Quantitative trading - страница 10
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Использование R в торговле на финансовых рынках в режиме реального времени
Использование R в торговле на финансовых рынках в режиме реального времени
В этом информативном видео ведущий подробно рассматривает практическое применение языка программирования R в торговле на финансовых рынках в режиме реального времени, уделяя особое внимание торговле иностранными валютами. Они начинают с обсуждения привлекательности торговых валют, подчеркивая их управляемость и доминирование нескольких ключевых пар в мировой валютной торговле. Подчеркивается, что торговля иностранной валютой происходит на внебиржевом рынке, а не на регулируемых биржах. Докладчик признает проблемы выявления аномалий в движении валюты из-за ликвидности и случайности рынка.
Объясняется концепция внебиржевой торговли, отмечая, что она отличается от других видов торговли, поскольку в ней приоритет отдается таким факторам, как контрагент и котируемая цена, а не исполнению и задержке. Затем в видео рассматривается стандартная терминология финансового рынка, в том числе использование свечей для визуализации данных и различие между длинной торговлей (покупка по низкой цене и продажа по высокой цене) и короткой торговлей (продажа заемных акций по более высокой цене и их выкуп по более низкой цене с целью получения прибыли). ).
Чтобы продемонстрировать анализ торговли на финансовых рынках в режиме реального времени с использованием R, докладчик рассматривает два примера. Первый пример фокусируется на проверке вероятности направления следующей свечи на основе последовательных бычьих или медвежьих свечей. Эта гипотеза исследуется с использованием знаний о моделях свечей и их потенциальном влиянии на рыночные тенденции.
В видео дополнительно рассматривается методология проверки гипотез в торговле на финансовых рынках в реальном времени с использованием R. Представлен пример, в котором данные предварительно обрабатываются и создается таблица последовательных свечей для оценки вероятности изменения направления свечи. Первоначально торговые издержки устанавливаются равными нулю, а баланс прибыли устанавливается и проверяется на модельную дату. Тем не менее, подчеркивается важность тщательного тестирования входов и выходов в торговой среде, поскольку установка торговых издержек на уровне двух пунктов приводит к потере денег и достижению рыночного нейтралитета.
Рассматриваются такие соображения, как проскальзывание и торговые издержки, при этом выступающий подчеркивает необходимость учета этих факторов и предлагает включить погрешность. Вводится более сложный пример, связанный с циклическим характером евродоллара, с акцентом на измерение цикличности на основе точек разворота и ценового движения. Докладчик подчеркивает важность сохранения единой оси X в анализе финансового рынка, чтобы избежать искажения движения рынка в выходные дни.
В видео подробно рассматривается торговая стратегия возврата к среднему, которая включает в себя выявление случаев, когда рынок испытал быстрое восходящее движение и ожидание краткосрочного разворота тренда. Распределение цен и движения свечей анализируются, чтобы определить подходящие параметры для реализации этой стратегии. Сначала тестирование проводится с нулевыми торговыми издержками, а затем с небольшими торговыми издержками в 2 паба. Результаты осторожно оптимистичны, но спикер признает наличие потенциальных статистических проблем, которые требуют дальнейшего изучения и тестирования на реальном рынке.
Регрессионный анализ представлен как метод сглаживания точек данных, но отмечены проблемы прогнозирования будущих тенденций, когда линия регрессии изменяется с дополнительными данными. Обсуждаются базовое бэк-тестирование и форвард-тестирование с использованием R, подчеркиваются ограничения тестирования только с одним инструментом и необходимость более комплексного подхода.
Затем ведущий делится своими мыслями о внедрении кода R в торговые среды в реальном времени. Они подчеркивают важность частого пересчета значений регрессии для адаптации к рыночным изменениям, а не полагаться на модели переобучения для достижения долгосрочного успеха. Код включает в себя параметры принятия решения о покупке или продаже на основе разницы свечей и изменения цены, а также стратегию выхода на основе достижения определенного порога прибыли. Ведущий демонстрирует процесс тестирования на истории и выражает уверенность в получении положительных результатов.
Подчеркивается важность использования кривой рыночной стоимости капитала, а не кривой торгового капитала для оценки торговых систем. Обсуждаются ограничения кривой Trade Equity в отражении денежной позиции системы во время активных сделок. Докладчик демонстрирует два графика, на которых сравниваются два типа кривых, показывающие периоды отказа системы и значительных просадок. Подчеркивается необходимость стратегии стоп-лосс для уменьшения убытков, и распространяется код, необходимый для реализации такой стратегии. Ведущий признает, что ошибка в стратегии выхода привела к тому, что позиции удерживались слишком долго, что привело к значительным убыткам.
Затем в видео рассказывается об интеграции кода R в выполнение алгоритмов и использовании пакета Windows на стороне моделирования. Ведущий объясняет, что их торговля реальными деньгами происходит на серверах Linux, которые легко подключаются к платформе CIRA через общее пространство памяти. Эта настройка позволяет обмениваться данными, включая FIX, сделки и свечи, между их системой и платформой. Спикер рассказывает, что они управляют рисками, одновременно торгуя от четырех до восьми различных инструментов. Однако они предостерегают от того, чтобы полагаться исключительно на вероятность в реальной торговле, поскольку это может привести к тому, что трейдеры упустят ценные возможности в течение дня.
В заключение, это видео дает ценную информацию о практической реализации R в торговле на финансовых рынках в режиме реального времени, уделяя особое внимание торговле иностранной валютой. Докладчик охватывает различные аспекты, в том числе внебиржевую торговлю, стандартную терминологию финансового рынка, проверку гипотез, торговые стратегии возврата к среднему, такие соображения, как проскальзывание и торговые издержки, а также интеграцию кода R в исполняющие алгоритмы. Подчеркивая потенциальные преимущества алгоритмической торговли, видео также признает необходимость тщательного тестирования, внимательного рассмотрения статистических вопросов и важности стратегий управления рисками в реальных сценариях торговли.
