Algoritmik ticaret - sayfa 21
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Yüksek frekanslı ticaret stratejileri
Yüksek frekanslı ticaret stratejileri
Bugün beni yüksek frekanslı ticaret stratejileri hakkındaki makalemi sunmaya davet ettiğiniz için teşekkür ederim. Benim adım Amy Kwan ve Sidney Üniversitesi'ndenim. Bu makale, Babson College'dan Michael Goldstein ve yine Sidney Üniversitesi'nden Richard Phillip ile birlikte yazılmıştır.
Bu makalenin amacı, yüksek frekanslı ticaretin (HFT) finansal piyasalar üzerindeki etkisine ilişkin düzenleyiciler, piyasa katılımcıları ve akademisyenler arasında devam eden tartışmalara katkıda bulunmaktır. Sean'ın sunumu ve dün geceki tartışma da dahil olmak üzere bu konuda farklı bakış açıları duyduk.
HFT hakkında farklı görüşler olsa da, "Flash Boys" kitabının yazarı Michael Lewis gibi bazı kişiler, ABD borsasının hıza dayalı bir sınıf sistemi haline geldiğini, ayrıcalıklı azınlığın nanosaniyeler için ödeme yaptığı, diğer yandan da hıza dayalı bir sınıf sistemi haline geldiğini savunuyor. diğerleri bu küçücük zaman aralıklarının değerinden habersiz kalır. Öte yandan, Ray Katsuyama gibi HFT'nin savunucuları, HFT'lerin ticaret sinyallerini toplayabildiğini ve düzenli yatırımcılardan yararlanabileceğini iddia ediyor.
İlk akademik kanıtlar, likiditeyi artırdığına ve spreadleri azaltmak, derinliği artırmak ve kısa vadeli oynaklığı azaltmak gibi geleneksel piyasa kalitesi önlemlerini iyileştirdiğine inanıldığı için genellikle HFT ve algoritmik ticareti destekledi. Bununla birlikte, daha yeni araştırmalar, HFT'nin bazı olumsuz yönlerini bulmuştur. Örneğin, HFT'ler diğer yatırımcılardan gelen sipariş akışını tahmin edebilir ve piyasa güçlerinden rant elde edebilir.
Ayrıca, Banker, Blending, Courageous ve Canorkey tarafından yapılanlar gibi yakın tarihli araştırmalar, HFT'lerin başlangıçta rüzgara karşı ticaret yaptığını, ancak daha sonra büyük bir ticaret ilerledikçe rüzgarla ticaret yaptığını gösteriyor. Bunu göstermek için, büyük bir emeklilik fonunun Apple hissesi satın almak istediği bir senaryoyu ele alalım. HFT'ler, bu ticareti tespit ettikten sonra, satın alma baskısı nedeniyle gelecekteki fiyat artışını tahmin ettikleri için kurumla aynı yönde ticaret yapmak için rekabet edebilir.
HFT'nin etkilerine dair bir miktar anlayış olsa da, HFT'lerin gerçekte nasıl ticaret yaptığı ve finansal piyasaları nasıl etkilediği konusunda literatür belirsizliğini koruyor. Mevcut kanıtların çoğu ticaret uygulamalarına dayanmaktadır ve Avustralya'daki emir sunma davranışı hakkında çok az şey bilinmektedir.
Bu boşluğu gidermek için çalışmamız, tam limit emir defteri verilerini analiz ederek doğrudan HFT ticaret stratejilerini inceliyor. ASX'teki ilk 100 hisse senedi için emir gönderimleri, değişiklikler, iptaller ve alım satımlar hakkında ayrıntılı bilgilere erişimimiz var. Tüccarları HFT firmaları, kurumsal tüccarlar ve perakende komisyoncular olarak sınıflandırarak davranışlarını ve pazar dinamikleri üzerindeki etkisini anlamayı amaçlıyoruz.
Ana bulgularımız, HFT'lerin sipariş defterini izlemede ve dengesizlikler üzerinde işlem yapmada mükemmel olduğunu ortaya koyuyor. Bir hisse senedi alıp satmaya yönelik daha yüksek bir talep olduğunda, HFT'ler diğer tacir kategorilerine kıyasla bu bilgilerden yararlanmada daha başarılıdır. Ek olarak, HFT'lerin, ihtiyaç olmadığında bile emir defterinin sabit tarafında likidite sağladığını, HFT olmayanların ise HFT'lerin stratejik alım satım davranışları nedeniyle emir defterine sınırlı erişimden muzdarip olduğunu gözlemliyoruz.
