투자 목적으로 Python 거래 봇의 세계를 탐구하는 이 유익한 웨비나에 참여하십시오. 초보자와 숙련된 거래자 모두에게 적합하도록 설계된 이 비디오는 알고리즘 거래에 Python을 활용하는 데 관심이 있는 개인에게 유용한 리소스 역할을 합니다.
웨비나를 통해 알고 거래 전략을 향상시키는 실용적인 통찰력과 지식을 얻을 수 있습니다. 광범위한 라이브러리 및 자동화 기능을 갖춘 Python은 거래 접근 방식을 간소화하고 최적화할 수 있는 엄청난 잠재력을 제공합니다. Python의 기능을 활용하여 거래 효율성을 높이고 시장 기회를 활용할 수 있습니다.
알고리즘 트레이딩 여정을 이제 막 시작했거나 기존 기술을 다듬고자 하는 경우 이 비디오는 Python을 사용한 알고리즘 트레이딩에 대한 포괄적인 개요를 제공합니다. 오늘날의 역동적인 금융 환경에서 앞서 나가고자 하는 트레이더와 투자자가 꼭 봐야 할 자료입니다. 알고리즘 거래에서 Python의 역할에 대한 이해를 넓히고 성공을 위한 새로운 가능성을 열 준비를 하십시오.
이 세션은 기계 학습을 사용한 최적의 포트폴리오 할당 방법에 대해 설명하는 것을 목표로 합니다. 기계 학습을 핵심으로 활용하는 알고리즘을 사용하여 자본 할당을 선택하는 방법을 알아보세요. Vivin Thomas, VP, Quantitative Research, Equities(EDG) Modelling, JPMorgan Chase & Co.
이 토론에서 우리는 특히 기계 학습 알고리즘의 활용에 중점을 둔 알고리즘 거래의 매혹적인 영역을 탐구할 것입니다. 우리의 주요 목표는 기계 학습을 핵심으로 활용하여 최적의 자본 할당 선택을 하는 정교한 알고리즘을 설계하는 것입니다.
이를 달성하기 위해 우리는 바스켓 자산이라고도 하는 신중하게 선택된 언더라이어 그룹에 가용 자본을 정기적으로 할당하는 데 탁월한 저주파 전략을 개발할 것입니다. 기계 학습 기술을 통합하여 자본 할당 프로세스의 정확성과 효율성을 향상시키는 것을 목표로 합니다.
또한 이 프레임워크 내에서 작동하는 Long-only, low-frequency, 자산 할당 알고리즘을 구성할 것입니다. 이러한 알고리즘은 의사 결정을 위해 경험적 모멘텀 지표에만 의존하는 바닐라 할당 전략을 능가하도록 설계됩니다. 이러한 알고리즘의 성능을 벤치마크 전략과 비교함으로써 자산 할당 프로세스에서 기계 학습을 활용하는 가치와 효율성을 평가할 수 있습니다.
이 탐색을 통해 기계 학습 알고리즘을 자본 할당 전략에 통합할 때의 잠재적 이점과 이점에 대한 통찰력을 얻을 것입니다. 흥미로운 알고리즘 거래의 세계를 탐구하고 이러한 고급 알고리즘이 자산 할당 및 투자 결정에 접근하는 방식을 어떻게 혁신할 수 있는지 알아보십시오.
이 웨비나에서 발표자는 E-PAT 프로그램을 통해 알고리즘 거래의 여정을 시작한 Design Vetii, Javier Cervantes 및 Siddhantu의 세 명의 뛰어난 개인을 소개합니다. 그들은 E-PAT 프로그램에서 다양한 주제와 경험을 다루면서 E-PAT 프레젠테이션 및 프로젝트를 시청자와 공유할 것입니다.
발표자는 플래그십 프로그램 E-PAT가 참가자들에게 프로젝트에 대해 선호하는 자산 클래스 또는 전략 패러다임을 전문화할 수 있는 기회를 제공한다고 강조합니다. 이 맞춤형 접근 방식을 통해 참가자는 선택한 초점 영역에서 전문 지식을 탐색하고 개발할 수 있습니다.
이 세션은 유튜브와 그들의 블로그에 기록되고 공유되어 알고리즘 거래에 관심이 있는 퀀트와 개인에게 귀중한 학습 기회를 제공할 것이라는 점을 강조합니다. 발표자는 시청자가 경험이 풍부한 트레이더가 공유하는 지식과 E-PAT 프로젝트에서 얻은 통찰력을 활용하도록 권장합니다.
첫 번째 프리젠테이션은 남아프리카공화국의 채권 딜러인 Design Vetii가 진행했습니다. Design Vetii는 기술 분석을 사용하여 주식 추세를 예측하는 프로젝트를 공유합니다. 그들은 10년 동안 남아공 상위 40개 지수의 상위 10개 주식에서 데이터를 수집했습니다. Python을 사용하여 이 데이터에서 6개의 공통 기술 지표를 도출한 다음 주식 추세 분석을 위한 기계 학습 모델에 통합했습니다. 발표자는 프로젝트 전반에 걸쳐 기계 학습 분야에 대한 동기와 매력에 대해 이야기합니다.
계속해서 발표자는 사용된 투자 전략에 대해 논의하고 기계 학습 알고리즘의 결과를 제시합니다. 그들은 10개 주식으로 구성된 동일 가중치 포트폴리오를 활용하고 일일 및 주간 재조정 전략을 구현했습니다. 일일 리밸런싱 포트폴리오는 지난 2년 반 동안 44.69%의 수익을 내어 상위 40개 벤치마크 수익의 21.45%를 능가했습니다. 마찬가지로 주간 리밸런싱 포트폴리오는 벤치마크보다 36.52% 높은 수익률을 기록하며 상당한 성과를 보였습니다. 발표자는 기계 학습 모델의 매개변수를 미세 조정하는 데 필요한 시간과 노력을 인정하고 이 프로세스에서 얻은 학습 경험을 강조합니다. 그러나 그들은 또한 전략을 상대 강도, Bollinger Bands 및 MACD와 같은 기술 지표와 단독으로 비교하는 것의 한계와 잠재적인 결함을 인식합니다.
연사는 프로젝트에서 배운 교훈을 반성하고 향후 개선 방법을 숙고합니다. 그들은 상위 10개 주식으로 구성된 지수 탐색에 대한 관심을 언급하고 금융 시계열에서 기계 학습 알고리즘의 셔플 속성을 사용할 때 발생한 실수를 인정합니다. 연사는 Python으로 코딩하고 기계 학습과 기술 지표를 결합하는 전략을 개발하는 능력에 자부심을 나타냅니다. 그들은 미래 프로젝트에서 P 비율, 감정 분석 및 기타 마커와 같은 기본 요소를 통합하고 대체 기계 학습 모델을 탐색할 것을 제안합니다. 또한 발표자는 기술 지표 선택 및 랜덤 포레스트 알고리즘 구현에 관한 청중의 질문에 답합니다.
프레젠테이션이 끝난 후 발표자는 시청자와 Q&A 세션에 참여합니다. 일중 거래 전략에 대한 질문과 재무 분석 맥락에서 기계 학습 학습을 위한 권장 도서를 포함하여 다양한 질문이 처리됩니다. 발표자는 기존 지표를 이해하기 위한 기술 분석 책을 제안하고 향후 연구를 위해 지표와 기본 요소에 대한 비전통적인 관점을 기계 학습 알고리즘에 통합하는 데 잠재적인 초점을 언급합니다.
Q&A가 끝난 후 발표자는 트레이딩 및 신용 시장에서 8년 이상의 경험을 가진 멕시코의 회사채 트레이더 Javier Cervantes를 다음 연사로 소개합니다. Javier는 시가 총액이 작고 집중되어 있는 멕시코 시장의 주식 추세를 예측하기 위해 통계적 차익 거래를 사용하는 방법에 대한 연구를 공유합니다. 그는 전용 자금의 부재, 참여자로부터의 제한된 유동성 창출, 차익 거래 전략에 대한 경쟁 환경으로 인한 이 기회의 매력을 설명합니다.
Javier는 멕시코 주식에 대한 정보를 수집하기 위해 데이터베이스를 구축하는 과정에 대해 논의하고, 불완전하고 잘못된 데이터, 필터링 및 정리 문제, 전략의 기본 가정과 같은 직면한 문제를 설명합니다. 이러한 문제를 해결하기 위해 발행자 전체의 약 40%를 제거하고 일일 거래량이 적은 주식을 제외했습니다.
그런 다음 발표자는 6개의 서로 다른 주식 쌍에 적용된 Javier의 통계적 차익 거래 전략 결과를 분석하여 긍정적인 결과를 얻었습니다. 쌍의 수익률은 낮고 대부분 음의 상관관계를 보여 분산투자가 전체 포트폴리오로서의 전략 구현에 상당한 이점을 줄 수 있음을 시사합니다. 발표자는 6쌍 모두로 구성된 포트폴리오의 결과를 분석할 때 연간 성장률 19%, 최대 손실률 5%, 총 샤프 비율 2.45를 강조하여 개별 쌍에 비해 상당한 우위를 보여줍니다. 또한 발표자는 실제 자본을 배치하기 전에 거래 비용, 다양한 시간대, 시장 조건 및 손절매 전략 구현의 필요성을 포함하여 고려해야 할 몇 가지 위험을 강조합니다.
연사는 초기 정체가 관찰되더라도 쌍 간의 장기적인 관계가 무너질 수 있으므로 시간이 지남에 따라 신뢰성을 보장하기 위해 통계적 차익 거래 전략을 정기적으로 테스트하는 것이 중요하다고 강조합니다. 그들은 다른 시장 부문에 대한 가정을 기반으로 수동으로 선택하는 대신 기계 학습 알고리즘을 사용하여 거래 전략에 적합한 쌍을 선택할 가능성을 제안합니다. 연사는 모델의 효율성을 높이고 수익의 신뢰성을 향상시키기 위한 추가 연구의 여지가 충분하다고 언급하며 결론을 내립니다. Q&A 세션 동안 그들은 데이터에 사용된 기간, 통화 쌍의 수익 사이의 음의 상관 관계에서 얻은 주요 시사점, 일중 전략 구현의 타당성에 관한 질문을 다룹니다.
마지막으로 발표자는 프로젝트 경험을 공유하는 트레이더 Siddhantu를 소개합니다. Siddhantu는 트레이더로서의 배경에 대해 논의하는 것으로 시작하여 뉴스와 정서가 주가에 미치는 영향에 대해 의문을 제기하게 만든 medcap 호텔 체인 스톡과 관련된 사건을 이야기합니다. 뉴스 추출, 정서 분석 및 거래 전략의 세 부분으로 나뉜 프로젝트의 개요를 설명합니다. Nvidia Corporation은 유동성과 변동성으로 인해 프로젝트의 주식으로 선택되었습니다.
Siddhantu는 newsapi.org 데이터베이스를 사용하여 뉴스 기사를 수집하고 Python의 신문 라이브러리를 사용하여 감정 점수를 추출하는 과정을 설명합니다. 감정 점수는 극한 점수를 기반으로 롱 또는 숏 거래 계획을 생성하는 데 활용됩니다. 연사는 프로그래밍 단계에서 직면한 문제를 공유하지만 성공을 달성하기 위해 올바른 도구를 선택하고 멘토로부터 지원을 받는 것의 중요성을 강조합니다. 결과는 고무적이지만 연사는 백 테스트에 주의해서 접근해야 할 필요성을 강조하고 프로젝트의 각 단계에서 개선의 여지가 있음을 인정합니다. 감정 점수 생성의 정확성을 위해 Python의 Vader 감정 분석기 도구를 권장합니다.
연사는 감정 분석과 뉴스 기사에 적용할 때의 한계를 설명합니다. 그들은 감정 분석이 트윗과 소셜 미디어 댓글에서 감정을 감지하는 데 효과적일 수 있지만 부정적인 사건 보고의 차이로 인해 뉴스 기사에는 적합하지 않을 수 있다고 지적합니다. 또한 감정 분석에 사용되는 소스, Vader 점수를 거래 신호로 변환하는 프로세스, 감정 분석에서 딥 러닝 활용(아직 탐색하지는 않았지만 잠재력을 인식함) 및 기타 관련 주제에 대한 청중 질문에 응답합니다. .
마지막으로 화자는 감정 분석 프로그램에서 백테스팅에 사용되는 데이터에 대해 자세히 설명합니다. 매일 10~15건의 영향력 있는 뉴스 기사를 수집해 하루 평균 감정 점수를 산정했다고 설명한다. 이 프로그램은 약 6개월 분량의 이러한 기사를 활용했습니다. 주식 수익률의 경우 엔비디아 주식에 대한 6개월 동안의 일별 데이터가 통합되었습니다. 연사는 거래 또는 백테스팅 중에 주식의 기본적 또는 기술적 측면이 고려되지 않았으며 거래 신호는 전적으로 감정 점수에서 파생되었음을 분명히 합니다.
00:00:00 발표자는 E-PAT를 통해 알고 거래의 여정을 시작한 Design Vetii, Javier Cervantes 및 Siddhantu의 세 명의 뛰어난 개인을 소개합니다. 그들은 다양한 주제와 E-PAT 프로그램에서의 경험에 대해 시청자들과 E-PAT 프레젠테이션 및 프로젝트를 공유할 것입니다. 발표자는 주력 프로그램 E-PAT의 프로젝트 기회를 통해 참가자가 자산 클래스 또는 전략 패러다임 선택을 전문화할 수 있다고 언급합니다. 또한 발표자는 녹화되어 YouTube와 블로그에 공유되는 이 세션이 퀀트를 꿈꾸는 사람들에게 좋은 학습 기회가 될 것이라고 강조합니다. 첫 번째 프레젠테이션은 남아공의 채권 딜러인 Design Vetii의 기술적 분석을 통한 주식 동향 예측에 관한 것입니다.
00:05:00 발표자는 작년 EPAP 프로그램에 제출한 프로젝트에 대해 설명합니다. 그의 프로젝트의 목표는 남아프리카 시장에서 기계 학습 분야를 확장하고 기술 분석과 기계 학습의 통합을 탐구하는 것이었습니다. 그는 10년 동안 남아공 상위 40개 지수의 상위 10개 주식에서 데이터를 수집하고 파이썬을 사용하여 6개의 공통 기술 지표를 도출했습니다. 그런 다음 이러한 지표는 주식 추세 분석을 위한 기계 학습 모델에 통합되었습니다. 발표자는 자신의 동기와 기계 학습 분야에 얼마나 매료되었는지에 대해 이야기합니다.
00:10:00 연사는 자신이 사용한 투자 전략과 기계 학습 알고리즘의 결과에 대해 논의합니다. 그는 10개 주식의 동일 가중치 포트폴리오를 사용하고 일일 및 주간 재조정 전략을 살펴보았습니다. 일일 리밸런싱 포트폴리오는 지난 2년 반 동안 44.69%의 수익률을 기록했으며, 상위 40개 벤치마크 수익률은 21.45%였습니다. 마찬가지로 주간 재조정 포트폴리오는 벤치마크를 능가하여 36.52%의 상당한 아웃퍼펌을 기록했습니다. 기계 학습 모델은 매개변수를 미세 조정하는 데 시간이 좀 걸렸지만 화자는 이 경험을 학습 기회로 삼았습니다. 그러나 발표자는 전략을 상대 강도, 볼린저 밴드 및 macd와 같은 기술 지표와 비교하는 데 결함이 있음을 인정합니다.
00:15:00 발표자는 자신의 프로젝트에서 배운 내용과 향후 이를 개선할 수 있는 방법을 반영합니다. 그는 상위 10개 주식으로 구성된 지수를 보는 것이 얼마나 흥미로웠을지, 금융 시계열에 대한 그의 기계 학습 알고리즘에서 shuffle 속성을 사용하는 것이 얼마나 실수였는지 언급합니다. 발표자는 Python으로 코딩하고 기계 학습과 기술 지표를 통합하는 전략을 생성할 수 있었던 것을 자랑스럽게 생각합니다. 향후 프로젝트를 위해 그는 P 비율, 감정 분석 및 기타 마커와 같은 기본 사항을 통합하고 다른 기계 학습 모델을 살펴볼 것을 제안합니다. 그는 또한 기술 지표 선택과 랜덤 포레스트 알고리즘에 관한 질문에 답합니다.
00:20:00 발표자는 장중 거래 전략, 재무 분석을 위한 기계 학습 학습을 위한 추천 도서 등 시청자의 질문에 답합니다. 발표자는 기존의 지표 학습을 위한 기술 분석 책을 제안하고, 지표에 대한 비전통적인 관점과 근본적인 관점을 기계 학습 알고리즘에 통합하는 것이 향후 연구의 잠재적인 초점이 될 수 있다고 언급합니다. Q&A가 끝난 후 발표자는 트레이딩 및 신용 시장에서 8년 이상의 경험을 가진 멕시코의 회사채 트레이더인 Javier Cervantes를 연사로 소개합니다.
00:25:00 연사는 시가 총액이 작고 집중된 멕시코 시장의 주식 추세를 예측하기 위해 통계적 차익 거래를 사용하는 연구의 동기에 대해 논의합니다. 그들은 전용 자금의 부족, 유동성을 생성하는 참가자, 차익 거래 전략을 위한 경쟁이 매력적인 기회라고 설명합니다. 그런 다음 발표자는 멕시코 주식에 대한 정보를 수집하기 위해 데이터베이스를 구축한 방법과 불완전하고 잘못된 데이터, 필터링 및 정리, 전략의 가정과 같은 직면한 문제에 대해 자세히 설명합니다. 그들은 궁극적으로 이러한 문제를 해결하기 위해 발행자 전체의 약 40%를 제거하고 일일 거래량이 적은 주식을 제거했습니다.
00:30:00 발표자는 긍정적인 결과를 가져온 6개의 서로 다른 주식 쌍에 적용된 통계적 차익 거래 전략의 결과를 분석합니다. 그는 서로 다른 쌍의 수익률의 상관관계가 낮고 대부분 음수라는 사실을 발견했으며, 이는 다각화가 전체 포트폴리오로서 전략을 구현하는 데 큰 도움이 될 수 있음을 시사합니다. 6쌍의 포트폴리오를 모두 사용한 결과를 분석한 결과, 포트폴리오의 연간 성장률은 19로 최대 하락폭은 5에 불과했고 총 샤프 비율은 2.45로 단일 쌍보다 월등히 뛰어났습니다. 발표자는 또한 거래 비용, 다양한 시간대 및 시장 조건, 손절매 전략의 필요성을 포함하여 실제 돈을 투자하기 전에 고려해야 할 몇 가지 위험에 대해 설명합니다.
00:35:00 연사는 통계적 차익 거래 전략을 정기적으로 테스트하여 시간이 지남에 따라 안정성을 보장하는 것의 중요성에 대해 논의합니다. 쌍이 초기에 정체를 나타내더라도 장기적인 관계가 무너질 수 있기 때문입니다. 그들은 또한 다른 시장 부문에 대한 가정을 기반으로 수동으로 선택하는 대신 기계 학습 알고리즘을 사용하여 거래 전략에 적합한 주식 쌍을 선택할 가능성을 제안합니다. 연사는 모델을 보다 효율적으로 만들고 보다 신뢰할 수 있는 반환을 만들기 위한 연구의 여지가 여전히 많다고 말하면서 결론을 내립니다. Q&A 세션 동안 그들은 데이터에 사용된 기간, 서로 다른 쌍의 수익률에 대한 음의 상관 관계의 주요 시사점 및 일중 전략 구현 가능성에 대한 질문에 답합니다.
00:40:00 화자가 자신을 소개하고 트레이더로서의 경험에 대해 이야기합니다. 그는 medcap 호텔 체인 주식과 관련된 사건으로 인해 어떻게 뉴스와 정서가 주가에 미치는 영향에 대해 의문을 갖게 되었는지 설명합니다. 그런 다음 뉴스 추출, 정서 분석 및 거래 전략의 세 부분으로 나눈 프로젝트 경험을 공유합니다. 그가 프로젝트를 위해 선택한 주식은 유동성과 변동성 때문에 Nvidia Corporation이었습니다.
00:45:00 연사는 newsapi.org 데이터베이스를 사용하여 뉴스 기사를 수집하고 Python의 신문 라이브러리를 사용하여 감정 점수를 추출하는 과정에 대해 논의합니다. 감정 점수는 극한 점수를 기반으로 롱 또는 숏 거래 체계를 생성하는 데 사용됩니다. 연사는 프로그래밍과 관련하여 몇 가지 문제에 직면했지만 멘토의 지원을 받았으며 성공의 열쇠는 프로젝트에 적합한 도구를 선택하는 것임을 발견했습니다. 결과는 고무적이었지만 연사는 백테스트는 소금 한 알을 가지고 치러야 한다고 강조합니다. 또한 프로젝트의 각 단계에는 항상 개선의 여지가 있습니다. 화자는 감정 점수 생성의 정확성을 위해 Python의 Vader 감정 분석기 도구를 권장합니다.
00:50:00 화자는 뉴스 기사와 관련하여 정서 분석과 그 한계에 대해 논의합니다. 감정 분석은 트윗과 소셜 미디어 댓글에서 감정을 감지하는 데 유용할 수 있지만 뉴스 기사에는 부정적인 이벤트를 보고하는 방법이 다르기 때문에 뉴스 기사에는 적합하지 않습니다. 연사는 또한 정서 분석, 백테스팅, Vader 점수를 거래 신호로 변환, 정서 분석에서 딥 러닝 사용에 사용되는 소스와 관련된 몇 가지 질문에 답합니다. 화자는 감정 분석을 위해 아직 딥 러닝을 사용하지 않았지만 앞으로 탐색할 가치가 있음을 인정합니다.
00:55:00 발표자는 감정 분석 프로그램에서 백테스팅에 사용된 데이터에 대해 논의했습니다. 그는 하루 평균 감정 점수를 계산하기 위해 하루에 10~15개의 영향력 있는 뉴스 기사를 수집했으며 그의 프로그램은 이러한 기사를 약 6개월 분량으로 사용했습니다. 주식 수익률 측면에서 그는 6개월 동안 Nvidia 주식에 대한 일별 데이터를 가지고 있었습니다. 연사는 거래 중 또는 백테스팅 중에 주식의 기본적 또는 기술적 측면이 고려되지 않았음을 분명히 했습니다. 거래 신호는 감정 점수를 기준으로만 생성되었습니다.
이 튜토리얼에서는 시장 복잡성과 반사성의 개념을 소개하고 논의합니다. 초점은 미국 주식 시장 및 기타 시장에서 발생한 특정 체제 변화에 있습니다. 발표자인 마이클 해리스(Michael Harris)는 이러한 체제 변화가 전략 개발에 어떤 영향을 미칠 수 있는지 탐구하고 데이터 및 전략 혼합을 조정하여 영향을 최소화하는 방법에 대한 통찰력을 제공합니다.
이 자습서는 참석자가 자신의 시스템에서 분석을 복제할 수 있도록 실용적으로 설계되었습니다. Amibroker는 웨비나 중 분석에 사용되며 참석자는 세션 후 추가 연습을 위해 Python 코드를 다운로드할 수 있습니다.
Michael은 또한 시장의 모멘텀 및 평균 회귀 동적 상태 변화를 측정하는 새로 개발된 지표를 공유합니다. 이 지표에 대한 코드가 제공되어 참석자가 자신의 거래 전략에 통합할 수 있습니다.
연사인 Michael Harris는 30년에 걸친 상품 및 통화 선물 거래에 대한 풍부한 경험을 가지고 있습니다. 그는 "가격 패턴을 이용한 단기 거래", "가격 패턴에 기반한 주식 거래 기법", "수익성 및 체계적 거래", "기술적 분석에 속아: 차트 작성의 위험, 백 테스팅 및 데이터 마이닝." 그는 Price Action Lab 블로그의 저자이자 DLPAL 소프트웨어 개발자이기도 합니다. Michael은 두 개의 석사 학위를 가지고 있는데, 하나는 제어 시스템 및 최적화에 중점을 둔 기계 공학이고 다른 하나는 컬럼비아 대학교에서 예측 및 금융 공학에 중점을 둔 운영 연구입니다.
튜토리얼은 시장 복잡성과 체제 변화의 다양한 측면을 다루는 장으로 나누어져 있습니다. 연사의 소개는 자습서의 무대를 설정하고 다룰 주제에 대한 개요가 이어집니다. 지수 거래 전략에 대해 설명하고 양적 주장의 한계를 강조합니다. 그런 다음 평균 회귀 전략에 대해 논의하여 정권 변화와 변화가 어떻게 발생하는지에 대한 심층 탐구로 이어집니다. S&P 시장에서 평균 회귀의 역학을 분석하여 금융 시장에 존재하는 복잡성을 강조합니다.
시장 복잡성의 악영향이 다루어지며 거래자에게 제기되는 문제를 강조합니다. 튜토리얼은 금융 시장의 추가적인 복잡성에 대한 논의로 마무리되며 추가 탐색을 위한 리소스를 제공합니다. 질문 및 답변 세션이 이어지며 참석자들은 의심을 명확히 하거나 더 깊은 통찰력을 얻을 수 있습니다.
이 튜토리얼은 해당 분야의 숙련된 트레이더와 저자가 제공하는 시장 복잡성, 체제 변화 및 거래 전략에 대한 영향에 대한 귀중한 통찰력을 제공합니다.
이 비디오에서 연사는 자동화된 거래 전략의 구상, 생성 및 구현에 대한 마스터 클래스의 포괄적인 개요를 제공합니다. 연사인 Aditya Gupta는 헤지펀드 설립자이자 Interactive Brokers API와 상호 작용하는 Python 패키지의 저자인 Dr. Hui Liu를 소개합니다. 그는 또한 Dr. Liu가 논의할 API와 관련된 놀라운 개발에 대해서도 언급합니다.
비디오는 자동 거래의 정의를 설명하고 알고리즘 거래와 관련된 세 가지 주요 단계를 강조하면서 시작됩니다. 연사는 기술 분석을 사용하여 임의 거래에서 체계적 거래로 전환하는 개인적인 여정을 공유합니다.
퀀트, 테크니컬, 펀더멘털의 세 가지 분석 유형에 초점을 두고 알고리즘 트레이딩에서 분석의 중요성을 강조합니다. 분석의 다양한 측면에는 과거 차트, 재무 제표, 미시 및 거시 경제 요인을 연구하고 수학적 모델 및 통계 분석을 사용하여 거래 전략을 만드는 것이 포함됩니다. 이러한 전략은 본질적으로 데이터를 처리하고 구매 및 판매 신호를 생성하는 알고리즘입니다. 이 프로세스에는 실시간 거래로 이동하기 전에 전략 개발, 테스트 및 종이 거래가 포함됩니다. 라이브 거래와 연결하려면 브로커 연결과 API가 필요하며 iBridge PI가 잠재적 솔루션으로 논의되었습니다. 전략 스펙트럼의 개념도 도입되어 다양한 이익 동인과 분석 유형을 보여줍니다.