Введение в количественную торговлю - Лекция 1/8
Введение в количественную торговлю - Лекция 1/8
Этот всеобъемлющий курс служит углубленным введением в увлекательный мир количественной торговли, вооружая студентов знаниями и навыками, необходимыми для достижения успеха в этой динамичной области. Количественная торговля основана на использовании математических моделей и компьютерных программ для преобразования торговых идей в прибыльные инвестиционные стратегии. Все начинается с портфельного менеджера или трейдера, который начинает с первоначальной интуиции или смутной концепции торговли. Благодаря применению математических методов эти интуитивные представления преобразуются в точные и надежные математические торговые модели.
Процесс количественной торговли включает в себя тщательный анализ этих моделей, тестирование на исторических данных и уточнение. Статистические тесты и моделирование используются для оценки их производительности и обеспечения их надежности. Этот этап тщательного тестирования имеет решающее значение для выявления и устранения любых недостатков или слабых мест в моделях, прежде чем они будут введены в действие.
Как только количественная инвестиционная модель доказывает свою потенциальную прибыльность, она внедряется в компьютерную систему, что позволяет автоматически проводить сделки. Эта интеграция математических моделей в компьютерные программы лежит в основе количественной торговли, сочетая силу математики с эффективностью информатики. На протяжении всего курса студенты изучают различные инвестиционные стратегии, взятые из популярной академической литературы, получают представление об их основных математических принципах и учатся преобразовывать их в действенные торговые модели.
Учебная программа этого курса охватывает широкий круг тем, вооружая студентов количественными, вычислительными навыками и навыками программирования, необходимыми для успеха в области количественного трейдинга. Студенты вникают в тонкости математического моделирования, статистического анализа и алгоритмической торговли. Они также овладевают языками программирования, обычно используемыми в количественных финансах, такими как Python и R, что позволяет им эффективно внедрять и тестировать свои торговые модели.
Пройдя этот курс, студенты не только получат целостное представление о ландшафте количественной торговли, но и разовьют необходимые навыки, чтобы уверенно ориентироваться в нем. Они становятся экспертами в преобразовании торговых идей в математические модели, тщательно проверяя и уточняя эти модели и, в конечном итоге, применяя их в реальных торговых сценариях. Обладая прочной базой в области количественных и вычислительных методов, студенты хорошо подготовлены к карьере в количественной торговле, алгоритмической торговле или других смежных областях, где слияние математики и технологий приводит к успеху.
Введение в количественную торговлю - Лекция 2/8
Введение в количественную торговлю - Лекция 2/8
В этой лекции спикер подчеркивает важность технологий и программирования в количественном трейдинге. Они обсуждают, насколько важны технологии и навыки программирования для совместного использования количественных торговых стратегий и проведения тестирования на исторических данных. Спикер подчеркивает важность математики и компьютерного программирования в этой области. Они знакомят с базовым программированием на Java и математическим программированием с использованием Java, а также подчеркивают необходимость навыков программирования в количественной торговле из-за необходимости тестирования на истории.
Спикер обсуждает проблемы, связанные с моделированием и анализом будущей эффективности стратегии. Они отмечают, что историческая прибыль и убыток (PNL) не являются надежным индикатором для обучения или принятия решения об изменении стратегии. Вместо этого они предлагают использовать моделирование и калибровку параметров, которые требуют сложного программирования, чтобы найти оптимальные параметры и проверить чувствительность стратегии к ним. Они также подчеркивают важность использования одного и того же программного обеспечения для исследований и реальной торговли, чтобы избежать ошибок перевода.
Спикер обсуждает обязанности трейдера, занимающегося количественным анализом, и подчеркивает необходимость эффективного прототипирования торговых идей. Они предлагают проводить большую часть времени за мозговым штурмом и выдвижением идей, сводя к минимуму время, затрачиваемое на тестирование и программирование. Они упоминают о важности наличия набора строительных блоков для быстрого прототипирования новых стратегий.
Докладчик затрагивает проблемы использования популярных инструментов, таких как Excel, MATLAB и R, в количественной торговле, заявляя, что они не созданы для сложных математических стратегий. Они рекомендуют использовать другие языки программирования, такие как Java, C-sharp и C++, в которых есть библиотеки для создания и реализации торговых стратегий.
Докладчик конкретно обсуждает ограничения использования R для количественной торговли. Они упоминают, что R медленный, имеет ограниченную память и ограниченные возможности для распараллеливания. Они также подчеркивают отсутствие средств отладки и стандартных интерфейсов для связи между разными программами.
Спикер подчеркивает важность технологий и использования соответствующих инструментов в количественном трейдинге. Они отмечают, что такие инструменты, как R и MATLAB, могут значительно улучшить математическое программирование и предоставить доступ к библиотекам для более быстрых вычислений. Они подчеркивают необходимость хорошего набора инструментов для исследования торговли, который позволяет легко комбинировать модули, параллельное программирование, автоматическую очистку данных и калибровку параметров.
Спикер обсуждает преимущества использования новых технологий, таких как Java и C#, для количественной торговли. Они отмечают, что эти языки устраняют необходимость в отладке таких проблем, как утечки памяти и ошибки сегментации, что повышает производительность. Они демонстрируют программирование на Java и проводят практические лабораторные занятия для участников.
Докладчик объясняет, как исправить ввод для программы Java, исправляя импорт, и демонстрирует математическое программирование с использованием библиотеки algo quant. Они помогают участникам копировать и вставлять код с веб-сайта на свои компьютеры для запуска.
Спикер отвечает на технические вопросы аудитории, касающиеся загрузки и запуска кода, использованного в лекции. Они демонстрируют классическую версию скрытой цепи Маркова с использованием функции вебинара.
Докладчик объясняет концепцию цепи Маркова и демонстрирует простую модель с двумя состояниями и переходными вероятностями. Они объясняют, как цепи Маркова используются в качестве генераторов случайных чисел для моделирования наблюдений и оценки параметров модели. Они призывают аудиторию экспериментировать с созданием собственных моделей цепей Маркова.
Спикер обсуждает важность общения и сотрудничества в количественной торговле и призывает членов команды проверять друг друга и предоставлять обновленную информацию о своем прогрессе. Они упоминают возможность использования марковских моделей более высокого порядка и предлагают вопросы и демонстрацию экрана во время живых дискуссий.