Ayrıca, "o" adı verilen daha hızlı bir veri akışının tanıtımını da inceliyoruz ve HFT'lerin, uygulamaya konduktan sonra stratejik ticaretlerinde daha da etkili hale geldiğini görüyoruz. Bununla birlikte, HFT olmayan emirler, limit emir defterinden çıkarılır ve bu tüccarlar için başarılı uygulama şansının azalmasına neden olur.
Sonuç olarak çalışmamız, tam limit emir defteri verilerini analiz ederek HFT ticaret stratejilerinin anlaşılmasına katkıda bulunmaktadır. HFT'lerin, sipariş defterini izleme ve dengesizlikler üzerinde işlem yapma konusunda diğer tüccar kategorilerinden daha iyi performans gösterdiğini bulduk. Daha hızlı bir veri akışının tanıtılması, ticaret avantajlarını daha da artırır. Bu bulgular, HFT'lerin piyasa dinamiklerini nasıl etkilediğine ışık tutuyor ve düzenleyiciler, piyasa katılımcıları ve akademisyenler için değerli bilgiler sağlıyor.
Araştırmamızı sunma fırsatı verdiğiniz için tekrar teşekkür ederiz.
Ciamac Moallemi: Yüksek Frekanslı Ticaret ve Piyasa Mikro Yapısı
Ciamac Moallemi: Yüksek Frekanslı Ticaret ve Piyasa Mikro Yapısı
Sunumumun amacının bir kısmı, insanları öğretim üyeleri tarafından yürütülen araştırmalara alıştırmaktır. Ana konuya girmeden önce, uygulamalı bir matematikçi olarak kendi çalışmalarım hakkında biraz bilgi vermek istiyorum. Zamanımın yaklaşık yarısı, belirsizliğin varlığında zaman içinde karar vermeyi içeren stokastik kontrol problemlerini keşfetmeye adanmıştır. Bu soyut matematiksel problemler önemli zorluklar teşkil eder, ancak temeldir, çünkü birçok mühendislik ve işletme problemi benzer özellikleri paylaşır. Araştırmamın diğer yarısı, finans mühendisliği alanındaki stokastik kontrol problemlerinin daha uygulamalı yönüne odaklanıyor.
Riskten korunma fonu yöneticisi olarak önceki deneyimlerime dayanarak, finansal piyasalarda optimum ticaret, piyasa mikro yapısı ve yüksek frekanslı ticarete özel bir ilgim var. Bugün, modern elektronik pazarlarının karmaşıklığına ilişkin içgörü sağlamak için bu konuları tartışacağım. Eldeki sorunları değerlendirmek için, son beş ila on yılda önemli ölçüde gelişen ABD hisse senedi piyasalarının ana özelliklerini anlamak çok önemlidir.
Her şeyden önce, elektronik ticaret piyasaya hakimdir ve New York Menkul Kıymetler Borsası'ndaki tüccarların geleneksel imajını büyük ölçüde alakasız hale getirir. Alım satım artık esas olarak bilgisayarlarda yapılıyor ve elektronik ticaret, değiş tokuş için birincil mekanizma. Bir başka dikkate değer değişiklik, ticaretin ademi merkeziyetçiliği veya parçalanmasıdır. Geçmişte, belirli bir hisse senedi ağırlıklı olarak Nasdaq veya New York Borsasında işlem görüyordu. Bununla birlikte, artık her biri hisse senedi ticaretinin önemli bir yüzdesini oluşturan birden fazla borsa var.
Bu borsalar, piyasa katılımcılarının belirli fiyatlardan alış ve satış emirleri verebilecekleri elektronik limit emir defterleri şeklinde düzenlenir. Fiyatlar kesiştiğinde, işlemler gerçekleştirilir. Bu, New York Menkul Kıymetler Borsası'nın tarihsel bayi piyasası veya uzman piyasa yapısına zıttır. Ek olarak, işlemlerin yaklaşık %30'u elektronik geçiş ağları, karanlık havuzlar ve içselleştirme gibi alternatif mekanlarda gerçekleşir ve bu da ticaretin merkezi olmayan doğasına daha fazla katkıda bulunur.