연사는 양적 분석과 거래 전략 및 포트폴리오 관리를 만드는 역할에 대해 자세히 설명합니다. 그들은 양적 분석에는 수학적 모델과 통계 분석을 사용하여 양적 거래 전략을 개발하는 데 적용할 수 있는 과거 데이터에서 통찰력을 얻는 것이 포함된다고 설명합니다. 양적 분석은 위험 관리 및 전략에 대한 이익 실현 및 손절매 수준 계산에 특히 유용합니다. 그들은 pandas, numpy 및 matplotlib와 같은 라이브러리를 사용하여 간단한 이동 평균 교차 전략을 만들고 전략의 수익을 계산하는 프로세스를 시연합니다.
샤프 비율, 복합 연간 성장률(CAGR) 및 최대 하락률과 같은 알고리즘 거래에 사용되는 다양한 성과 지표에 대해 논의합니다. 백테스팅 편향과 프로세스의 일반적인 실수를 피하는 것의 중요성이 강조됩니다. 연사들은 또한 수학 및 통계 지식, 데이터 처리에 대한 관심, Python 코딩 숙련도 및 금융에 대한 이해를 포함하는 양적 분석에 필요한 기술 집합에 대해 설명합니다. 데이터 소스 및 분석에서 시작하여 신호 실행에 이르기까지 자동화된 거래 전략 생성 프로세스를 설명하고 이를 애플리케이션 프로그래밍 인터페이스(API)에 연결합니다. Hui Liu 박사는 자신을 소개하고 간략한 배경을 제공하며 Python을 사용하는 TD Ameritrade 및 Interactive Brokers와의 알고리즘 거래에 대한 향후 주제에 대한 개요를 제공합니다.
그런 다음 연사는 iBridgePy 플랫폼을 사용하는 알고리즘 거래의 세 가지 초석인 실시간 가격 표시, 과거 데이터 검색 및 주문 배치에 중점을 둡니다. 이 세 가지 초석은 복잡한 전략을 구성하기 위한 빌딩 블록 역할을 합니다. 연사는 세 가지 샘플 전략, 즉 포트폴리오 재조정, 저점 매수 및 고가 전략, 이동 평균 교차를 사용한 추세 포착 전략을 제시합니다. 압력 감소 및 인적 오류 감소와 같은 알고리즘 거래의 이점이 강조됩니다. 화자는 코딩에 과도한 노력을 기울이기보다는 iBridgePy와 같은 거래 플랫폼을 활용하여 좋은 전략을 연구하는 데 시간을 투자할 것을 권장합니다. iBridgePy 플랫폼 내에서 백테스팅과 실시간 거래 간에 원활하게 전환할 수 있는 유연성도 강조됩니다.
비디오는 알고리즘 거래에 사용할 수 있는 다양한 브로커 및 Python 플랫폼 옵션에 대해 논의합니다. TD Ameritrade는 커미션 거래가 없는 전자 거래 플랫폼을 제공하는 미국 기반 중개 회사로 소개되었습니다. Interactive Brokers는 거래 자동화를 위해 중소형 헤지 펀드에서 일반적으로 사용하는 API 솔루션의 선도적인 제공업체로 주목받고 있습니다. 또 다른 미국 기반 중개업체인 Robinhood는 수수료 없는 거래 및 알고 거래 기능으로 언급됩니다. 트레이더의 지적 재산권 보호, 동시 백테스팅 및 실시간 거래 지원, 다양한 패키지 옵션과의 호환성 등 Python 거래 플랫폼 iBridgePy 사용의 이점을 살펴봅니다. iBridgePy는 또한 다른 브로커와의 거래 및 여러 계정 관리를 용이하게 합니다.
발표자들은 여러 계정을 동시에 처리하고 Average Pi라는 하이브리드 거래 플랫폼을 소개하기 위해 헤지 펀드 매니저를 위한 효과적인 도구의 필요성에 대해 논의합니다. Average Pi는 Contopian과 Quantopian의 조합으로 설명되며 알고리즘 및 Python 기반 거래를 제어할 수 있습니다. Integrity Broker를 통한 Interactive Brokers 거래 플랫폼 구성을 포함하여 Windows 시스템에서 Average Pi를 다운로드하고 설정하는 프로세스가 시연됩니다. 패키지의 기본 시작 파일인 runme.py가 표시되며 계정 코드와 선택한 실행 전략의 두 가지 수정만 필요합니다.
Hui Liu 박사와 Aditya Gupta는 예제를 사용하여 계정을 표시하는 방법을 보여주는 알고리즘 거래에 대한 자습서를 제공합니다. 그들은 알고리즘 거래를 위해 특별히 설계된 다양한 기능을 제공하는 Average Pi 내에서 데이터 초기화 및 처리 기능의 사용법을 설명합니다. Average Pi 플랫폼을 사용하여 코딩하는 것이 얼마나 쉬운지 보여줍니다.
연사는 실시간 가격 표시와 과거 데이터 검색이라는 두 가지 주제로 뛰어듭니다. 실시간 가격의 경우 핸들 데이터 기능을 사용하여 타임스탬프를 인쇄하고 매초 가격을 요청하도록 코드가 구성된 데모가 제공됩니다. 연사는 연구 목적으로 과거 데이터를 가져오기 위해 요청 과거 데이터 기능을 설명하고 시가, 고가, 저가, 종가 및 볼륨을 포함한 과거 데이터가 포함된 pandas 데이터 프레임을 검색하는 데 어떻게 사용할 수 있는지 보여줍니다. 코드 구조를 검사하고 기록 데이터를 검색하고 콘솔에 출력을 인쇄하기 위해 코드를 업데이트하는 데모가 표시됩니다.
발표자는 iBridgePy에서 매도 가격이 $100.01를 초과할 때 $99.95에 SPY 100주를 매수하는 지정가 주문을 하는 방법을 시연합니다. 거래할 계약 및 주식수량을 정의하고 '주문' 기능을 활용하여 지정가 주문을 합니다. 또한 화자는 주문 상태를 추적하는 '주문 상태 모니터' 기능을 사용하여 시장 가격으로 주문하는 것을 시연합니다. 이러한 기본 단계를 보여준 후 연사는 다음 단계가 거래 전략을 구성하기 위해 거래 계약 및 거래 결정 빈도를 결정하는 것과 관련이 있다고 설명합니다.
알고리즘 거래 전략 실행과 관련된 단계에 대해 설명합니다. 일정 기능과 같은 기능을 사용하여 정기적으로 데이터를 처리하고 작업을 예약해야 하는 필요성에 대해 설명합니다. 기술 지표를 계산하는 과정을 살펴보는데, 여기에는 중개인에게 과거 데이터를 요청하고 계산을 위해 pandas의 데이터 프레임 기능을 활용하는 것이 수반됩니다. 시장 주문 및 지정가 주문과 같은 주문 유형을 검토하고 정지 주문을 코드 또는 알고리즘에 통합하는 것에 대해 간략하게 언급합니다.
그런 다음 연사는 펀드 매니저들 사이에서 인기 있는 접근 방식인 거래 지침을 기반으로 포트폴리오를 리밸런싱하기 위한 데모 전략을 설명합니다. Python 사전을 사용한 거래 지침의 수동 실행이 시연되고 매일 거래 결정을 예약하고 주문 목표 백분율을 사용하여 계정을 자동으로 재조정하는 간단한 코드가 제공됩니다. 계정을 재조정하고 위치를 확인하는 과정을 보여주는 라이브 데모가 제공됩니다.
Python을 사용하여 구현할 수 있는 세 가지 거래 전략이 설명되어 있습니다. 첫 번째는 사용자가 자신의 위치, 지분 및 비용 기준을 모니터링할 수 있는 간단한 재조정 전략입니다. 두 번째는 종가가 전일 가격보다 낮을 때 거래 기회를 식별하는 데 사용되는 평균 회귀 전략입니다. 마지막으로 과거 데이터를 사용하여 잠재적인 매수 및 매도 기회의 교차점을 계산하는 데 중점을 둔 이동 평균 교차 전략에 대해 설명합니다. 세 가지 전략 모두 특정 시간에 시장이 마감되기 전에 거래 결정을 내리고 시장 주문을 사용하여 거래를 실행하는 것입니다. 모든 전략을 구현하기 위한 코드는 Python 및 스케줄링 기능을 사용하여 간단하고 쉽게 구현됩니다.
Hui Liu 박사와 Aditya Gupta가 이동 평균을 사용하여 포트폴리오의 주식을 언제 사고 팔지 결정하는 방법을 설명합니다. 그들은 Average Pi 플랫폼을 사용하여 이 전략의 구현을 시연한 다음 성능을 평가하기 위해 과거 데이터를 적용하여 백 테스트를 진행합니다. 이 튜토리얼에서는 Hybrid Pi 내에서 Test Me Py 기능을 사용하여 시뮬레이션을 위한 기록 데이터를 입력하고 계정 잔액 및 거래 세부 정보에 대한 결과를 얻는 방법을 다룹니다.
연사는 성능 분석 차트에 액세스하여 알고리즘 거래 전략의 시뮬레이션 결과를 보는 방법을 설명합니다. 이 차트는 균형 로그와 샤프 비율, 평균 및 표준 편차와 같은 다양한 통계를 표시하며 추가로 사용자 정의할 수 있습니다. 연사는 Average Pi가 여러 계정을 처리하고 재조정할 수 있다고 강조합니다. 이 플랫폼은 유연하고 사용자 친화적이며 알고리즘 거래 플랫폼 설정, 백 테스트, 라이브 거래, 다른 중개인과의 거래 및 여러 계정 관리에 활용할 수 있습니다. 또한 연사는 시청자에게 코딩 지원을 위한 코더 대여 서비스를 탐색하고 무료 자습서를 위해 YouTube 채널을 구독하도록 초대합니다.
발표자들은 Interactive Brokers의 iBridge가 다른 유형의 계약과 함께 선물 및 옵션 거래에 어떻게 사용될 수 있는지에 대해 논의합니다. Super Symbol 기능을 사용하면 스톡 옵션, 필터, 지수, 외환 등과 같은 다양한 유형의 계약을 정의할 수 있다고 설명합니다. 주식이 아닌 홍콩 거래소에서 거래되는 구조화 상품의 예가 제공됩니다. Super Symbol 기능을 사용하면 주식 이외의 모든 계약 유형을 거래할 수 있습니다. 정지 손실이 간략하게 언급되어 코드에 통합되거나 알고리즘에 구축되는 방법을 강조합니다.
발표자들은 알고리즘 거래에서 위험 관리의 중요성을 강조하며 토론을 계속합니다. 그들은 불리한 시장 움직임의 경우 잠재적인 손실을 제한하기 위한 위험 완화 전략으로 손절매를 구현할 필요성을 강조합니다. 손절매는 코드나 알고리즘에 통합되어 사전 결정된 가격 수준에 도달하면 보안 판매를 자동으로 트리거할 수 있습니다.
다음으로, 그들은 사용 가능한 자본 및 위험 허용 범위를 기반으로 거래할 주식 또는 계약의 적절한 수량을 결정하는 것과 관련된 포지션 크기 조정의 개념을 탐구합니다. 적절한 포지션 사이징은 자본 할당이 트레이더의 위험 관리 전략과 일치하도록 함으로써 위험을 관리하고 수익을 최적화하는 데 도움이 됩니다.
연사들은 또한 알고리즘 거래에서 성과 평가 및 모니터링의 중요성에 대해서도 언급합니다. 그들은 샤프 비율, 복합 연간 성장률(CAGR) 및 최대 손실률을 포함하여 거래 전략의 효과를 평가하는 데 사용되는 다양한 성과 지표에 대해 논의합니다. 이러한 지표는 전략과 관련된 위험 조정 수익률, 장기 성장 및 잠재적인 하향 위험에 대한 통찰력을 제공합니다.
백테스팅에서 일반적인 함정과 편견을 피하기 위해 발표자는 데이터 무결성을 보장하고 샘플 외 테스트를 사용하는 것의 중요성을 강조합니다. 그들은 과거 데이터에 너무 가깝게 전략을 맞춤화하여 변화하는 시장 조건에 대한 전략의 적응성 부족으로 인해 라이브 거래의 성능이 저하되는 과도한 최적화 또는 "커브 피팅"에 대해 경고합니다.
발표자들은 성공적인 알고리즘 거래를 위해서는 기술과 지식의 조합이 필요하다고 강조합니다. 그들은 수학과 통계에 대한 탄탄한 기초, 데이터 작업에 대한 관심, Python을 사용한 코딩 능숙도, 금융 시장에 대한 충분한 이해의 필요성을 언급합니다. 그들은 알고리즘 거래에 관심이 있는 개인이 학습 리소스와 실제 적용을 통해 자신의 지식과 기술을 지속적으로 확장하도록 권장합니다.
비디오의 마지막 부분에서 Dr. Hui Liu는 자신을 소개하고 헤지펀드 창립자이자 Interactive Brokers API와 상호 작용하는 Python 패키지 작성자로서의 배경을 공유합니다. 그는 Python을 사용하는 Interactive Brokers 및 TD Ameritrade와의 알고리즘 거래와 관련된 향후 주제에 대해 간략하게 논의하여 향후 마스터 클래스에서 이러한 주제를 추가로 탐색할 수 있는 단계를 설정합니다.
이 비디오는 알고리즘 트레이딩에 대한 포괄적인 개요를 제공하며 자동 트레이딩 전략의 구상에서 구현까지의 여정을 다룹니다. 분석의 중요성을 강조하고 다양한 유형의 분석(양적, 기술 및 기본)에 대해 논의하고 전략 개발, 테스트 및 실행의 다양한 측면을 탐구합니다. 연사는 iBridgePy 및 Average Pi와 같은 Python 기반 플랫폼의 실제 적용을 시연하고 실시간 가격 추적, 과거 데이터 검색, 주문 배치 및 포트폴리오 재조정 기능을 보여줍니다.
00:00:00 비디오는 자동 거래 전략을 구상하고 만들고 구현하는 여정인 마스터 클래스에서 다룰 내용을 미리 보여줍니다. 연사인 Aditya Gupta는 헤지펀드 설립자이자 Interactive Brokers API와 상호 작용하는 Python 패키지의 저자인 Dr Hui Liu를 소개하고 Dr Liu가 이야기할 API와 관련된 놀라운 개발에 대해 언급합니다. 그런 다음 비디오는 자동 거래의 정의, 알고리즘 거래의 세 가지 주요 단계, 기술 분석을 사용하여 임의 거래에서 체계적 거래로 전환하는 연사의 개인적인 여정을 다룹니다.
00:05:00 알고리즘 거래에서 분석의 중요성에 대해 논의하며 양적, 기술적, 기본적 분석의 세 가지 분석 유형을 언급합니다. 다양한 유형의 분석에는 과거 차트, 재무 제표, 미시 및 거시 경제 요인을 연구하고 수학적 모델 및 통계 분석을 사용하여 전략을 수립하는 것이 포함됩니다. 전략은 데이터를 가져와 구매 및 판매 신호를 제공하는 알고리즘입니다. 이 프로세스에는 실시간 거래로 이동하기 전에 전략 개발 및 테스트와 종이 거래가 포함됩니다. 라이브 트레이딩과 연결하기 위해서는 브로커 연결성과 API가 필요하며, I Bridge PI가 잠재적인 솔루션으로 거론되고 있습니다. 다양한 수익 동인 및 분석 유형과 함께 전략 스펙트럼도 제시됩니다.
00:10:00 연사는 양적 분석과 거래 전략 및 포트폴리오 관리를 만드는 데 사용되는 방법에 대해 논의합니다. 양적 분석에는 수학적 모델과 통계 분석을 사용하여 과거 데이터를 이해하고 이를 양적 거래 전략을 만드는 데 사용할 수 있는 통찰력으로 전환하는 작업이 포함된다고 설명합니다. 다른 형태의 분석과 비교할 때 정량적 분석은 위험 관리 및 전략의 이익실현 및 손절매 수준 계산에 특히 유용합니다. 그런 다음 pandas, numpy 및 matplotlib와 같은 라이브러리를 사용하여 간단한 이동 평균 교차 전략을 만들고 전략 수익을 계산하는 프로세스를 안내합니다.
00:15:00 발표자들은 예리한 비율, 연평균 성장률(CAGR), 알고리즘 거래에 사용되는 최대 하락률과 같은 다양한 성과 지표에 대해 논의합니다. 그들은 또한 백테스팅 편향과 그 과정에서 흔한 실수를 피하는 것의 중요성을 강조합니다. 또한 퀀트 분석에는 수학과 통계에 대한 지식, 데이터를 다루는 데 대한 관심, 파이선(Python) 언어 코딩에 대한 지식, 금융에 대한 이해가 필요하다고 제시한다. 또한 데이터 소스 및 분석에서 신호 실행에 이르는 자동화된 거래 전략 생성 프로세스를 간략하게 설명하고 애플리케이션 프로그래밍 인터페이스(API)에 연결합니다. 마지막으로 Hui Liu 박사는 자신과 그의 배경을 소개하고 Python을 사용하는 TD Ameritrade 및 Interactive Brokers와의 알고리즘 거래에 대한 향후 주제에 대해 간략하게 논의합니다.
00:20:00 연사는 iBridgePy 플랫폼을 사용하는 알고리즘 거래의 세 가지 초석인 실시간 가격 표시, 과거 데이터 가져오기 및 주문에 대해 논의합니다. 이 세 가지 초석은 복잡한 전략을 구축하는 데 사용할 수 있으며 연사는 포트폴리오 재조정, 저점 매수 및 고가 전략, 이동 평균 교차를 사용한 추세 포착 전략의 세 가지 샘플 전략을 제공합니다. 알고리즘 거래의 이점은 부담이 적고 인적 오류가 적다는 것입니다. 발표자는 iBridgePy와 같은 거래 플랫폼을 사용하여 코딩보다는 좋은 전략을 연구하는 데 시간을 할애할 것을 권장합니다. iBridgePy 플랫폼에서 백테스팅과 실시간 거래를 쉽게 전환할 수 있습니다.
00:25:00 비디오는 알고리즘 거래에 사용할 수 있는 다양한 브로커 및 Python 플랫폼 옵션에 대해 설명합니다. 중개인을 위해 TD Ameritrade는 커미션 거래가 없는 전자 거래 플랫폼을 제공하는 미국 기반 중개 회사이며 Interactive Brokers는 업계 최고의 API 솔루션을 제공하며 대부분의 중소형 헤지펀드는 이를 사용하여 거래를 자동화합니다. Robinhood는 수수료가 없고 알고 거래를 제공하는 미국 기반 중개업체입니다. 그런 다음 동영상에서는 트레이더의 지적 재산권 보호, 백테스팅 및 실시간 거래 지원, 모든 패턴 패키지 사용 허용 등 Python 거래 플랫폼인 iBridgePy를 사용할 때의 이점에 대해 설명합니다. 또한 iBridgePy는 다양한 브로커 사용을 지원하고 여러 계정을 관리할 수 있습니다.
00:30:00 발표자는 헤드폰 관리자가 동시에 여러 계정을 관리할 수 있는 좋은 도구의 필요성에 대해 논의하고 Average Pi라는 하이브리드 거래 플랫폼을 소개합니다. 그들은 Average Pi가 제어 알고리즘과 Python 장기 거래를 지원하는 Contopian과 Quantopian의 하이브리드라고 설명합니다. 발표자는 무결성 브로커를 사용하고 대화식 브로커 거래 플랫폼을 구성하는 방법을 포함하여 Windows 시스템에서 Average Pi를 다운로드하고 설정하는 방법을 시연합니다. 또한 두 가지 변경만 필요한 runme.py 패키지의 기본 시작 파일도 표시합니다. 계정 코드와 선택한 실행 전략입니다.
00:35:00 Dr Hui Liu와 Aditya Gupta가 알고리즘 거래에 대한 자습서를 제공하고 예제를 사용하여 계정을 표시하는 방법을 시연합니다. 알고리즘 거래에 사용할 다양한 기능을 제공하는 플랫폼인 Average Pi에서 데이터 기능을 초기화하고 처리하는 방법을 보여줍니다. 또한 S&P 500 지수를 추적하는 SPY ETF의 매도호가를 인쇄하는 예를 사용하여 실시간 가격을 표시하도록 코딩하는 방법을 보여줍니다. 시연을 통해 그들은 Average Pi 플랫폼을 사용하여 코딩하는 것이 얼마나 쉬운지 명확하게 보여줍니다.
00:40:00 연사는 실시간 가격 표시와 과거 데이터 가져오기라는 두 가지 주제에 대해 논의합니다. 실시간 가격의 경우 핸들 데이터 기능을 사용하여 타임스탬프를 인쇄하고 매초 가격을 요청하도록 코드가 구성된 데모가 표시됩니다. 연구 목적으로 과거 데이터를 가져오기 위해 연사는 과거 데이터 요청 기능의 사용을 설명하고 공개, 높음, 낮음, 닫기 및 볼륨이 있는 과거 데이터의 pandas 데이터 프레임을 반환하는 데 어떻게 사용할 수 있는지 보여줍니다. 코드 구조에 대해 논의하고 기록 데이터를 가져오기 위해 코드가 업데이트되고 출력이 콘솔에 인쇄되는 데모가 표시됩니다.
00:45:00 발표자는 IBridgePy에서 매도 가격이 $100.01보다 클 때 SPY 100주를 99.95에 매수하는 지정가 주문을 하는 방법을 보여줍니다. 그들은 거래할 연락처와 살 주식을 정의하고 '주문' 기능을 사용하여 지정가 주문을 합니다. 스피커는 또한 주문 상태를 모니터링하는 '주문 상태 모니터' 기능을 사용하여 시가로 주문하는 방법을 보여줍니다. 이러한 기본 단계를 시연한 후 발표자는 다음 단계는 거래할 계약을 결정하고 거래 전략을 구축하기 위해 거래 결정을 내리는 빈도를 결정하는 것이라고 설명합니다.
00:50:00 연사는 알고리즘 거래 전략 실행과 관련된 단계에 대해 논의합니다. 데이터를 정기적으로 처리하고 작업을 예약하기 위해 일정 기능이라는 기능을 사용하여 작업을 예약해야 할 필요성을 설명하는 것으로 시작합니다. 또한 브로커를 사용하여 과거 데이터를 요청하고 panda의 데이터 프레임을 사용하여 계산하는 기술 지표 계산 프로세스에 대해 논의합니다. 그런 다음 시장가 주문 및 지정가 주문과 같은 주문 유형을 자세히 살펴보고 중지 주문을 사용하는 방법에 대해 간략하게 설명합니다. 그런 다음 연사는 펀드 매니저가 사용하는 인기 있는 접근 방식인 거래 지침을 기반으로 포트폴리오를 재조정하는 데모 전략을 설명합니다. 그들은 Python 사전을 사용하여 거래 지침을 수동으로 실행하는 방법을 보여주고 매일 거래 결정을 예약하고 주문 목표 백분율을 사용하여 계정을 자동으로 재조정하는 간단한 코드를 제시합니다. 마지막으로 계정을 재조정하고 위치를 확인하는 방법에 대한 라이브 데모를 제공합니다.
00:55:00 화자는 Python을 사용하여 구현할 수 있는 세 가지 거래 전략을 설명합니다. 첫 번째는 사용자가 자신의 위치, 공유 및 비용 기준을 볼 수 있는 간단한 재조정 전략입니다. 두 번째는 종가가 전일 가격보다 낮을 때 거래 기회를 식별하는 데 사용되는 평균 회귀 전략입니다. 마지막으로 과거 데이터를 사용하여 잠재적인 매수 및 매도 기회의 교차점을 계산하는 데 중점을 둔 이동 평균 교차 전략에 대해 설명합니다. 세 가지 전략 모두 시장이 마감되기 전 특정 시간에 거래 결정을 내리고 시장 주문을 사용하여 거래를 실행하는 것을 포함합니다. 모든 전략에 대한 코드는 Python 및 스케줄링 기능을 사용하여 간단하고 쉽게 구현할 수 있습니다.
01:00:00 Hui Liu 박사와 Aditya Gupta가 이동 평균을 사용하여 포트폴리오의 주식을 사고 파는 방법을 설명합니다. Average Pi 플랫폼을 사용하여 이 전략을 구현하는 방법을 시연한 다음 과거 데이터를 적용하여 백테스트하여 성능을 확인합니다. 튜토리얼은 Hybrid Pi 내에서 Test Me Py 기능을 사용하여 시뮬레이션을 위한 과거 데이터를 입력하고 계정 잔액 및 거래 세부 정보에 대한 결과를 출력하는 방법을 안내합니다.
01:05:00 연사는 성능 분석 차트에 액세스하여 알고리즘 거래 전략의 시뮬레이션 결과를 보는 방법을 설명합니다. 차트에는 저울 로그와 예리한 비율, 평균 및 표준 편차와 같은 통계가 표시되며 추가로 사용자 정의할 수 있습니다. 발표자는 또한 Average Pi가 여러 계정을 처리하고 균형을 재조정할 수 있는 방법을 강조합니다. 이 플랫폼은 유연하고 사용하기 쉬우며 알고리즘 거래 플랫폼, 백 테스트 및 실시간 거래를 함께 설정하고 다른 중개인과 거래하고 여러 계정을 관리하는 데 활용할 수 있습니다. 연사는 또한 시청자에게 코딩 지원을 위한 코더 대여 서비스를 확인하고 무료 자습서를 위해 YouTube 채널을 구독하도록 초대합니다.
01:10:00 발표자는 Interactive Brokers의 iBridge를 다른 유형의 계약과 함께 선물 및 옵션 거래에 사용할 수 있는 방법에 대해 논의합니다. Super Symbol 기능을 사용하면 스톡 옵션, 필터, 지수, 외환 등과 같은 더 많은 유형의 계약을 정의할 수 있다고 설명합니다. 그들은 주식이 아닌 홍콩 거래소에서 거래되는 구조화 제품의 예를 제공합니다. Super Symbol 기능을 통해 주식 이외의 모든 계약을 거래할 수 있습니다. 또한 정지 손실과 이를 코드에 통합하거나 알고리즘에 구축할 수 있는 방법에 대해 간략하게 설명합니다.
S. Chandrasekhar 교수는 방갈로르에 있는 IFIM 비즈니스 스쿨의 선임 교수이자 비즈니스 분석 책임자입니다. 학계에서 20년 이상의 경험을 쌓은 그는 뉴델리의 FORE 경영대학원 이사장과 러크나우의 인도 경영대학원 교수 등의 직책을 역임했습니다. 그는 전기 공학 학사 학위, IIT Kanpur에서 컴퓨터 과학 석사 학위, 미국 조지아 대학교에서 정량 및 정보 시스템 박사 학위를 받았습니다.
이 프레젠테이션에서 S. Chandrasekhar 교수는 고급 기계 학습 및 자연어 처리 기술을 사용하여 회사의 장기적인 기업 가치(EV)를 예측하는 데 중점을 둡니다. 주로 주주 가치를 고려하는 시가 총액과 달리 기업 가치는 장기 부채 및 현금 준비금과 같은 요소를 통합하여 회사의 보다 포괄적인 평가를 제공합니다.