Лектор обсуждает проблемы оценки параметров в количественных торговых моделях с ограниченными наблюдениями. Они объясняют, что для точной оценки требуется больше данных, и рекомендуют использовать более крупные модели состояния или увеличивать количество наблюдений. Они обсуждают алгоритм Баума-Уэлча для обучения скрытых марковских моделей и знакомят с концепцией тестирования на исторических данных.
Докладчик демонстрирует простую стратегию пересечения скользящих средних в AlgoQuant и объясняет процесс создания стратегий, симуляторов и запуска симуляций. Они подчеркивают важность тестирования и анализа производительности с использованием таких показателей, как прибыль и убыток, коэффициент информации, максимальная просадка и многое другое.
Спикер объясняет, исследуйте различные торговые стратегии и проверяйте их эффективность с помощью моделирования. Спикер объясняет, что моделирование позволяет трейдерам оценить потенциальную прибыльность и риски, связанные со стратегией, прежде чем применять ее в реальной торговле. Моделируя различные рыночные условия и сценарии, трейдеры могут получить представление об эффективности стратегии и принимать обоснованные решения.
Спикер также подчеркивает важность транзакционных издержек в торговых стратегиях. Транзакционные издержки, такие как брокерские сборы и проскальзывание, могут оказать существенное влияние на общую прибыльность стратегии. Поэтому крайне важно учитывать транзакционные издержки во время моделирования и тестирования на исторических данных, чтобы получить реалистичную оценку эффективности стратегии.
Кроме того, лектор знакомит с концепцией управления рисками в количественной торговле. Они объясняют, что управление рисками включает в себя реализацию стратегий контроля и смягчения потенциальных потерь. Методы управления рисками могут включать установку ордеров стоп-лосс, размер позиции и диверсификацию. Важно включить принципы управления рисками в торговые стратегии, чтобы защитить себя от значительных финансовых потерь.
В заключение спикер еще раз подчеркивает важность непрерывного обучения и совершенствования в количественной торговле. Они побуждают участников исследовать различные стратегии, анализировать свою эффективность и повторять действия на основе результатов. Используя технологии, навыки программирования и системный подход к разработке стратегии, трейдеры могут повысить свою прибыльность и успех на финансовых рынках.
В целом лекция посвящена важности технологий, программирования, моделирования и управления рисками в количественной торговле. Он подчеркивает необходимость экспериментов, непрерывного обучения и использования специализированных инструментов для разработки и совершенствования торговых стратегий.
Часть 1
Часть 2
Часть 3
Площадка для финансовой инженерии: обработка сигналов, надежная оценка, Калман, оптимизация
Площадка для финансовой инженерии: обработка сигналов, надежная оценка, Калман, оптимизация
В этом захватывающем видео Дэниел Паломар, профессор кафедры электротехники, электроники и вычислительной техники HKUST, проливает свет на широкий спектр применений обработки сигналов в сфере финансового инжиниринга. Паломар развеивает заблуждение, связанное с финансовым инжинирингом, и подчеркивает повсеместное распространение методов обработки сигналов в этой области. Он подчеркивает актуальность различных тем, таких как теория случайных матриц, фильтры частиц, фильтры Калмана, алгоритмы оптимизации, машинное обучение, глубокое обучение, стохастическая оптимизация и случайные ограничения.
Паломар исследует отличительные свойства финансовых данных, известные как стилизованные факты, которые остаются неизменными на разных рынках. Он объясняет, как финансовые инженеры используют доходность, а не цены для моделирования фондового рынка. Линейная и логарифмическая доходности, несмотря на их незначительные различия, широко используются из-за небольшой величины доходности. Эти доходы анализируются для определения их стационарности, при этом нестационарность является важной характеристикой финансовых данных. Спикер также обращается к другим стилизованным фактам, таким как распределения с тяжелыми хвостами, асимметрия в низкочастотных доходах и явление кластеризации волатильности.
Подчеркивается важность моделирования доходности акций в финансах с особым акцентом на волатильность. Паломар проводит параллели между обратным сигналом и речевым сигналом, исследуя потенциальное сотрудничество между финансовым моделированием и обработкой речевого сигнала. Обсуждаются различные частотные режимы моделирования, в том числе высокочастотное моделирование, и подчеркиваются проблемы, связанные с необходимостью данных в реальном времени и мощных вычислительных ресурсов.
Также рассматриваются ограничения моделей, которые сосредоточены исключительно на моделировании доходности без учета ковариации или дисперсии доходности. Докладчик подчеркивает важность сбора информации и структуры, предоставляемых моделями ковариации и дисперсии, что может обеспечить более выгодное принятие решений. Паломар вводит концепцию моделирования дисперсии и ковариации доходности с использованием остатка, состоящего из нормализованного случайного члена и огибающего члена, отражающего ковариацию остатков. Однако моделирование многомерного остатка с большой матрицей коэффициентов требует более сложных моделей.
В видео рассматриваются проблемы оценки параметров в условиях ограниченности данных и обилия параметров, которые могут привести к переоснащению. Чтобы решить эту проблему, вводится разреженность низкого ранга как средство анализа модели Vega и формулирования ограничений. Паломар обсуждает концепцию надежности и неадекватность предположения о гауссовском распределении для финансового инжиниринга из-за тяжелых хвостов и режимов небольшой выборки. Он объясняет, что традиционные выборочные оценки, основанные на распределении Гаусса, дают некачественные результаты, что требует переформулировки без таких допущений. Такие методы, как сокращение и регуляризация, представлены как эффективные средства решения проблем с «тяжелыми хвостами» при их успешном применении в финансах и коммуникациях.
Исследуется надежная оценка, инструмент, используемый в финансах для повышения точности, несмотря на выбросы. Докладчик представляет эллиптические распределения для моделирования распределений с тяжелыми хвостами и объясняет, как можно рассчитать веса для каждой выборки с помощью итеративного метода. Оценщик Тайлера, который нормализует выборки и оценивает функцию плотности вероятности (PDF) нормализованной выборки, обсуждается как средство удаления формы хвоста. Оценка Тайлера в сочетании с надежными оценками повышает точность оценки ковариационной матрицы. Включение условий регуляризации и разработка алгоритмов дополнительно способствуют улучшению наблюдений и оценок ковариационных матриц.