Modern pazarların en çarpıcı özelliklerinden biri, katılımcıların artan otomasyonudur. Önceden, bir insan tüccarı büyük siparişleri idare ederdi, ancak şimdi algoritmalar ve yüksek frekanslı ticaret devraldı. Algoritmik ticaret, yatırımcıların büyük siparişleri zaman içinde ve borsalar arasında dilimlemelerine ve ayırmalarına olanak tanırken, genellikle piyasa yapıcılar olarak sınıflandırılan yüksek frekanslı tüccarlar likidite sağlar. Bu son trendler, piyasayı daha karmaşık hale getirdi ve algoritmik tüccarlar ile yüksek frekanslı tüccarlar arasında öngörülemeyen etkileşimlere yol açtı.
Bu gelişmeler hem politika düzeyinde hem de bireysel katılımcılar için önemli soruları gündeme getirdi. Politika yapıcılar ve düzenleyiciler, mevcut karmaşık piyasa yapısının avantajlarını ve dezavantajlarını değerlendirmelidir. Ayrıca, algoritmik bir tüccar ile yüksek frekanslı tüccarlar arasındaki patolojik bir etkileşim nedeniyle piyasa fiyatlarının birkaç dakika içinde önemli ölçüde düştüğü 6 Mayıs 2010'deki ünlü ani çöküş gibi olayların meydana gelmesi gibi konuları da ele almaları gerekir.
Bireysel katılımcı düzeyinde, karar verme problemlerinin ele alınması gerekir. Piyasanın karmaşıklığı ve öngörülemezliği göz önüne alındığında, katılımcılar ticaret stratejileri için en etkili yaklaşımı belirlemelidir. Bu bağlamda, yüksek frekanslı ticaret ve piyasa mikro yapısıyla ilgili iki özel sorun üzerine araştırma yaptım: gecikmenin önemini anlamak ve piyasalardaki karanlık havuzların rolünü incelemek.
Gecikme, bir ticaret kararının verilmesi ile uygulanması arasındaki gecikmeyi ifade eder. Düşük gecikme süresiyle hızlı işlem yapma yeteneği giderek daha önemli hale geldi. Gecikme ile ilişkili değeri ve maliyeti değerlendirmek için ticaret kararlarındaki önemini değerlendirmek gerekir. Yıllar geçtikçe, ABD hisse senedi piyasalarındaki gecikme önemli ölçüde azaldı ve alım satım artık mikrosaniyeler içinde gerçekleşiyor. Bu teknolojik gelişme, yüksek frekanslı tüccarlardan ve daha hızlı işlem yapmak isteyen diğerlerinden gelen talep tarafından yönlendirildi.
Gecikmenin önemini anlamak başka soruları da beraberinde getirir. Düşük gecikme, en son bilgilerle karar vermede faydalı mı? Rakiplerden daha hızlı olmak kar elde etmede avantaj sağlar mı? Ek olarak, borsaların kuralları ve organizasyonu genellikle erken girişe öncelik vererek daha düşük gecikmeli bağlantılara sahip tacirler için avantajlar yaratır. Bu, adalet ve pazar fırsatlarına eşit erişim konusunda endişeleri artırıyor.
Bu soruları ele almak için araştırmam, yüksek frekanslı ticaretin dinamiklerini ve gecikmenin ticaret stratejileri üzerindeki etkisini yakalayan matematiksel modeller geliştirmeyi içeriyor. Farklı senaryoları simüle ederek ve sonuçları analiz ederek, alım satım kararlarında hız ve doğruluk arasındaki optimum dengeye dair içgörü sağlamayı hedefliyorum. Bu araştırma, riskten korunma fonları veya kurumsal yatırımcılar gibi piyasa katılımcılarının, oldukça rekabetçi bir ortamda performanslarını en üst düzeye çıkarmak için ticaret algoritmalarını ve altyapılarını tasarlamalarına yardımcı olabilir.
Araştırmamın bir başka alanı da karanlık havuzların modern pazarlardaki rolüne odaklanıyor. Karanlık havuzlar, katılımcıların halka açık pazardan uzakta, anonim olarak büyük alım satımlar yapmalarına olanak tanıyan özel alım satım yerleridir. Bu alternatif yerler, piyasa etkisini en aza indirme ve önemli işlem hacimlerine sahip kurumsal yatırımcılar için yürütme kalitesini artırma potansiyelleri nedeniyle popülerlik kazanmıştır.