EV를 계산하기 위해 장기 부채를 더하고 현금 준비금을 빼서 시가 총액을 조정합니다. 최대 6개월 전부터 기업 가치를 예측함으로써 이 접근 방식은 투자자와 평가 회사가 투자 성장에 대한 장기적인 관점을 얻고 관련 위험을 관리하는 데 도움을 줄 수 있습니다.
좋은 아침, 좋은 오후, 좋은 저녁. 제 이름은 Vedant이고 Quantum C에서 왔습니다. 오늘 저는 이 이벤트의 호스트가 되어 기쁩니다. 우리는 Parachronic Technologies의 공동 설립자인 Dr. Xiao와 함께 딥 러닝을 사용한 신용 위험 모델링에 대한 전문 지식을 공유할 것입니다. Xiao 박사의 연구 관심 분야는 주로 자산 가격 책정, 금융 계량 경제학 및 투자에 관한 것입니다. 그는 Forbes, CFA Institute 및 Institutional Investors와 같은 존경받는 기관에서 그의 작업을 인정 받았습니다. 또한 Dr. Xiao는 Journal of Portfolio Management 및 Global Commodities Applied Research Digest의 편집 위원으로 활동하고 있습니다. 그는 시카고 대학교에서 재무학 박사 학위를 받았습니다.
이 세션에서 Dr. Xiao는 신용 위험 모델링의 주제를 탐구하고 이 분야에서 딥 러닝의 적용을 탐색합니다. 그는 복잡한 신용 위험 모델의 가격을 책정하고 조정하는 데 딥 러닝을 어떻게 활용할 수 있는지, 특히 폐쇄형 솔루션을 사용할 수 없는 경우의 효율성에 대해 논의할 것입니다. 딥 러닝은 이러한 시나리오에서 개념적으로 간단하고 효율적인 대안 솔루션을 제공합니다. Xiao 박사는 Quan Institute 10주년 기념 행사에 참여하게 된 것에 대해 감사를 표하며 그의 통찰력을 공유하게 되어 기쁩니다.
앞으로 논의는 신용 시장, 특히 시장의 대규모 규모와 신용 디폴트 스왑(CDS)의 중요성 증가를 중심으로 논의될 것입니다. 2019년 기준 CDS 명목 미결제 금액이 약 8조로 추정되는 시장은 꾸준히 성장하고 있습니다. CDS 명목 지수도 최근 몇 년 동안 거의 6조에 달하는 상당한 성장을 경험했습니다. 더욱이 글로벌 채권 시장은 100조 달러에 육박하며 발행 기관의 채무 불이행 가능성으로 인해 내재된 신용 위험을 안고 있는 회사채가 상당 부분을 차지하고 있습니다.
신용 시장이 진화하고 더욱 복잡해짐에 따라 신용 위험 모델도 채무 불이행 위험의 동적인 특성을 포착하기 위해 점점 더 복잡해졌습니다. 이러한 모델은 다양한 기간과 만기에 걸쳐 금융 시장에 존재하는 무작위성을 설명하기 위해 종종 확률적 상태 변수를 사용합니다. 그러나 이러한 모델의 복잡성이 증가함에 따라 추정 및 솔루션 계산 비용이 많이 들었습니다. 이 문제는 프레젠테이션의 뒷부분에서 초점이 될 것입니다.
금융을 포함한 다양한 분야에 혁신적인 영향을 미치는 기계 학습은 최근 몇 년 동안 두각을 나타내고 있습니다. 횡단적 자산 가격 책정 및 주식 포트폴리오 구축과 같은 실증 금융 분야에서 점점 더 많이 사용되고 있습니다. 특히 딥 러닝은 파생상품 가격 및 옵션 가격을 추정하고 확률적 변동성 모델을 보정하는 데 사용되었습니다. 이 논문에서 Xiao 박사와 그의 동료인 Kempos Capital의 Gerardo Munzo는 신용 위험 모델링에 딥 러닝을 적용할 것을 제안합니다. 그들의 연구는 딥 러닝이 복잡한 신용 위험 모델 솔루션을 효과적으로 대체하여 효율적이고 정확한 신용 스프레드 계산이 가능함을 보여줍니다.
추가 컨텍스트를 제공하기 위해 Dr. Xiao는 신용 위험 모델링의 개념을 소개합니다. 그는 채무 불이행 채권의 가격은 채무 불이행 시나리오와 비 채무 불이행 시나리오 모두에서 할인된 현금 흐름의 확률 가중 평균에 의해 결정된다고 설명합니다. 부도 확률은 부도 가능성을 정량화하므로 신용 위험 모델에서 중요한 수량입니다. 신용 위험 모델의 두 가지 주요 유형은 구조적 모델과 축소된 형태 모델입니다. 구조 모델은 불이행 사건과 기업의 자본 구조 사이에 직접적인 연결 고리를 설정합니다. 반면 축소형 모델은 일반적으로 기본 강도 매개변수와 함께 포아송 프로세스를 활용하는 통계 프로세스로 기본 위험을 나타냅니다. Xiao 박사는 신용 위험 모델이 신용 스프레드를 도출하기 위한 가격 책정 기능을 해결하는 것을 포함하며 이는 수치 적분 및 그리드 검색의 필요성으로 인해 계산 집약적일 수 있음을 강조합니다.
딥 러닝이 그림에 들어가는 곳입니다. Xiao 박사는 신경망과 딥 러닝을 설명하면서 신용 위험 모델링에 어떻게 적용할 수 있는지 설명합니다. 신경망은 비선형성을 도입합니다.
딥 러닝의 기본 구성 요소인 신경망은 인간 두뇌의 구조를 모방한 인공 뉴런의 상호 연결된 레이어로 구성됩니다. 이러한 네트워크는 교육이라는 프로세스를 통해 데이터에서 복잡한 패턴과 관계를 학습할 수 있습니다. 훈련 중에 신경망은 내부 매개변수를 조정하여 예측 출력과 실제 출력 간의 차이를 최소화함으로써 성능을 최적화합니다.
Xiao 박사는 딥 러닝을 활용하여 과거 데이터에 대한 신경망을 훈련함으로써 복잡한 신용 위험 모델을 근사화할 수 있다고 설명합니다. 신경망은 경제 및 재무 요인과 같은 입력 변수와 해당 신용 스프레드 간의 매핑을 학습합니다. 일단 훈련되면 네트워크를 사용하여 새로운 입력 데이터에 대한 신용 스프레드를 효율적으로 추정할 수 있습니다.
신용 위험 모델링에서 딥 러닝을 사용하는 주요 이점 중 하나는 복잡한 가격 함수를 근사화할 수 있는 능력입니다. 전통적으로 신용 위험 모델은 수치 적분 기술과 그리드 검색을 사용하여 가격 책정 기능을 해결하는데, 이는 계산적으로 까다롭고 시간이 많이 소요될 수 있습니다. 딥 러닝은 신경망의 학습된 매핑을 통해 가격 함수를 직접 근사화하여 보다 효율적인 대안을 제공합니다.
Xiao 박사는 딥 러닝 모델이 신용 위험 모델에 자주 나타나는 입력 변수 간의 비선형 관계 및 상호 작용을 캡처할 수 있다고 강조합니다. 이러한 유연성 덕분에 신경망은 신용 시장의 복잡성에 적응하고 정확한 신용 스프레드 추정치를 생성할 수 있습니다.
또한 딥 러닝 모델은 기존 방법에 비해 누락되거나 불완전한 데이터를 보다 효과적으로 처리할 수 있습니다. 그들은 사용 가능한 데이터로부터 학습하고 누락된 정보가 있는 경우에도 합리적인 예측을 할 수 있는 능력이 있습니다. 이는 데이터가 희박하거나 격차가 있을 수 있는 신용 위험 모델링에서 특히 유용합니다.
신용 위험 모델링에서 딥 러닝의 효능을 검증하기 위해 Xiao 박사와 그의 동료는 대규모 회사채 데이터 세트를 사용하여 광범위한 경험적 실험을 수행했습니다. 그들은 딥 러닝 기반 신용 스프레드 추정의 성능을 기존 신용 위험 모델에서 얻은 성능과 비교했습니다. 결과는 딥 러닝 모델이 정확도와 계산 효율성 측면에서 지속적으로 기존 모델보다 우수한 성능을 보였다는 것을 보여주었습니다.
Xiao 박사는 신용 위험 모델링에서 딥 러닝의 혁신적인 잠재력을 강조하며 프레젠테이션을 마무리합니다. 그는 특히 폐쇄형 솔루션을 사용할 수 없거나 계산이 까다로운 경우 복잡한 신용 위험 모델을 근사화할 때 딥 러닝 모델의 효율성, 정확성 및 유연성을 강조합니다.
프레젠테이션이 끝난 후, 청중의 질문을 받기 위해 플로어가 열립니다. 참석자는 신용 위험 모델링, 데이터 요구 사항, 모델 해석 가능성 및 기타 관련 주제에서 딥 러닝의 특정 응용 프로그램에 대해 문의할 수 있습니다. Xiao 박사는 청중과 소통하고 그의 전문 지식과 연구 결과를 바탕으로 더 많은 통찰력을 제공할 수 있는 기회를 환영합니다.
Dr. Xiao의 발표 후 Q&A 세션:
청중 구성원 1: "유익한 프레젠테이션에 감사드립니다, Dr. Xiao. 신용 위험 모델링에서 딥 러닝 모델의 해석 가능성이 궁금합니다. 전통적인 모델은 종종 신용 스프레드 추정을 유도하는 요인에 대한 투명성을 제공합니다. 딥 러닝 모델은 어떻게 해석 가능성을 처리합니까?"
Xiao 박사: "훌륭한 질문입니다. 딥 러닝 모델의 고유한 복잡성으로 인해 해석이 어려울 수 있습니다. 딥 뉴럴 네트워크는 블랙 박스로 작동하므로 내부 작동을 직접 이해하고 개별 뉴런 활성화를 해석하기 어렵습니다. 그러나 딥 러닝에서 해석 가능성을 향상시키기 위한 지속적인 연구 노력을 기울이고 있습니다."
"특성 중요도 분석, 그래디언트 기반 방법 및 주의 메커니즘과 같은 기술은 모델의 예측에 영향을 미치는 요인을 밝히는 데 도움이 될 수 있습니다. 다양한 입력 변수에 대한 네트워크의 반응을 조사하여 신용 스프레드를 결정할 때 상대적 중요성에 대한 통찰력을 얻을 수 있습니다. ."
"또한 LIME(Local Interpretable Model-Agnostic Explanations) 또는 SHAP(SHapley Additive exPlanations)와 같은 모델에 구애받지 않는 해석 방법을 딥 러닝 모델에 적용할 수 있습니다. 이러한 방법은 모델을 로컬로 근사하여 개별 예측에 대한 설명을 제공합니다. 특정 입력."
"이러한 기술이 일정 수준의 해석 가능성을 제공하지만 딥 러닝 모델의 주요 강점은 데이터에서 복잡한 패턴과 관계를 캡처하는 능력에 있다는 점에 유의하는 것이 중요합니다. 해석 가능성과 모델 성능 간의 절충은 신용 평가에서 고려해야 할 사항입니다. 위험 모델링과 연구자들은 둘 사이의 균형을 맞추는 방법을 적극적으로 모색하고 있습니다."
청중 구성원 2: "통찰력에 감사드립니다, Dr. Xiao. 신용 위험 모델링에서 딥 러닝 모델을 교육하기 위한 데이터 요구 사항이 궁금합니다. 필요한 데이터의 양과 품질에 대해 자세히 설명해 주시겠습니까?"
Xiao 박사: "확실합니다. 딥 러닝 모델은 일반적으로 효과적인 교육을 위해 많은 양의 데이터를 활용합니다. 신용 위험 모델링에서 신용 시장의 복잡성을 포착하려면 다양하고 포괄적인 데이터 세트를 보유하는 것이 중요합니다."
"딥 러닝 모델 훈련을 위한 데이터에는 거시 경제 요인, 산업별 변수, 과거 신용 스프레드, 관련 시장 데이터와 같은 다양한 경제 및 재무 지표가 포함되어야 합니다. 데이터 세트가 다양하고 대표성이 높을수록 모델이 더 잘 일반화될 수 있습니다. 새로운 신용 위험 시나리오에."
"데이터 품질과 관련하여 입력 변수의 정확성, 일관성 및 관련성을 보장하는 것이 중요합니다. 데이터 정리, 정규화 및 기능 엔지니어링과 같은 데이터 전처리 기술은 교육용 데이터 세트를 준비하는 데 중요한 역할을 합니다. 이상값 제거, 누락된 값을 처리하고 데이터를 적절하게 확장하는 것은 신뢰할 수 있는 모델 성능을 보장하는 데 중요한 단계입니다."
"또한 신용 위험 모델이 변화하는 시장 상황에 적응해야 하므로 최신 데이터를 유지하는 것이 필수적입니다. 딥 러닝 모델의 지속적인 정확성을 보장하려면 데이터 품질 및 관련성에 대한 정기적인 업데이트 및 모니터링이 필요합니다."
이것은 청중의 몇 가지 질문에 불과했지만 Q&A 세션은 모델 견고성, 신용 위험 모델링에서 딥 러닝의 잠재적 한계, 실제 구현 문제와 같은 주제에 대한 다양한 기타 질문과 토론으로 계속됩니다. Xiao 박사는 연구에서 얻은 전문 지식과 통찰력을 청중과 적극적으로 공유합니다.
재무에서 알파 추구 전략에 대한 패널 토론에서 Nicholas는 뮤추얼 펀드 및 헤지 펀드에서 알파를 창출하는 것은 매우 어렵다고 주장하며 투자자의 99%는 적극적으로 알파 포지션을 추구해서는 안 된다고 말했습니다. 그는 시장 중립적 헤지 펀드에서 알파를 생성하는 문제를 강조하고 팩터 투자가 시장을 능가하는 더 실행 가능한 옵션이라고 제안합니다.
패널은 Nicholas의 의견에 동의하며 고유한 데이터 소스를 찾고 이를 사용하여 팩터 투자에서 체계적인 전략을 개발하는 것의 중요성을 강조합니다. 그들은 이 접근법이 성공적인 알파 세대의 핵심이라고 믿습니다. 또한 현재 시장에서 진정한 알파 달성의 어려움에 대해 논의하고 자산 배분 및 위험 관리와 같은 대안 전략을 제안합니다.
패널은 알파를 추구하는 데만 초점을 맞추는 것에 대해 조언하고 덜 다루어지고 따라서 덜 효율적인 시장 내의 틈새 시장을 살펴볼 것을 제안합니다. 그들은 베타 전략과 같은 잘 구축된 포트폴리오 벤치마크를 구성하는 것의 중요성을 강조하고 투자자들이 잠재적으로 수익성 있는 주식을 찾기 위해 S&P 500 너머를 보도록 권장합니다.
패널은 알파가 확인되더라도 프라임브로커와의 갈등 가능성으로 인해 수확이 불가능할 수 있다고 경고했다. 그들은 또한 선물의 주요 투자 영역의 일부가 아니거나 매니저 권한의 일부가 아닌 자산 거래의 이점에 대해 논의합니다. 이러한 자산은 종종 덜 붐비므로 시장에서 잘 알려진 자산에 비해 샤프 비율이 더 높습니다. 그러나 그들은 이러한 자산을 거래하려면 더 작은 포트폴리오 크기가 필요할 수 있으며 낮은 유동성과 증가된 거래 노력으로 인해 더 높은 수수료가 발생할 수 있음을 인정합니다.
로랑은 롱 사이드에서 주식을 선택하는 것과 같은 전통적인 능동적 관리 전략이 제대로 작동한 적이 없다는 니콜라스의 견해에 동의합니다. 그는 증명의 부담이 어려운 시장에서 진화하고 수행할 수 있는 능력을 입증해야 하는 적극적인 관리자에게로 옮겨갔다고 믿습니다.
패널은 또한 롱숏 투자 전략의 숏 사이드를 고려하는 것의 중요성에 대해 논의합니다. 그들은 거래 비용 및 시장 구조 변화의 영향을 조사하는 것을 포함하여 광범위한 백 테스트를 통해 위험 관리 및 전략 스트레스 테스트의 필요성을 강조합니다. 패널은 유효성 검사 프로세스에서 살아남는 소수를 식별하기 위한 전략에 충분한 시간을 할애할 것을 권장합니다.
토론은 알파 세대를 위한 전략의 실질적인 의미와 시각화로 이동합니다. 패널은 학술 연구의 가치를 인정하지만 실용적인 의미와 구현 세부 사항이 부족한 경우가 많다고 지적합니다. 그들은 포트폴리오 관점에서 실행할 수 있고 거래 비용을 견디며 고객의 기대에 부합할 수 있는 전략을 만드는 것이 중요하다고 강조합니다. 거래 손실을 보여주는 차트와 같은 시각적 표현은 투자자가 상당한 손실 동안 전략을 유지하는 데 도움이 되므로 표보다 선호됩니다.
연사는 고객의 목표에 부합하고 경제적이고 근본적인 이유와 일치하는 전략 구축의 중요성을 강조합니다. 그들은 전략이 몇 개의 간단한 문장으로 요약될 수 있어야 한다고 말하면서 단순성과 설명 가능성의 필요성을 강조합니다. 백테스팅은 단순히 전략이 효과가 있다는 것을 증명하기 위한 것이 아니라 그 한계를 뛰어넘어 탄력성을 테스트하기 위한 것입니다.
패널은 퀀트 전략의 영향을 반영하고 자산 등급이나 기간에 관계없이 두 가지 기본 전략으로 평균 회귀 및 추세 추종을 식별합니다. 그들은 낮은 승률과 높은 변동성을 가진 복권 구매에 따른 추세를 비교하고 높은 승률과 낮은 변동성으로 한 번에 1달러를 생성하는 전략으로 평균 회귀를 강조합니다. 그들은 이러한 전략을 기울이고 혼합하여 손실 관리 및 기대 이득 최적화의 중요성에 대해 논의합니다. 그들은 또한 공매도와 기관 보유자의 꼬리를 타는 문제에 대해서도 다룹니다.
위험 관리는 주식 시장 전략에서 긍정적인 기대의 필요성을 강조하는 패널과 함께 토론의 중심 단계를 차지합니다. 그들은 주식 시장을 무한하고 무작위적이며 복잡한 게임으로 간주하고 잠재적 손실을 완화하기 위해 높은 승률 거래와 복권을 혼합할 것을 제안합니다. 패널은 또한 전략을 철회할 시기를 논의하고 최신 연구를 유지하는 것의 중요성을 강조하고 전략에 영향을 미칠 수 있는 구조적 변화 또는 시장 변동을 고려합니다. 전략 폐기는 철저한 조사와 프레임워크 변경 후에만 이루어져야 합니다.
패널은 여러 투자 전략을 관리하고 실적이 저조한 전략을 다루는 어려움을 다룹니다. 그들은 투자 의무를 고수하고 고객의 기대를 이해하는 것의 중요성을 강조합니다. 패널은 성과가 좋지 않은 전략을 언제 폐기해야 하는지 알면서 새로운 전략을 찾고 실행하는 프로세스를 제안합니다. 그들은 실적이 저조한 전략을 처리하는 두 가지 접근 방식, 즉 장기적인 관점에서 전략을 고수하거나 추세 추종 기법을 사용하여 포트폴리오에서 제거하는 방법에 대해 논의합니다. 결정은 다중 전략, 다중 자산 펀드의 구체적인 권한과 자금 조달에 따라 달라집니다.
패널리스트는 연구의 양에 관계없이 퀀트 투자의 어려움과 완료된 작업에 대한 믿음의 중요성을 강조합니다. 그들은 전략을 더 나은 것으로 변형할 가능성을 언급하고 진정으로 다각화하는 전략의 희소성을 강조합니다. 그들은 또한 Tesla와 같은 주식 공매도에 대해 언급하고, 주식 공매도는 본질적으로 아이디어나 신념을 공매도하는 것이며, 특히 스토리에 기반한 평가 공매도에서 그렇습니다. 그들은 2005년 일본의 사례를 제공합니다. 소비자 금융 회사는 엄청난 가치 평가를 받았지만 몇 년 후 결국 파산할 때까지 평화로운 공매도 상태를 유지했습니다.
연사들은 전통적인 기대와 일치하지 않는 초현실적인 가치 평가에 기반한 전략을 종료하는 함정에 대해 논의합니다. 그들은 시가 총액이 Toyota와 같은 대기업의 시가 총액을 넘어선 Tesla와 같은 회사를 언급합니다. 패널리스트는 그것이 더 어렵다는 것을 인정하지만 짧은 변과 긴 변 모두에 대해 동일한 규칙을 갖는 데 있어서 대칭의 중요성을 강조합니다. 그들은 많은 전략이 개선될 수 있다고 믿으며, 심지어 다른 자산 등급도 본질적으로 경제 성장에 대한 내기입니다.
패널은 또한 재정적 불확실성과 변동성으로부터 진정으로 다양화하고 이익을 얻을 수 있는 전략을 찾는 어려움에 대해 논의합니다. 그들은 이와 관련하여 고전적인 헤지 펀드 전략의 한계를 강조하고 템플릿에서 생각하고 작동하지 않는 전략을 기꺼이 폐기하려는 야심 찬 퀀트를 권장합니다. 그들은 소매 투자자들이 저비용 분산 ETF에 집중하고 위험 관리를 우선시할 것을 제안합니다.
패널은 금융 시장의 효율성과 개인 투자자가 전문가와 경쟁할 때 직면하는 문제를 다루면서 토론을 마무리합니다. 그들은 복음보다는 학술 연구 논문을 영감으로 사용하고 더 넓은 시장과의 과도한 상관 관계를 피하기 위해 주류가 아닌 아이디어를 찾을 것을 권장합니다. 그들은 자신의 작업을 더 탐구하는 데 관심이 있는 사람들을 위해 Twitter 핸들, LinkedIn 프로필 및 웹사이트를 제공합니다.
패널은 어려움, 대체 접근 방식, 위험 관리 고려 사항, 실질적인 영향 및 시각화의 중요성을 강조하면서 알파 추구 전략의 다양한 측면을 탐구합니다. 그들의 통찰력은 복잡한 금융 환경을 탐색하는 투자자와 퀀트에게 귀중한 지침을 제공합니다.
00:00:00 패널리스트가 재무에서 알파 추구 전략의 개념에 대해 토론합니다. 니콜라스는 뮤추얼 펀드와 헤지 펀드에서 알파를 창출하는 것이 엄청나게 어렵다는 증거가 있기 때문에 투자자의 99%가 알파를 추구하는 포지션을 찾아서는 안 된다고 주장합니다. 그는 시장 중립적 헤지 펀드에서 알파를 생성하는 것이 어렵다는 점을 강조하고 팩터 투자가 시장을 능가하려는 사람들에게 더 실행 가능한 옵션이라고 제안합니다. 패널들은 고유한 데이터 소스를 찾고 이를 사용하여 체계적인 전략을 개발하는 것이 성공적인 팩터 투자의 핵심이라는 데 동의합니다.
00:05:00 패널들은 현재 시장에서 진정한 알파 달성의 어려움에 대해 논의하고 자산 배분 및 위험 관리와 같은 대안 전략을 제안합니다. 그들은 알파를 추구하는 데에만 초점을 맞추는 것에 대해 조언하고 덜 다루어지고 따라서 덜 효율적인 시장 내의 틈새 시장을 살펴볼 것을 제안합니다. 또한 패널리스트는 베타 전략과 같이 잘 구축된 포트폴리오 벤치마크를 구성하고 S&P 500을 넘어 잠재적으로 수익성 있는 주식을 찾는 것의 중요성을 강조합니다. 알파가 확인되더라도 프라임 브로커와의 잠재적인 충돌로 인해 수확이 불가능할 수 있다고 경고합니다.
00:10:00 패널은 선물의 주요 투자 영역의 일부가 아니거나 관리자 권한의 일부가 아닌 자산 거래의 이점에 대해 논의합니다. 그 이유는 그러한 자산은 덜 붐비고 따라서 시장에서 잘 알려진 자산에 구축된 자산보다 약 50%에서 100% 더 높은 샤프율을 갖기 때문입니다. 토론은 또한 포트폴리오 크기 및 수수료 문제에 대해 다루며, 이러한 자산은 유동성이 적고 거래에 더 많은 노력이 필요하기 때문에 더 작은 포트폴리오 크기와 수수료가 필요합니다. Laurent는 롱 사이드에서 주식을 선택하는 전통적인 액티브 운용 전략이 효과가 없었으며 입증의 부담이 액티브 운용사에게 옮겨져 어려운 시장에서 진화하고 수행할 수 있는 능력을 입증해야 한다는 Nicola의 견해에 동의합니다.
00:15:00 패널은 장단기 투자 전략의 단기 측면을 고려하는 것의 중요성에 대해 논의합니다. 그들은 투자자들이 긴 쪽의 살 1파운드에 대한 고리대금과 청구를 처리할 수 있지만, 시장 침체기 동안 자본을 보호하거나 알파를 생성하는 것과 관련된 비용을 감당할 수 없다고 지적합니다. 그들은 위험 관리의 필요성을 강조하고 거래 비용 및 시장 구조 변화의 영향을 조사하는 것을 포함하여 광범위한 백테스팅을 통해 전략을 스트레스 테스트합니다. 패널은 유효성 검사 프로세스에서 살아남는 소수를 식별하기 위한 전략에 충분한 시간을 할애할 것을 권장합니다.
00:20:00 패널은 알파 세대와 관련하여 실용적인 의미와 전략의 시각화의 중요성에 대해 논의합니다. 학술 연구는 가치가 있지만 포트폴리오 관점에서 전략을 실행할 수 있는 방법과 거래 비용 및 구현에서 살아남을 수 있는 능력과 같은 실용적인 의미가 부족한 경우가 많습니다. 또한 투자자들은 거래 손실을 시각적으로 보여주고 30% 하락 동안 유지하기 쉽기 때문에 테이블보다 차트가 있는 전략을 선호합니다. 패널은 또한 고객/상사가 기대하는 것과 일치하는 전략을 수립하고 호황을 누리고 있는 시장에서 전략이 벤치마크보다 낮은 성과를 내고 있는 이유를 설명할 수 있는 것이 중요함을 강조합니다. 투자자는 알파 생성 전략에 대해 인내심이 거의 없는 경향이 있으므로 전략이 실행 가능하고 제품으로 배포될 수 있는지 확인하는 것이 중요합니다.
00:25:00 연사는 고객이 찾고 있는 것과 일치하고 경제적이고 근본적인 이유와 동기화된 전략 구축의 중요성을 강조합니다. 연사는 전략의 단순성과 설명 가능성의 필요성을 강조하며 몇 개의 간단한 문장으로 설명할 수 있어야 한다고 말합니다. 백테스팅의 목적은 전략이 효과가 있다는 것을 증명하는 것이 아니라 전략을 깨고 여전히 알파를 생성하는지 확인하는 것입니다. 거래 규칙은 전략 뒤에 있는 이론만큼 중요하지 않으며, 이를 깨뜨릴 수 있는 모든 것을 견딜 수 있는지 확인하기 위해 테스트해야 합니다.