Паломар углубляется в финансовые концепции, такие как оценка Вульфа, оценка Тайлера и коинтеграция. Хотя оценка Вульфа представляет собой значительное улучшение, она по-прежнему основана на предположении о распределении Гаусса. Оценка Тайлера, привлекательная альтернатива, требует достаточного количества выборок для моделей с несколькими измерениями. Коинтеграция, важнейшее понятие в финансах, предполагает, что предсказать относительную цену двух акций может быть проще, чем предсказать отдельные цены, открывая возможности для парной торговли. Исследуется различие между корреляцией и коинтеграцией, причем корреляция сосредоточена на краткосрочных вариациях, а коинтеграция - на долгосрочном поведении.
Видео раскрывает концепцию общего тренда и его связь с торговлей спредами. Общий тренд описывается как случайное блуждание между двумя акциями, имеющими общий компонент. Вычитая общий тренд из спреда между ценами акций, трейдеры получают остаток с нулевым средним, который служит надежным индикатором возврата к среднему. Это свойство становится важным в стратегиях торговли спредами. Спикер объясняет, что, устанавливая пороговые значения спреда, трейдеры могут выявлять недооцененные ситуации и извлекать выгоду из восстановления цены, таким образом, получая прибыль от ценовой разницы. Оценка параметра гаммы и выявление коинтегрированных запасов являются важными шагами в этом процессе, которые можно выполнить с помощью таких методов, как метод наименьших квадратов.
Докладчик углубляется в роль фильтра Калмана в сценариях, где изменение режима приводит к потере коинтеграции из-за различной гаммы. Приспособляемость фильтра Калмана к этим вариациям подчеркивается путем сравнения с методами наименьших квадратов и скользящими методами наименьших квадратов. Показано, что фильтр Калмана превосходит другие методы, поскольку он поддерживает устойчивое отслеживание около нуля, в то время как метод наименьших квадратов демонстрирует флуктуации, которые приводят к потерям в течение определенного периода времени. Таким образом, спикер рекомендует использовать фильтр Калмана для надежной оценки в финансовой инженерии.
Представлено сравнение производительности моделей наименьших квадратов и фильтров Калмана, подтверждающее эффективность метода Калмана в финансовом инжиниринге. Затем докладчик углубляется в применение скрытых марковских моделей для обнаружения рыночных режимов, что позволяет трейдерам корректировать свои инвестиционные стратегии в зависимости от преобладающих рыночных условий. Оптимизация портфеля представлена как фундаментальная концепция, включающая разработку портфелей, которые уравновешивают ожидаемую доходность и дисперсию доходности портфеля. Докладчик проводит параллели между оптимизацией портфеля и моделями формирования луча и линейной фильтрации, поскольку они используют схожие модели сигналов.
В видео обсуждается, как методы связи и обработки сигналов могут быть применены к финансам. Понятие отношения сигнал-шум в коммуникациях сравнивают с коэффициентом Шарпа в финансах, который измеряет отношение доходности портфеля к волатильности. Докладчик представляет портфель Марковица, который стремится максимизировать ожидаемую доходность при минимизации дисперсии. Однако из-за чувствительности к ошибкам оценки и зависимости от дисперсии как меры риска портфель Марковица не получил широкого распространения на практике. Чтобы решить эту проблему, можно использовать методы разреженности обработки сигналов, особенно при отслеживании индекса, когда для отслеживания индекса используется только подмножество акций, а не инвестирование во все составляющие акции. Докладчик предлагает улучшить методы разреженности для уменьшения ошибок отслеживания.
Видео раскрывает концепцию «торговли кошельками» и подчеркивает роль портфелей в трейдинге. Используя модель стоимости под риском (VaR), спикер объясняет, как можно достичь портфельной торговли, создав портфель из двух акций с определенным весом. Матрица PI и бета-матрица представлены как инструменты, которые обеспечивают подпространство спредов, возвращающих к среднему, что позволяет проводить статистический арбитраж. Включение бета-матрицы в оптимизацию облегчает идентификацию оптимального направления в подпространстве, что приводит к лучшим результатам по сравнению с использованием только бета-версии. Спикер также упоминает свою книгу «Перспектива обработки сигналов в финансовой инженерии», которая служит отправной точкой для специалистов по обработке сигналов, интересующихся сферой финансов.
В конце видео исследуются различные подходы к торговле в финансовой инженерии. Докладчик проводит различие между стратегиями, которые извлекают выгоду из небольших изменений и тенденций, и теми, которые сосредоточены на использовании шума. Эти два семейства инвестиционных стратегий предлагают различные возможности для получения прибыли. Докладчик также коснулся проблем, связанных с отсутствием данных для применения методов глубокого обучения в финансах, поскольку глубокое обучение обычно требует значительных объемов данных, которые могут быть ограничены в финансовом контексте. Кроме того, обсуждается концепция оценки векторных измерений для более чем двух акций, а выступающий дает представление о различных подходах.
В заключительном сегменте спикер затрагивает вопрос о доминировании на рынке крупных компаний и его влиянии на финансовый рынок. Спикер подчеркивает потенциальное влияние, которое крупные компании со значительными финансовыми ресурсами могут иметь, когда они делают существенные инвестиции. Такая концентрация власти заставляет задуматься о динамике рынка и поведении других участников рынка.
Видео кратко затрагивает тему исполнения ордеров в финансах. В нем объясняется, что при работе с крупными заказами принято разбивать их на более мелкие части и выполнять постепенно, чтобы не нарушить рынок. Этот аспект финансов включает в себя сложные методы оптимизации и часто основывается на принципах теории управления. Докладчик подчеркивает математическую природу исполнения ордеров и упоминает о существовании многочисленных научных работ по этому вопросу.
По мере того, как видео подходит к концу, спикер предлагает аудитории задать любые дополнительные вопросы во время перерыва на кофе, подтверждая их присутствие и участие. Видео служит ценным ресурсом, предоставляя информацию о применении обработки сигналов в финансовом инжиниринге. Он предлагает перспективы улучшения оценок, оптимизации портфелей и выявления рыночных режимов через призму методов обработки сигналов.
