절성 사용과 온라인에서의 인기에 대해 간략하게 언급합니다.
초보자에게 적합한 간단한 퀀트 에퀴티 전략을 제시합니다. 예를 들어 5월에 주식을 매도하고 채권에 투자한 다음 10월에 주식 시장에 다시 매수하는 것과 같이 계절성을 사용하여 시장 타이밍을 맞추는 것은 시간이 지남에 따라 손쉬운 성과 분석을 허용하는 간단한 체계적 규칙으로 강조됩니다. 발표자는 응답, 보기 및 복제 수를 기반으로 Quantopian 플랫폼에서 공유되는 상위 25개의 양적 자산 알고리즘에 대한 분석을 제공합니다. 특히 Google 검색어를 사용하여 시장 움직임을 예측하는 방법에 대한 논문이 포럼에서 상당한 주목을 받았습니다. 화자는 또한 간단한 전략의 효과에도 불구하고 고급 수학적 개념이 포함된 길고 복잡한 약어가 있는 전략이 더 많은 관심을 끄는 경향이 있다고 지적합니다.
플랫폼에서 신뢰와 보안의 중요성이 강조됩니다. 연사는 사용자가 시장에 대한 테스트를 위해 알고리즘을 업로드하도록 장려하기 위해 사용자와 신뢰를 구축해야 할 필요성을 인정합니다. 그들은 보안 조치가 심각하게 취해짐을 보증합니다. 실시간으로 집계된 성능 데이터는 아직 사용할 수 없지만 연사는 약 1,000개의 알고리즘이 시뮬레이션에서 실행되고 있다고 언급합니다. 개별 알고리즘 수익성에 직접적인 영향을 미치지 않을 수 있다는 인식과 함께 퀀트에 대한 소셜 네트워크의 잠재적 이점에 대해 논의합니다. 그러나 퀀트 금융 커뮤니티 내에는 연결하고, 아이디어를 교환하고, 다른 사람들로부터 통찰력을 얻고자 하는 욕구가 있습니다. 사람들이 위험이 없는 환경에서 성공과 실수로부터 배울 수 있는 학습 환경으로서의 Quantopian의 가치가 강조됩니다.
연사는 플랫폼 내에서 다양한 투자 전략 분류의 인기를 탐구합니다. 그들은 모멘텀 및 평균 회귀 전략이 현재 가장 인기가 있다는 점에 주목합니다. 그들은 소매 투자자들에게 더 접근하기 쉬운 콘텐츠를 제공할 수 있는 플랫폼의 잠재력에 대해 흥분을 표시합니다. Python에서 플랫폼의 백테스터 데모가 제공되어 실시간 거래 중 하루에 한 번 또는 분당 한 번 실행되는 초기화 방법과 데이터 처리 방법을 보여줍니다. 사용자 인터페이스 설정을 통해 백 테스트 날짜, 초기 자본 및 백 테스트 빈도를 지정할 수 있습니다. 커뮤니티 스레드에는 다른 회원이 만든 알고리즘을 찾아 활용하기 위한 검색 기능이 포함되어 있습니다.
마지막 섹션에서 발표자는 Interactive Brokers 계정에 대해 9개 섹터 ETF의 동일 가중 포트폴리오를 구매하는 기본 알고리즘을 배포하는 라이브 거래 대시보드를 제시합니다. 대시보드는 벤치마크에 연결된 성과 형평 곡선, 빨간색, 현재 위치, 배치된 주문 및 채우기를 표시합니다. 발표자는 배포된 소스 코드에 대한 정보를 기록하는 기능을 언급합니다. 편향되지 않은 방식으로 광범위한 주식을 선택하는 것이 현재 제공되지 않기 때문에 사용된 벤치마크는 SPI에 대한 수익입니다. 대신 분기별로 업데이트되는 일일 달러 거래량 유니버스를 제공합니다.
퀀트 트레이딩에서 해야 할 것과 하지 말아야 할 것
퀀트 트레이딩에서 해야 할 것과 하지 말아야 할 것
퀀트 트레이딩의 저명한 인물인 Dr. Ernie Chan이 이 분야의 트레이더들에게 도전과제에 대해 논의하고 귀중한 조언을 제공합니다. 그는 업계 전문가들이 지적한 바와 같이 점점 더 어려워지는 양적 거래와 많은 머신 러닝 펀드의 저조한 성과를 강조합니다. 성공하려면 트레이더는 자신의 기술을 향상하고 중요한 교훈을 배워야 합니다. 개인적인 경험을 바탕으로 Chan 박사는 트레이더가 피해야 할 사항을 공유하고 장기적인 성공을 위한 지침을 제공합니다.
Chan 박사가 강조하는 주요 경고 중 하나는 특히 강력한 전략 성과 기간 동안 과도한 레버리지에 대한 유혹입니다. Kelly 공식은 위험 관리에 자주 사용되지만 지나치게 낙관적인 기대로 이어질 수 있고 표본 기간에 민감할 수 있다고 경고합니다. 대신 그는 레버리지를 결정하기 위한 보다 예측 가능한 척도로 변동성을 사용할 것을 제안합니다. 전략의 예상 변동성을 목표로 삼음으로써 트레이더는 예상 수익보다는 위험에 초점을 맞춰 적절한 레버리지 수준을 결정할 수 있습니다.