00:30:00 전문가 패널이 Quant 전략에 미치는 영향에 대해 논의합니다. 그들은 자산 등급이나 기간에 관계없이 평균 회귀와 추세 추종만이 유일한 두 가지 전략이라는 사실을 반영합니다. 추세 추종은 복권을 사는 것과 같이 승률이 낮고 변동성이 큰 반면 평균회귀는 한번에 1달러를 벌고 승률이 높고 변동성이 낮습니다. 전문가들은 또한 손실 관리의 중요성에 대해 논의하고 이득 기대치를 최적화하기 위해 이러한 전략을 기울이고 혼합하는 방법을 고려합니다. 마지막으로 공매도와 기관 보유자의 꼬리를 타는 문제를 다룹니다.
00:35:00 패널은 위험 관리의 중요성과 주식 시장 전략에 대해 긍정적 기대치를 가져야 할 필요성에 대해 논의합니다. 연사는 주식 시장이 무한하고 무작위적이며 복잡한 게임이며 잠재적 손실을 줄이기 위해 높은 승률의 거래와 복권을 혼합하는 것이 필수적이라고 믿습니다. 패널은 또한 언제 전략을 폐기해야 하는지에 대해 논의하고, 전략을 피해야 한다는 데 동의하지만 최신 정보를 유지하고 전략에 영향을 미칠 수 있는 구조적 변화나 시장 변동을 조사하는 것이 중요합니다. 궁극적으로 전략을 폐기하는 것은 철저한 조사와 프레임워크 변경 후에만 이루어져야 합니다.
00:40:00 패널은 여러 투자 전략 관리의 어려움과 실적이 저조한 전략을 처리하는 방법에 대해 논의했습니다. 그들은 투자 의무를 고수하고 고객의 기대를 이해하는 것의 중요성을 강조했습니다. 새로운 전략을 찾아 실행하는 프로세스를 갖추는 것은 물론 성과가 좋지 않은 전략을 폐기할 시기를 아는 것도 중요합니다. 패널은 실적이 저조한 전략을 처리하는 두 가지 방법에 대해 이야기했습니다. 장기적인 관점에서 전략을 고수하거나 추세를 따라 포트폴리오에서 제거하는 것입니다. 궁극적으로 문제의 다중 전략, 다중 자산 펀드의 권한과 자금 조달에 달려 있습니다.
00:45:00 패널리스트는 퀀트 투자의 어려움과 연구의 양에 관계없이 수행된 작업에 대한 믿음이 필요한 방식에 대해 논의합니다. 실적이 저조할 때는 전략을 포기하는 것이 타당하지만 모멘텀을 살펴보면 전략이 잘 작동하는 이유를 판단하는 데 도움이 될 수 있습니다. 패널리스트들은 다각화가 핵심이며 여러 전략을 관리할 때 전략을 줄이는 것이 쉽지 않다는 점에 주목합니다. 그들은 또한 Tesla와 같은 공매도 이름에 대해 논의하고 주식 공매도는 실제로 아이디어나 신념을 공매도하는 것이라고 언급합니다. 패널리스트는 2005년 일본에서 소비자 금융 회사의 가치가 천정부지로 치솟았지만 몇 년 후 회사가 파산할 때까지 평화로운 숏이었다는 정확한 예를 들었습니다.
00:50:00 연사는 작동하지 않는 초현실적인 평가로 인해 전략을 종료하는 함정에 대해 논의합니다. 회사의 가치가 일정 수준에 도달하면 시가 총액이 Toyota보다 큰 Tesla처럼 원하는만큼 갈 수 있습니다. 연사는 또한 짧은 쪽과 긴 쪽 모두에 대해 동일한 규칙을 갖는 대칭의 중요성에 대해 이야기합니다. 이 규칙은 훨씬 어렵지만 충돌과 수동 오버라이드를 방지합니다. 그들은 많은 전략이 더 나은 전략으로 변형될 수 있다고 믿으며 진정으로 다각화하는 전략은 거의 없습니다. 다른 자산군도 본질적으로 경제 성장에 대한 내기입니다.
00:55:00 패널은 재무적 불확실성과 변동성으로부터 진정으로 다양화하고 이익을 얻을 수 있는 전략을 찾는 문제에 대해 논의합니다. 그들은 대부분의 고전적인 헤지 펀드 전략이 이와 관련하여 실패한다고 언급합니다. 그들은 또한 템플릿에서 생각하는 것의 중요성과 작동하지 않는 전략이나 자신의 "아기"를 기꺼이 죽이는 것을 포함하여 야심 찬 퀀트에게 줄 조언에 대해 논의합니다. 그들은 소매 투자자들이 저비용 분산 ETF에 집중하고 위험 관리를 우선시해야 한다고 제안합니다.
01:00:00 연사들은 금융 시장의 효율성과 개인 투자자가 전문가와 경쟁하는 것이 얼마나 어려운지에 대해 논의했습니다. 그들은 스포츠 비유를 사용하여 주요 금융 지표와 거래하는 것은 세계 최고의 운동 선수와 경기하는 것과 같기 때문에 매우 어렵다고 설명했습니다. 그들은 투자자들에게 학술 연구 논문을 복음으로 받아들이기보다는 영감으로 사용하고 더 넓은 시장과 너무 관련되지 않도록 주류가 아닌 아이디어를 찾으려고 노력할 것을 권고했습니다.
01:05:00 패널들이 퀀트 투자에서 기술적 분석의 타당성에 대해 논의합니다. 기술적 분석은 수백 년 동안 존재해 왔고 여전히 널리 사용되고 있지만 제도적 관점에서는 이에 대한 지원이 거의 없으며 매우 임의적이며 종종 테스트되지 않은 것으로 간주됩니다. 한 패널리스트는 RSI 및 magdi와 같은 민속학에 의존하지 않도록 주의하면서 보다 강력하고 정량적인 접근 방식으로 추세 추종을 권장합니다. 패널리스트는 자신의 작업에 관심이 있는 사람들을 위해 Twitter 핸들, LinkedIn 프로필 및 웹사이트를 추천합니다.
거래를 위한 심층 강화 학습 전문가인 Thomas Starke 박사는 강화 학습(RL)의 개념과 거래 도메인에서의 적용을 소개합니다. 강화 학습을 통해 기계는 유리한 결과를 극대화하기 위해 취할 최선의 조치를 결정함으로써 명시적인 감독 없이 작업을 수행하는 방법을 학습할 수 있습니다. 그는 기계 학습의 예를 사용하여 컴퓨터 게임을 플레이하는데, 화면의 시각적 신호에 반응하면서 여러 단계를 진행합니다. 기계의 성공 또는 실패는 게임 전체에서 내린 결정에 따라 결정됩니다.
Dr. Starke는 Markov 결정 프로세스를 논의하여 심층 강화 학습을 사용한 거래의 세부 사항에 대해 자세히 설명합니다. 이 프로세스에서 각 상태는 특정 시장 매개변수에 해당하며 취해진 조치는 프로세스를 다음 상태로 전환합니다. 전환에 따라 에이전트(기계)는 긍정적이거나 부정적인 보상을 받습니다. 목표는 특정 정책과 상태에서 예상되는 보상을 최대화하는 것입니다. 거래의 맥락에서 시장 매개변수는 현재 상태를 식별하는 데 도움이 되므로 에이전트가 어떤 조치를 취해야 하는지 정보에 입각한 결정을 내릴 수 있습니다.
거래의 의사 결정 프로세스에는 시스템 상태를 알려주는 다양한 지표를 기반으로 포지션을 매수, 매도 또는 보유할지 여부를 결정하는 과정이 포함됩니다. 궁극적인 목표는 거래에서 발생하는 이익 또는 손실인 최상의 보상을 받는 것입니다. Dr. Starke는 전통적인 기계 학습 접근 방식이 즉각적인 이익 또는 손실과 같은 특정 레이블을 상태에 할당한다고 말합니다. 그러나 거래가 일시적으로 기대에 어긋나는 경우 잘못된 레이블로 이어질 수 있습니다. 기계는 처음에 손실이 발생하더라도 거래를 유지해야 하는 시점을 이해하고 거래가 종료하기 전에 평균 라인으로 되돌아갈 때까지 기다려야 한다는 확신을 가져야 합니다.
거래 손익의 모든 단계에 레이블을 지정하는 어려움을 해결하기 위해 Dr. Starke는 강화 학습에 소급 레이블 지정을 도입했습니다. 전통적인 기계 학습은 거래의 모든 단계에 레이블을 지정하기 때문에 초기 손실에도 불구하고 미래에 거래가 수익을 낼 수 있는지 예측하기 어렵습니다. 소급 레이블 지정은 Bellman 방정식을 사용하여 즉각적인 이익을 얻지 못하더라도 각 작업 및 상태에 0이 아닌 값을 할당합니다. 이 접근 방식은 평균 및 궁극적인 수익성으로의 복귀 가능성을 허용합니다.
지연된 만족은 거래의 핵심 과제이며 Dr. Starke는 강화 학습이 이 장애물을 극복하는 데 어떻게 도움이 되는지 설명합니다. Bellman 방정식은 즉각적인 보상("r")과 누적 보상("q")을 모두 통합하여 행동의 보상을 계산하는 데 사용됩니다. 할인 계수("감마")는 이전 결과와 비교하여 미래 결과에 부여되는 가중치를 결정합니다. 강화 학습을 활용함으로써 거래 결정은 즉각적인 보상에만 기반하는 것이 아니라 더 높은 미래 보상의 가능성도 고려합니다. 이 접근 방식은 순전히 탐욕적인 의사 결정에 비해 정보에 입각한 의사 결정을 가능하게 합니다.
심층 강화 학습은 금융 시장의 복잡성과 고려해야 할 많은 상태 및 영향으로 인해 거래에서 특히 유용합니다. Dr. Starke는 심층 신경망을 사용하여 과거 경험을 기반으로 대략적인 테이블을 사용하여 막대한 테이블이 필요하지 않다고 강조합니다. 그는 예측 가치가 있는 입력을 선택하고 알려진 동작에 대해 시스템을 테스트하는 것의 중요성을 강조합니다. 거래 상태에는 과거 및 현재 가격, 기술 보호 데이터, 정서 또는 위성 이미지와 같은 대체 데이터 소스 등이 포함됩니다. 상태를 정의하기 위해 올바른 보상 함수와 입력을 찾는 것이 중요합니다. 신경망에 의해 대략적인 테이블을 지속적으로 업데이트하면 기계가 점진적으로 학습하고 더 나은 거래 결정을 내릴 수 있습니다.
Dr. Starke가 강화 학습을 사용하여 교육용 가격 시리즈를 구성하는 방법에 대해 설명합니다. 가격 시리즈를 순차적으로 실행하는 대신 다른 지점에서 무작위로 진입 및 퇴장할 수 있습니다. 방법의 선택은 사용자의 특정 요구 사항 및 기본 설정에 따라 다릅니다. 그는 또한 보상 기능을 설계하는 문제에 대해 깊이 파고들며 순수익률(P&L), 틱당 이익, 샤프 비율, 장기간의 손실이나 과도한 거래 기간을 피하기 위한 다양한 유형의 처벌과 같은 예를 제공합니다.
입력 측면에서 Dr. Starke는 시가, 고가, 저가, 종가, 볼륨 값, 캔들스틱 패턴, 상대 강도 지수와 같은 기술 지표, 다양한 시간 관련 요인을 포함한 여러 옵션을 제안합니다. 입력에는 감정 분석 또는 위성 이미지와 같은 다른 도구 및 대체 데이터 소스의 가격 및 기술 지표도 포함될 수 있습니다. 이러한 입력은 컴퓨터 게임이 결정을 내리기 위해 입력 기능을 활용하는 방식과 유사하게 결합되어 복잡한 상태를 구성합니다. 거래 스타일에 맞는 올바른 보상 기능을 찾는 것이 중요합니다. 그에 따라 시스템을 최적화할 수 있기 때문입니다.
테스트 단계는 거래에서 강화 학습을 위한 필수 단계입니다. Dr. Starke는 깨끗한 사인파, 추세 곡선, 구조가 없는 무작위 계열, 다양한 유형의 순서 상관 관계, 깨끗한 테스트 곡선의 노이즈 및 반복 패턴을 포함하여 그가 수행하는 일련의 테스트에 대해 설명합니다. 이러한 테스트는 기계가 지속적으로 수익을 창출하는지 평가하고 코딩의 결함을 식별하는 데 도움이 됩니다. 또한 표준, 컨볼루션, LSTM(Long Short-Term Memory) 네트워크와 같은 다양한 유형의 신경망 사용에 대해서도 설명합니다. Dr. Starke는 필요에 따라 충분하고 과도한 계산 노력이 필요하지 않은 더 간단한 신경망을 선호합니다.
Dr. Starke는 신호와 잡음의 구별 및 지역 최소값 문제와 같은 강화 학습 거래의 어려움을 인정합니다. 강화 학습은 시끄러운 금융 시계열과 변화하는 규칙 및 시장 체제로 특징지어지는 동적 금융 시스템과 씨름합니다. 그러나 그는 단순 이동 평균으로 가격 곡선을 매끄럽게 하면 강화 학습 기계의 성능을 크게 향상시킬 수 있음을 보여줍니다. 이 통찰력은 수익성 있는 거래 결정을 내릴 수 있는 성공적인 기계 학습 시스템 구축에 대한 지침을 제공합니다.
청중 질문과 관련하여 Starke 박사는 추가 통찰력을 제공합니다. 그는 Bellman 방정식이 예측 편향의 도입을 피하고 기술 지표를 신중한 분석 후에 입력으로 사용할 수 있음을 확인합니다. 그는 위성 이미지가 주가를 예측하는 데 유용할 수 있다고 제안합니다. 시간 프레임 측면에서 강화 거래는 신경망의 계산 시간에 따라 작은 시간 프레임에 적용될 수 있습니다. 그는 시장 이상 현상에 대한 강화 거래 알고리즘의 민감도에 대해 논의하고 강화 학습을 사용하여 무작위 결정 트리를 교육하는 것이 이치에 맞지 않는 이유를 설명합니다.
신경망 선택에 대한 질문에 Dr. Starke는 문제에 대한 적합성 때문에 결정 트리나 지원 벡터 머신 대신 거래에 신경망을 사용할 것을 권장합니다. 보상 함수를 기반으로 손실 함수를 조정하는 것은 최적의 성능을 위해 필수적입니다. 그는 고주파 거래에 강화 학습을 사용하려는 일부 시도가 있었지만 실시간 시장에서 응답성이 부족한 느린 신경망은 한계가 있었음을 인정합니다. Dr. Starke는 성공적으로 거래 경력을 쌓고 실제 거래를 하고 프로세스 전반에 걸쳐 광범위하게 배우기 위해서는 시장 지식을 습득하는 것이 중요하다고 강조합니다. 마지막으로 그는 신경망과 옵션 거래를 결합하는 것과 관련된 문제에 대해 설명합니다.
Dr. Starke는 또한 기술 지표에만 의존하기보다는 기본 상품 거래를 위한 입력으로 옵션 데이터를 사용하는 것에 대해 설명합니다. 그는 신경망을 사용하여 매수 또는 매도할 로트 수를 결정하고 슬리피지 모델을 구축하고 이러한 요소를 보상 기능에 통합함으로써 스프레드, 커미션 및 슬리피지와 같은 요소를 알고리즘에 통합하는 방법에 대한 통찰력을 제공합니다. 그는 신경망을 사용하여 거래량을 결정할 때 주의를 기울이고 그에 따라 포트폴리오 가중치를 조정하기 위해 출력 값을 사용할 것을 제안합니다. 그는 청중의 질문과 연설 참석에 감사를 표하고 LinkedIn을 통해 더 많은 참여와 상호 작용을 요청하면서 결론을 내립니다.
프레젠테이션 중에 Dr. Starke는 강화 학습을 통해 거래 분야에서 지속적인 학습과 개선의 중요성을 강조했습니다. 그는 신경망을 지속적으로 업데이트하고 새로운 데이터와 시장 상황에 따라 시스템을 개선해야 할 필요성을 강조했습니다. 이 반복 프로세스를 통해 기계는 변화하는 역학에 적응하고 시간이 지남에 따라 의사 결정 기능을 향상시킬 수 있습니다.
Dr. Starke는 또한 모델 유효성 검사의 개념과 샘플 외 테스트의 중요성에 대해 논의했습니다. 훈련된 모델이 잘 일반화되고 특정 시장 조건에 과적합되지 않는지 확인하기 위해 보이지 않는 데이터에 대한 훈련된 모델의 성능을 평가하는 것이 중요합니다. Out-of-sample 테스트는 시스템의 견고성을 검증하는 데 도움이 되며 성능에 대한 보다 현실적인 평가를 제공합니다.
또한 그는 강화 학습과 거래할 때 데이터 전처리 및 기능 엔지니어링의 문제에 대해 언급했습니다. 적절한 형식으로 데이터를 준비하고 유익한 기능을 선택하는 것은 효과적인 거래 모델을 구축하는 데 중요한 단계입니다. Dr. Starke는 신경망에 대한 입력 데이터를 최적화하기 위해 정규화, 스케일링 및 기능 선택과 같은 다양한 기술을 탐색할 것을 제안했습니다.
또한 Dr. Starke는 강화 학습의 한계와 시장 이상 또는 극단적인 이벤트에 대한 민감성을 인정했습니다. 강화 학습은 귀중한 통찰력을 제공하고 수익성 있는 전략을 생성할 수 있지만 주의를 기울이고 거래에 내재된 위험을 이해하는 것이 중요합니다. 위험 관리 및 다각화 전략은 잠재적 손실을 완화하고 장기적인 성공을 보장하는 데 중요한 역할을 합니다.
결론적으로 Dr. Starke의 프레젠테이션은 거래에서 강화 학습의 적용에 대한 포괄적인 개요를 제공했습니다. 그는 정보에 입각한 거래 결정을 내리기 위해 심층 강화 학습 알고리즘을 사용하는 것과 관련된 주요 개념, 과제 및 모범 사례에 대해 논의했습니다. 거래자는 신경망의 힘과 강화 학습 원칙을 활용하여 전략을 강화하고 역동적이고 복잡한 금융 시장에서 잠재적으로 더 나은 성과를 달성할 수 있습니다.
00:00:00 Thomas Starke 박사가 몇 년 동안 관심을 가져왔던 주제인 거래를 위한 심층 강화 학습을 소개합니다. RL(강화 학습)은 기계가 감독 없이 작업을 해결하도록 허용하고 유리한 결과를 생성하기 위해 수행해야 할 작업을 스스로 학습하는 기술입니다. 그는 컴퓨터 게임을 플레이하는 방법을 배우려는 기계가 게임 시나리오에서 시작하여 화면에 표시되는 내용에 응답하면서 한 단계에서 다음 단계로 이동하는 방법을 설명합니다. 마지막으로 게임이 종료되고 기계는 자신이 내린 일련의 결정에 따라 성공 또는 실패를 결정합니다.
00:05:00 Thomas Starke 박사가 심층 강화 학습을 통한 거래에 대해 논의하고 Markov 결정 프로세스의 개념을 설명합니다. 이 프로세스에서 상태는 특정 시장 매개변수와 연관되며 조치는 한 상태에서 다음 상태로 프로세스를 전환합니다. 전환에 따라 에이전트는 긍정적이거나 부정적인 보상을 받습니다. 목표는 특정 정책과 상태에서 예상되는 보상을 최대화하는 것입니다. 거래에서 시장 매개변수는 에이전트가 어떤 상태에 있는지 식별하고 어떤 조치를 취해야 하는지 결정하는 데 도움이 되는 데 사용됩니다.
00:10:00 Thomas Starke 박사는 시스템 상태를 알려주는 다양한 지표를 기반으로 매수, 매도 또는 보유 여부를 결정하는 거래와 관련된 의사 결정 프로세스에 대해 설명합니다. 목표는 거래의 이익 또는 손실인 최상의 가능한 보상을 받는 것입니다. 그러나 상태에 즉각적인 이익 또는 손실과 같은 특정 레이블을 지정하는 전통적인 기계 학습 접근 방식은 거래가 가까운 미래에 우리에게 불리하게 진행될 경우 잘못된 레이블로 이어질 수 있습니다. 따라서 기계는 처음에 우리에게 불리하게 작용하더라도 거래에 머무를 시기를 이해하고 거래가 평균선으로 되돌아가 거래를 종료할 때까지 기다려야 한다는 확신을 가져야 합니다.
00:15:00 Thomas Starke 박사가 소급 라벨링과 거래 손익의 모든 단계에서 라벨링의 어려움을 해결하기 위해 강화 학습에 사용되는 방법에 대해 설명합니다. 그는 전통적인 기계 학습이 거래의 모든 단계에 레이블을 지정하기 때문에 손실이 발생할 경우 미래에 거래가 수익성이 있을지 예측하기 어렵다고 설명합니다. 소급 라벨링은 Bellman 방정식을 사용하여 즉각적인 이익을 창출하지 않더라도 각 행동과 상태에 0이 아닌 값을 할당하여 평균 및 최종 이익으로 되돌릴 수 있습니다.
00:20:00 Thomas Starke 박사가 거래에서 만족 지연 문제를 해결하기 위해 강화 학습을 사용하는 방법을 설명합니다. Bellman 방정식은 행동의 보상을 계산하는 데 사용되며 "r"은 즉각적인 보상을 나타내고 "q"는 누적 보상을 나타냅니다. 감마는 이전 결과와 비교하여 미래 결과에 가중치를 할당하는 할인 요소입니다. 강화 학습을 사용함으로써 거래 결정은 즉각적인 보상뿐만 아니라 더 높은 미래 보상을 위한 포지션 보유에도 기반합니다. 이를 통해 욕심 많은 의사 결정에 비해 더 많은 정보에 입각한 의사 결정이 가능합니다.
00:25:00 Thomas Starke 박사가 심층 강화 학습이 미래 결과를 기반으로 거래 결정을 내리는 데 어떻게 도움이 되는지 설명합니다. 전통적인 강화 학습은 과거 경험을 기반으로 테이블을 구축하는 것을 포함하지만 거래에서는 많은 양의 상태와 영향으로 인해 복잡해집니다. 따라서 해결책은 심층 강화 학습과 신경망을 사용하여 막대한 테이블을 생성하지 않고 이러한 테이블을 근사화하는 것입니다. 그는 거래의 게임화를 사용하고 올바른 보상 기능과 상태를 정의하기 위한 입력을 찾는 구현에 대해 설명합니다. 전반적으로 심층 강화 학습을 사용하면 거래 의사 결정에 도움이 될 수 있습니다.
00:30:00 Dr. Starke는 거래에서 입력의 중요성과 입력이 어떤 종류의 예측 가치를 가져야 하는지, 그렇지 않으면 시스템이 올바른 거래 결정을 내릴 수 없는지에 대해 논의합니다. 그는 알려진 동작에 대해 시스템을 테스트하고 선택한 보상 함수에 따라 신경망의 적절한 유형, 크기 및 비용 함수를 선택해야 할 필요성을 강조합니다. 그런 다음 거래에서 게임화가 어떻게 작동하는지 설명합니다. 상태는 과거 및 현재 가격, 기술 보호 데이터 및 대체 데이터 소스이고 보상은 거래의 손익입니다. 강화 학습자는 Bellman 방정식을 사용하여 소급하여 관측값에 레이블을 지정하고 신경망에 의해 근사화된 테이블을 지속적으로 업데이트함으로써 기계는 더 나은 거래 결정을 내리는 방법을 학습합니다.
00:35:00 Thomas Starke 박사가 강화 학습을 사용하여 교육용 가격 시리즈를 구성하는 방법에 대해 설명합니다. 그는 가격 시리즈를 순차적으로 실행하는 대신 다른 지점에서 무작위로 진입 및 퇴장할 수 있으며 어떤 방법을 선택할지는 사용자가 결정해야 한다고 설명합니다. 그는 또한 보상 함수 설계의 어려움에 대해 논의하고 순수한 백분율 손익, 틱당 이익, 샤프 비율 및 다양한 유형의 처벌을 사용하여 교육에 사용할 수 있는 보상 함수를 구성하는 다양한 예와 방법을 제공합니다. 장거리 운송 시간이나 손실을 피하십시오.
00:40:00 Thomas Starke 박사에 따르면 시가 고가 저가 종가 및 거래량 값, 캔들스틱 패턴, 상대 강도 지수와 같은 기술 지표, 시간/주/년, 다양한 시간 세분화, 입력 등 다양한 옵션이 있습니다. 다른 상품에 대한 가격 및 기술 지표, 감정 또는 위성 이미지와 같은 대체 데이터. 그런 다음 이러한 입력은 컴퓨터 게임이 입력 기능을 사용하여 결정을 내리는 방식과 유사하게 복잡한 상태로 구성됩니다. 궁극적으로 핵심은 거래 스타일에 맞는 올바른 보상 기능을 찾고 그에 따라 시스템을 최적화하는 것입니다.
00:45:00 Thomas Starke 박사는 강화 학습자가 금융 시장 거래에 사용되기 전에 거쳐야 하는 테스트 단계를 설명합니다. 그는 깨끗한 사인파, 추세 곡선, 구조가 없는 무작위 시리즈, 다양한 유형의 순서 상관 관계, 깨끗한 테스트 곡선의 노이즈 및 반복 패턴을 포함한 일련의 테스트를 적용하여 기계가 일관된 수익을 내고 있는지 확인하고 코딩의 결함을 찾습니다. . 또한 그는 표준, 컨볼루션, 장기 단기 기억(LSTM)을 포함하여 그가 사용하는 다양한 유형의 신경망과 필요에 충분하고 과도한 계산 노력이 필요하지 않은 단순한 신경망에 대한 선호도에 대해 설명합니다.
00:50:00 Thomas Starke 박사가 신호와 노이즈를 구별하는 어려움과 로컬 최소값 문제를 포함하여 강화 학습을 통한 거래의 어려움에 대해 논의합니다. 그는 강화 학습이 시끄러운 재무 시계열과 변화하는 규칙 및 시장 체제가 있는 동적 재무 시스템과 어려움을 겪고 있음을 보여줍니다. 그러나 그는 단순한 이동 평균으로 가격 곡선을 매끄럽게 하면 강화 학습 기계의 성능을 크게 향상시킬 수 있음을 보여주어 수익성 있는 거래 결정을 내릴 수 있는 성공적인 기계 학습 시스템을 구축하는 방법에 대한 통찰력을 제공합니다.
00:55:00 Thomas Starke 박사가 거래에 강화 학습을 사용하는 문제에 대해 설명합니다. 첫째, 강화 학습은 시장 행동의 변화에 적응하는 데 어려움을 겪기 때문에 새로운 행동을 배우기가 어렵습니다. 또한 많은 훈련 데이터가 필요하지만 시장 데이터는 부족한 경우가 많습니다. 강화 학습은 효율적이지만 쉽게 과대적합될 수 있으며 기본 시장 패턴에만 실제로 작용합니다. 더 복잡한 신경망을 구축하면 이를 극복할 수 있지만 시간이 많이 걸리는 작업입니다. 궁극적으로 강화 학습은 수익성 있는 결과를 생성하기 위한 묘책이 아니며 성공적인 거래 결과를 달성하기 위해 우수한 시장 경험과 도메인별 지식을 보유하는 것이 중요합니다. Dr. Starke는 Quant NC 강의를 제공하고 이러한 시스템을 코딩하는 데 관심이 있는 모든 사람이 잘 구성된 질문으로 LinkedIn에서 그에게 연락할 것을 권장합니다.