В целом, видео предоставляет всесторонний обзор различных приложений обработки сигналов в финансовом инжиниринге. В нем подчеркивается важность моделирования доходности акций, дисперсии и ковариации в финансах при решении проблем оценки параметров, переобучения и ограничений традиционных финансовых моделей. Подробно обсуждаются концепции надежной оценки, коинтеграции, оптимизации портфеля и методов разреженности. Подчеркивая параллели между коммуникацией и обработкой сигналов в финансах, спикер подчеркивает актуальность и потенциал для сотрудничества между этими двумя областями. Видео завершается тем, что проливает свет на торговые стратегии, машинное обучение в финансах и значение динамики рынка, на которую влияют крупные компании.
«Фильтрация Калмана с приложениями в финансах», Шэнцзе Сю, учебное пособие 2021 г.
«Фильтрация Калмана с приложениями в финансах», Шэнцзе Сю, учебное пособие 2021 г.
В видео под названием «Фильтрация Калмана с приложениями в финансах» исследуется концепция моделей на основе состояний и их применение в финансах. Докладчик представляет фильтр Калмана как универсальный метод прогнозирования состояния системы на основе предыдущих наблюдений и корректировки прогноза с использованием текущих наблюдений. В видео также рассматриваются Common Smoother и алгоритм EM, которые используются для анализа исторических данных и изучения параметров финансовой модели на основе состояния.
Видео начинается с иллюстрации концепции моделей на основе состояний на примере автомобиля, движущегося по оси со скрытыми позициями. Докладчик объясняет, как модели на основе состояний состоят из матриц перехода и наблюдения, которые отображают состояние в наблюдаемое пространство. Эти модели могут одновременно обрабатывать несколько состояний или положений датчиков. Скрытое состояние следует марковскому свойству, что приводит к элегантной форме вероятности.
Затем спикер углубляется в алгоритм фильтра Калмана и его применение в финансах. Алгоритм включает этапы прогнозирования и коррекции, где неопределенность представлена дисперсией функции Гаусса. Общий выигрыш, который определяет вес между прогнозом и наблюдением, выделен как решающий фактор. Подчеркнуты простота и вычислительная эффективность фильтра Калмана.
Обсуждается эксперимент по сравнению надежности данных GPS и одометра при прогнозировании местоположения автомобиля, демонстрирующий эффективность фильтра Калмана даже при ненадежности некоторых источников данных. Однако отмечается, что фильтр Калмана предназначен для линейных гауссовых стабилизированных моделей, что ограничивает его применимость.
В видео также представлен общий сглаживатель, который обеспечивает более плавную работу, чем общий фильтр, и решает проблему нисходящего тренда фильтра. Обсуждается необходимость обучения параметров в финансах и концепция изменяющихся во времени параметров. Алгоритм максимизации ожидания (EM) представлен как средство для изучения параметров, когда скрытые состояния неизвестны.
Докладчик объясняет алгоритм EM, состоящий из E-шага и M-шага, для расчета апостериорных распределений скрытых состояний и оптимизации целевой функции для оценки параметров. Особое внимание уделяется применению модели на основе состояния в финансах, в частности, для декомпозиции объема внутридневной торговли.
Различные варианты фильтра Калмана, такие как расширенный фильтр Калмана и фильтр Калмана без запаха, упоминаются как решения для обработки нелинейной функциональности и шума. Фильтры частиц вводятся как вычислительный метод для сложных моделей, которые не могут быть решены аналитически.
Видео завершается обсуждением ограничений аналитических решений и необходимости вычислительных методов, таких как методы Монте-Карло. Докладчик признает сложный характер этих процессов, но подчеркивает интересные аспекты фильтрации Калмана.
В целом, видео обеспечивает углубленное изучение моделей на основе состояний, фильтра Калмана и их приложений в финансах. Он охватывает основные концепции, алгоритмические шаги и практические соображения, а также упоминает расширенные варианты и вычислительные методы. Докладчик подчеркивает актуальность и силу государственных моделей в раскрытии скрытой информации и подчеркивает непрерывный прогресс в этой области.
«Экономия альфа: использование ансамблевого обучения для оживления усталых альфа-факторов» Макса Маржено
«Экономия альфа: использование ансамблевого обучения для оживления усталых альфа-факторов» Макса Маржено
В видео под названием «Thrifting Alpha: использование ансамблевого обучения для улучшения альфа-факторов» Макс Маргенот, специалист по данным из Quantopian, делится своими мыслями об использовании ансамблевого обучения для повышения эффективности альфа-факторов. Марженот подчеркивает важность построения портфеля путем объединения независимых сигналов, что приводит к улучшенным и новым результатам. Он вводит концепцию факторного моделирования, рассматривает сложности оценки производительности модели и исследует творческое использование ансамблевого обучения для эффективного распределения активов.
Марженот начинает с введения концепции «бережливой альфы», целью которой является оживление утомленных альфа-факторов с помощью ансамблевого обучения. Альфа-факторы представляют собой уникальные и интересные доходы в финансах, отличающие их от факторов риска, таких как рыночные доходы. Цель состоит в том, чтобы создать портфель путем объединения независимых сигналов для получения новых и улучшенных результатов. Он также представляет краткий обзор модели ценообразования капитальных активов и объясняет, как Quantopian служит бесплатной платформой для количественных исследований.
Факторное моделирование является ключевым направлением презентации Маржено. Он подчеркивает, как доходность портфеля состоит из рыночной доходности и дополнительных необъяснимых факторов. Включая классические факторы, такие как малый-большой (маленькая рыночная капитализация по сравнению с фирмами с большой рыночной капитализацией) и соотношение «высокий минус низкий» для балансовой стоимости и цены, модель может оценивать рыночный риск и расширять свой анализ на другие потоки доходности. Цели факторного моделирования включают диверсификацию некоррелированных сигналов, снижение общей волатильности портфеля и увеличение доходности.
Спикер обсуждает растущую популярность факторного моделирования в процессах построения портфеля, ссылаясь на опрос Blackrock, который показывает, что 87% институциональных инвесторов включают факторы в свои инвестиционные стратегии. Марженот выделяет пять основных типов факторов, вокруг которых вращаются портфели: стоимость, импульс, качество, волатильность и рост. Он также объясняет концепцию длинного/короткого капитала, когда позиции открываются как по длинным, так и по коротким позициям на основе значений факторов. Цель состоит в том, чтобы использовать эти риски для создания хорошо сбалансированного портфеля.