Dr. Chan은 퀀트 거래에 대한 두 가지 필수 조언을 제공합니다. 첫째, 그는 예측할 수 없는 잠재적 이익에 집착하기보다는 전략의 하방 위험(즉, 얼마나 많은 손실을 입을 수 있는지)을 고려하는 것의 중요성을 강조합니다. 둘째, 그는 매니저를 선택하거나 레버리지를 결정하는 유일한 기준으로 단기 성과를 사용하는 것에 대해 경고합니다. 대신 그는 더 긴 실적을 찾고 위험 관리 및 점진적 재할당 목적을 위해 단기 성과를 활용하라고 조언합니다. 또한 그는 트레이더들이 개인의 사치에 빠지기보다 트레이딩 비즈니스의 인프라에 이익을 재투자하는 비즈니스 지향적 사고 방식을 채택하도록 권장합니다.
트레이딩 비즈니스의 인프라에 대한 투자는 Dr. Chan이 강조하는 주제입니다. 그는 고품질 데이터, 더 빠른 기계 및 숙련된 인력에 우선적으로 투자할 것을 제안합니다. 품질 데이터는 정확한 백테스팅 결과를 보장하는 데 중요하며 더 빠른 기계는 연구 생산성을 향상시킵니다. 필요한 기술을 갖춘 인력을 고용하면 비즈니스의 역량이 더욱 강화됩니다. Dr. Chan은 무역을 진지한 비즈니스 벤처로 취급하면서 이러한 투자의 장기적인 이점을 강조합니다.
연구 생산성을 향상시키기 위해 Dr. Chan은 멀티 코어 머신과 적절한 병렬 컴퓨팅 소프트웨어에 대한 투자의 중요성을 강조합니다. 이 투자는 생산성을 5~10배 크게 높일 수 있습니다. 그는 또한 코딩, 전략, 마케팅 또는 운영과 같은 보완적인 기술을 보유한 개인과 협력하여 비교 우위에 집중하고 단점을 보완할 것을 권장합니다.
Dr. Chan은 양적 거래에 대한 협력적 접근 방식을 옹호합니다. 그는 대학생들로 구성된 가상 거래 그룹을 포함하여 다양한 형태로 협업이 발생할 수 있다고 강조합니다. 아이디어를 공유하고 다른 사람들에게 전략에 대해 가르치는 것은 귀중한 피드백으로 이어지고 전반적인 성과를 향상시킬 수 있습니다. 자신의 경쟁 우위를 보호하는 것도 중요하지만 기본 거래 아이디어를 공유하면 지식과 통찰력이 순유입될 수 있습니다.
또한 Dr. Chan은 초보자에게 확실한 직관적 근거를 바탕으로 간단한 거래 전략부터 시작하라고 조언합니다. 그는 수익성이 더 좋은 거래만을 추구하는 것보다 나쁜 거래를 제거하는 것의 가치를 강조합니다. 거래하지 말아야 할 때와 특정 아이디어를 적용하지 말아야 할 때를 아는 것은 장기적인 성공에 기여합니다. 그는 또한 거래 전략의 지속적인 학습과 개선을 장려합니다.
Q&A 세션에서 Chan 박사는 금융 파생 상품 구성에 대한 통찰력을 공유하고 Python을 현장의 시작점으로 권장하며 모멘텀 거래 및 위험 패리티와 같은 효과적인 전략에 대해 논의합니다. 그는 수익이 감소하는 경우에도 전략을 유지하기 위해 더 나은 위험 관리의 필요성을 강조합니다.
요약하면 Dr. Ernie Chan은 퀀트 트레이더에게 유용한 조언을 제공합니다. 그는 과도한 레버리지와 단기 성과 의존에 대해 경고하며 하락 위험을 고려하고 더 긴 실적에 집중하는 것의 중요성을 강조합니다. 그는 데이터, 기계 및 인력을 포함한 비즈니스 인프라에 대한 투자를 강조합니다. 간단한 전략으로 시작하는 협업과 지속적인 학습은 장기적인 성공의 열쇠입니다.
양적금융 | Radovan Vojtko의 양적 거래 전략 분류
양적금융 | Radovan Vojtko의 양적 거래 전략 분류
Quantpedia의 CEO인 Radovan Vojtko는 데이터베이스에 대한 양적 거래 전략을 선택하는 과정에 대한 귀중한 통찰력을 제공합니다. 그는 트레이더가 사용할 수 있는 신뢰할 수 있고 실행 가능한 전략을 발견하기 위해 학술 연구를 활용하는 것이 중요하다고 강조합니다. 일반적인 오해에도 불구하고 Vojtko는 학술 논문에 잠재적인 거래 아이디어가 여전히 많이 있음을 강조합니다.
Vojtko는 거래 전략에 가장 많이 사용되는 자산 클래스는 주식이고 상품, 통화, 채권 및 부동산이 그 뒤를 따른다고 설명합니다. 이러한 자산군은 퀀트 전략을 실행할 수 있는 다양한 기회를 제공합니다. 그는 퀀트 전략을 타이밍, 차익 거래, 모멘텀 등 다양한 분류로 분류합니다.
Vojtko가 강조하는 주요 측면 중 하나는 학술 연구, 특히 채권 및 상품과 같이 잘 다루어지지 않는 자산 클래스에 사각지대가 존재한다는 것입니다. 이러한 맹점은 새로운 알파 소스를 발견할 수 있는 기회를 제공하며 거래자는 이를 활용할 수 있습니다. P-해킹 및 복제와 같은 문제를 해결하기 위해 Vojtko는 엄격한 테스트와 모멘텀 익명화 기술의 사용을 권장합니다.