Bununla birlikte, karanlık havuzların yükselişi, piyasa şeffaflığı ve adaletiyle ilgili endişeleri artırdı. Eleştirmenler, bu mekanlarda şeffaflık eksikliğinin bilgi asimetrisi yaratabileceğini ve fiyat keşfini olumsuz etkileyebileceğini savunuyor. Ek olarak, yüksek frekanslı tüccarların karanlık havuzlarda ticaret öncesi şeffaflık eksikliğini kendi avantajları için kullandıkları durumlar olmuştur.
Araştırmamda karanlık havuzların piyasa likiditesi, fiyat oluşumu ve piyasa katılımcılarının davranışları üzerindeki etkisini araştırıyorum. Matematiksel modeller geliştirerek ve ampirik analizler yaparak, karanlık havuz ticareti ile ilgili yararları ve sakıncaları anlamayı hedefliyorum. Bu araştırma, karanlık havuzların düzenlenmesi ve gözetimi hakkında devam eden tartışmalara katkıda bulunabilir ve piyasa katılımcılarının ticaret stratejileri hakkında bilinçli kararlar almalarına yardımcı olabilir.
Sonuç olarak, bugünkü sunumum, özellikle yüksek frekanslı ticaret, piyasa mikro yapısı, gecikme süresi ve karanlık havuzlara odaklanan finans mühendisliği alanındaki araştırmama genel bir bakış sunuyor. Bu konuları derinlemesine inceleyerek, modern elektronik piyasalarının karmaşıklığına ve bunların piyasa katılımcıları ve düzenleyiciler için ortaya koyduğu zorluklara ışık tutmayı hedefliyorum. Araştırmam, matematiksel modelleme, simülasyonlar ve ampirik analiz yoluyla, değerli içgörüler sağlamayı ve finansal piyasalar alanında süregelen tartışmalara ve gelişmelere katkıda bulunmayı amaçlıyor.
Ayrıca, araştırmamın bir başka yönü de düzenleyici politikaların finansal piyasalar üzerindeki etkisi etrafında dönüyor. Düzenleyici kurumlar, piyasa bütünlüğünün, istikrarının ve yatırımcıların korunmasının sağlanmasında çok önemli bir rol oynamaktadır. Ancak düzenlemelerin tasarlanması ve uygulanması istenmeyen sonuçlara yol açabilir ve piyasa dinamiklerini etkileyebilir.
Araştırmamın odaklandığı alanlardan biri, düzenleyici duyurulara piyasa tepkilerinin incelenmesidir. Geçmiş verileri analiz ederek ve olay çalışmaları yürüterek, tacirler ve yatırımcılar gibi piyasa katılımcılarının düzenleyici değişikliklere yanıt olarak stratejilerini ve pozisyonlarını nasıl ayarladığını araştırıyorum. Bu araştırma, düzenlemelerin piyasa likiditesi, oynaklığı ve genel verimlilik üzerindeki anlık ve uzun vadeli etkilerinin anlaşılmasına yardımcı olur.
Ek olarak, amaçlanan hedeflere ulaşmada farklı düzenleyici önlemlerin etkinliğini araştırıyorum. Örneğin, aşırı piyasa hareketleri sırasında ticareti geçici olarak durdurmak için tasarlanmış mekanizmalar olan devre kesicilerin piyasa istikrarı üzerindeki etkisini inceliyorum. Geçmiş pazar verilerini analiz ederek ve simülasyonlar yürüterek, devre kesicilerin piyasa çöküşlerini etkili bir şekilde önleyip önlemediğini veya şiddetlendirip artırmadığını değerlendiriyorum.
Diğer bir ilgi alanı ise finansal piyasalarda sistemik riskin azaltılmasına yönelik düzenlemelerin incelenmesidir. Bu, sermaye gereklilikleri, stres testleri ve bankalar tarafından tescilli ticaret üzerindeki kısıtlamalar gibi önlemlerin etkisinin analiz edilmesini içerir. Bu düzenlemelerin finansal sistemin istikrarı üzerindeki etkilerini inceleyerek, etkinlikleri ve olası istenmeyen sonuçları hakkında fikir vermeyi amaçlıyorum.
Ayrıca, özellikle blok zinciri ve kripto para birimleri gibi gelişen teknolojiler bağlamında teknoloji ve düzenlemenin kesişimini de keşfediyorum. Bu teknolojiler, geleneksel finansal sistemleri bozabilecekleri ve yeni riskler getirebilecekleri için düzenleyiciler için benzersiz zorluklar ve fırsatlar sunuyor. Bu alandaki araştırmam, bu teknolojilerin düzenleyici etkilerini anlamaya ve pazar bütünlüğünü ve yatırımcı korumasını sağlarken yeniliği teşvik edebilecek potansiyel çerçeveleri keşfetmeye odaklanıyor.