Марженот углубляется во вселенную, в которой применяется алгоритм, подчеркивая важность согласования статистической модели с выполнением сделок. Если сделки не могут быть выполнены из-за ограничений, таких как ограничения коротких позиций, мандат стратегии нарушается. Марженот предпочитает стратегии, нейтральные к доллару, которые в конечном итоге становятся нейтральными для рынка. Он создает портфели, в которых важны только самые высокие и самые низкие значения, стремясь получить максимальную ожидаемую доходность. Объединение нескольких факторов предполагает составление комбинированного ранга, что обеспечивает гибкость портфеля.
Как объясняет Марженот, оценка эффективности модели и работа с необъяснимыми доходами сопряжены с трудностями. Он обсуждает важность надежной вселенной с достаточной ликвидностью и представляет вселенную Q 1500, предназначенную для фильтрации нежелательных элементов. Вместо того, чтобы предсказывать цены, Марженот подчеркивает важность понимания того, какие акции лучше других, и определения относительной стоимости. Он демонстрирует использование конвейерного API в их рамках для вычисления импульса, приводя примеры векторных вычислений.
Спикер фокусируется на создании импульсного фактора, учитывающего как долгосрочные, так и краткосрочные тренды. Margenot стандартизирует доходность и наказывает долгосрочный аспект, чтобы снизить риск краткосрочных разворотов. Он использует пакет под названием Alpha Ones для оценки сигнала в разных временных масштабах и строит портфель, используя фактор импульса. Маржено подчеркивает важность определения разумной временной шкалы и обсуждает факторы, с которыми он работает. Он освещает рабочий процесс определения вселенной, альфа-факторов и объединения альфа-каналов для построения длинного/короткого портфеля акций.
Марженот обсуждает комбинацию различных альфа-факторов и структуру их портфеля, подчеркивая, что комбинация независимых сигналов в идеале должна приводить к более сильному общему сигналу. Он представляет методы динамического и статического агрегирования для объединения факторов и построения портфеля. Статическая агрегация включает портфель различных факторов с равным весом, тогда как динамическая агрегация корректирует веса факторов в зависимости от их эффективности. Стандартизация факторов необходима для обеспечения сопоставимости каждого отдельного фактора.
Ансамблевое обучение — ключевая тема, которую обсуждает Маржено. Он объясняет, что поиск постоянно повышающегося алгоритма обучения может быть сложной задачей, поскольку он должен выходить за рамки простой бета-версии. Чтобы преодолеть это ограничение, он использует ансамблевое обучение для агрегирования нескольких отдельных сигналов. Margenot специально использует AdaBoost, хорошо известную технику ансамблевого обучения, для обучения деревьев решений на основе шести признаков. Эти деревья решений предсказывают, пойдет ли актив вверх или вниз, а окончательный прогноз определяется большинством результатов тысячи деревьев решений. Такой подход позволяет делать более точные и надежные прогнозы.
Марженот далее развивает оценку альфа-сигнала, оживляя утомленные альфа-факторы с помощью ансамблевого обучения. Он тренирует деревья решений в течение месяца и пытается предсказать доходность или то, будет ли рынок расти или падать в будущем. Агрегируя производительность классификаторов, он извлекает важность признаков из взвешенной суммы деревьев решений и оценивает альфа-линзу сигнала. Тем не менее, Марженот признает необходимость включения комиссий и проскальзывания в процесс оценки, поскольку они могут существенно повлиять на окончательные результаты.
Включение комиссий и проскальзываний в алгоритмы является важным аспектом, на который обращает внимание Маржено. Он подчеркивает, что для обеспечения жизнеспособности сигналов следует учитывать реальные торговые издержки. Он демонстрирует потенциальную отрицательную доходность и просадки в бэктестере из-за ограниченного окна обучения для классификатора машинного обучения и высокой текучести кадров. Марженот предлагает изучить альтернативные методы ансамблевого обучения или реализации платформы, чтобы потенциально повысить производительность в будущем. Он также упоминает инструменты, которые он использовал для альфа-факторного анализа и анализа портфеля.
На протяжении всего видео Марженот представляет различные инструменты и ресурсы, которые могут помочь в реализации методов ансамблевого обучения. Он рекомендует проверить механизм обратного тестирования zipline и использовать платформу Quantiopian, которая предоставляет к нему доступ. Маргенот предлагает использовать Scikit-learn и пакет Ensembles, которые полезны для машинного обучения, статистики и классификаторов. Он также упоминает, что делится лекциями, алгоритмами и шаблонными решениями на своем GitHub, предоставляя бесплатный доступ к своему опыту ученым и трейдерам.
Ближе к концу презентации Марженот обсуждает процесс обновления существующих альфа-факторов с помощью ансамблевого обучения. Он подчеркивает, что даже если альфа-фактор изначально не дает положительных результатов, его можно улучшить. Он подчеркивает важность пайплайна для определения вычислений и объясняет, как компоненты обучения на исторических данных позволяют прогнозировать движения рынка на 20 дней вперед. В то время как перекрестная проверка может быть сложной для исторических данных, Марженот предлагает обучение вперед и прогнозирование следующего набора данных в качестве обходного пути.
В заключение Марженот обсуждает практические аспекты реализации ансамблевого обучения для улучшения альфа-факторов. Он советует тренировать ансамблевый классификатор в течение более длительного периода, а также прогнозировать в течение более длительного периода. Он предлагает использовать схему взвешивания факторов и другие ограничения для распределения ресурсов между различными стратегиями. Марженот выступает за обучение единой модели на всех интерпретаторах конвейера, рассматривая каждый фактор как часть единой модели. Он также с юмором упоминает о возможности того, что факторы действуют противоположно своему назначению, добавляя отрицательный знак, подчеркивая, что это происходит редко.
Таким образом, видео Макса Марженота дает ценную информацию о области ансамблевого обучения и его применении для улучшения альфа-факторов. Комбинируя независимые сигналы и используя методы ансамблевого обучения, специалисты по данным и трейдеры могут оптимизировать свои инвестиционные стратегии с помощью передовых подходов к машинному обучению. Практические советы, демонстрации и рекомендуемые инструменты Маргенота служат руководством для тех, кто хочет использовать ансамблевое обучение для более точного и прибыльного принятия решений в торговых стратегиях.