01:00:00 Thomas Starke 박사는 심층 강화 학습을 통해 거래와 관련된 다양한 질문에 답변합니다. 그는 Bellman 방정식이 미리 예측 편향을 도입하지 않으며 기술적 지표가 신중한 분석 후 입력으로 사용될 수 있다고 설명합니다. 위성 이미지는 주가 예측에 유용할 수 있으며 신경망 계산 시간에 따라 작은 시간 프레임에서 강화 거래가 수행될 수 있습니다. 그는 또한 강화 거래 알고리즘이 시장 이상 현상에 얼마나 민감한지 논의하고 강화 학습을 사용하여 무작위 결정 트리를 훈련하는 것이 왜 이치에 맞지 않는지 설명합니다.
01:05:00 Thomas Starke 박사는 문제에 대한 적합성 때문에 의사결정 트리나 지원 벡터 머신보다는 거래에 신경망을 사용할 것을 권장합니다. 그는 사용된 보상 함수를 기반으로 손실 함수를 튜닝하는 것이 필수적이라고 설명합니다. 그는 사람들이 고주파 거래에 강화 학습을 사용하려고 시도했지만 실시간 시장에서 응답성이 부족한 느린 신경망으로 끝났다고 언급합니다. 그는 시장 지식을 얻는 것이 금융 산업에서 거래 경력을 쌓고 실제 거래를 하고 그 과정에서 많은 것을 배우는 데 크게 도움이 될 것이라고 제안합니다. 마지막으로 그는 신경망을 사용하여 옵션 거래에서 좋은 결과를 얻을 수 있는지에 대해 논의하고 신경망과 옵션 거래를 결합하는 데 따르는 어려움을 설명합니다.
01:10:00 Thomas Starke 박사가 기술 지표에만 의존하는 대신 옵션 데이터를 기본 상품 거래의 입력으로 사용할 수 있는 방법에 대해 설명합니다. 그는 또한 매수 또는 매도할 로트 수를 결정하기 위해 신경망을 사용하는 것과 슬리피지 모델을 구축하고 이러한 요소를 보상 기능에 통합하여 스프레드, 커미션 및 슬리피지를 알고리즘에 통합하는 방법에 대한 질문에 답합니다. 그는 신경망을 사용하여 거래량을 결정할 때 주의를 기울이고 출력 값을 사용하여 그에 따라 포트폴리오 가중치를 조정할 것을 권장합니다. 그는 질문을 던지고 자신의 연설에 참석해 준 청중에게 감사를 표하며 연설을 마칩니다.
비디오에서 연사는 Content C에 대한 배경 정보를 제공하고 거래 및 은행 업무 경험을 소개하는 것으로 시작합니다. 체계적 거래, 양적 거래, 알고리즘 거래, 초단타 거래 등 거래의 다양한 방법론에 대해 논의합니다. 비디오의 주요 초점은 정량화 가능한 방식으로 거래 전략을 개발하고 최적화하는 데 대한 통찰력을 제공하고 임의 및 정량적 거래 접근 방식을 비교하는 것입니다.
연사는 거래에서 아웃퍼펌과 적중률의 중요성을 강조합니다. 그들은 95%의 확률로 최소 50%의 주식에서 아웃퍼펌을 달성하기 위해 트레이더는 특정 횟수만큼 예측이 정확해야 하며 이는 추적 및 거래되는 자산의 수에 따라 증가한다고 설명합니다. 더 많은 주식을 추적할 수 있는 체계적 거래는 이런 점에서 임의 거래보다 유리합니다. 그러나 재량 거래는 더 적은 수의 주식을 추적하여 더 깊은 독점 통찰력을 제공할 수 있습니다. 연사는 벤치마크에 대한 투자 관리자의 성과는 적중률과 베팅 수의 제곱근에 정비례한다는 투자 관리의 기본 법칙을 소개합니다.
기술 거래자, 기본 거래자, 퀀트와 같은 다양한 유형의 거래자는 다양한 방식으로 위험과 수익을 포착합니다. 화자는 이러한 거래 방식을 거의 모두 규칙으로 표현할 수 있어 체계적인 거래가 가능하다고 설명한다. 거래 전략은 시장 단계에 관계없이 매수, 매도 또는 보유 시점을 결정하는 수학적 규칙 집합으로 정의됩니다. 거래 전략의 목표는 들어오는 데이터를 기반으로 신호 함수를 생성하고 이를 기본 자산의 목표 위치로 변환하는 것입니다. 시장 임의성과 확률적 특성으로 인해 거래가 복잡하지만 규칙 기반 전략은 위험 관리에 도움이 될 수 있습니다.
연사는 거래 전략 설계 및 구현과 관련된 기능에 대해 자세히 설명합니다. 그들은 실제 시장에서 실현된 수익은 자신의 통제 범위를 넘어 변경할 수 없다는 점을 강조합니다. 따라서 전략을 개선하기 위해 매개 변수를 변경하여 일부 제약 조건이 주어진 Pi의 기능을 최적화하는 것이 필수적입니다. 발표자는 아이디어 구상, 가설 테스트, 규칙 변환, 백테스팅, 위험 추정, 배포 및 배포 후 다음 전략을 찾는 것의 중요성을 포함한 전략 개발 단계를 설명합니다.
알파, 베타 및 입실론과 같은 요소를 고려하여 거래 전략의 투자 수익률 방정식을 설명합니다. 연사는 또한 전략의 위험과 패널에 대해 논의하여 어떻게 고유한 위험이 분산될 수 있고 예상 수익의 일부가 아닌지 설명합니다. 베타 및 알파의 개념이 도입되었으며, 시장 요인 노출을 위해 제안된 수동적 광역 지수와 가치 또는 모멘텀과 같은 요인 구매를 통한 추가 다각화 가능성이 있습니다. 알파 생성은 신중한 선택이나 타이밍이 필요한 어려운 작업으로 인식됩니다.
연사는 거래 전략에서 알파 및 시장 타이밍의 중요성을 강조합니다. 그들은 효과적인 전략을 위해서는 일정한 알파를 포착하고 시장 요인의 변화를 예측해야 한다고 설명합니다. 이 능력이 부족하면 패시브 투자가 유일한 실행 가능한 옵션이 됩니다. 연사는 백테스팅을 진행하기 전에 아이디어와 주의 깊은 관찰을 통해 간단한 거래 전략 개발을 시작하라고 조언합니다. 초기 인사이트를 얻으려면 일일 가격을 사용하여 잠재적인 아이디어에 대해 자세히 알아보는 것이 좋습니다.
코딩 및 데이터 분석 기술을 사용하여 거래 전략을 최적화하는 방법에 대한 데모가 제공됩니다. 이 예에서는 Microsoft, Apple 및 Google 주식을 사용하여 거래 신호를 계산하고 시가 및 오늘 종가를 기반으로 후속 가치 매도를 추정합니다. 가격 움직임의 차이를 시각화하기 위해 그래프를 플로팅하여 탐색적 분석을 수행합니다. 변동성, 가격 및 변동성 비율과 같은 요소를 고려하여 여러 주식에서 X의 가치를 비교할 수 있도록 데이터 표준화에 대해 논의합니다. 발표자는 인도 시장의 대형주 의존주와 S&P 상위 20개 지수의 갭 업 및 갭 다운과 관련된 통계적 현상을 강조하여 시작 범위 및 종료 막대의 정의로 이어집니다.
그런 다음 발표자는 트레이딩 경력을 추구하는 데 관심이 있는 트레이더와 개인을 위한 EPAT(알고리즘 트레이딩의 이그제큐티브 프로그램) 프로그램의 이점에 대해 논의합니다. 그들은 EPAT 프로그램이 트레이딩에 중점을 둔 실용적인 프로그램이기 때문에 트레이더가 되고자 하거나 증권 트레이딩 데스크에서 일하는 사람들에게 적합하다고 강조합니다. 이 프로그램은 거래 전략, 위험 관리 기술 및 알고리즘 거래의 실용적인 측면에 대한 포괄적인 이해를 제공합니다.
이론적 측면에 더 중점을 둔 프로그램과 달리 EPAT 프로그램은 실제 거래 시나리오에 직접 적용할 수 있는 실용적인 지식을 제공합니다. 연사는 위험 퀀트가 되려는 개인이 이론적 개념을 더 깊이 탐구하는 다른 프로그램을 탐색하도록 권장합니다.
트레이딩에 꼭 필요한 통계 주제를 묻는 질문에 화자는 트레이딩에 통계를 적용하는 방법에 대한 통찰력을 얻기 위해 대학 수준의 통계 책을 참조할 것을 권장합니다. 그들은 또한 양적 금융 블로그와 Twitter 계정을 팔로우하여 귀중한 학습 자료에 액세스하고 해당 분야의 최신 동향과 발전에 대한 최신 정보를 얻을 것을 제안합니다.
전략 개발과 관련하여 연사는 거래 아이디어를 코드로 변환하기 위해 통계 및 정량화 측면에서 생각하는 것의 중요성을 강조합니다. EPAT 프로그램은 우수하고 수익성 있는 거래 전략을 정의하는 데 필요한 기술을 거래자에게 제공합니다. 그들은 전략 개발에 노력을 기울일 필요성을 강조하고 알고 거래에서 일관된 수익을 창출하려면 헌신과 인내가 필요함을 인정합니다.
연사는 청중의 특정 질문에 답하고 코드의 지역 최저점 및 최고점 정의, 옵션 거래를 위한 코드 획득 및 사용, 샘플 코드 찾기와 같은 주제에 대한 지침을 제공합니다. 그들은 코드 샘플을 GitHub에서 찾을 수 있다고 언급하고 EPAT 프로그램에 거래 전략의 구성 요소가 포함되어 있음을 명확히 하지만 포지션 크기 조정이 적용되는지 확신할 수 없습니다.
계속해서 발표자는 철 콘도르와 같은 간단한 옵션 전략에서 알고 거래를 적용하는 방법에 대해 논의합니다. 그들은 실행 타이밍이 중요한 역할을 하는 고주파 거래에서 실행 속도의 중요성을 강조합니다. 그러나 중장기 전략에서는 속도보다 알파 소스가 더 중요합니다. 알고 거래는 잠재적인 거래를 놓치지 않도록 다양한 주식에 대한 여러 옵션을 모니터링하는 데 특히 유용할 수 있습니다.
연사는 거래 전략에서 대체 데이터 사용에 대한 관점을 공유합니다. 그들은 일부 대체 데이터가 가치가 있을 수 있지만 모든 데이터 소스가 유용한 통찰력을 제공하는 것은 아니라는 점을 지적하면서 그 효과에 대해 복합적인 감정을 표현합니다. 거래 전략에 특이점을 통합하는 결정은 사용되는 전략의 특정 거래 및 위험 프로필에 따라 다릅니다.
변화하는 시장 상황에 따라 스스로 최적화할 수 있는 적응형 전략도 논의됩니다. 연사는 적응 전략을 만들기 위한 다양한 기술을 강조하고 거래 성과와 적응성을 향상시킬 수 있는 잠재력을 강조합니다.
결론적으로 연사는 다양한 유형의 차트를 기반으로 거래 전략을 구축하는 것이 가능하지만 성공을 보장하기 위해 구체적인 규칙을 마련하는 것이 필수적이라고 반복합니다. 그들은 시장에 "공짜 점심"이 없다고 경고하고 거래 결정에 대한 체계적이고 체계적인 접근 방식의 중요성을 강조합니다.
비디오는 시청자에게 EPAT 프로그램 또는 경력 및 비즈니스에 대한 잠재적 이점에 대해 가질 수 있는 추가 질문을 묻는 초대로 끝납니다. 관심 있는 개인은 제공된 포럼 또는 기타 커뮤니케이션 채널을 통해 프로그램 카운슬러와 연결하여 입학 세부 사항 및 수수료 유연성에 대해 문의할 것을 권장합니다.
00:00:00 연사는 Content C의 배경을 소개하고 연사의 거래 및 은행 경험에 대해 간략하게 설명합니다. 연사는 체계적 거래, 양적 거래, 알고리즘 거래, 고주파 거래와 같은 다양한 거래 방법론의 차이점을 설명합니다. 이 비디오의 주요 초점은 일반적인 퀀트 방식으로 트레이딩 전략을 개발하고 최적화하는 방법과 재량 트레이딩과 퀀트 트레이딩 간의 비교를 엿볼 수 있도록 하는 것입니다.
00:05:00 연사는 거래에서 뛰어난 실적과 적중률의 중요성에 대해 논의합니다. 95%의 확률로 최소 50%의 주식에서 아웃퍼폼을 달성하려면 트레이더는 특정 횟수만큼 예측이 정확해야 합니다. 추적 및 거래되는 자산의 수에 따라 숫자가 증가합니다. 따라서 더 많은 종목을 추적할 수 있는 체계적 매매가 임의 매매보다 유리하다. 그러나 재량 거래는 더 적은 수의 주식을 추적하기 때문에 더 깊은 독점 통찰력을 제공할 수 있습니다. 연사는 또한 벤치마크에 대한 투자 관리자의 성과는 적중률과 베팅 수의 제곱근에 정비례한다는 투자 관리의 기본 법칙을 소개합니다.
00:10:00 발표자는 기술 거래자, 기본 거래자 및 퀀트와 같은 다양한 종류의 거래자가 다양한 방식으로 위험과 수익을 포착한다고 설명합니다. 그는 이러한 다양한 거래 유형을 거의 모두 하나의 규칙으로 표현할 수 있어 체계적인 거래가 가능하다고 언급한다. 거래 전략의 정의는 시장 단계에 관계없이 매수, 매도 또는 보유 시점을 알려주는 수학적 규칙 집합으로 제공됩니다. 거래 전략의 목표는 들어오는 신호를 기반으로 신호 함수를 생성하는 것입니다. 데이터를 기초 자산의 대상 위치로 변환합니다. 연사는 시장의 무작위성과 확률적 특성으로 인해 거래가 복잡하지만 규칙 기반 전략을 수립하면 위험을 관리하는 데 도움이 될 수 있다고 지적합니다.
00:15:00 강사는 거래 전략 설계 및 구현과 관련된 다양한 기능을 설명하는 것으로 시작합니다. 그는 실제 시장에서 실현된 수익은 귀하의 통제 범위를 벗어나고 변경할 수 없다고 강조합니다. 이것이 NP 또는 s와 P의 매개변수를 변경함으로써 일부 제약이 주어지면 Pi의 기능을 최적화하는 것이 필수적인 이유입니다. 그런 다음 강의가 계속됩니다. 검증 가능한 가설로 이어지는 아이디어화에서 시작하여 전략 개발의 여러 단계를 논의합니다. 그런 다음 규칙을 프로그래밍 가능한 규칙으로 변환하여 가설을 테스트한 다음 규칙이 수익을 창출하는지 또는 실패하는지 확인하기 위해 백테스팅을 수행합니다. 이 테스트 단계의 결과는 위험 및 P&L 프로파일의 추정이며, 그 후 테스트 단계에서 포착되지 않은 위험을 처리하면서 전략이 전개됩니다. 마지막으로 강사는 배포 후 다음 전략을 찾는 것의 중요성을 강조합니다.
00:20:00 연사는 알파, 베타 및 엡실론과 같은 요소를 포함하는 거래 전략의 투자 수익에 대한 방정식을 설명합니다. 그는 계속해서 전략의 위험과 패널에 대해 논의하고 고유한 위험이 어떻게 분산될 수 있으며 예상 수익의 일부가 아닌지 설명합니다. 그는 또한 베타와 알파의 개념을 설명하고, 가치나 모멘텀과 같은 구매 요인이 더 다양화하는 데 도움이 될 수 있는 반면 유일한 요인이 시장인 경우 수동적인 광범위한 기반 지수를 제안합니다. 마지막으로 발표자는 알파 생성이 쉽지 않으며 신중한 선택이나 타이밍이 필요하다고 말합니다.
00:25:00 연사는 거래 전략에서 알파 및 시장 타이밍의 중요성에 대해 논의합니다. 발표자는 효과적인 거래 전략에는 일정한 알파를 포착하고 시장 요인의 변화를 예측하는 능력이 필요하다고 설명합니다. 그렇게 할 능력이 없다면 유일한 선택은 소극적 투자입니다. 그런 다음 스피커는 백테스팅으로 곧바로 뛰어들지 않고 아이디어 구상부터 시작하여 관찰을 통해 간단한 거래 전략을 개발하는 방법에 대해 논의합니다. 대신, 화자는 더 자세한 테스트를 진행하기 전에 각 잠재적 아이디어에 대해 자세히 알아보고 일일 가격을 사용하여 빠른 아이디어를 얻을 것을 권장합니다.
00:30:00 연사는 Microsoft, Apple 및 Google의 다양한 주식을 사용하여 거래 전략을 최적화하는 방법을 보여줍니다. 그들은 코딩 및 데이터 분석 기술을 사용하여 거래 신호를 계산하고 개시 및 오늘 종가를 기반으로 후속 가치 매도를 추정합니다. 발표자는 오늘의 시가와 어제의 저가 또는 고가 사이의 차이와 그들이 예측하고자 하는 결과(오늘 종가에서 오늘 시가를 뺀 값)를 보여주기 위해 몇 가지 탐색적 분석을 하고 있다고 설명합니다. 그런 다음 2008년부터 2013년까지의 데이터를 하위 집합으로 만들고 어떻게 작동하는지 보기 위해 산점도를 그립니다.
00:35:00 발표자는 다양한 변동성, 가격 및 변동성 비율이 있는 여러 주식에서 X의 가치를 비교할 수 있도록 표준화 프로세스에 대해 논의합니다. 화자는 -3에서 +3까지의 표준 정규 방식을 사용하여 데이터를 표준화했습니다. 연사는 인도 시장의 대형주 의존주와 S&P 상위 20개 지수의 갭 업 및 갭 다운과 관련된 통계적 현상을 관찰했으며, 이로 인해 시작 범위와 종료 막대가 정의되었습니다. 신호 함수는 개시 범위와 종가 막대 사이의 차이를 계산하는 데 도움이 되며 계산된 주식 변동성의 정규화는 신호가 양수인지 음수인지를 결정하는 데 도움이 됩니다. 신호가 양수일 때 진입 레벨은 시작가 캔들의 고점이 되고 신호가 음수일 때 진입 레벨은 이 시작가 캔들의 저가가 되어 롱 또는 숏 포지션을 결정하는 데 도움이 됩니다.
00:40:00 연사는 위치 기능과 BlueShift라는 플랫폼을 사용하여 거래 전략을 최적화하는 방법에 대해 논의합니다. 포지션 기능은 주식 신호에 대한 거래 입력 및 모든 거래에 대해 동등한 자본 할당을 기반으로 합니다. 입장 규정은 개장 후 첫 1시간으로 제한되며, 위반한 입장 등급만 입장이 가능합니다. 종료 규칙은 시장이 마감되기 30분 전에 입력된 거래의 위치를 정리하는 것입니다. 플랫폼 BlueShift는 거래 전략을 개선하기 위해 기술 지표 및 양적 전략을 포함한 거래 전략을 배포하기 위해 Python에 프로그래밍 언어에 익숙해야 합니다.
00:45:00 발표자는 BlueShift 플랫폼과 "심볼" 기능을 사용하여 거래를 위한 유니버스를 만드는 과정을 설명합니다. 그런 다음 스피커는 주식 가격에 대한 과거 데이터를 쿼리하고 변동성을 포함한 현재 및 마지막 바 가격을 추출하고 변동성을 사용하여 위아래로 격차를 정규화하여 거래 전략에 대한 신호를 계산하는 방법에 대해 논의했습니다. 강세, 약세 또는 중립 단계에 대한 거래 조건도 설명되었습니다. 또한 연사는 일정 기간이 지나면 거래를 중단하고 시장이 마감되기 전에 포지션을 풀거나 정리하는 두 가지 작은 기능에 대해 설명했습니다. 마지막으로 발표자는 강세, 약세 또는 중립 분위기를 기반으로 신호를 생성하고 거래를 하고 시작 범위를 깨는 반복 프로세스를 설명했습니다.
00:50:00 연사는 거래 전략을 최적화하는 과정에 대해 논의합니다. 그들은 최적화 프로세스를 시작하기 전에 신호 임계값, 변동성 계산일, 위치 함수 등과 같은 전략의 매개 변수가 무엇인지 추정하는 것이 중요하다고 설명합니다. 다음 단계는 무엇을 결정하는 목적 함수를 만드는 것입니다. 최적화는 총 수익을 최대화하는지 또는 단기 압력을 극대화하는지 여부를 기반으로 해야 합니다. 화자는 범위 내에서 매개 변수를 변경하여 검색을 실행하여 최대 목적 함수를 제공하는 조합을 확인하도록 제안합니다. 많은 플랫폼은 최적화 프로세스 속도를 높이기 위해 유전자 알고리즘 또는 모의 어닐링을 사용하여 이를 기능으로 제공합니다.
00:55:00 발표자는 아이디어, 가설 테스트 및 평가를 포함하는 전략 개발의 과학적 방법을 설명합니다. 작동하지 않으면 버리고 작동하면 배치하십시오. 화자는 목표 함수를 최대화하기 위해 매개변수 검색과 같은 도구를 사용하는 것에 대해 주의를 줍니다. 본질적으로 미래가 아닌 과거를 위한 전략을 최적화하기 때문입니다. 대신 그들은 일반화하기는 어렵지만 무엇이 잘못되었고 무엇이 개선될 수 있는지 파악하기 위한 연구 기반 접근 방식을 제안합니다. 마지막으로 연사는 거래 전략을 개선하기 위해 옵션 및 옵션 이론을 기반으로 이익실현 목표를 사용할 것을 제안합니다.
01:00:00 연사는 거래 전략에 대한 두 가지 개선 사항에 대해 논의합니다. 첫 번째 개선 사항은 초기 가격에서 현재 가격으로의 이동이 이익 목표보다 크거나 적을 때 이익을 고정하는 게이트 이익 전략을 구현하는 것과 관련이 있습니다. 두 번째 개선 사항은 신호 생성 임계값에 상한선을 설정하여 전략의 승률을 높인 것입니다. 연사는 또한 일관된 수익을 창출하는 데 있어서 시계열 지표의 안정성이 중요함을 강조하고 비선형성이 전략에 단점을 줄 수 있다고 제안합니다. 전반적으로 연사는 이론적 통찰력을 통합하여 거래 성과를 크게 향상시킬 수 있는 방법을 보여줍니다.
01:05:00 강사는 입력을 위한 0 임계값에 상위 임계값을 추가하고 신호 대 결과 관계의 주요 회귀 영역으로 넘어가는 것을 방지하기 위해 하위 임계값을 넣는 것에 대해 논의합니다. 이는 비선형성을 방지하고 드로다운 및 성능을 개선하는 데 도움이 됩니다. 강사는 또한 신호 메커니즘이 아닌 위험 제어로 손절매를 사용하는 방법에 대해 설명하고 위치 함수에 시그모이드 함수를 사용하는 아이디어를 소개합니다. 이 기능을 사용하면 신호가 양수인지 음수인지 확신할 수 없는 영역으로 많은 양의 거래를 하는 것을 방지하여 성능이 크게 향상됩니다. 전반적으로 거의 모든 메트릭이 80%의 시계열 안정성으로 훌륭해 보입니다.
01:10:00 발표자는 변동성 및 시장 방향에 대한 필터 추가, 변화하는 시장 상황에 적응하기 위한 전환 메커니즘 구현과 같은 거래 전략을 위한 추가 최적화 기술에 대해 논의합니다. 연사는 또한 거래 프로필 결정, 위험 제어 매개변수 설정, 불량 거래를 방지하기 위한 최대 거래 수 및 거래당 최대 크기에 대한 제한 구현을 포함하여 전략을 실행할 때 위험 제어 조치의 중요성에 대해 설명합니다. 이 섹션은 라이브 교육 포털을 사용하여 거래 전략을 실행하는 방법에 대한 간략한 개요로 끝납니다.
01:15:00 화자는 트레이딩 전략을 최적화할 때 트레이드 와이즈 방식보다 전략적인 접근 방식을 구현하는 것이 중요함을 설명하고 전략을 중지하기 위한 킬 스위치의 필요성을 강조합니다. 그는 Blueshift가 사용자가 선택 가능한 설정을 통해 이를 수행할 수 있는 방법을 보여줍니다. 여기에는 특정 손실률에 도달하면 전략을 자동으로 종료하는 것이 포함됩니다. 연사는 또한 백테스팅 코드와 실시간 거래 코드 사이에 변경 사항이 없도록 하는 것이 중요하다고 강조합니다. 그는 최적화, 아이디어화, 테스트 및 배포 단계에 중점을 두고 0.74에서 상당한 1.2 샤프 비율로 가는 과정을 요약합니다. 연사는 또한 위치 함수 및 비트코인 파생 상품과 관련된 질문에 답하고 추가 학습을 위해 사용자를 Github 및 YouTube의 리소스로 안내합니다.
01:20:00 연사는 EPAT가 거래에 중점을 둔 실용적인 프로그램으로, 거래자가 되거나 중개 거래 데스크에서 일하는 데 관심이 있는 사람들에게 적합하다고 설명합니다. 반면에 리스크 퀀트가 되려는 사람들은 보다 이론적인 다른 프로그램을 고려해야 합니다. 트레이딩을 위해 알아야 할 통계 주제를 묻는 질문에 화자는 대학 수준의 통계 서적을 집어들고 트레이딩에 대한 통계 적용에 대한 통찰력을 개발할 것을 제안합니다. 그들은 또한 좋은 자료를 찾기 위해 퀀트 블로그나 트위터 계정을 팔로우할 것을 권장합니다. 전략 측면에서 화자는 수익성 있는 전략도 여전히 인플레이션보다 뒤처질 수 있지만 강의에서 논의된 예제 전략이 인플레이션을 능가할 가능성이 있다고 믿습니다. 또한 화자는 약세장 전략을 수립하는 것이 가능하다고 말합니다.
01:25:00 비디오는 거래 전략 최적화의 다양한 측면에 대해 설명합니다. 전략 수립의 초점은 시장 중립성에 있으며, 여기서 전략은 베타가 없고 시장이 약세장 또는 강세장에 있는지 여부에 영향을 받지 않습니다. 영상은 계속해서 적응형 전략이나 약간의 필터를 사용하는 등 잘못된 가정으로 인해 잘 되지 않을 수 있는 전략을 수정하는 방법을 설명합니다. 또한 비디오는 이 프로그램이 트레이더가 생각을 코드로 변환하기 위해 통계 및 정량화 측면에서 생각하는 방법을 가르침으로써 트레이더가 우수하고 수익성 있는 전략을 정의하는 데 어떻게 도움이 되는지 설명합니다. 마지막으로 영상은 중저단파 거래에서 성공적인 개인 알고 트레이더가 될 수 있지만 고주파 거래는 큰 기관이 필요하다고 설명합니다.