Finans mühendisliği alanındaki araştırmam, düzenleyici politikaların etkisi, düzenleyici değişikliklere piyasa tepkileri ve teknoloji ile düzenlemenin kesişimi dahil olmak üzere çok çeşitli konuları kapsar. Titiz analizler, matematiksel modelleme ve ampirik çalışmalar yoluyla, finansal piyasaların işleyişine ilişkin değerli içgörüler sağlamaya ve etkili ve iyi bilgilendirilmiş düzenleyici çerçevelerin geliştirilmesine katkıda bulunmaya çalışıyorum.
Kent Daniel: Fiyat Hareketi
Kent Daniel: Fiyat Hareketi
Burada olmaktan mutluyum ve geldiğiniz için herkese teşekkür etmek istiyorum. Herkesin bu konu hakkında bu kadar hevesli olduğunu görmek harika. Bugün, hedge fonları tarafından yaygın olarak kullanılan belirli bir nicel stratejiyi tartışacağım. Bu strateji genellikle önemli bir kaldıraçla uygulanır ve Profesör Sunnah Reyes ve Profesör Wong'un ele aldığı konuları tamamlar. Amacım, niceliksel yatırım kavramını tanıtmak ve bu özel stratejiye ilişkin içgörüler sağlamaktır.
Ayrıca, fiyat momentumunun arkasındaki faktörleri ve bu olgunun piyasalarda ortaya çıkışını anlamak için araştırmalar yapıyorum. Öncelikle yatırımcılar tarafından kusurlu bilgi işleme nedeniyle piyasanın tamamen verimli olmadığını savunuyorum. Bu nedenle, momentumun karakterizasyonunu derinlemesine inceleyeceğim ve altında yatan nedenler hakkında bazı düşünceler sunacağım.
Geçenlerde Bloomberg dergisinde sektörün önemli isimlerinden Cliff Asness'in yer aldığı bir makaleye rastladım. Firması geçmişte, esas olarak ivme nedeniyle zorluklarla karşı karşıya kaldı. Bunu özellikle bugünkü tartışmamızla ilgili buluyorum. Aslında Asness ve şirketi ivmeden vazgeçmedi. Riskten korunma fonu çabalarına ek olarak AQR Momentum Fonu adında bir yatırım fonu bile kurdular.
AQR, hem yatırım fonları hem de hedge fonları ile, belirli bir önyargı ile çeşitlendirilmiş portföyler oluşturmak için matematiksel kurallar kullanır. Momentum durumunda, kazananlara yatırım yapmaya ve kaybedenleri satmaya odaklanırlar. Bugün, bu stratejiyi daha ayrıntılı olarak inceleyeceğim. Ancak ayrıntılara girmeden önce, Asness, Moskowitz ve Patterson tarafından yazılan bir araştırma makalesinden bazı görüşleri paylaşmak istiyorum. Makale, farklı varlık sınıflarında momentumun varlığını araştırıyor.
Bulgularına göre momentum, Amerika Birleşik Devletleri, Birleşik Krallık ve kıta Avrupası da dahil olmak üzere çeşitli bölgelerde tarihsel olarak iyi performans gösterdi. Ancak Japonya'da aynı olumlu sonuçları vermedi. Ek olarak, araştırma, her alanda farklı derecelerde başarı ile öz sermaye ülke seçimi, tahvil ülke seçimi, döviz ve emtialardaki ivmeyi araştırıyor.
Peki momentumu sağlayan nedir? Ön çalışmalarıma ve teorilerime dayanarak, en ikna edici açıklama yatırımcılar tarafından bilgi işleme etrafında dönüyor. Yatırımcılar yeni bilgi aldıklarında, her şeyin nispeten değişmeden kalacağını varsayarak, bir statüko önyargısı sergileme eğilimindedirler. Bilgiye cevaben bazı fiyat hareketlerini tahmin etseler de, bunun etkisini tam olarak kavrayamazlar. Sonuç olarak, fiyat biraz hareket eder, ancak bilgilerin fiyatlara tam olarak yansıması zaman alır, genellikle yaklaşık bir yıl sürer.