게시된 거래 전략이 더 이상 작동하지 않는다는 믿음과는 달리 Vojtko는 일부 전략은 게시된 후에도 계속해서 긍정적인 결과를 산출하며 알파의 40% 이상이 5년 후에도 남아 있다고 주장합니다. 가장 유망한 전략을 선택하기 위해 그는 표본 외 테스트를 수행하고, 통계적 유의성에 대한 컷오프 포인트를 높이고, 포괄적인 전략 데이터베이스를 구축하고, 최고의 성과를 내는 전략을 선택할 것을 제안합니다.
Vojtko는 상품 선물 거래의 평균 회귀 접근법 및 사전 수익 발표 위험 전략과 같은 특정 거래 전략에 대해 추가로 논의합니다. 그는 알파 붕괴의 중요성과 P-해킹 및 데이터 마이닝으로 인한 문제를 강조합니다. 구현하기 전에 전략을 엄격하게 테스트하고 검증하는 것이 중요합니다.
Vojtko는 퀀트 트레이딩 전략이 일단 발표되면 효과가 떨어진다는 오해에 대처하면서 전략이 시간이 지나도 여전히 좋은 성과를 거둘 수 있다는 연구 결과를 인용합니다. 그는 거래자들에게 데이터 준설을 피하라고 조언하고 철저한 테스트와 검증의 필요성을 강조합니다.
학술 연구의 복제 측면에서 Vojtko는 통계적 유의성에 대한 컷오프 포인트를 늘리고 공개된 데이터를 기반으로 포트폴리오를 비교하기 위해 샘플 외 테스트를 사용할 것을 제안합니다. 이 접근 방식은 보다 정확한 복제를 보장하고 성공적인 전략 식별을 가능하게 합니다.
Vojtko는 수익성 있는 전략의 풀을 확장하기 위해 다양한 전략으로 데이터베이스를 구축하고 최고의 성능을 가진 전략을 선택할 것을 권장합니다. 그는 또한 Social Science Network 및 Quantpedia와 같은 양적 거래 전략을 찾기 위한 리소스를 제공합니다.
Vojtko는 양적 금융을 위한 프로그래밍 언어와 관련하여 다양한 옵션을 사용할 수 있다고 언급하고 자신에게 편한 언어를 선택하라고 조언합니다. Python이 선호되는 언어이지만 Tradestation, Ninjatrader 또는 Ami Broker와 같은 다른 옵션도 효과적일 수 있습니다. Vojtko는 성공적인 알고리즘 거래를 위해 금융과 기술 기술을 통합해야 할 필요성을 강조하고 두 분야의 전문성을 개발하기 위한 교육 프로그램을 제공합니다.
거래 우위를 위해 데이터로 전환 · Dave Bergstrom, 퀀트 트레이더
거래 우위를 위해 데이터로 전환 · Dave Bergstrom, 퀀트 트레이더
이 비디오에서 성공적인 퀀트 트레이더인 Dave Bergstrom은 트레이딩 세계에서의 여정을 공유하고 데이터 분석 기술을 활용하여 시장 우위를 발견하는 것의 중요성을 강조합니다. 그는 커브 피팅과 과도한 최적화를 피해야 할 필요성을 강조하고 거래 및 프로그래밍 학습을 위해 여러 리소스를 활용할 것을 권장하며 적절한 위험 관리와 현실적인 기대치를 갖는 것의 중요성을 강조합니다. Bergstrom은 또한 고주파 거래의 잠재적인 감소에 대해 논의하고 트레이더가 수익성 있는 거래 전략을 찾고 생성하는 데 도움이 되는 그의 소프트웨어 패키지인 Build Alpha를 소개합니다.
초기에 고주파 거래자였던 Dave Bergstrom은 거의 로스쿨에 진학하여 거래자가 되기까지의 경로를 자세히 설명합니다. 학부 과정에서 그는 트레이딩을 탐구하고 트레이딩 패턴과 모멘텀 주식에 대해 배우기 위해 금융 Twitter 및 팟캐스트와 같은 플랫폼에 대한 정보를 찾았습니다. Bergstrom은 초기에 성공을 거두었지만 초기 전략과 기법이 현재 거래 방식과 크게 다르다는 점을 인정합니다. 그는 전략 개발 중 데이터 마이닝 기술의 사용을 강조하고 트레이더가 이 에피소드에서 논의된 다양한 형태의 분석을 사용할 수 있게 해주는 소프트웨어 패키지인 Build Alpha를 소개합니다.
그의 겸손한 시작부터 Bergstrom은 위조 NFL 유니폼과 지갑을 판매하여 거래에 대한 초기 진출을 공개합니다. 그 후 그는 거래 계정에 자금을 조달하고 모멘텀과 기술적 분석, 특히 차트 패턴을 기반으로 주식 거래에 참여했습니다. 그러나 그는 불일치에 직면했고 자신의 자본 잔액이 지속적으로 0으로 돌아가는 이유를 이해하기 위해 고군분투했습니다. 더 많은 경험을 통해 Bergstrom은 체계적인 접근 방식의 부재가 일관된 수익을 달성하는 데 방해가 된다는 것을 깨달았습니다. 그는 플로리다로 이주하여 초단타매매 회사에서 거래 보조원으로 일한 후에야 양적 분석의 영역을 발견하고 거래 노력의 일관성을 위한 길을 닦았습니다.
Bergstrom은 데이터 분석이 필요한 역할로의 전환에 대해 자세히 설명합니다. 이 직책에서 탁월하기 위해 그는 프로그래밍을 독학하고 객관적인 기술 분석에 집중했습니다. 그의 회사는 수익성 있는 거래로 이어질 수 있는 데이터의 이상 또는 패턴을 식별해야 한다고 믿었기 때문입니다. 그는 일관된 성공을 달성하기 위해 수년간의 시행 착오가 필요한 여정인 테스트 및 백 테스트 프로세스를 설명합니다. 기술적 분석에 대한 Bergstrom의 견해는 직관에 의존하는 주관적 분석보다 패턴을 식별하기 위해 데이터를 활용하는 객관적 분석을 선호하면서 진화했습니다.