01:30:00 화자는 전략 개발의 중요성과 알고 거래에서 이익을 내기 위해 필요한 노력을 강조합니다. 프로그래밍 지식은 유익하지만 중요하지는 않습니다. 프로그래밍 배경이 전혀 없는 개인이 교육을 따라잡았습니다. 중요한 기술 세트는 자신의 성공에 대한 소유권과 학습 능력입니다. 연사는 코드에서 지역 최저점과 최고점을 정의하고, 옵션 거래를 위한 코드를 얻고 사용하고, 샘플 코드를 찾는 것에 대한 특정 질문을 다룹니다. 이 코드는 Github에서 찾을 수 있으며 연사는 프로그램에 거래 전략의 일부가 포함되어 있지만 포지션 크기 조정이 포함되어 있는지 확실하지 않다고 말합니다.
01:35:00 화자는 철 콘도르와 같은 간단한 옵션 전략에서 알고 거래의 사용에 대해 논의하며, 속도의 중요성으로 인해 고주파 거래에서 실제 전략보다 실행이 더 중요하다고 말합니다. 중장기 전략의 경우 알파 소스가 속도보다 더 중요하지만 알고 거래는 거래 누락을 피하기 위해 여러 주식에 대한 여러 옵션을 모니터링하는 데 여전히 유용할 수 있습니다. 화자는 또한 대체 데이터의 사용에 대해 논의하고 그 효과에 대해 엇갈린 감정을 표현하고 일부 대체 데이터는 유용하지만 다른 데이터는 유용하지 않다고 말합니다. 거래 전략에서 이상치의 사용은 전략의 거래 프로필과 위험 프로필에 따라 다릅니다. 마지막으로 발표자는 시장 상황에 따라 최적화할 수 있는 적응형 전략과 이러한 전략을 만드는 다양한 기술에 대해 언급합니다.
01:40:00 발표자는 다양한 유형의 차트를 기반으로 거래 전략을 수립할 수 있는 가능성에 대해 논의하지만 시장에는 공짜 점심이 없으며 성공을 보장하기 위해서는 특정 규칙이 마련되어야 한다고 주의를 줍니다. 연사는 또한 자신의 거래 작업을 시작하려는 사람들을 위한 지원이 제공되지만 비유동 시장에서 알고리즘의 성공은 사용되는 전략에 달려 있다고 언급합니다. 연사는 어떤 자산군도 본질적으로 다른 자산군보다 더 좋지 않다고 조언하며 직감이 거래 결정의 기초가 되어서는 안 된다고 경고합니다.
01:45:00 비디오는 EPAT 프로그램이 다양한 전략 패러다임 학습을 통해 트레이더가 거래 전략을 최적화하는 데 어떻게 도움이 되는지 설명합니다. 이 프로그램은 거래 성공과 안전을 높이기 위해 10개 이상의 다양한 패러다임을 제공합니다. 시청자는 프로그램과 경력 및 비즈니스에 대한 잠재적 이점에 대해 질문할 수 있습니다. 비디오는 또한 관심 있는 개인이 제공된 포럼을 통해 입학 및 비용 유연성과 관련하여 프로그램 카운셀러와 연결할 수 있다고 언급합니다.
투자에 Python 트레이딩 봇을 사용하는 방법
투자에 Python 트레이딩 봇을 사용하는 방법
투자 목적으로 Python 거래 봇의 세계를 탐구하는 이 유익한 웨비나에 참여하십시오. 초보자와 숙련된 거래자 모두에게 적합하도록 설계된 이 비디오는 알고리즘 거래에 Python을 활용하는 데 관심이 있는 개인에게 유용한 리소스 역할을 합니다.
웨비나를 통해 알고 거래 전략을 향상시키는 실용적인 통찰력과 지식을 얻을 수 있습니다. 광범위한 라이브러리 및 자동화 기능을 갖춘 Python은 거래 접근 방식을 간소화하고 최적화할 수 있는 엄청난 잠재력을 제공합니다. Python의 기능을 활용하여 거래 효율성을 높이고 시장 기회를 활용할 수 있습니다.
알고리즘 트레이딩 여정을 이제 막 시작했거나 기존 기술을 다듬고자 하는 경우 이 비디오는 Python을 사용한 알고리즘 트레이딩에 대한 포괄적인 개요를 제공합니다. 오늘날의 역동적인 금융 환경에서 앞서 나가고자 하는 트레이더와 투자자가 꼭 봐야 할 자료입니다. 알고리즘 거래에서 Python의 역할에 대한 이해를 넓히고 성공을 위한 새로운 가능성을 열 준비를 하십시오.
항목은 다룹니다:
기계 학습을 사용한 최적의 포트폴리오 할당
기계 학습을 사용한 최적의 포트폴리오 할당
이 세션은 기계 학습을 사용한 최적의 포트폴리오 할당 방법에 대해 설명하는 것을 목표로 합니다. 기계 학습을 핵심으로 활용하는 알고리즘을 사용하여 자본 할당을 선택하는 방법을 알아보세요. Vivin Thomas, VP, Quantitative Research, Equities(EDG) Modelling, JPMorgan Chase & Co.
이 토론에서 우리는 특히 기계 학습 알고리즘의 활용에 중점을 둔 알고리즘 거래의 매혹적인 영역을 탐구할 것입니다. 우리의 주요 목표는 기계 학습을 핵심으로 활용하여 최적의 자본 할당 선택을 하는 정교한 알고리즘을 설계하는 것입니다.
이를 달성하기 위해 우리는 바스켓 자산이라고도 하는 신중하게 선택된 언더라이어 그룹에 가용 자본을 정기적으로 할당하는 데 탁월한 저주파 전략을 개발할 것입니다. 기계 학습 기술을 통합하여 자본 할당 프로세스의 정확성과 효율성을 향상시키는 것을 목표로 합니다.
또한 이 프레임워크 내에서 작동하는 Long-only, low-frequency, 자산 할당 알고리즘을 구성할 것입니다. 이러한 알고리즘은 의사 결정을 위해 경험적 모멘텀 지표에만 의존하는 바닐라 할당 전략을 능가하도록 설계됩니다. 이러한 알고리즘의 성능을 벤치마크 전략과 비교함으로써 자산 할당 프로세스에서 기계 학습을 활용하는 가치와 효율성을 평가할 수 있습니다.
이 탐색을 통해 기계 학습 알고리즘을 자본 할당 전략에 통합할 때의 잠재적 이점과 이점에 대한 통찰력을 얻을 것입니다. 흥미로운 알고리즘 거래의 세계를 탐구하고 이러한 고급 알고리즘이 자산 할당 및 투자 결정에 접근하는 방식을 어떻게 혁신할 수 있는지 알아보십시오.
감정 분석 튜토리얼 | 주식 동향을 예측하고 통계적 차익 거래를 사용하는 방법 알아보기
감정 분석 튜토리얼 | 주식 동향을 예측하고 통계적 차익 거래를 사용하는 방법 알아보기
이 웨비나에서 발표자는 E-PAT 프로그램을 통해 알고리즘 거래의 여정을 시작한 Design Vetii, Javier Cervantes 및 Siddhantu의 세 명의 뛰어난 개인을 소개합니다. 그들은 E-PAT 프로그램에서 다양한 주제와 경험을 다루면서 E-PAT 프레젠테이션 및 프로젝트를 시청자와 공유할 것입니다.
발표자는 플래그십 프로그램 E-PAT가 참가자들에게 프로젝트에 대해 선호하는 자산 클래스 또는 전략 패러다임을 전문화할 수 있는 기회를 제공한다고 강조합니다. 이 맞춤형 접근 방식을 통해 참가자는 선택한 초점 영역에서 전문 지식을 탐색하고 개발할 수 있습니다.
이 세션은 유튜브와 그들의 블로그에 기록되고 공유되어 알고리즘 거래에 관심이 있는 퀀트와 개인에게 귀중한 학습 기회를 제공할 것이라는 점을 강조합니다. 발표자는 시청자가 경험이 풍부한 트레이더가 공유하는 지식과 E-PAT 프로젝트에서 얻은 통찰력을 활용하도록 권장합니다.
첫 번째 프리젠테이션은 남아프리카공화국의 채권 딜러인 Design Vetii가 진행했습니다. Design Vetii는 기술 분석을 사용하여 주식 추세를 예측하는 프로젝트를 공유합니다. 그들은 10년 동안 남아공 상위 40개 지수의 상위 10개 주식에서 데이터를 수집했습니다. Python을 사용하여 이 데이터에서 6개의 공통 기술 지표를 도출한 다음 주식 추세 분석을 위한 기계 학습 모델에 통합했습니다. 발표자는 프로젝트 전반에 걸쳐 기계 학습 분야에 대한 동기와 매력에 대해 이야기합니다.
계속해서 발표자는 사용된 투자 전략에 대해 논의하고 기계 학습 알고리즘의 결과를 제시합니다. 그들은 10개 주식으로 구성된 동일 가중치 포트폴리오를 활용하고 일일 및 주간 재조정 전략을 구현했습니다. 일일 리밸런싱 포트폴리오는 지난 2년 반 동안 44.69%의 수익을 내어 상위 40개 벤치마크 수익의 21.45%를 능가했습니다. 마찬가지로 주간 리밸런싱 포트폴리오는 벤치마크보다 36.52% 높은 수익률을 기록하며 상당한 성과를 보였습니다. 발표자는 기계 학습 모델의 매개변수를 미세 조정하는 데 필요한 시간과 노력을 인정하고 이 프로세스에서 얻은 학습 경험을 강조합니다. 그러나 그들은 또한 전략을 상대 강도, Bollinger Bands 및 MACD와 같은 기술 지표와 단독으로 비교하는 것의 한계와 잠재적인 결함을 인식합니다.
연사는 프로젝트에서 배운 교훈을 반성하고 향후 개선 방법을 숙고합니다. 그들은 상위 10개 주식으로 구성된 지수 탐색에 대한 관심을 언급하고 금융 시계열에서 기계 학습 알고리즘의 셔플 속성을 사용할 때 발생한 실수를 인정합니다. 연사는 Python으로 코딩하고 기계 학습과 기술 지표를 결합하는 전략을 개발하는 능력에 자부심을 나타냅니다. 그들은 미래 프로젝트에서 P 비율, 감정 분석 및 기타 마커와 같은 기본 요소를 통합하고 대체 기계 학습 모델을 탐색할 것을 제안합니다. 또한 발표자는 기술 지표 선택 및 랜덤 포레스트 알고리즘 구현에 관한 청중의 질문에 답합니다.
프레젠테이션이 끝난 후 발표자는 시청자와 Q&A 세션에 참여합니다. 일중 거래 전략에 대한 질문과 재무 분석 맥락에서 기계 학습 학습을 위한 권장 도서를 포함하여 다양한 질문이 처리됩니다. 발표자는 기존 지표를 이해하기 위한 기술 분석 책을 제안하고 향후 연구를 위해 지표와 기본 요소에 대한 비전통적인 관점을 기계 학습 알고리즘에 통합하는 데 잠재적인 초점을 언급합니다.
Q&A가 끝난 후 발표자는 트레이딩 및 신용 시장에서 8년 이상의 경험을 가진 멕시코의 회사채 트레이더 Javier Cervantes를 다음 연사로 소개합니다. Javier는 시가 총액이 작고 집중되어 있는 멕시코 시장의 주식 추세를 예측하기 위해 통계적 차익 거래를 사용하는 방법에 대한 연구를 공유합니다. 그는 전용 자금의 부재, 참여자로부터의 제한된 유동성 창출, 차익 거래 전략에 대한 경쟁 환경으로 인한 이 기회의 매력을 설명합니다.
Javier는 멕시코 주식에 대한 정보를 수집하기 위해 데이터베이스를 구축하는 과정에 대해 논의하고, 불완전하고 잘못된 데이터, 필터링 및 정리 문제, 전략의 기본 가정과 같은 직면한 문제를 설명합니다. 이러한 문제를 해결하기 위해 발행자 전체의 약 40%를 제거하고 일일 거래량이 적은 주식을 제외했습니다.
그런 다음 발표자는 6개의 서로 다른 주식 쌍에 적용된 Javier의 통계적 차익 거래 전략 결과를 분석하여 긍정적인 결과를 얻었습니다. 쌍의 수익률은 낮고 대부분 음의 상관관계를 보여 분산투자가 전체 포트폴리오로서의 전략 구현에 상당한 이점을 줄 수 있음을 시사합니다. 발표자는 6쌍 모두로 구성된 포트폴리오의 결과를 분석할 때 연간 성장률 19%, 최대 손실률 5%, 총 샤프 비율 2.45를 강조하여 개별 쌍에 비해 상당한 우위를 보여줍니다. 또한 발표자는 실제 자본을 배치하기 전에 거래 비용, 다양한 시간대, 시장 조건 및 손절매 전략 구현의 필요성을 포함하여 고려해야 할 몇 가지 위험을 강조합니다.
연사는 초기 정체가 관찰되더라도 쌍 간의 장기적인 관계가 무너질 수 있으므로 시간이 지남에 따라 신뢰성을 보장하기 위해 통계적 차익 거래 전략을 정기적으로 테스트하는 것이 중요하다고 강조합니다. 그들은 다른 시장 부문에 대한 가정을 기반으로 수동으로 선택하는 대신 기계 학습 알고리즘을 사용하여 거래 전략에 적합한 쌍을 선택할 가능성을 제안합니다. 연사는 모델의 효율성을 높이고 수익의 신뢰성을 향상시키기 위한 추가 연구의 여지가 충분하다고 언급하며 결론을 내립니다. Q&A 세션 동안 그들은 데이터에 사용된 기간, 통화 쌍의 수익 사이의 음의 상관 관계에서 얻은 주요 시사점, 일중 전략 구현의 타당성에 관한 질문을 다룹니다.
마지막으로 발표자는 프로젝트 경험을 공유하는 트레이더 Siddhantu를 소개합니다. Siddhantu는 트레이더로서의 배경에 대해 논의하는 것으로 시작하여 뉴스와 정서가 주가에 미치는 영향에 대해 의문을 제기하게 만든 medcap 호텔 체인 스톡과 관련된 사건을 이야기합니다. 뉴스 추출, 정서 분석 및 거래 전략의 세 부분으로 나뉜 프로젝트의 개요를 설명합니다. Nvidia Corporation은 유동성과 변동성으로 인해 프로젝트의 주식으로 선택되었습니다.
Siddhantu는 newsapi.org 데이터베이스를 사용하여 뉴스 기사를 수집하고 Python의 신문 라이브러리를 사용하여 감정 점수를 추출하는 과정을 설명합니다. 감정 점수는 극한 점수를 기반으로 롱 또는 숏 거래 계획을 생성하는 데 활용됩니다. 연사는 프로그래밍 단계에서 직면한 문제를 공유하지만 성공을 달성하기 위해 올바른 도구를 선택하고 멘토로부터 지원을 받는 것의 중요성을 강조합니다. 결과는 고무적이지만 연사는 백 테스트에 주의해서 접근해야 할 필요성을 강조하고 프로젝트의 각 단계에서 개선의 여지가 있음을 인정합니다. 감정 점수 생성의 정확성을 위해 Python의 Vader 감정 분석기 도구를 권장합니다.
연사는 감정 분석과 뉴스 기사에 적용할 때의 한계를 설명합니다. 그들은 감정 분석이 트윗과 소셜 미디어 댓글에서 감정을 감지하는 데 효과적일 수 있지만 부정적인 사건 보고의 차이로 인해 뉴스 기사에는 적합하지 않을 수 있다고 지적합니다. 또한 감정 분석에 사용되는 소스, Vader 점수를 거래 신호로 변환하는 프로세스, 감정 분석에서 딥 러닝 활용(아직 탐색하지는 않았지만 잠재력을 인식함) 및 기타 관련 주제에 대한 청중 질문에 응답합니다. .
마지막으로 화자는 감정 분석 프로그램에서 백테스팅에 사용되는 데이터에 대해 자세히 설명합니다. 매일 10~15건의 영향력 있는 뉴스 기사를 수집해 하루 평균 감정 점수를 산정했다고 설명한다. 이 프로그램은 약 6개월 분량의 이러한 기사를 활용했습니다. 주식 수익률의 경우 엔비디아 주식에 대한 6개월 동안의 일별 데이터가 통합되었습니다. 연사는 거래 또는 백테스팅 중에 주식의 기본적 또는 기술적 측면이 고려되지 않았으며 거래 신호는 전적으로 감정 점수에서 파생되었음을 분명히 합니다.
퀀트 트레이딩 | Michael Harris가 설명하는 전략
퀀트 트레이딩 | Michael Harris가 설명하는 전략
이 튜토리얼에서는 시장 복잡성과 반사성의 개념을 소개하고 논의합니다. 초점은 미국 주식 시장 및 기타 시장에서 발생한 특정 체제 변화에 있습니다. 발표자인 마이클 해리스(Michael Harris)는 이러한 체제 변화가 전략 개발에 어떤 영향을 미칠 수 있는지 탐구하고 데이터 및 전략 혼합을 조정하여 영향을 최소화하는 방법에 대한 통찰력을 제공합니다.
이 자습서는 참석자가 자신의 시스템에서 분석을 복제할 수 있도록 실용적으로 설계되었습니다. Amibroker는 웨비나 중 분석에 사용되며 참석자는 세션 후 추가 연습을 위해 Python 코드를 다운로드할 수 있습니다.
Michael은 또한 시장의 모멘텀 및 평균 회귀 동적 상태 변화를 측정하는 새로 개발된 지표를 공유합니다. 이 지표에 대한 코드가 제공되어 참석자가 자신의 거래 전략에 통합할 수 있습니다.
연사인 Michael Harris는 30년에 걸친 상품 및 통화 선물 거래에 대한 풍부한 경험을 가지고 있습니다. 그는 "가격 패턴을 이용한 단기 거래", "가격 패턴에 기반한 주식 거래 기법", "수익성 및 체계적 거래", "기술적 분석에 속아: 차트 작성의 위험, 백 테스팅 및 데이터 마이닝." 그는 Price Action Lab 블로그의 저자이자 DLPAL 소프트웨어 개발자이기도 합니다. Michael은 두 개의 석사 학위를 가지고 있는데, 하나는 제어 시스템 및 최적화에 중점을 둔 기계 공학이고 다른 하나는 컬럼비아 대학교에서 예측 및 금융 공학에 중점을 둔 운영 연구입니다.
튜토리얼은 시장 복잡성과 체제 변화의 다양한 측면을 다루는 장으로 나누어져 있습니다. 연사의 소개는 자습서의 무대를 설정하고 다룰 주제에 대한 개요가 이어집니다. 지수 거래 전략에 대해 설명하고 양적 주장의 한계를 강조합니다. 그런 다음 평균 회귀 전략에 대해 논의하여 정권 변화와 변화가 어떻게 발생하는지에 대한 심층 탐구로 이어집니다. S&P 시장에서 평균 회귀의 역학을 분석하여 금융 시장에 존재하는 복잡성을 강조합니다.
시장 복잡성의 악영향이 다루어지며 거래자에게 제기되는 문제를 강조합니다. 튜토리얼은 금융 시장의 추가적인 복잡성에 대한 논의로 마무리되며 추가 탐색을 위한 리소스를 제공합니다. 질문 및 답변 세션이 이어지며 참석자들은 의심을 명확히 하거나 더 깊은 통찰력을 얻을 수 있습니다.
이 튜토리얼은 해당 분야의 숙련된 트레이더와 저자가 제공하는 시장 복잡성, 체제 변화 및 거래 전략에 대한 영향에 대한 귀중한 통찰력을 제공합니다.
챕터:
00:00 - 연사 소개
02:23 - 튜토리얼 개요
03:54 - 지수 거래 전략 설명
07:30 - 양적 주장의 한계
10:45 - 평균 회귀 전략
11:38 - 정권교체
16:30 - 어떻게 일어나는가
18:17 - S&P 평균 회귀 역학
24:35 - 금융 시장의 복잡성
26:42 - 부작용
36:56 - 금융 시장의 복잡성 증가
42:17 - 리소스
43:35 - 질의응답
알고리즘 트레이딩 | 전체 자습서 | 라이브 시장에 대한 아이디어 | 후이 리우 박사 & 아디트야 굽타
알고리즘 트레이딩 | 전체 자습서 | 라이브 시장에 대한 아이디어 | 후이 리우 박사 & 아디트야 굽타
이 비디오에서 연사는 자동화된 거래 전략의 구상, 생성 및 구현에 대한 마스터 클래스의 포괄적인 개요를 제공합니다. 연사인 Aditya Gupta는 헤지펀드 설립자이자 Interactive Brokers API와 상호 작용하는 Python 패키지의 저자인 Dr. Hui Liu를 소개합니다. 그는 또한 Dr. Liu가 논의할 API와 관련된 놀라운 개발에 대해서도 언급합니다.
비디오는 자동 거래의 정의를 설명하고 알고리즘 거래와 관련된 세 가지 주요 단계를 강조하면서 시작됩니다. 연사는 기술 분석을 사용하여 임의 거래에서 체계적 거래로 전환하는 개인적인 여정을 공유합니다.
퀀트, 테크니컬, 펀더멘털의 세 가지 분석 유형에 초점을 두고 알고리즘 트레이딩에서 분석의 중요성을 강조합니다. 분석의 다양한 측면에는 과거 차트, 재무 제표, 미시 및 거시 경제 요인을 연구하고 수학적 모델 및 통계 분석을 사용하여 거래 전략을 만드는 것이 포함됩니다. 이러한 전략은 본질적으로 데이터를 처리하고 구매 및 판매 신호를 생성하는 알고리즘입니다. 이 프로세스에는 실시간 거래로 이동하기 전에 전략 개발, 테스트 및 종이 거래가 포함됩니다. 라이브 거래와 연결하려면 브로커 연결과 API가 필요하며 iBridge PI가 잠재적 솔루션으로 논의되었습니다. 전략 스펙트럼의 개념도 도입되어 다양한 이익 동인과 분석 유형을 보여줍니다.
연사는 양적 분석과 거래 전략 및 포트폴리오 관리를 만드는 역할에 대해 자세히 설명합니다. 그들은 양적 분석에는 수학적 모델과 통계 분석을 사용하여 양적 거래 전략을 개발하는 데 적용할 수 있는 과거 데이터에서 통찰력을 얻는 것이 포함된다고 설명합니다. 양적 분석은 위험 관리 및 전략에 대한 이익 실현 및 손절매 수준 계산에 특히 유용합니다. 그들은 pandas, numpy 및 matplotlib와 같은 라이브러리를 사용하여 간단한 이동 평균 교차 전략을 만들고 전략의 수익을 계산하는 프로세스를 시연합니다.
샤프 비율, 복합 연간 성장률(CAGR) 및 최대 하락률과 같은 알고리즘 거래에 사용되는 다양한 성과 지표에 대해 논의합니다. 백테스팅 편향과 프로세스의 일반적인 실수를 피하는 것의 중요성이 강조됩니다. 연사들은 또한 수학 및 통계 지식, 데이터 처리에 대한 관심, Python 코딩 숙련도 및 금융에 대한 이해를 포함하는 양적 분석에 필요한 기술 집합에 대해 설명합니다. 데이터 소스 및 분석에서 시작하여 신호 실행에 이르기까지 자동화된 거래 전략 생성 프로세스를 설명하고 이를 애플리케이션 프로그래밍 인터페이스(API)에 연결합니다. Hui Liu 박사는 자신을 소개하고 간략한 배경을 제공하며 Python을 사용하는 TD Ameritrade 및 Interactive Brokers와의 알고리즘 거래에 대한 향후 주제에 대한 개요를 제공합니다.
그런 다음 연사는 iBridgePy 플랫폼을 사용하는 알고리즘 거래의 세 가지 초석인 실시간 가격 표시, 과거 데이터 검색 및 주문 배치에 중점을 둡니다. 이 세 가지 초석은 복잡한 전략을 구성하기 위한 빌딩 블록 역할을 합니다. 연사는 세 가지 샘플 전략, 즉 포트폴리오 재조정, 저점 매수 및 고가 전략, 이동 평균 교차를 사용한 추세 포착 전략을 제시합니다. 압력 감소 및 인적 오류 감소와 같은 알고리즘 거래의 이점이 강조됩니다. 화자는 코딩에 과도한 노력을 기울이기보다는 iBridgePy와 같은 거래 플랫폼을 활용하여 좋은 전략을 연구하는 데 시간을 투자할 것을 권장합니다. iBridgePy 플랫폼 내에서 백테스팅과 실시간 거래 간에 원활하게 전환할 수 있는 유연성도 강조됩니다.
비디오는 알고리즘 거래에 사용할 수 있는 다양한 브로커 및 Python 플랫폼 옵션에 대해 논의합니다. TD Ameritrade는 커미션 거래가 없는 전자 거래 플랫폼을 제공하는 미국 기반 중개 회사로 소개되었습니다. Interactive Brokers는 거래 자동화를 위해 중소형 헤지 펀드에서 일반적으로 사용하는 API 솔루션의 선도적인 제공업체로 주목받고 있습니다. 또 다른 미국 기반 중개업체인 Robinhood는 수수료 없는 거래 및 알고 거래 기능으로 언급됩니다. 트레이더의 지적 재산권 보호, 동시 백테스팅 및 실시간 거래 지원, 다양한 패키지 옵션과의 호환성 등 Python 거래 플랫폼 iBridgePy 사용의 이점을 살펴봅니다. iBridgePy는 또한 다른 브로커와의 거래 및 여러 계정 관리를 용이하게 합니다.
발표자들은 여러 계정을 동시에 처리하고 Average Pi라는 하이브리드 거래 플랫폼을 소개하기 위해 헤지 펀드 매니저를 위한 효과적인 도구의 필요성에 대해 논의합니다. Average Pi는 Contopian과 Quantopian의 조합으로 설명되며 알고리즘 및 Python 기반 거래를 제어할 수 있습니다. Integrity Broker를 통한 Interactive Brokers 거래 플랫폼 구성을 포함하여 Windows 시스템에서 Average Pi를 다운로드하고 설정하는 프로세스가 시연됩니다. 패키지의 기본 시작 파일인 runme.py가 표시되며 계정 코드와 선택한 실행 전략의 두 가지 수정만 필요합니다.
Hui Liu 박사와 Aditya Gupta는 예제를 사용하여 계정을 표시하는 방법을 보여주는 알고리즘 거래에 대한 자습서를 제공합니다. 그들은 알고리즘 거래를 위해 특별히 설계된 다양한 기능을 제공하는 Average Pi 내에서 데이터 초기화 및 처리 기능의 사용법을 설명합니다. Average Pi 플랫폼을 사용하여 코딩하는 것이 얼마나 쉬운지 보여줍니다.
연사는 실시간 가격 표시와 과거 데이터 검색이라는 두 가지 주제로 뛰어듭니다. 실시간 가격의 경우 핸들 데이터 기능을 사용하여 타임스탬프를 인쇄하고 매초 가격을 요청하도록 코드가 구성된 데모가 제공됩니다. 연사는 연구 목적으로 과거 데이터를 가져오기 위해 요청 과거 데이터 기능을 설명하고 시가, 고가, 저가, 종가 및 볼륨을 포함한 과거 데이터가 포함된 pandas 데이터 프레임을 검색하는 데 어떻게 사용할 수 있는지 보여줍니다. 코드 구조를 검사하고 기록 데이터를 검색하고 콘솔에 출력을 인쇄하기 위해 코드를 업데이트하는 데모가 표시됩니다.