Finansal piyasalar bağlamında, bilgiye bağlı bir fiyat hareketi gözlemlerseniz, momentumun devam etmesi muhtemeldir. Fiyat hareketindeki bu süreklilik, belirli bir yönde belirli bir hızda hareket eden bir nesnenin üzerine bir dış kuvvet etki etmedikçe hareket etmeye devam etme eğiliminde olduğu fizikteki momentum kavramıyla uyumludur.
Şimdi, bir momentum stratejisinin nasıl oluşturulacağını keşfedelim. AQR'nin yaklaşımına benzer basit bir momentum stratejisi uygulamak istediğinizi varsayalım. İşte adım adım kılavuz: Belirli bir ayın başından başlayarak, son 12 aydan bir ay öncesine kadar NYSE, Amex ve NASDAQ'ta listelenen tüm hisse senetlerinin aylık getirilerini hesaplayın. Hisse senetlerini getirilerine göre sıralayın ve ilk %10'u kazananlar ve en alttaki %10'u kaybedenler olarak belirleyin. Piyasa değerlerine göre ağırlıklandırılmış, kazananlardan oluşan bir portföy oluşturun. Benzer şekilde, kaybeden hisse senetlerinin 1 $ değerinde açığa satış yaparak uzun vadeli bir portföy oluşturun. Oluşum dönemi getirilerini ve sıralamalarını güncelleyerek portföyü her ayın başında yeniden dengeleyin.
Bu strateji, nispeten düşük bir ciro portföyü ile sonuçlanır, çünkü son getiriler muhtemelen benzer olacaktır. Ancak, süreyi 12 aya uzattığınızda, getiriler önemli ölçüde farklılaşmaya başlar.
Şimdi, bu stratejinin 1949'dan 2007'ye kadar olan performansını değerlendirelim. Hazine bonolarına yatırım yapmak yılda ortalama %16,5 fazla getiri sağlıyor ki bu oldukça önemli. Bu, kazananları satın alma ve kaybedenleri satma momentum stratejisinin uzun vadede oldukça karlı olduğunu gösteriyor.
Şimdi, bu fazla getirinin farklı zaman dilimlerinde tutarlı olup olmadığını merak edebilirsiniz. Bunu incelemek için, verileri farklı on yıllara ayıralım ve momentumun nasıl performans gösterdiğini görelim. İşte her on yıl için fazla getiriler:
Gördüğünüz gibi, momentum, büyüklüğü değişse de, her on yılda bir pozitif aşırı getiri sağladı. 1990'ların diğer on yıllara kıyasla nispeten daha düşük bir fazla getiriye sahip olduğunu belirtmekte fayda var, ancak yine de olumluydu.
Öyleyse, ivme neden karlı bir strateji olarak devam ediyor? Bir açıklama, yatırımcıların yeni bilgilere yetersiz tepki verme eğiliminde olmaları ve bu durumun fiyatların yavaş ayarlanmasına neden olmasıdır. Sonuç olarak, olumlu getiriler elde eden hisse senetleri, fiyatları mevcut tüm bilgileri tam olarak yansıtmadığı için daha iyi performans göstermeye devam ediyor. Bu gecikmeli ayarlama, yatırımcılara momentumu sürdürerek kar elde etme fırsatı sunar.
Momentumun tutarlı karlılık göstermesine rağmen, bunun risksiz olduğu anlamına gelmediğini belirtmek önemlidir. Herhangi bir yatırım stratejisi gibi, kendi riskleri ve zorlukları ile birlikte gelir. Piyasa koşulları değişebilir ve geçmiş performans gelecekteki sonuçların garantisi değildir. Bu nedenle, momentuma dayalı bir yatırım yaklaşımı uygularken kapsamlı analiz, risk yönetimi ve sürekli izleme çok önemlidir.
Sonuç olarak, kazananları alıp kaybedenleri satmayı içeren momentum stratejisi, tarihsel olarak finansal piyasalarda önemli ölçüde fazla getiri sağlamıştır. Farklı on yıllar boyunca getirilerdeki farklılıklara rağmen, momentum genel olarak karlı bir strateji olarak kaldı. Ancak, yatırımcılar bu stratejiyi yatırım yaklaşımlarına dahil etmeden önce dikkatli olmalı ve çeşitli faktörleri göz önünde bulundurmalıdır.