프로그래밍은 Bergstrom이 초강대국이라고 생각하는 거래 여정에서 중요한 역할을 합니다. 초단타매매에서 방대한 양의 데이터를 처리하기에는 엑셀이 부족하다는 것을 깨닫고 트레이딩 어시스턴트 역할에서 트레이드 데스크 역할로 발전하기 위한 프로그래밍을 배웠다. Bergstrom은 프로그래밍의 비대칭 이득과 최소 위험으로 인해 탁월한 투자라고 생각합니다. 그는 야심 찬 프로그래머에게 다양한 리소스를 탐색하고, 부지런히 노력하고, 학습 과정을 촉진하기 위해 지식이 풍부한 개인의 지도를 구하라고 조언합니다.
Bergstrom은 거래 및 프로그래밍을 배울 때 여러 리소스를 찾는 것이 중요하다고 강조합니다. 그는 프로그래밍을 위해 Stack Exchange와 같은 플랫폼을 활용할 것을 권장하고 Python, C++ 및 Java와 같은 여러 프로그래밍 언어 학습을 권장합니다. 자신의 거래 방식에 대해 논의하는 동안 Bergstrom은 자신을 데이터 마이너라고 밝히고 데이터 분석을 통해 수많은 시장 우위를 발견할 수 있다고 믿습니다. 일부 사람들은 데이터 마이닝이 과적합되기 쉬운 것으로 인식하지만 과적합 및 과최적화를 방지하기 위한 조치를 취할 때 귀중한 도구가 될 수 있다고 주장합니다.
Bergstrom은 데이터 마이닝을 통해 거래 우위를 발견하고 특정 기준에 따라 수익성 있는 전략을 검색하는 피트니스 기능을 사용하는 방법을 조명합니다. 그는 최소한의 거래 수를 유지하고 교차 검증을 활용하는 것과 같은 기술을 사용하여 곡선 맞춤을 피하는 것의 중요성을 강조합니다. 그는 엣지가 데이터 분석을 통해 식별할 수 있는 긍정적인 기대를 가진 것을 의미한다고 설명합니다. 궁극적으로 그는 기존 가설에 기반하지 않더라도 수익성 있는 전략을 추구하지만 논리적 추론과 일치하는 전략에 더 많은 확신을 둡니다.
Bergstrom에 따르면 전략을 테스트할 때 상당한 수의 거래를 하는 것이 중요합니다. 그는 커브 피팅의 위험을 강조하고 룩백 기간이 있는 매개변수를 최적화하지 말라고 조언합니다. 대신 그는 계수 측정과 같은 비모수 메트릭을 사용하는 것을 선호합니다. 또한, Bergstrom은 시장 행동을 이해하는 데 있어 시장 체제와 거래량 및 변동성의 중요성을 강조합니다. 그는 트레이딩 시스템에 대한 자금 할당 부족을 방지하기 위해 현실적인 기대치를 설정하고 몬테카를로 분석을 사용하는 것의 중요성을 보여주는 트위터에서 공유한 강력한 그래프를 언급합니다.
Bergstrom은 백테스트에서 수익성 있는 전략을 보여주더라도 실제 결과가 다를 수 있음을 이해하는 것이 중요하다고 강조하면서 거래에 대한 현실적인 기대를 더 탐구합니다. Monte Carlo 시뮬레이션 및 분산 테스트와 같은 도구는 트레이더가 가능한 결과의 분포를 생성하고 미래 거래에 대한 현실적인 기대치를 설정하는 데 도움이 됩니다. Bergstrom은 비대칭적인 위험 보상 비율을 선호하는 첫 번째 법칙과 함께 세 가지 거래 법칙을 소개합니다. 이것은 그가 그 반대보다는 낮은 승률을 선호하지만 더 높은 보수를 선호한다는 것을 의미합니다.
적절한 위험 관리는 특히 베팅 크기 조정과 관련하여 Bergstrom의 거래 철학에서 중심 단계를 차지합니다. 그는 거래자가 동일한 패턴이나 시스템 내에서 다른 거래보다 훨씬 더 큰 규모의 거래를 하는 것은 유익하지 않다고 설명합니다. Bergstrom은 "흥미로운" 거래에 과도하게 투자하는 것에 대해 경고합니다. 많은 수의 법칙이 효력을 발휘하는 데 필요한 많은 수의 거래에서 수학적 확률이 발생하는 것을 방지하기 때문입니다. 그는 상당한 수의 거래에 대해 보다 보수적이고 일관된 방식으로 거래하면 긍정적인 이점이 나타날 것이라고 제안합니다. 일중 거래와 초단타 거래는 다수의 법칙에 더 잘 부합하지만 Bergstrom은 분산 테스트가 만족스러운 경우 일일 시간 프레임도 효과적일 수 있다고 믿습니다.