발표자는 iBridgePy에서 매도 가격이 $100.01를 초과할 때 $99.95에 SPY 100주를 매수하는 지정가 주문을 하는 방법을 시연합니다. 거래할 계약 및 주식수량을 정의하고 '주문' 기능을 활용하여 지정가 주문을 합니다. 또한 화자는 주문 상태를 추적하는 '주문 상태 모니터' 기능을 사용하여 시장 가격으로 주문하는 것을 시연합니다. 이러한 기본 단계를 보여준 후 연사는 다음 단계가 거래 전략을 구성하기 위해 거래 계약 및 거래 결정 빈도를 결정하는 것과 관련이 있다고 설명합니다.
알고리즘 거래 전략 실행과 관련된 단계에 대해 설명합니다. 일정 기능과 같은 기능을 사용하여 정기적으로 데이터를 처리하고 작업을 예약해야 하는 필요성에 대해 설명합니다. 기술 지표를 계산하는 과정을 살펴보는데, 여기에는 중개인에게 과거 데이터를 요청하고 계산을 위해 pandas의 데이터 프레임 기능을 활용하는 것이 수반됩니다. 시장 주문 및 지정가 주문과 같은 주문 유형을 검토하고 정지 주문을 코드 또는 알고리즘에 통합하는 것에 대해 간략하게 언급합니다.
그런 다음 연사는 펀드 매니저들 사이에서 인기 있는 접근 방식인 거래 지침을 기반으로 포트폴리오를 리밸런싱하기 위한 데모 전략을 설명합니다. Python 사전을 사용한 거래 지침의 수동 실행이 시연되고 매일 거래 결정을 예약하고 주문 목표 백분율을 사용하여 계정을 자동으로 재조정하는 간단한 코드가 제공됩니다. 계정을 재조정하고 위치를 확인하는 과정을 보여주는 라이브 데모가 제공됩니다.
Python을 사용하여 구현할 수 있는 세 가지 거래 전략이 설명되어 있습니다. 첫 번째는 사용자가 자신의 위치, 지분 및 비용 기준을 모니터링할 수 있는 간단한 재조정 전략입니다. 두 번째는 종가가 전일 가격보다 낮을 때 거래 기회를 식별하는 데 사용되는 평균 회귀 전략입니다. 마지막으로 과거 데이터를 사용하여 잠재적인 매수 및 매도 기회의 교차점을 계산하는 데 중점을 둔 이동 평균 교차 전략에 대해 설명합니다. 세 가지 전략 모두 특정 시간에 시장이 마감되기 전에 거래 결정을 내리고 시장 주문을 사용하여 거래를 실행하는 것입니다. 모든 전략을 구현하기 위한 코드는 Python 및 스케줄링 기능을 사용하여 간단하고 쉽게 구현됩니다.
Hui Liu 박사와 Aditya Gupta가 이동 평균을 사용하여 포트폴리오의 주식을 언제 사고 팔지 결정하는 방법을 설명합니다. 그들은 Average Pi 플랫폼을 사용하여 이 전략의 구현을 시연한 다음 성능을 평가하기 위해 과거 데이터를 적용하여 백 테스트를 진행합니다. 이 튜토리얼에서는 Hybrid Pi 내에서 Test Me Py 기능을 사용하여 시뮬레이션을 위한 기록 데이터를 입력하고 계정 잔액 및 거래 세부 정보에 대한 결과를 얻는 방법을 다룹니다.
연사는 성능 분석 차트에 액세스하여 알고리즘 거래 전략의 시뮬레이션 결과를 보는 방법을 설명합니다. 이 차트는 균형 로그와 샤프 비율, 평균 및 표준 편차와 같은 다양한 통계를 표시하며 추가로 사용자 정의할 수 있습니다. 연사는 Average Pi가 여러 계정을 처리하고 재조정할 수 있다고 강조합니다. 이 플랫폼은 유연하고 사용자 친화적이며 알고리즘 거래 플랫폼 설정, 백 테스트, 라이브 거래, 다른 중개인과의 거래 및 여러 계정 관리에 활용할 수 있습니다. 또한 연사는 시청자에게 코딩 지원을 위한 코더 대여 서비스를 탐색하고 무료 자습서를 위해 YouTube 채널을 구독하도록 초대합니다.
발표자들은 Interactive Brokers의 iBridge가 다른 유형의 계약과 함께 선물 및 옵션 거래에 어떻게 사용될 수 있는지에 대해 논의합니다. Super Symbol 기능을 사용하면 스톡 옵션, 필터, 지수, 외환 등과 같은 다양한 유형의 계약을 정의할 수 있다고 설명합니다. 주식이 아닌 홍콩 거래소에서 거래되는 구조화 상품의 예가 제공됩니다. Super Symbol 기능을 사용하면 주식 이외의 모든 계약 유형을 거래할 수 있습니다. 정지 손실이 간략하게 언급되어 코드에 통합되거나 알고리즘에 구축되는 방법을 강조합니다.
발표자들은 알고리즘 거래에서 위험 관리의 중요성을 강조하며 토론을 계속합니다. 그들은 불리한 시장 움직임의 경우 잠재적인 손실을 제한하기 위한 위험 완화 전략으로 손절매를 구현할 필요성을 강조합니다. 손절매는 코드나 알고리즘에 통합되어 사전 결정된 가격 수준에 도달하면 보안 판매를 자동으로 트리거할 수 있습니다.
다음으로, 그들은 사용 가능한 자본 및 위험 허용 범위를 기반으로 거래할 주식 또는 계약의 적절한 수량을 결정하는 것과 관련된 포지션 크기 조정의 개념을 탐구합니다. 적절한 포지션 사이징은 자본 할당이 트레이더의 위험 관리 전략과 일치하도록 함으로써 위험을 관리하고 수익을 최적화하는 데 도움이 됩니다.
연사들은 또한 알고리즘 거래에서 성과 평가 및 모니터링의 중요성에 대해서도 언급합니다. 그들은 샤프 비율, 복합 연간 성장률(CAGR) 및 최대 손실률을 포함하여 거래 전략의 효과를 평가하는 데 사용되는 다양한 성과 지표에 대해 논의합니다. 이러한 지표는 전략과 관련된 위험 조정 수익률, 장기 성장 및 잠재적인 하향 위험에 대한 통찰력을 제공합니다.
백테스팅에서 일반적인 함정과 편견을 피하기 위해 발표자는 데이터 무결성을 보장하고 샘플 외 테스트를 사용하는 것의 중요성을 강조합니다. 그들은 과거 데이터에 너무 가깝게 전략을 맞춤화하여 변화하는 시장 조건에 대한 전략의 적응성 부족으로 인해 라이브 거래의 성능이 저하되는 과도한 최적화 또는 "커브 피팅"에 대해 경고합니다.
발표자들은 성공적인 알고리즘 거래를 위해서는 기술과 지식의 조합이 필요하다고 강조합니다. 그들은 수학과 통계에 대한 탄탄한 기초, 데이터 작업에 대한 관심, Python을 사용한 코딩 능숙도, 금융 시장에 대한 충분한 이해의 필요성을 언급합니다. 그들은 알고리즘 거래에 관심이 있는 개인이 학습 리소스와 실제 적용을 통해 자신의 지식과 기술을 지속적으로 확장하도록 권장합니다.
비디오의 마지막 부분에서 Dr. Hui Liu는 자신을 소개하고 헤지펀드 창립자이자 Interactive Brokers API와 상호 작용하는 Python 패키지 작성자로서의 배경을 공유합니다. 그는 Python을 사용하는 Interactive Brokers 및 TD Ameritrade와의 알고리즘 거래와 관련된 향후 주제에 대해 간략하게 논의하여 향후 마스터 클래스에서 이러한 주제를 추가로 탐색할 수 있는 단계를 설정합니다.
이 비디오는 알고리즘 트레이딩에 대한 포괄적인 개요를 제공하며 자동 트레이딩 전략의 구상에서 구현까지의 여정을 다룹니다. 분석의 중요성을 강조하고 다양한 유형의 분석(양적, 기술 및 기본)에 대해 논의하고 전략 개발, 테스트 및 실행의 다양한 측면을 탐구합니다. 연사는 iBridgePy 및 Average Pi와 같은 Python 기반 플랫폼의 실제 적용을 시연하고 실시간 가격 추적, 과거 데이터 검색, 주문 배치 및 포트폴리오 재조정 기능을 보여줍니다.
S Chandrasekhar 교수의 장기 기업 가치 예측 | 연구 발표
S Chandrasekhar 교수의 장기 기업 가치 예측 | 연구 발표
S. Chandrasekhar 교수는 방갈로르에 있는 IFIM 비즈니스 스쿨의 선임 교수이자 비즈니스 분석 책임자입니다. 학계에서 20년 이상의 경험을 쌓은 그는 뉴델리의 FORE 경영대학원 이사장과 러크나우의 인도 경영대학원 교수 등의 직책을 역임했습니다. 그는 전기 공학 학사 학위, IIT Kanpur에서 컴퓨터 과학 석사 학위, 미국 조지아 대학교에서 정량 및 정보 시스템 박사 학위를 받았습니다.
이 프레젠테이션에서 S. Chandrasekhar 교수는 고급 기계 학습 및 자연어 처리 기술을 사용하여 회사의 장기적인 기업 가치(EV)를 예측하는 데 중점을 둡니다. 주로 주주 가치를 고려하는 시가 총액과 달리 기업 가치는 장기 부채 및 현금 준비금과 같은 요소를 통합하여 회사의 보다 포괄적인 평가를 제공합니다.
EV를 계산하기 위해 장기 부채를 더하고 현금 준비금을 빼서 시가 총액을 조정합니다. 최대 6개월 전부터 기업 가치를 예측함으로써 이 접근 방식은 투자자와 평가 회사가 투자 성장에 대한 장기적인 관점을 얻고 관련 위험을 관리하는 데 도움을 줄 수 있습니다.
Xiao Qiao 박사의 신용 위험 모델링 | 연구 발표
Xiao Qiao 박사의 신용 위험 모델링 | 연구 발표
좋은 아침, 좋은 오후, 좋은 저녁. 제 이름은 Vedant이고 Quantum C에서 왔습니다. 오늘 저는 이 이벤트의 호스트가 되어 기쁩니다. 우리는 Parachronic Technologies의 공동 설립자인 Dr. Xiao와 함께 딥 러닝을 사용한 신용 위험 모델링에 대한 전문 지식을 공유할 것입니다. Xiao 박사의 연구 관심 분야는 주로 자산 가격 책정, 금융 계량 경제학 및 투자에 관한 것입니다. 그는 Forbes, CFA Institute 및 Institutional Investors와 같은 존경받는 기관에서 그의 작업을 인정 받았습니다. 또한 Dr. Xiao는 Journal of Portfolio Management 및 Global Commodities Applied Research Digest의 편집 위원으로 활동하고 있습니다. 그는 시카고 대학교에서 재무학 박사 학위를 받았습니다.
이 세션에서 Dr. Xiao는 신용 위험 모델링의 주제를 탐구하고 이 분야에서 딥 러닝의 적용을 탐색합니다. 그는 복잡한 신용 위험 모델의 가격을 책정하고 조정하는 데 딥 러닝을 어떻게 활용할 수 있는지, 특히 폐쇄형 솔루션을 사용할 수 없는 경우의 효율성에 대해 논의할 것입니다. 딥 러닝은 이러한 시나리오에서 개념적으로 간단하고 효율적인 대안 솔루션을 제공합니다. Xiao 박사는 Quan Institute 10주년 기념 행사에 참여하게 된 것에 대해 감사를 표하며 그의 통찰력을 공유하게 되어 기쁩니다.
앞으로 논의는 신용 시장, 특히 시장의 대규모 규모와 신용 디폴트 스왑(CDS)의 중요성 증가를 중심으로 논의될 것입니다. 2019년 기준 CDS 명목 미결제 금액이 약 8조로 추정되는 시장은 꾸준히 성장하고 있습니다. CDS 명목 지수도 최근 몇 년 동안 거의 6조에 달하는 상당한 성장을 경험했습니다. 더욱이 글로벌 채권 시장은 100조 달러에 육박하며 발행 기관의 채무 불이행 가능성으로 인해 내재된 신용 위험을 안고 있는 회사채가 상당 부분을 차지하고 있습니다.
신용 시장이 진화하고 더욱 복잡해짐에 따라 신용 위험 모델도 채무 불이행 위험의 동적인 특성을 포착하기 위해 점점 더 복잡해졌습니다. 이러한 모델은 다양한 기간과 만기에 걸쳐 금융 시장에 존재하는 무작위성을 설명하기 위해 종종 확률적 상태 변수를 사용합니다. 그러나 이러한 모델의 복잡성이 증가함에 따라 추정 및 솔루션 계산 비용이 많이 들었습니다. 이 문제는 프레젠테이션의 뒷부분에서 초점이 될 것입니다.
금융을 포함한 다양한 분야에 혁신적인 영향을 미치는 기계 학습은 최근 몇 년 동안 두각을 나타내고 있습니다. 횡단적 자산 가격 책정 및 주식 포트폴리오 구축과 같은 실증 금융 분야에서 점점 더 많이 사용되고 있습니다. 특히 딥 러닝은 파생상품 가격 및 옵션 가격을 추정하고 확률적 변동성 모델을 보정하는 데 사용되었습니다. 이 논문에서 Xiao 박사와 그의 동료인 Kempos Capital의 Gerardo Munzo는 신용 위험 모델링에 딥 러닝을 적용할 것을 제안합니다. 그들의 연구는 딥 러닝이 복잡한 신용 위험 모델 솔루션을 효과적으로 대체하여 효율적이고 정확한 신용 스프레드 계산이 가능함을 보여줍니다.
추가 컨텍스트를 제공하기 위해 Dr. Xiao는 신용 위험 모델링의 개념을 소개합니다. 그는 채무 불이행 채권의 가격은 채무 불이행 시나리오와 비 채무 불이행 시나리오 모두에서 할인된 현금 흐름의 확률 가중 평균에 의해 결정된다고 설명합니다. 부도 확률은 부도 가능성을 정량화하므로 신용 위험 모델에서 중요한 수량입니다. 신용 위험 모델의 두 가지 주요 유형은 구조적 모델과 축소된 형태 모델입니다. 구조 모델은 불이행 사건과 기업의 자본 구조 사이에 직접적인 연결 고리를 설정합니다. 반면 축소형 모델은 일반적으로 기본 강도 매개변수와 함께 포아송 프로세스를 활용하는 통계 프로세스로 기본 위험을 나타냅니다. Xiao 박사는 신용 위험 모델이 신용 스프레드를 도출하기 위한 가격 책정 기능을 해결하는 것을 포함하며 이는 수치 적분 및 그리드 검색의 필요성으로 인해 계산 집약적일 수 있음을 강조합니다.
딥 러닝이 그림에 들어가는 곳입니다. Xiao 박사는 신경망과 딥 러닝을 설명하면서 신용 위험 모델링에 어떻게 적용할 수 있는지 설명합니다. 신경망은 비선형성을 도입합니다.
딥 러닝의 기본 구성 요소인 신경망은 인간 두뇌의 구조를 모방한 인공 뉴런의 상호 연결된 레이어로 구성됩니다. 이러한 네트워크는 교육이라는 프로세스를 통해 데이터에서 복잡한 패턴과 관계를 학습할 수 있습니다. 훈련 중에 신경망은 내부 매개변수를 조정하여 예측 출력과 실제 출력 간의 차이를 최소화함으로써 성능을 최적화합니다.
Xiao 박사는 딥 러닝을 활용하여 과거 데이터에 대한 신경망을 훈련함으로써 복잡한 신용 위험 모델을 근사화할 수 있다고 설명합니다. 신경망은 경제 및 재무 요인과 같은 입력 변수와 해당 신용 스프레드 간의 매핑을 학습합니다. 일단 훈련되면 네트워크를 사용하여 새로운 입력 데이터에 대한 신용 스프레드를 효율적으로 추정할 수 있습니다.
신용 위험 모델링에서 딥 러닝을 사용하는 주요 이점 중 하나는 복잡한 가격 함수를 근사화할 수 있는 능력입니다. 전통적으로 신용 위험 모델은 수치 적분 기술과 그리드 검색을 사용하여 가격 책정 기능을 해결하는데, 이는 계산적으로 까다롭고 시간이 많이 소요될 수 있습니다. 딥 러닝은 신경망의 학습된 매핑을 통해 가격 함수를 직접 근사화하여 보다 효율적인 대안을 제공합니다.
Xiao 박사는 딥 러닝 모델이 신용 위험 모델에 자주 나타나는 입력 변수 간의 비선형 관계 및 상호 작용을 캡처할 수 있다고 강조합니다. 이러한 유연성 덕분에 신경망은 신용 시장의 복잡성에 적응하고 정확한 신용 스프레드 추정치를 생성할 수 있습니다.
또한 딥 러닝 모델은 기존 방법에 비해 누락되거나 불완전한 데이터를 보다 효과적으로 처리할 수 있습니다. 그들은 사용 가능한 데이터로부터 학습하고 누락된 정보가 있는 경우에도 합리적인 예측을 할 수 있는 능력이 있습니다. 이는 데이터가 희박하거나 격차가 있을 수 있는 신용 위험 모델링에서 특히 유용합니다.
신용 위험 모델링에서 딥 러닝의 효능을 검증하기 위해 Xiao 박사와 그의 동료는 대규모 회사채 데이터 세트를 사용하여 광범위한 경험적 실험을 수행했습니다. 그들은 딥 러닝 기반 신용 스프레드 추정의 성능을 기존 신용 위험 모델에서 얻은 성능과 비교했습니다. 결과는 딥 러닝 모델이 정확도와 계산 효율성 측면에서 지속적으로 기존 모델보다 우수한 성능을 보였다는 것을 보여주었습니다.
Xiao 박사는 신용 위험 모델링에서 딥 러닝의 혁신적인 잠재력을 강조하며 프레젠테이션을 마무리합니다. 그는 특히 폐쇄형 솔루션을 사용할 수 없거나 계산이 까다로운 경우 복잡한 신용 위험 모델을 근사화할 때 딥 러닝 모델의 효율성, 정확성 및 유연성을 강조합니다.
프레젠테이션이 끝난 후, 청중의 질문을 받기 위해 플로어가 열립니다. 참석자는 신용 위험 모델링, 데이터 요구 사항, 모델 해석 가능성 및 기타 관련 주제에서 딥 러닝의 특정 응용 프로그램에 대해 문의할 수 있습니다. Xiao 박사는 청중과 소통하고 그의 전문 지식과 연구 결과를 바탕으로 더 많은 통찰력을 제공할 수 있는 기회를 환영합니다.
Dr. Xiao의 발표 후 Q&A 세션:
청중 구성원 1: "유익한 프레젠테이션에 감사드립니다, Dr. Xiao. 신용 위험 모델링에서 딥 러닝 모델의 해석 가능성이 궁금합니다. 전통적인 모델은 종종 신용 스프레드 추정을 유도하는 요인에 대한 투명성을 제공합니다. 딥 러닝 모델은 어떻게 해석 가능성을 처리합니까?"
Xiao 박사: "훌륭한 질문입니다. 딥 러닝 모델의 고유한 복잡성으로 인해 해석이 어려울 수 있습니다. 딥 뉴럴 네트워크는 블랙 박스로 작동하므로 내부 작동을 직접 이해하고 개별 뉴런 활성화를 해석하기 어렵습니다. 그러나 딥 러닝에서 해석 가능성을 향상시키기 위한 지속적인 연구 노력을 기울이고 있습니다."
"특성 중요도 분석, 그래디언트 기반 방법 및 주의 메커니즘과 같은 기술은 모델의 예측에 영향을 미치는 요인을 밝히는 데 도움이 될 수 있습니다. 다양한 입력 변수에 대한 네트워크의 반응을 조사하여 신용 스프레드를 결정할 때 상대적 중요성에 대한 통찰력을 얻을 수 있습니다. ."
"또한 LIME(Local Interpretable Model-Agnostic Explanations) 또는 SHAP(SHapley Additive exPlanations)와 같은 모델에 구애받지 않는 해석 방법을 딥 러닝 모델에 적용할 수 있습니다. 이러한 방법은 모델을 로컬로 근사하여 개별 예측에 대한 설명을 제공합니다. 특정 입력."
"이러한 기술이 일정 수준의 해석 가능성을 제공하지만 딥 러닝 모델의 주요 강점은 데이터에서 복잡한 패턴과 관계를 캡처하는 능력에 있다는 점에 유의하는 것이 중요합니다. 해석 가능성과 모델 성능 간의 절충은 신용 평가에서 고려해야 할 사항입니다. 위험 모델링과 연구자들은 둘 사이의 균형을 맞추는 방법을 적극적으로 모색하고 있습니다."
청중 구성원 2: "통찰력에 감사드립니다, Dr. Xiao. 신용 위험 모델링에서 딥 러닝 모델을 교육하기 위한 데이터 요구 사항이 궁금합니다. 필요한 데이터의 양과 품질에 대해 자세히 설명해 주시겠습니까?"
Xiao 박사: "확실합니다. 딥 러닝 모델은 일반적으로 효과적인 교육을 위해 많은 양의 데이터를 활용합니다. 신용 위험 모델링에서 신용 시장의 복잡성을 포착하려면 다양하고 포괄적인 데이터 세트를 보유하는 것이 중요합니다."
"딥 러닝 모델 훈련을 위한 데이터에는 거시 경제 요인, 산업별 변수, 과거 신용 스프레드, 관련 시장 데이터와 같은 다양한 경제 및 재무 지표가 포함되어야 합니다. 데이터 세트가 다양하고 대표성이 높을수록 모델이 더 잘 일반화될 수 있습니다. 새로운 신용 위험 시나리오에."
"데이터 품질과 관련하여 입력 변수의 정확성, 일관성 및 관련성을 보장하는 것이 중요합니다. 데이터 정리, 정규화 및 기능 엔지니어링과 같은 데이터 전처리 기술은 교육용 데이터 세트를 준비하는 데 중요한 역할을 합니다. 이상값 제거, 누락된 값을 처리하고 데이터를 적절하게 확장하는 것은 신뢰할 수 있는 모델 성능을 보장하는 데 중요한 단계입니다."
"또한 신용 위험 모델이 변화하는 시장 상황에 적응해야 하므로 최신 데이터를 유지하는 것이 필수적입니다. 딥 러닝 모델의 지속적인 정확성을 보장하려면 데이터 품질 및 관련성에 대한 정기적인 업데이트 및 모니터링이 필요합니다."
이것은 청중의 몇 가지 질문에 불과했지만 Q&A 세션은 모델 견고성, 신용 위험 모델링에서 딥 러닝의 잠재적 한계, 실제 구현 문제와 같은 주제에 대한 다양한 기타 질문과 토론으로 계속됩니다. Xiao 박사는 연구에서 얻은 전문 지식과 통찰력을 청중과 적극적으로 공유합니다.
퀀트 전략에 영향을 미치는 것은 무엇입니까? [패널 토론] - 2020년 9월 24일
퀀트 전략에 영향을 미치는 것은 무엇입니까? [패널 토론] - 2020년 9월 24일
재무에서 알파 추구 전략에 대한 패널 토론에서 Nicholas는 뮤추얼 펀드 및 헤지 펀드에서 알파를 창출하는 것은 매우 어렵다고 주장하며 투자자의 99%는 적극적으로 알파 포지션을 추구해서는 안 된다고 말했습니다. 그는 시장 중립적 헤지 펀드에서 알파를 생성하는 문제를 강조하고 팩터 투자가 시장을 능가하는 더 실행 가능한 옵션이라고 제안합니다.
패널은 Nicholas의 의견에 동의하며 고유한 데이터 소스를 찾고 이를 사용하여 팩터 투자에서 체계적인 전략을 개발하는 것의 중요성을 강조합니다. 그들은 이 접근법이 성공적인 알파 세대의 핵심이라고 믿습니다. 또한 현재 시장에서 진정한 알파 달성의 어려움에 대해 논의하고 자산 배분 및 위험 관리와 같은 대안 전략을 제안합니다.
패널은 알파를 추구하는 데만 초점을 맞추는 것에 대해 조언하고 덜 다루어지고 따라서 덜 효율적인 시장 내의 틈새 시장을 살펴볼 것을 제안합니다. 그들은 베타 전략과 같은 잘 구축된 포트폴리오 벤치마크를 구성하는 것의 중요성을 강조하고 투자자들이 잠재적으로 수익성 있는 주식을 찾기 위해 S&P 500 너머를 보도록 권장합니다.
패널은 알파가 확인되더라도 프라임브로커와의 갈등 가능성으로 인해 수확이 불가능할 수 있다고 경고했다. 그들은 또한 선물의 주요 투자 영역의 일부가 아니거나 매니저 권한의 일부가 아닌 자산 거래의 이점에 대해 논의합니다. 이러한 자산은 종종 덜 붐비므로 시장에서 잘 알려진 자산에 비해 샤프 비율이 더 높습니다. 그러나 그들은 이러한 자산을 거래하려면 더 작은 포트폴리오 크기가 필요할 수 있으며 낮은 유동성과 증가된 거래 노력으로 인해 더 높은 수수료가 발생할 수 있음을 인정합니다.
로랑은 롱 사이드에서 주식을 선택하는 것과 같은 전통적인 능동적 관리 전략이 제대로 작동한 적이 없다는 니콜라스의 견해에 동의합니다. 그는 증명의 부담이 어려운 시장에서 진화하고 수행할 수 있는 능력을 입증해야 하는 적극적인 관리자에게로 옮겨갔다고 믿습니다.
패널은 또한 롱숏 투자 전략의 숏 사이드를 고려하는 것의 중요성에 대해 논의합니다. 그들은 거래 비용 및 시장 구조 변화의 영향을 조사하는 것을 포함하여 광범위한 백 테스트를 통해 위험 관리 및 전략 스트레스 테스트의 필요성을 강조합니다. 패널은 유효성 검사 프로세스에서 살아남는 소수를 식별하기 위한 전략에 충분한 시간을 할애할 것을 권장합니다.
토론은 알파 세대를 위한 전략의 실질적인 의미와 시각화로 이동합니다. 패널은 학술 연구의 가치를 인정하지만 실용적인 의미와 구현 세부 사항이 부족한 경우가 많다고 지적합니다. 그들은 포트폴리오 관점에서 실행할 수 있고 거래 비용을 견디며 고객의 기대에 부합할 수 있는 전략을 만드는 것이 중요하다고 강조합니다. 거래 손실을 보여주는 차트와 같은 시각적 표현은 투자자가 상당한 손실 동안 전략을 유지하는 데 도움이 되므로 표보다 선호됩니다.