Algoritmik Ticaret ve Makine Öğrenimi
Algoritmik Ticaret ve Makine Öğrenimi
Tamam, beni ağırladığın için teşekkürler Costas. Ayrıca, sunacağım tartışma için değerli bir bağlam sağlayan anlayışlı konuşması için Eric'e şükranlarımı sunmak isterim. Bugün, bu borsaların diğer tarafında faaliyet gösterme ve yüksek frekanslı tüccarlar (HFT'ler) ve diğer karşı taraflarla çalışma deneyimlerine odaklanacağım. Costas bunun kabul edilebilir olduğuna dair güvence verdiğinden, konuşmamın açıkça oyun teorisini kapsamayacağını açıklığa kavuşturmak istiyorum. Ancak, son 12 yıldır Wall Street'te kantitatif bir ticaret grubuyla çalışma deneyimime dayanarak pratik yönlere değineceğim.
Her şeyden önce, tartışacağım tüm çalışmaların ortak yazarı olan ticaret ortağım By Vaca'ya özel olarak teşekkür etmek istiyorum. Araştırmamız ve içgörülerimiz, ticaret grubumuzdaki tescilli ticari bağlamlardan ortaya çıkmıştır. Vurgulayacağım yönler, zamanla bilimsel olarak ilginç bulduğumuz tescilli olmayan unsurlardır.
Wall Street şüphesiz hem teknolojik hem de sosyal açıdan merak uyandıran bir yer. Otomasyon ve veri bolluğu nedeniyle önemli değişikliklere tanık oldu. Bu dönüşümler, özellikle makine öğrenimi olmak üzere, öğrenmeye dayalı bir yaklaşımı gerektiren çok sayıda ticaret zorluğuna yol açmıştır. İnsan kavrayışının ötesinde zamansal ve mekansal ölçekte mevcut olan büyük miktarda veri ile, algoritmalar ticarette vazgeçilmez hale geldi. Bu algoritmaların, mantıklı ticaret kararları vermek için uyarlanabilir olması ve son veriler de dahil olmak üzere geçmiş veriler üzerinde eğitilmesi gerekir.
Sunumumda, modern elektronik piyasalarda algoritmik ticarette ortaya çıkan üç özel sorun alanını özetleyeceğim. Bu kısa öyküler veya vaka incelemeleri, algoritmik zorluklara ışık tutuyor ve yeni teknikler kullanarak bunların ele alınmasına ilişkin ipuçları sunuyor.
İlk iki problem, optimize edilmiş yürütme etrafında döner. Belirli bir hisse hacmini alıp satarken, bir ticaret gerçekleştirirken, aciliyet ve fiyat arasında bir değiş tokuş vardır. Fiyatları etkileyerek, ancak muhtemelen geçici bilgi avantajlarından yararlanarak ticareti hızlı bir şekilde gerçekleştirmeyi seçebilirsiniz. Öte yandan, piyasanın daha uzun bir süre boyunca istenen fiyata yakınsamasına olanak tanıyan daha yavaş bir yaklaşım izlenebilir. Bu değiş tokuşları derinlemesine inceleyeceğim ve elektronik pazarlarda karşılaşılan zorlukları gösteren belirli örnekler sunacağım.
Üçüncü problem, ortalama varyans optimizasyonu gibi klasik portföy optimizasyonunun algoritmik versiyonlarıyla ilgilidir. Bu, risk veya oynaklığı göz önünde bulundurarak getirileri en üst düzeye çıkaran çeşitlendirilmiş bir portföy tutmayı içerir. Doğası gereği algoritmik olmasına rağmen, bu problem geleneksel portföy optimizasyonu yaklaşımlarıyla bağlantılıdır.
Eric tarafından daha önce açıklandığı gibi, sürekli çift limitli emir müzayedesinin bu zorluklar için zemin oluşturduğunu belirtmekte fayda var. Ani çöküşün görüntüsü ve Michael Lewis'in yüksek frekanslı ticaret üzerine kitabı, şu anda Wall Street'te deneyimlediğimiz ilginç ve dinamik zamanların altını çiziyor. Yüksek frekanslı ticaret de dahil olmak üzere herhangi bir ticaret faaliyeti hakkında ahlaki bir yargıya varmak niyetinde olmamakla birlikte, modern elektronik piyasalarda karşılaşılan algoritmik zorlukları, geleneksel bir istatistiksel hisse senedi ticareti çerçevesi içinde faaliyet gösteren nicel bir ticaret grubu perspektifinden açıklamayı hedefliyorum.