Bergstrom은 시장 전반에 걸쳐 전략 견고성의 중요성을 탐구합니다. 그는 여러 시장에서 작동하는 전략을 만드는 것의 가치를 인정하지만 불충분한 거래를 생성하는 전략을 피하는 경향이 있습니다. 거래 비용과 각 거래에서 더 높은 이익을 추구하는 것과 관련하여 Bergstrom은 균형 잡힌 접근이 가능하다고 믿습니다. 이 전략은 과도한 거래 비용으로 인해 부담을 받아서는 안 되지만 동시에 과도한 거래를 생성하도록 설계되어서는 안 됩니다. 기어를 바꿔서 Bergstrom은 초단타매매(HFT)를 둘러싼 일반적인 오해에 대해 설명하며 희생양을 찾는 사람들로 인해 종종 부당하게 비방을 받아 왔다고 말했습니다. 그는 HFT가 유익하며 약탈 의도가 없다고 굳게 믿습니다.
마지막으로 Bergstrom은 초단타매매의 잠재적인 감소에 대해 논의합니다. 그는 경쟁 심화와 전략의 노출 때문이라고 생각합니다. 논쟁은 하락이 과포화 시장 때문인지, 아니면 극초단타매매에 필요한 양면 시장을 지원하지 않는 중앙은행이 시행한 통화 정책 때문인지를 중심으로 전개됩니다. Bergstrom은 사용자가 신호를 선택하고 종료 기준 및 피트니스 기능을 기반으로 다양한 전략을 검색할 수 있는 소프트웨어 패키지인 Build Alpha를 소개합니다. 이 소프트웨어는 최상의 전략을 식별하고 각각에 대해 거래 가능한 코드를 생성하여 포트폴리오 생성 및 철저한 분석을 가능하게 합니다. 관심 있는 개인은 웹사이트 buildalpha.com을 방문하거나 이메일 David@buildalpha.com 또는 Twitter @Deeper_DB를 통해 Dave Bergstrom에게 문의할 수 있습니다.
결론적으로 성공적인 트레이더가 되기 위한 Dave Bergstrom의 여정은 시장 우위를 찾는 데 있어 데이터 분석 기술의 중요성을 보여줍니다. 커브 피팅 방지, 학습을 위한 여러 리소스 활용, 적절한 위험 관리 실행 및 현실적인 기대치 유지에 대한 그의 강조는 트레이더를 꿈꾸는 사람들에게 귀중한 통찰력을 제공합니다. 또한 고주파 거래에 대한 그의 생각과 Build Alpha 도입은 혁신적인 소프트웨어 솔루션을 통해 거래 전략을 발전시키고 거래자에게 권한을 부여하려는 그의 의지를 보여줍니다.
퀀트 및 HFT 거래를 위한 프로그래밍 언어
퀀트 및 HFT 거래를 위한 프로그래밍 언어
이 비디오는 양적 거래 및 고주파 거래(HFT)에서 일반적으로 사용되는 프로그래밍 언어에 대한 포괄적인 개요를 제공합니다. 발표자는 이러한 언어를 프로토타이핑 연구 및 해석 스크립팅 언어와 Java, C#, C 및 C++와 같은 레거시 컴파일 언어로 분류합니다. Python, R, MATLAB 및 Microsoft Visual Studio를 포함하여 트레이딩 아이디어를 모델링하는 데 널리 사용되는 언어의 장단점에 대해 자세히 설명합니다. 또한 이 비디오는 프로그래밍 언어를 선택할 때 코로케이션, 비용 효율적인 프로토타이핑 및 브로커 지원과 같은 중요한 고려 사항을 강조합니다. 생산성 도구를 사용하고 위험 관리 및 포트폴리오 관리를 포함한 전체 거래 시스템을 고려하는 것의 중요성을 강조합니다.
연사는 프로토타이핑 연구 및 해석 스크립팅에 대한 적합성에 따라 프로그래밍 언어를 여러 그룹으로 분류하는 것으로 시작합니다. 퀀트 거래의 맥락에서 그는 거래 아이디어를 모델링하기 위한 인기 있는 선택으로 특히 Python과 MATLAB을 언급합니다. 그러나 그는 Python의 분할된 버전(2.7 및 3.x)의 문제를 지적하고 R의 호환성 및 성능 문제를 강조합니다. 한편 Python은 개발자에게 부담이 될 수 있고 추가 교육이 필요한 다양한 옵션을 제공합니다. 반면에 R은 호환성과 성능 면에서 일정한 제한이 있습니다.
앞으로 연사는 양적 거래 및 HFT 거래에서 일반적으로 사용되는 다양한 프로그래밍 언어를 탐구합니다. 데이터 패키지 측면에서 Python의 강점을 강조하면서 논의하지만 느린 실행 및 제한된 주문 관리 기능과 같은 단점도 강조합니다. 발표자는 Python 통합을 허용하는 MATLAB 2015 및 Microsoft Visual Studio 2015도 언급합니다. Java, C#, C 및 C++와 같은 레거시 컴파일 언어가 강조 표시되며 Java는 프로그래밍 초보자에게 적합한 시작점으로 권장됩니다. C#은 이해하기 쉽고 고급 기술로 찬사를 받는 반면 C#의 최적 성능은 Windows 환경으로 제한됩니다.
이 비디오는 Java, C/C++ 및 MATLAB을 포함하여 양적 및 고주파 거래에 적합한 프로그래밍 언어를 추가로 탐색합니다. Java 및 C#은 데이터베이스와의 쉬운 통합으로 유명하지만 성능에 영향을 미치는 가비지 수집으로 인해 제한이 발생할 수 있습니다. C와 C++는 최적의 속도와 메모리 제어를 제공하는 언어로 찬사를 받지만 배우기가 더 복잡할 수 있습니다. MATLAB은 데이터 수집, 분석, 거래 실행 및 위험 관리를 위한 다양한 도구 상자를 갖춘 강력하고 다재다능한 플랫폼으로 인정받고 있습니다. MATLAB Coder를 통해 C/C++에서 코드를 생성하는 기능과 함께 고급 수학 및 기계 학습 지원이 강조 표시됩니다. 연사는 또한 MATLAB Production을 사용하여 MATLAB을 고성능 웹 서버에 내장하는 옵션에 대해서도 언급합니다.