MIT 18.S096 Темы по математике с приложениями в финансах - 1. Введение, финансовые термины и концепции
1. Введение, финансовые термины и понятия
В этом информативном видео зрители знакомятся с различными финансовыми терминами и концепциями, чтобы заложить прочную основу в финансах. Курс предназначен как для студентов, так и для аспирантов, которые заинтересованы в карьере в этой области. Он направлен на введение в современные финансы и оснащение студентов необходимыми знаниями.
Лектор начинает с углубления в историю финансовых терминов и понятий, проливая свет на такие важные термины, как вега, каппа и волатильность. Вега объясняется как мера чувствительности к волатильности, в то время как Каппа измеряет волатильность изменений цен с течением времени. Лектор подчеркивает, что за последние три десятилетия сфера финансов претерпела заметные изменения, вызванные интеграцией количественных методов.
В видео также рассматривается эволюция профессии трейдера и изменения, произошедшие в ней за последние 30 лет. Он затрагивает различные торговые продукты, доступные на рынке, и то, как они торгуются. Затем лектор углубляется в причины финансового кризиса 2008 года, связывая его с дерегулированием банковского сектора, что позволило инвестиционным банкам предлагать инвесторам комплексные продукты.
Подчеркивается значение финансовых рынков, поскольку они играют решающую роль в установлении связей между кредиторами и заемщиками, а также предоставляют инвесторам возможности для получения более высокой прибыли от своих инвестиций. В видео рассказывается о различных игроках на финансовых рынках, включая банки, дилеров, взаимные фонды, страховые компании, пенсионные фонды и хедж-фонды.
На протяжении всего видео подробно обсуждаются различные финансовые термины и концепции. Объясняется хеджирование, создание рынка и собственная торговля, а также вводятся такие термины, как бета и альфа. Бета описывается как разница в доходности между двумя активами, а альфа представляет собой разницу в доходности между акцией и индексом S&P 500. Лектор также затрагивает управление портфелем в отношении альфа и бета.
Видео дает представление о различных типах сделок и о том, как они выполняются. Это объясняет роль хеджирования и создания рынка в защите инвесторов. Кроме того, в видео участвует г-н Уайт, который подробно описывает финансовые термины и концепции, используемые на рынках. Дельта, гамма и тета обсуждаются в контексте торговли акциями, и подчеркивается важность понимания подверженности волатильности, требований к капиталу и балансовых рисков. Г-н Уайт также исследует различные методы, используемые для анализа акций, включая фундаментальный анализ и арбитраж.
В видео упоминается изменение политики Федеральной резервной системы по сокращению количественного смягчения, что вызвало осторожность среди инвесторов и привело к распродаже на фондовом рынке. В нем подчеркивается сложный характер ценообразования финансовых инструментов и управления рисками с использованием математических моделей. Лектор подчеркивает необходимость постоянного обновления торговых стратегий в связи с динамичным характером рынка.
Концепция риска и вознаграждения тщательно изучена, и видео демонстрирует, как поведение человека иногда может привести к неожиданным результатам при принятии финансовых решений. Представлен пример, когда аудитории дается два варианта с разными вероятностями и потенциальными выигрышами или потерями, подчеркивая различные предпочтения, которые могут иметь люди.
В конце видео зрителям предлагается записаться на будущие занятия, а также предлагаются дополнительные домашние задания, связанные с составлением списка финансовых концепций. Это подробное видео служит отличным вводным руководством по финансовым терминам и понятиям, обеспечивая надежную отправную точку для тех, кто интересуется сферой финансов.
2. Линейная алгебра
2. Линейная алгебра
Видео широко охватывает линейную алгебру, уделяя особое внимание матрицам, собственным значениям и собственным векторам. Это объясняет, что собственные значения и собственные векторы — это специальные векторы, которые подвергаются масштабированию при применении линейного преобразования. Каждая матрица размера n на n имеет по крайней мере один собственный вектор, и с помощью ортонормированной матрицы становится возможным разбить матрицу на направления, упрощая понимание линейных преобразований. Видео также представляет декомпозицию по сингулярным значениям (SVD) как еще один инструмент для понимания матриц, особенно для более общего класса матриц. SVD позволяет представить матрицу как произведение ортонормированных матриц и диагональной матрицы, что экономит место для матриц более низкого ранга. Кроме того, в видео подчеркивается важность собственных векторов для измерения корреляции данных и определения новой ортогональной системы координат без изменения самих данных.
В дополнение к вышеупомянутым понятиям, видео углубляется в две важные теоремы линейной алгебры. Во-первых, это теорема Перрона-Фробениуса, которая утверждает, что несимметричная матрица обладает уникальным собственным значением с наибольшим абсолютным значением, а также соответствующим собственным вектором с положительными элементами. Эта теорема имеет практическое применение в различных областях. Вторая обсуждаемая теорема - это разложение по сингулярным значениям (SVD), которое позволяет поворачивать данные в новую ориентацию, представленную ортонормированными основаниями. SVD применим к более широкому диапазону матриц и позволяет упростить за счет исключения ненужных столбцов и строк, особенно в матрицах со значительно более низким рангом по сравнению с количеством столбцов и строк.
Видео содержит подробные объяснения, примеры и доказательства этих концепций, подчеркивая их актуальность в различных областях техники и науки. Это побуждает зрителей понимать основные принципы и взаимодействовать с материалом.
3. Теория вероятностей
3. Теория вероятностей
Эта обширная серия видеороликов по теории вероятностей охватывает широкий круг тем, обеспечивая глубокое понимание фундаментальных концепций и их практического применения. Профессор начинает с того, что освежает наши знания о распределениях вероятностей и функциях генерации моментов. Он проводит различие между дискретными и непрерывными случайными величинами и определяет важные термины, такие как функция массы вероятности и функция распределения вероятности. Профессор также иллюстрирует эти понятия примерами, включая равномерное распределение.