연사는 고객의 목표에 부합하고 경제적이고 근본적인 이유와 일치하는 전략 구축의 중요성을 강조합니다. 그들은 전략이 몇 개의 간단한 문장으로 요약될 수 있어야 한다고 말하면서 단순성과 설명 가능성의 필요성을 강조합니다. 백테스팅은 단순히 전략이 효과가 있다는 것을 증명하기 위한 것이 아니라 그 한계를 뛰어넘어 탄력성을 테스트하기 위한 것입니다.
패널은 퀀트 전략의 영향을 반영하고 자산 등급이나 기간에 관계없이 두 가지 기본 전략으로 평균 회귀 및 추세 추종을 식별합니다. 그들은 낮은 승률과 높은 변동성을 가진 복권 구매에 따른 추세를 비교하고 높은 승률과 낮은 변동성으로 한 번에 1달러를 생성하는 전략으로 평균 회귀를 강조합니다. 그들은 이러한 전략을 기울이고 혼합하여 손실 관리 및 기대 이득 최적화의 중요성에 대해 논의합니다. 그들은 또한 공매도와 기관 보유자의 꼬리를 타는 문제에 대해서도 다룹니다.
위험 관리는 주식 시장 전략에서 긍정적인 기대의 필요성을 강조하는 패널과 함께 토론의 중심 단계를 차지합니다. 그들은 주식 시장을 무한하고 무작위적이며 복잡한 게임으로 간주하고 잠재적 손실을 완화하기 위해 높은 승률 거래와 복권을 혼합할 것을 제안합니다. 패널은 또한 전략을 철회할 시기를 논의하고 최신 연구를 유지하는 것의 중요성을 강조하고 전략에 영향을 미칠 수 있는 구조적 변화 또는 시장 변동을 고려합니다. 전략 폐기는 철저한 조사와 프레임워크 변경 후에만 이루어져야 합니다.
패널은 여러 투자 전략을 관리하고 실적이 저조한 전략을 다루는 어려움을 다룹니다. 그들은 투자 의무를 고수하고 고객의 기대를 이해하는 것의 중요성을 강조합니다. 패널은 성과가 좋지 않은 전략을 언제 폐기해야 하는지 알면서 새로운 전략을 찾고 실행하는 프로세스를 제안합니다. 그들은 실적이 저조한 전략을 처리하는 두 가지 접근 방식, 즉 장기적인 관점에서 전략을 고수하거나 추세 추종 기법을 사용하여 포트폴리오에서 제거하는 방법에 대해 논의합니다. 결정은 다중 전략, 다중 자산 펀드의 구체적인 권한과 자금 조달에 따라 달라집니다.
패널리스트는 연구의 양에 관계없이 퀀트 투자의 어려움과 완료된 작업에 대한 믿음의 중요성을 강조합니다. 그들은 전략을 더 나은 것으로 변형할 가능성을 언급하고 진정으로 다각화하는 전략의 희소성을 강조합니다. 그들은 또한 Tesla와 같은 주식 공매도에 대해 언급하고, 주식 공매도는 본질적으로 아이디어나 신념을 공매도하는 것이며, 특히 스토리에 기반한 평가 공매도에서 그렇습니다. 그들은 2005년 일본의 사례를 제공합니다. 소비자 금융 회사는 엄청난 가치 평가를 받았지만 몇 년 후 결국 파산할 때까지 평화로운 공매도 상태를 유지했습니다.
연사들은 전통적인 기대와 일치하지 않는 초현실적인 가치 평가에 기반한 전략을 종료하는 함정에 대해 논의합니다. 그들은 시가 총액이 Toyota와 같은 대기업의 시가 총액을 넘어선 Tesla와 같은 회사를 언급합니다. 패널리스트는 그것이 더 어렵다는 것을 인정하지만 짧은 변과 긴 변 모두에 대해 동일한 규칙을 갖는 데 있어서 대칭의 중요성을 강조합니다. 그들은 많은 전략이 개선될 수 있다고 믿으며, 심지어 다른 자산 등급도 본질적으로 경제 성장에 대한 내기입니다.
패널은 또한 재정적 불확실성과 변동성으로부터 진정으로 다양화하고 이익을 얻을 수 있는 전략을 찾는 어려움에 대해 논의합니다. 그들은 이와 관련하여 고전적인 헤지 펀드 전략의 한계를 강조하고 템플릿에서 생각하고 작동하지 않는 전략을 기꺼이 폐기하려는 야심 찬 퀀트를 권장합니다. 그들은 소매 투자자들이 저비용 분산 ETF에 집중하고 위험 관리를 우선시할 것을 제안합니다.
패널은 금융 시장의 효율성과 개인 투자자가 전문가와 경쟁할 때 직면하는 문제를 다루면서 토론을 마무리합니다. 그들은 복음보다는 학술 연구 논문을 영감으로 사용하고 더 넓은 시장과의 과도한 상관 관계를 피하기 위해 주류가 아닌 아이디어를 찾을 것을 권장합니다. 그들은 자신의 작업을 더 탐구하는 데 관심이 있는 사람들을 위해 Twitter 핸들, LinkedIn 프로필 및 웹사이트를 제공합니다.
패널은 어려움, 대체 접근 방식, 위험 관리 고려 사항, 실질적인 영향 및 시각화의 중요성을 강조하면서 알파 추구 전략의 다양한 측면을 탐구합니다. 그들의 통찰력은 복잡한 금융 환경을 탐색하는 투자자와 퀀트에게 귀중한 지침을 제공합니다.
심층 강화 학습을 통한 거래 | 토마스 스타크 박사
심층 강화 학습을 통한 거래 | 토마스 스타크 박사
거래를 위한 심층 강화 학습 전문가인 Thomas Starke 박사는 강화 학습(RL)의 개념과 거래 도메인에서의 적용을 소개합니다. 강화 학습을 통해 기계는 유리한 결과를 극대화하기 위해 취할 최선의 조치를 결정함으로써 명시적인 감독 없이 작업을 수행하는 방법을 학습할 수 있습니다. 그는 기계 학습의 예를 사용하여 컴퓨터 게임을 플레이하는데, 화면의 시각적 신호에 반응하면서 여러 단계를 진행합니다. 기계의 성공 또는 실패는 게임 전체에서 내린 결정에 따라 결정됩니다.
Dr. Starke는 Markov 결정 프로세스를 논의하여 심층 강화 학습을 사용한 거래의 세부 사항에 대해 자세히 설명합니다. 이 프로세스에서 각 상태는 특정 시장 매개변수에 해당하며 취해진 조치는 프로세스를 다음 상태로 전환합니다. 전환에 따라 에이전트(기계)는 긍정적이거나 부정적인 보상을 받습니다. 목표는 특정 정책과 상태에서 예상되는 보상을 최대화하는 것입니다. 거래의 맥락에서 시장 매개변수는 현재 상태를 식별하는 데 도움이 되므로 에이전트가 어떤 조치를 취해야 하는지 정보에 입각한 결정을 내릴 수 있습니다.
거래의 의사 결정 프로세스에는 시스템 상태를 알려주는 다양한 지표를 기반으로 포지션을 매수, 매도 또는 보유할지 여부를 결정하는 과정이 포함됩니다. 궁극적인 목표는 거래에서 발생하는 이익 또는 손실인 최상의 보상을 받는 것입니다. Dr. Starke는 전통적인 기계 학습 접근 방식이 즉각적인 이익 또는 손실과 같은 특정 레이블을 상태에 할당한다고 말합니다. 그러나 거래가 일시적으로 기대에 어긋나는 경우 잘못된 레이블로 이어질 수 있습니다. 기계는 처음에 손실이 발생하더라도 거래를 유지해야 하는 시점을 이해하고 거래가 종료하기 전에 평균 라인으로 되돌아갈 때까지 기다려야 한다는 확신을 가져야 합니다.
거래 손익의 모든 단계에 레이블을 지정하는 어려움을 해결하기 위해 Dr. Starke는 강화 학습에 소급 레이블 지정을 도입했습니다. 전통적인 기계 학습은 거래의 모든 단계에 레이블을 지정하기 때문에 초기 손실에도 불구하고 미래에 거래가 수익을 낼 수 있는지 예측하기 어렵습니다. 소급 레이블 지정은 Bellman 방정식을 사용하여 즉각적인 이익을 얻지 못하더라도 각 작업 및 상태에 0이 아닌 값을 할당합니다. 이 접근 방식은 평균 및 궁극적인 수익성으로의 복귀 가능성을 허용합니다.
지연된 만족은 거래의 핵심 과제이며 Dr. Starke는 강화 학습이 이 장애물을 극복하는 데 어떻게 도움이 되는지 설명합니다. Bellman 방정식은 즉각적인 보상("r")과 누적 보상("q")을 모두 통합하여 행동의 보상을 계산하는 데 사용됩니다. 할인 계수("감마")는 이전 결과와 비교하여 미래 결과에 부여되는 가중치를 결정합니다. 강화 학습을 활용함으로써 거래 결정은 즉각적인 보상에만 기반하는 것이 아니라 더 높은 미래 보상의 가능성도 고려합니다. 이 접근 방식은 순전히 탐욕적인 의사 결정에 비해 정보에 입각한 의사 결정을 가능하게 합니다.
심층 강화 학습은 금융 시장의 복잡성과 고려해야 할 많은 상태 및 영향으로 인해 거래에서 특히 유용합니다. Dr. Starke는 심층 신경망을 사용하여 과거 경험을 기반으로 대략적인 테이블을 사용하여 막대한 테이블이 필요하지 않다고 강조합니다. 그는 예측 가치가 있는 입력을 선택하고 알려진 동작에 대해 시스템을 테스트하는 것의 중요성을 강조합니다. 거래 상태에는 과거 및 현재 가격, 기술 보호 데이터, 정서 또는 위성 이미지와 같은 대체 데이터 소스 등이 포함됩니다. 상태를 정의하기 위해 올바른 보상 함수와 입력을 찾는 것이 중요합니다. 신경망에 의해 대략적인 테이블을 지속적으로 업데이트하면 기계가 점진적으로 학습하고 더 나은 거래 결정을 내릴 수 있습니다.
Dr. Starke가 강화 학습을 사용하여 교육용 가격 시리즈를 구성하는 방법에 대해 설명합니다. 가격 시리즈를 순차적으로 실행하는 대신 다른 지점에서 무작위로 진입 및 퇴장할 수 있습니다. 방법의 선택은 사용자의 특정 요구 사항 및 기본 설정에 따라 다릅니다. 그는 또한 보상 기능을 설계하는 문제에 대해 깊이 파고들며 순수익률(P&L), 틱당 이익, 샤프 비율, 장기간의 손실이나 과도한 거래 기간을 피하기 위한 다양한 유형의 처벌과 같은 예를 제공합니다.
입력 측면에서 Dr. Starke는 시가, 고가, 저가, 종가, 볼륨 값, 캔들스틱 패턴, 상대 강도 지수와 같은 기술 지표, 다양한 시간 관련 요인을 포함한 여러 옵션을 제안합니다. 입력에는 감정 분석 또는 위성 이미지와 같은 다른 도구 및 대체 데이터 소스의 가격 및 기술 지표도 포함될 수 있습니다. 이러한 입력은 컴퓨터 게임이 결정을 내리기 위해 입력 기능을 활용하는 방식과 유사하게 결합되어 복잡한 상태를 구성합니다. 거래 스타일에 맞는 올바른 보상 기능을 찾는 것이 중요합니다. 그에 따라 시스템을 최적화할 수 있기 때문입니다.
테스트 단계는 거래에서 강화 학습을 위한 필수 단계입니다. Dr. Starke는 깨끗한 사인파, 추세 곡선, 구조가 없는 무작위 계열, 다양한 유형의 순서 상관 관계, 깨끗한 테스트 곡선의 노이즈 및 반복 패턴을 포함하여 그가 수행하는 일련의 테스트에 대해 설명합니다. 이러한 테스트는 기계가 지속적으로 수익을 창출하는지 평가하고 코딩의 결함을 식별하는 데 도움이 됩니다. 또한 표준, 컨볼루션, LSTM(Long Short-Term Memory) 네트워크와 같은 다양한 유형의 신경망 사용에 대해서도 설명합니다. Dr. Starke는 필요에 따라 충분하고 과도한 계산 노력이 필요하지 않은 더 간단한 신경망을 선호합니다.
Dr. Starke는 신호와 잡음의 구별 및 지역 최소값 문제와 같은 강화 학습 거래의 어려움을 인정합니다. 강화 학습은 시끄러운 금융 시계열과 변화하는 규칙 및 시장 체제로 특징지어지는 동적 금융 시스템과 씨름합니다. 그러나 그는 단순 이동 평균으로 가격 곡선을 매끄럽게 하면 강화 학습 기계의 성능을 크게 향상시킬 수 있음을 보여줍니다. 이 통찰력은 수익성 있는 거래 결정을 내릴 수 있는 성공적인 기계 학습 시스템 구축에 대한 지침을 제공합니다.
청중 질문과 관련하여 Starke 박사는 추가 통찰력을 제공합니다. 그는 Bellman 방정식이 예측 편향의 도입을 피하고 기술 지표를 신중한 분석 후에 입력으로 사용할 수 있음을 확인합니다. 그는 위성 이미지가 주가를 예측하는 데 유용할 수 있다고 제안합니다. 시간 프레임 측면에서 강화 거래는 신경망의 계산 시간에 따라 작은 시간 프레임에 적용될 수 있습니다. 그는 시장 이상 현상에 대한 강화 거래 알고리즘의 민감도에 대해 논의하고 강화 학습을 사용하여 무작위 결정 트리를 교육하는 것이 이치에 맞지 않는 이유를 설명합니다.
신경망 선택에 대한 질문에 Dr. Starke는 문제에 대한 적합성 때문에 결정 트리나 지원 벡터 머신 대신 거래에 신경망을 사용할 것을 권장합니다. 보상 함수를 기반으로 손실 함수를 조정하는 것은 최적의 성능을 위해 필수적입니다. 그는 고주파 거래에 강화 학습을 사용하려는 일부 시도가 있었지만 실시간 시장에서 응답성이 부족한 느린 신경망은 한계가 있었음을 인정합니다. Dr. Starke는 성공적으로 거래 경력을 쌓고 실제 거래를 하고 프로세스 전반에 걸쳐 광범위하게 배우기 위해서는 시장 지식을 습득하는 것이 중요하다고 강조합니다. 마지막으로 그는 신경망과 옵션 거래를 결합하는 것과 관련된 문제에 대해 설명합니다.
Dr. Starke는 또한 기술 지표에만 의존하기보다는 기본 상품 거래를 위한 입력으로 옵션 데이터를 사용하는 것에 대해 설명합니다. 그는 신경망을 사용하여 매수 또는 매도할 로트 수를 결정하고 슬리피지 모델을 구축하고 이러한 요소를 보상 기능에 통합함으로써 스프레드, 커미션 및 슬리피지와 같은 요소를 알고리즘에 통합하는 방법에 대한 통찰력을 제공합니다. 그는 신경망을 사용하여 거래량을 결정할 때 주의를 기울이고 그에 따라 포트폴리오 가중치를 조정하기 위해 출력 값을 사용할 것을 제안합니다. 그는 청중의 질문과 연설 참석에 감사를 표하고 LinkedIn을 통해 더 많은 참여와 상호 작용을 요청하면서 결론을 내립니다.
프레젠테이션 중에 Dr. Starke는 강화 학습을 통해 거래 분야에서 지속적인 학습과 개선의 중요성을 강조했습니다. 그는 신경망을 지속적으로 업데이트하고 새로운 데이터와 시장 상황에 따라 시스템을 개선해야 할 필요성을 강조했습니다. 이 반복 프로세스를 통해 기계는 변화하는 역학에 적응하고 시간이 지남에 따라 의사 결정 기능을 향상시킬 수 있습니다.
Dr. Starke는 또한 모델 유효성 검사의 개념과 샘플 외 테스트의 중요성에 대해 논의했습니다. 훈련된 모델이 잘 일반화되고 특정 시장 조건에 과적합되지 않는지 확인하기 위해 보이지 않는 데이터에 대한 훈련된 모델의 성능을 평가하는 것이 중요합니다. Out-of-sample 테스트는 시스템의 견고성을 검증하는 데 도움이 되며 성능에 대한 보다 현실적인 평가를 제공합니다.
또한 그는 강화 학습과 거래할 때 데이터 전처리 및 기능 엔지니어링의 문제에 대해 언급했습니다. 적절한 형식으로 데이터를 준비하고 유익한 기능을 선택하는 것은 효과적인 거래 모델을 구축하는 데 중요한 단계입니다. Dr. Starke는 신경망에 대한 입력 데이터를 최적화하기 위해 정규화, 스케일링 및 기능 선택과 같은 다양한 기술을 탐색할 것을 제안했습니다.
또한 Dr. Starke는 강화 학습의 한계와 시장 이상 또는 극단적인 이벤트에 대한 민감성을 인정했습니다. 강화 학습은 귀중한 통찰력을 제공하고 수익성 있는 전략을 생성할 수 있지만 주의를 기울이고 거래에 내재된 위험을 이해하는 것이 중요합니다. 위험 관리 및 다각화 전략은 잠재적 손실을 완화하고 장기적인 성공을 보장하는 데 중요한 역할을 합니다.
결론적으로 Dr. Starke의 프레젠테이션은 거래에서 강화 학습의 적용에 대한 포괄적인 개요를 제공했습니다. 그는 정보에 입각한 거래 결정을 내리기 위해 심층 강화 학습 알고리즘을 사용하는 것과 관련된 주요 개념, 과제 및 모범 사례에 대해 논의했습니다. 거래자는 신경망의 힘과 강화 학습 원칙을 활용하여 전략을 강화하고 역동적이고 복잡한 금융 시장에서 잠재적으로 더 나은 성과를 달성할 수 있습니다.
EPAT Sneak Peek 강의 - 거래 전략을 최적화하는 방법? - 2020년 2월 27일
EPAT Sneak Peek 강의 - 거래 전략을 최적화하는 방법? - 2020년 2월 27일
비디오에서 연사는 Content C에 대한 배경 정보를 제공하고 거래 및 은행 업무 경험을 소개하는 것으로 시작합니다. 체계적 거래, 양적 거래, 알고리즘 거래, 초단타 거래 등 거래의 다양한 방법론에 대해 논의합니다. 비디오의 주요 초점은 정량화 가능한 방식으로 거래 전략을 개발하고 최적화하는 데 대한 통찰력을 제공하고 임의 및 정량적 거래 접근 방식을 비교하는 것입니다.
연사는 거래에서 아웃퍼펌과 적중률의 중요성을 강조합니다. 그들은 95%의 확률로 최소 50%의 주식에서 아웃퍼펌을 달성하기 위해 트레이더는 특정 횟수만큼 예측이 정확해야 하며 이는 추적 및 거래되는 자산의 수에 따라 증가한다고 설명합니다. 더 많은 주식을 추적할 수 있는 체계적 거래는 이런 점에서 임의 거래보다 유리합니다. 그러나 재량 거래는 더 적은 수의 주식을 추적하여 더 깊은 독점 통찰력을 제공할 수 있습니다. 연사는 벤치마크에 대한 투자 관리자의 성과는 적중률과 베팅 수의 제곱근에 정비례한다는 투자 관리의 기본 법칙을 소개합니다.
기술 거래자, 기본 거래자, 퀀트와 같은 다양한 유형의 거래자는 다양한 방식으로 위험과 수익을 포착합니다. 화자는 이러한 거래 방식을 거의 모두 규칙으로 표현할 수 있어 체계적인 거래가 가능하다고 설명한다. 거래 전략은 시장 단계에 관계없이 매수, 매도 또는 보유 시점을 결정하는 수학적 규칙 집합으로 정의됩니다. 거래 전략의 목표는 들어오는 데이터를 기반으로 신호 함수를 생성하고 이를 기본 자산의 목표 위치로 변환하는 것입니다. 시장 임의성과 확률적 특성으로 인해 거래가 복잡하지만 규칙 기반 전략은 위험 관리에 도움이 될 수 있습니다.
연사는 거래 전략 설계 및 구현과 관련된 기능에 대해 자세히 설명합니다. 그들은 실제 시장에서 실현된 수익은 자신의 통제 범위를 넘어 변경할 수 없다는 점을 강조합니다. 따라서 전략을 개선하기 위해 매개 변수를 변경하여 일부 제약 조건이 주어진 Pi의 기능을 최적화하는 것이 필수적입니다. 발표자는 아이디어 구상, 가설 테스트, 규칙 변환, 백테스팅, 위험 추정, 배포 및 배포 후 다음 전략을 찾는 것의 중요성을 포함한 전략 개발 단계를 설명합니다.
알파, 베타 및 입실론과 같은 요소를 고려하여 거래 전략의 투자 수익률 방정식을 설명합니다. 연사는 또한 전략의 위험과 패널에 대해 논의하여 어떻게 고유한 위험이 분산될 수 있고 예상 수익의 일부가 아닌지 설명합니다. 베타 및 알파의 개념이 도입되었으며, 시장 요인 노출을 위해 제안된 수동적 광역 지수와 가치 또는 모멘텀과 같은 요인 구매를 통한 추가 다각화 가능성이 있습니다. 알파 생성은 신중한 선택이나 타이밍이 필요한 어려운 작업으로 인식됩니다.
연사는 거래 전략에서 알파 및 시장 타이밍의 중요성을 강조합니다. 그들은 효과적인 전략을 위해서는 일정한 알파를 포착하고 시장 요인의 변화를 예측해야 한다고 설명합니다. 이 능력이 부족하면 패시브 투자가 유일한 실행 가능한 옵션이 됩니다. 연사는 백테스팅을 진행하기 전에 아이디어와 주의 깊은 관찰을 통해 간단한 거래 전략 개발을 시작하라고 조언합니다. 초기 인사이트를 얻으려면 일일 가격을 사용하여 잠재적인 아이디어에 대해 자세히 알아보는 것이 좋습니다.
코딩 및 데이터 분석 기술을 사용하여 거래 전략을 최적화하는 방법에 대한 데모가 제공됩니다. 이 예에서는 Microsoft, Apple 및 Google 주식을 사용하여 거래 신호를 계산하고 시가 및 오늘 종가를 기반으로 후속 가치 매도를 추정합니다. 가격 움직임의 차이를 시각화하기 위해 그래프를 플로팅하여 탐색적 분석을 수행합니다. 변동성, 가격 및 변동성 비율과 같은 요소를 고려하여 여러 주식에서 X의 가치를 비교할 수 있도록 데이터 표준화에 대해 논의합니다. 발표자는 인도 시장의 대형주 의존주와 S&P 상위 20개 지수의 갭 업 및 갭 다운과 관련된 통계적 현상을 강조하여 시작 범위 및 종료 막대의 정의로 이어집니다.
그런 다음 발표자는 트레이딩 경력을 추구하는 데 관심이 있는 트레이더와 개인을 위한 EPAT(알고리즘 트레이딩의 이그제큐티브 프로그램) 프로그램의 이점에 대해 논의합니다. 그들은 EPAT 프로그램이 트레이딩에 중점을 둔 실용적인 프로그램이기 때문에 트레이더가 되고자 하거나 증권 트레이딩 데스크에서 일하는 사람들에게 적합하다고 강조합니다. 이 프로그램은 거래 전략, 위험 관리 기술 및 알고리즘 거래의 실용적인 측면에 대한 포괄적인 이해를 제공합니다.
이론적 측면에 더 중점을 둔 프로그램과 달리 EPAT 프로그램은 실제 거래 시나리오에 직접 적용할 수 있는 실용적인 지식을 제공합니다. 연사는 위험 퀀트가 되려는 개인이 이론적 개념을 더 깊이 탐구하는 다른 프로그램을 탐색하도록 권장합니다.
트레이딩에 꼭 필요한 통계 주제를 묻는 질문에 화자는 트레이딩에 통계를 적용하는 방법에 대한 통찰력을 얻기 위해 대학 수준의 통계 책을 참조할 것을 권장합니다. 그들은 또한 양적 금융 블로그와 Twitter 계정을 팔로우하여 귀중한 학습 자료에 액세스하고 해당 분야의 최신 동향과 발전에 대한 최신 정보를 얻을 것을 제안합니다.
전략 개발과 관련하여 연사는 거래 아이디어를 코드로 변환하기 위해 통계 및 정량화 측면에서 생각하는 것의 중요성을 강조합니다. EPAT 프로그램은 우수하고 수익성 있는 거래 전략을 정의하는 데 필요한 기술을 거래자에게 제공합니다. 그들은 전략 개발에 노력을 기울일 필요성을 강조하고 알고 거래에서 일관된 수익을 창출하려면 헌신과 인내가 필요함을 인정합니다.
연사는 청중의 특정 질문에 답하고 코드의 지역 최저점 및 최고점 정의, 옵션 거래를 위한 코드 획득 및 사용, 샘플 코드 찾기와 같은 주제에 대한 지침을 제공합니다. 그들은 코드 샘플을 GitHub에서 찾을 수 있다고 언급하고 EPAT 프로그램에 거래 전략의 구성 요소가 포함되어 있음을 명확히 하지만 포지션 크기 조정이 적용되는지 확신할 수 없습니다.
계속해서 발표자는 철 콘도르와 같은 간단한 옵션 전략에서 알고 거래를 적용하는 방법에 대해 논의합니다. 그들은 실행 타이밍이 중요한 역할을 하는 고주파 거래에서 실행 속도의 중요성을 강조합니다. 그러나 중장기 전략에서는 속도보다 알파 소스가 더 중요합니다. 알고 거래는 잠재적인 거래를 놓치지 않도록 다양한 주식에 대한 여러 옵션을 모니터링하는 데 특히 유용할 수 있습니다.
연사는 거래 전략에서 대체 데이터 사용에 대한 관점을 공유합니다. 그들은 일부 대체 데이터가 가치가 있을 수 있지만 모든 데이터 소스가 유용한 통찰력을 제공하는 것은 아니라는 점을 지적하면서 그 효과에 대해 복합적인 감정을 표현합니다. 거래 전략에 특이점을 통합하는 결정은 사용되는 전략의 특정 거래 및 위험 프로필에 따라 다릅니다.
변화하는 시장 상황에 따라 스스로 최적화할 수 있는 적응형 전략도 논의됩니다. 연사는 적응 전략을 만들기 위한 다양한 기술을 강조하고 거래 성과와 적응성을 향상시킬 수 있는 잠재력을 강조합니다.
결론적으로 연사는 다양한 유형의 차트를 기반으로 거래 전략을 구축하는 것이 가능하지만 성공을 보장하기 위해 구체적인 규칙을 마련하는 것이 필수적이라고 반복합니다. 그들은 시장에 "공짜 점심"이 없다고 경고하고 거래 결정에 대한 체계적이고 체계적인 접근 방식의 중요성을 강조합니다.
비디오는 시청자에게 EPAT 프로그램 또는 경력 및 비즈니스에 대한 잠재적 이점에 대해 가질 수 있는 추가 질문을 묻는 초대로 끝납니다. 관심 있는 개인은 제공된 포럼 또는 기타 커뮤니케이션 채널을 통해 프로그램 카운슬러와 연결하여 입학 세부 사항 및 수수료 유연성에 대해 문의할 것을 권장합니다.