퀀트 및 HFT 거래에서 프로그래밍 언어를 선택할 때 고려해야 할 사항에 대해 자세히 설명합니다. 연사는 거래 거래소, 특히 HFT 거래에서 코로케이션의 이점을 강조하고 코로케이션을 용이하게 하는 공급자로 MathWorks를 언급합니다. $150부터 시작하는 Lab Home Edition의 경제성은 비용 효율적인 프로토타이핑 환경으로 언급됩니다. 또한 브로커의 선택은 프로그래밍 언어 선택에 영향을 미치는 중요한 요소로 강조된다. Interactive Brokers는 Java, C++ 및 C#과 같은 레거시 언어를 지원하는 브로커로 강조 표시됩니다. 연사는 초보자에게 생산성 도구를 활용하도록 조언하고 위험 관리, 평가 및 포트폴리오 관리를 포함하여 거래 시스템의 더 넓은 측면을 고려할 필요성을 강조합니다.
전반적으로 비디오는 양적 거래 및 HFT에 사용되는 다양한 프로그래밍 언어, 강점과 한계, 거래 목적으로 언어를 선택할 때 고려해야 할 주요 요소에 대한 귀중한 통찰력을 제공합니다. 전체 거래 시스템을 이해하고 효율적이고 효과적인 거래 운영을 위해 적절한 도구를 활용하는 것이 중요함을 강조합니다.
Max Margenot의 "기본 통계적 차익 거래: 페어 트레이딩의 수학 이해"
Max Margenot의 "기본 통계적 차익 거래: 페어 트레이딩의 수학 이해"
Max Margenot이 제공하는 "Basic Statistical Arbitrage: Understanding the Math Behind Pairs Trading"이라는 제목의 비디오에서 통계적 차익 거래의 개념을 자세히 설명합니다. Margenot은 통계적 차익 거래가 통계 분석을 통해 식별된 불균형과 시장이 어떻게 행동해야 하는지에 대한 모델을 기반으로 거래를 생성하는 방법을 설명합니다. 비디오는 정상성, 통합 주문 및 공동 통합과 같은 기본 통계 개념에 의존하는 쌍 거래에 중점을 둡니다.
Margenot은 거래 알고리즘을 개발하는 개인을 돕기 위해 무료 통계 및 금융 강의를 제공하는 그의 회사 플랫폼인 Quantopian을 소개하는 것으로 시작합니다. 그런 다음 쌍 거래에서 정상성, 통합 주문 및 공동 통합의 중요성에 대해 자세히 설명합니다. 정상성은 동일한 매개변수를 사용하여 동일한 확률 분포에서 추출된 시계열의 모든 샘플을 의미하며 종종 금융 응용 프로그램에서 정규 분포로 가정됩니다. 증가된 Dickey-Fuller 테스트는 정상성을 테스트하는 수단으로 도입되었습니다.
연사는 실제 데이터와 관련된 불확실성을 강조하고 특히 변수 간의 미묘하거나 교묘한 관계를 다룰 때 가설 테스트에서 잘못된 긍정 가능성을 강조합니다. 그는 가설 검정으로 감지되지 않을 수 있는 시계열의 병리학적 관계를 생성함으로써 이를 입증합니다. Margenot은 결과에 대한 신중한 해석의 중요성을 강조하고 청중에게 그래프를 육안으로 검사하더라도 근본적인 통계적 속성이 드러나지 않을 수 있음을 상기시킵니다.
시계열 모델링의 한계와 가양성의 가능성에 대해 논의합니다. 시계열이 평균 회귀 동작을 보일 수 있지만 항상 정상성을 나타내는 것은 아닙니다. 정상성은 시계열이 평균 회귀이고 고정적이고 결정적이며 임의적인 분포를 따르는 시나리오를 나타냅니다. 차수 0의 적분은 정상성을 의미하지 않지만 정상성은 차수 0의 적분을 의미하는 적분 차수의 개념이 도입되었습니다. 누적 합계도 설명되어 차수가 0인 다중 통합이 더 높은 통합 차수를 생성하는 방법을 설명합니다.
금융에서 고정된 수익의 가정과 고정된 시계열을 찾는 어려움이 해결됩니다. 수익률은 정규 분포를 따르는 것으로 가정하여 정상성을 나타냅니다. 통합된 차수 및 차이 표기법은 정상성을 테스트하는 데 사용됩니다. 발표자는 이론적으로 가격 시리즈는 수익률과의 관계로 인해 차수 1로 통합되어야 하며, 이는 차수 0으로 통합되어야 한다고 지적합니다. 회사의 가격 데이터를 사용하는 예가 제공됩니다.
Margenot은 고정된 선형 조합을 생성하기 위해 특정 정의된 방식으로 시계열을 통합하는 것을 포함하는 공적분의 개념을 설명합니다. 함께 고정된 두 개의 통합 시계열을 찾는 것은 어려울 수 있지만 합리적인 경제적 기반을 가진 가격 시리즈를 탐색할 때 공적분은 가치가 있을 수 있습니다. 연사는 평균 회귀에 대한 특정 시간 모델 없이도 고정 스프레드의 현재 값을 기반으로 베팅을 할 수 있다고 강조합니다.