Далее профессор углубляется в понятия вероятности и ожидания для случайных величин. Он объясняет, как вычислить вероятность события и определяет математическое ожидание (среднее значение) случайной величины. Профессор также обсуждает понятие независимости для случайных величин и вводит нормальное распределение как универсальное распределение для непрерывных случайных величин.
Изучая моделирование цен на акции и финансовые продукты, профессор отмечает, что использование только нормального распределения может не точно отразить величину изменений цен. Вместо этого он предлагает моделировать процентное изменение как нормально распределенную переменную. Кроме того, профессор обсуждает логарифмически нормальное распределение и его функцию плотности вероятности, подчеркивая, что его параметры мю и сигма получены из нормального распределения.
В серии видеороликов представлены другие распределения в рамках экспоненциального семейства, такие как распределение Пуассона и экспоненциальное распределение. Эти распределения обладают статистическими свойствами, которые делают их полезными в реальных приложениях. Профессор объясняет, как можно параметризовать эти распределения, и подчеркивает взаимосвязь между логарифмически-нормальным распределением и экспоненциальным семейством.
Двигаясь дальше, профессор исследует статистические аспекты и долгосрочное поведение случайных величин. Он объясняет концепцию моментов, представленных k-ми моментами случайной величины, и подчеркивает использование функции, производящей момент, как единого инструмента для изучения всех моментов. Кроме того, профессор обсуждает поведение случайных величин в долгосрочной перспективе, наблюдая за несколькими независимыми случайными величинами с одинаковым распределением, что приводит к графику, очень похожему на кривую.
Затем серия видео посвящена двум важным теоремам: закону больших чисел и центральной предельной теореме. Закон больших чисел гласит, что среднее значение независимых и одинаково распределенных случайных величин сходится к среднему в слабом смысле по мере увеличения числа испытаний. Вероятность отклонения от среднего уменьшается с увеличением числа испытаний. Центральная предельная теорема показывает, что распределение среднего значения независимых случайных величин приближается к нормальному распределению независимо от начального распределения. Генерирующая момент функция играет ключевую роль в демонстрации сходимости распределения случайной величины.
Далее обсуждается сходимость случайных величин, подчеркивая, как функция, генерирующая момент, может управлять распределением. Профессор вводит понятие рейка в казино как средства получения прибыли и обсуждает влияние дисперсии на веру в свои возможности. Объясняется доказательство закона больших чисел, подчеркивая, как усреднение большего числа членов уменьшает дисперсию.
В контексте казино спикер объясняет, как можно применить закон больших чисел. Отмечается, что игрок может иметь небольшое невыгодное положение в отдельных играх, но при большом размере выборки закон больших чисел обеспечивает стремление среднего результата к ожидаемому значению. Исследуется идея о том, что казино берет рейк, и подчеркивается, как преимущество игрока и вера в математические принципы могут влиять на результаты.
Наконец, в серии видеороликов рассматриваются слабые и сильные законы больших чисел и обсуждается центральная предельная теорема. Слабый закон гласит, что среднее значение независимых и одинаково распределенных случайных величин сходится к среднему значению по мере того, как число испытаний приближается к бесконечности. Усиленный закон больших чисел обеспечивает более сильную форму сходимости. Центральная предельная теорема объясняет сходимость распределения среднего к нормальному распределению, даже если начальное распределение отличается.
В целом, эта серия видео предлагает обширное исследование концепций теории вероятностей, включая распределения вероятностей, функции, производящие моменты, законы больших чисел, центральную предельную теорему и их практическое применение.
5. Случайные процессы I.
5. Случайные процессы I.
В этом видеоролике о стохастических процессах профессор представляет всестороннее введение и обзор случайных процессов с дискретным и непрерывным временем. Эти вероятностные модели используются для анализа случайных событий, происходящих во времени. Видео демонстрирует примеры процессов простого случайного блуждания и цепи Маркова, чтобы проиллюстрировать, как они решают вопросы, связанные с зависимостью, долгосрочным поведением и граничными событиями. Кроме того, обсуждается теорема Перрона-Фробениуса, подчеркивающая важность собственных векторов и собственных значений в определении долгосрочного поведения системы. Видео завершается введением концепции мартингейл-процессов, которые служат моделями честной игры.
Видео начинается с представления концепции мартингалов в стохастических процессах, которые предназначены для поддержания неизменного математического ожидания. Примером мартингейла является случайное блуждание, которое демонстрирует флуктуации при постоянном сохранении ожидаемого значения 1. В видео также объясняется время остановки, которое представляет собой заранее определенные стратегии, зависящие только от значений стохастического процесса до определенной точки. Необязательная теорема об остановке утверждает, что если существуют мартингейл и время остановки tau, ожидаемое значение в момент остановки будет равно начальному значению мартингала. Эта теорема подчеркивает справедливый и равновесный характер мартингальных процессов.
На протяжении всего видео подробно рассматриваются различные темы. Вводятся случайные процессы с дискретным и непрерывным временем, иллюстрирующие их представление через распределения вероятностей по различным путям. Такие примеры, как простое случайное блуждание и игра с подбрасыванием монеты, помогают прояснить свойства и поведение этих процессов. Обсуждается важность цепей Маркова, подчеркивая, что будущее состояние зависит исключительно от текущего состояния, что упрощает анализ случайных процессов. Исследуется понятие стационарного распределения, демонстрируя теорему Перрона-Фробениуса, которая устанавливает существование уникального собственного вектора, соответствующего наибольшему собственному значению, представляющему долгосрочное поведение системы.
Видео завершается акцентом на связи между мартингейлом и честной игрой. Отмечается, что процесс мартингейла гарантирует, что математическое ожидание останется неизменным, что означает сбалансированную игру. И наоборот, такие игры, как рулетка в казино, не являются мартингейлами, поскольку ожидаемое значение меньше 0, что приводит к ожидаемым потерям для игроков. Наконец, упоминается теорема, предполагающая, что если игрок моделируется с помощью мартингейла, независимо от используемой стратегии баланс всегда будет равен начальному балансу. Кроме того, математическое ожидание X_tau, значение в момент остановки, всегда равно 0, что указывает на то, что при моделировании с помощью мартингейла не ожидается, что игрок выиграет.
В целом, видео дает всесторонний обзор случайных процессов, их свойств и их приложений в моделировании и анализе случайных событий.