시뮬레이트된 데이터를 생성하는 프로세스는 선형 회귀를 사용하여 산포 계산 및 추정을 설명하기 위해 시연됩니다. Margenot은 재무 데이터가 한 변수에서 다른 변수를 빼는 것만큼 단순하지 않기 때문에 변수 간의 관계를 추정하기 위해 선형 회귀가 필요하다고 강조합니다. 목표는 시장 수익률 측면에서 포트폴리오 구성을 나타내는 베타 값을 결정하는 것입니다. 이 정보는 쌍 거래에서 롱 포지션과 숏 포지션을 허용합니다. 개념을 설명하기 위해 한 쌍의 대체 에너지 증권과 관련된 예가 제공됩니다.
기본 통계 차익 거래를 위한 두 가지 잠재적 증권 사이의 선형 회귀를 구성하는 방법이 설명되어 있습니다. Margenot은 차익 거래 기회를 나타낼 수 있는 잠재적 공동 통합 관계를 식별하기 위한 출발점으로 관계를 나타내는 동일한 부문 내 두 증권을 찾을 것을 권장합니다. 두 증권 사이의 고정성은 유익하지만 연사는 한 쌍에만 의존하기보다는 가능한 한 많은 다른 독립적인 내기를 통해 거래해야 할 필요성을 강조합니다.
통계적 차익 거래 내 쌍 및 거래의 계산은 조사된 쌍의 로그 수익을 기반으로 합니다. Engle-Granger 방법으로 알려진 로그 수익 사이의 선형 회귀는 회귀가 정상인지 여부를 결정하는 데 사용됩니다. 합리적인 세계 모델이 확립되면 거래자는 다른 사람보다 더 많은 정보를 가지고 상대적으로 정보에 입각한 베팅을 함으로써 우위를 점할 수 있습니다. 롤링 스프레드를 적극적으로 거래하고 업데이트하려면 평균 및 표준 편차의 롤링 개념이 필요합니다. 이동 평균 및 공통 필터와 같은 다양한 방법을 활용하여 거래 전략을 반복하고 향상시킬 수 있습니다.
연사는 통계적 차익 거래가 단순하거나 복잡한 단위 전략이 될 수 있음을 강조합니다. 여기에는 거래할 주식 쌍 간의 정지성, 공적분 및 관계를 식별하는 것이 포함됩니다. 다른 사람과 비교할 때 정보가 많을수록 이러한 관계를 더 잘 활용할 수 있습니다. 다양한 포트폴리오를 구축하려면 서로 의존하지 않는 독립적인 베팅이 필요합니다. 재조정 빈도는 개별 쌍과 데이터에서 관찰된 정상 기간에 따라 다릅니다.
비디오는 실시간 데이터를 사용한 알고리즘 거래 시뮬레이션에 대해 논의합니다. 이분산성과 같은 선형 회귀의 기본 가정은 실행 가능성에 영향을 줄 수 있는 요인으로 언급됩니다. 공적분은 고정성을 나타내는 더 강한 조건을 나타내기 때문에 주식 쌍 간의 관계를 모델링할 때 상관관계보다 선호됩니다. 배팅 크기는 체계적인 접근 방식에 적합하지 않을 수 있는 상관관계와 달리 가설 스프레드의 평균 및 표준 편차를 사용하여 체계적으로 결정할 수 있습니다.
요약하면 비디오는 통계적 차익 거래 및 쌍 거래에 대한 포괄적인 설명을 제공합니다. 정상성, 적분 순서 및 공적분과 같은 필수 개념을 다룹니다. 통계 결과에 대한 신중한 해석의 중요성과 독립적인 베팅의 필요성이 강조됩니다. 연사는 주식 쌍 간의 관계를 추정할 때 선형 회귀의 역할과 차익 거래 기회를 식별할 때 평균 회귀의 중요성을 강조합니다. 비디오는 알고리즘 거래의 시뮬레이션과 통계적 차익 거래에서 다양한 포트폴리오를 구성하기 위한 고려 사항에 대해 논의하면서 마무리됩니다.
퀀트 금융 및 HFT를 위한 실용적인 C++ 프로그래밍에 대한 전체 개요
퀀트 금융 및 HFT를 위한 실용적인 C++ 프로그래밍에 대한 전체 개요
이 비디오는 금융 및 고주파 거래(HFT)에서의 C++ 프로그래밍 사용에 대한 포괄적인 개요를 제공하여 이 분야의 다양한 측면에 대한 귀중한 통찰력을 제공합니다. 금융 산업에서의 중요성을 강조하는 책 "Practical C++ Financial Programming"에 대해 논의하는 것으로 시작합니다. 이 책은 고정 수입 주식과 같은 필수 주제를 다루고 잘 구성된 코드 섹션과 함께 실용적인 예를 제공합니다. C++ 프로그래밍에 어느 정도 익숙하다고 가정하고 C++ 템플릿을 효과적으로 활용하는 방법에 대한 지침을 제공합니다. 발표자는 STL 및 부스트 라이브러리의 적절한 활용과 인터페이스 디자인을 위한 QT 및 플로팅을 위한 새로운 플롯과 같은 오픈 소스 라이브러리의 사용을 강조합니다.
앞으로 비디오는 C++에서 사용자 인터페이스를 개발하기 위한 강력한 도구인 QT의 사용을 탐색합니다. QT는 정교한 그래픽 인터페이스 생성을 가능하게 하지만 기존의 C++ 방법론에서 벗어나며 비디오는 이 측면을 조명합니다. 그런 다음 프레젠테이션에서는 선형 대수, 보간, 수치 적분과 같은 수학적 개념을 탐구하여 이해를 돕기 위해 기본 알고리즘과 방정식으로 세분화합니다. C++에서의 구현에 대한 통찰력과 함께 금융과 관련된 인기 있는 알고리즘 및 모델링 기술에 대해서도 논의합니다. 이 비디오는 재무 응용 프로그램에 대한 Monte Carlo 시뮬레이션의 중요성을 강조하고 이 중요한 주제에 한 장을 할애합니다. 또한 재무 라이브러리를 확장하기 위한 Lua 및 Python 사용에 대해 HFT 직책에 가장 많이 사용되는 프로그래밍 언어에 대한 개요와 함께 살펴봅니다.
비디오가 진행됨에 따라 Python 및 Lua와 C++의 통합을 강조하고 Lua를 Redis와 함께 효과적으로 사용하여 C++ 애플리케이션 내에서 포함 가능성을 활용하는 방법을 보여줍니다. Plaza를 사용한 멀티스레딩과 C++ 11 및 14 기능의 활용을 포함하여 다양한 C++ 기술도 다룹니다. 이 비디오는 언어와 관련된 일부 메모리 관리 문제를 해결하면서 C++ 프로그래밍에 도전하는 개인을 위한 훌륭한 입문 리소스 역할을 합니다. 사용자가 사용할 수 있는 다양한 옵션과 기술을 포함하여 C++ 프로그래밍 학습을 위한 포괄적인 로드맵을 제공합니다.
끝으로 연사는 금융 및 초단타매매 애플리케이션을 위한 C++ 프로그래밍에 관한 최근 출판된 책에 대한 긍정적인 리뷰를 공유합니다. 이 책은 낮은 수준의 하드웨어 문제를 해결하는 C++ 17에 도입된 새로운 기능을 구체적으로 다루므로 이 전문 분야에 관심이 있는 사람들에게 귀중한 리소스가 됩니다. 연사는 이 책과 아무런 관련이 없음을 인정하지만 이 영역의 기존 리소스에 대한 귀중한 추가 자료로 이 책을 적극 권장합니다.
알고리즘 트레이딩 기초: 예제 및 튜토리얼
알고리즘 트레이딩 기초: 예제 및 튜토리얼
이 비디오는 거래 스타일, 시장 및 시스템과 같은 다양한 측면을 다루는 알고리즘 거래에 대한 포괄적인 개요를 제공합니다. 발표자는 알고리즘 거래의 기초를 설명하는 것으로 시작하여 가격 행동, 거래량 및 수학적 지표를 기반으로 한 기술적 분석의 사용을 강조합니다. 알고리즘 거래는 전통적인 기술 분석과 구별되는 거래 실행과 컴퓨터를 이용한 알고리즘 백 테스팅을 포함한다는 점이 강조됩니다.
초단타매매, 통계적 차익거래, 추세/평균회귀/모멘텀 거래 등 다양한 유형의 퀀트/알고리즘 거래가 도입되었습니다. 연사는 특히 선물 시장의 스윙 및 데이 트레이딩에 중점을 둡니다. 통계적 차익 거래는 자산을 동시에 매매함으로써 가격 차이를 활용하는 것과 관련이 있으며, 추세/평균 회귀/모멘텀 거래는 컴퓨터를 활용하여 이익을 위해 방향성 거래를 실행합니다. 이러한 개념을 설명하기 위해 TradeStation 소프트웨어를 사용하여 알고리즘 트레이딩 프로그램 예제를 보여줍니다. 이 프로그램은 하락일에 빨간 양초로 매수하고 다음 긍정적인 날에 매도하도록 설계되었습니다. 연사는 이 알고리즘 프로그램을 백테스팅 목적으로 S&P 500 E-minis 차트에 통합하는 방법을 보여줍니다.
다음 부분에서는 TradeStation의 거래 전략을 살펴봅니다. 화자는 차트를 사용하여 촛불 색상을 기준으로 전략이 성공하거나 실패했을 경우를 보여줍니다. TradeStation에서 생성한 성과 보고서를 보여주기 위해 축소되어 순이익, 총 이익, 승률, 평균 거래 및 하락률과 같은 메트릭을 제공합니다. 전략의 최적화는 다양한 입력으로 성능을 평가하기 위해 중지 및 목표를 조정하여 해결됩니다. 연사는 알고리즘 거래의 시간 절약 측면을 강조합니다. 그렇지 않으면 발견하는 데 몇 달이 걸릴 귀중한 통찰력을 제공할 수 있기 때문입니다.
알고리즘 거래의 장단점은 다음 섹션에서 설명합니다. 이점에는 인간 및 감정적 오류 감소, 거래 아이디어의 신속한 백 테스트, 빠른 주문 입력, 여러 아이디어를 테스트하고 포트폴리오를 구축하는 기능이 포함됩니다. 그러나 지나친 자신감, 과도한 최적화, 지정학적 사건이나 근본적인 거래 기법을 고려하지 못하는 것과 같은 단점도 인정됩니다. 중요한 정치적 또는 경제적 날에 거래하지 않도록 알고리즘을 프로그래밍할 수 있지만 일반적으로 모든 시장 조건에서 작동합니다.
비디오는 내용을 요약하여 마무리합니다. 간단한 알고리즘 예제를 통해 알고리즘 거래의 힘을 강조하면서 양적 거래와 기본 또는 일반 기술 거래의 차이점을 명확히 합니다. 포괄적인 이해를 위해 알고리즘 거래의 장단점을 반복해서 설명합니다. 연사는 시청자가 질문이 있으면 연락하도록 격려하고 동영상이 유익하고 도움이 되었기를 바랍니다.