Alım satım grubumuz, yerel ve uluslararası piyasalarda çok çeşitli likit enstrümanları kapsayan, hem uzun hem de kısa özkaynak alım satımında uzmanlaşmıştır. Pozisyonlarımızı korumak için karmaşık türevlerden kaçınarak özel olarak vadeli işlemleri kullanırız. Nispeten basit piyasalarda ve enstrümanlarda ticaret yapılmasına rağmen, Wall Street'teki verilerin artan otomasyonu ve kullanılabilirliği, genellikle makine öğrenimini kullanan bir öğrenme yaklaşımı gerektiren çok sayıda ticaret sorunu ortaya çıkardı.
Bu arada, bunun bir örneğini kastediyorum, bir analist bir hisse senedi hakkındaki görüşünü yükselttiğinde, diğer analistlerin de aynı hisse hakkındaki görüşlerini hızlı bir şekilde yükseltme eğiliminde olduğu gözlemleniyor. Bu nedenle, bunun gerçekten taze bir haber mi yoksa sadece piyasaya giren diğer bazı temel haberlerin bir sonucu mu olduğunu belirlemek gerekiyor. Bu gibi durumlarda, bu bilgilere dayanarak işlem yapılması tavsiye edilmeyebilir.
Şimdi, neden sondaki sorular için zaman ayırmadığımız ve bunun yerine kalan cildi satın almak istediğimizle ilgili sorunuza gelince, bunun iki cevabı var. İlk olarak, Bank of America gibi algoritmik bir ticaret masasına sahip bir aracı kurum isek, müşterinin direktifine göre alım satımları gerçekleştiririz. Belirli bir zaman diliminde kaç hissenin satın alınacağına dair bize talimatlar veriyorlar. İşlem sırasında onay istemiyoruz. İkinci olarak, mevcut bilgilere dayanarak satın alınacak doğru hacmi belirlemek için stratejilerimizi optimize ettik. Bu hacim genellikle hisse senedi fiyatını önemli ölçüde etkilemeden ticaret yapabileceğimiz maksimum miktardır. Önerdiğiniz yaklaşımı uygulamak mümkün olsa da, karmaşık ticaret dünyasında karar vermeyi basitleştirmek için dahil edilen parametre sayısını en aza indirmeyi tercih ediyoruz.
Test süreci ile ilgili olarak, çalışmayı takip eden altı ayda canlı testler gerçekleştiriyoruz. Bu, modelin performansını gerçek piyasa koşullarında değerlendirmemizi sağlar. Ancak, modelin kendisi test aşamasında geçmiş verileri kullanır.
Politikalarımızı insanlara açıklamaya gelince, göz göze gelmek yerine öncelikle ampirik bir yaklaşıma güveniyoruz. Bu özel problemde, mantıklı davranışı neyin oluşturduğu açıktır. Zorluk, neden işe yaradıklarına dair net bir anlayış olmaksızın iyi çalışan stratejilerle uğraşırken ortaya çıkar. Bu gibi durumlarda, bazen soruna antropolojik bir bakış açısıyla yaklaşır, belirli işlemlerin tutarlı kârlılığının ardındaki nedenleri anlamaya çalışırız.
Öğrendiklerimizin karmaşıklığının yorumlama açısından zorluklar yarattığını kabul ediyoruz. Belirli durum değişkenlerinde tutarlı tahmin gücü belirleyebilsek de, altta yatan nedenleri ayrıntılı bir şekilde anlamak son derece zordur. Finansal piyasaların mikroyapısı, özellikle yüksek frekanslı ticarette, normal insan kavrayışını aşan hacimler ve veri hızları içerir. Bu nedenle, tutarlı performans sağlamak için dikkatli eğitim ve test metodolojilerine odaklanıyoruz.
Deneylerimizde, emir defterinin çeşitli özelliklerini ve bunların performans üzerindeki etkilerini araştırdık. Örneğin, teklif-satış yayılımını durum alanına dahil etmenin ticaret yürütmeyi optimize etmek için değerli olduğu kanıtlanmıştır. Bununla birlikte, tüm özellikler aynı faydayı sağlamaz ve bazı değişkenler, aşırı uyum nedeniyle performans üzerinde olumsuz etkilere sahip olabilir. En bilgilendirici özellikleri seçerek, kontrol teorik yaklaşımlarıyla sağlanan yüzde 35'lik iyileştirmeye ek olarak yüzde 13'lük bir iyileştirme elde ettik.
Deneysel olarak bir çözümü değerlendiriyorduk, ancak şu anda ayrıntılara girecek vaktim yok. Ancak, bir karikatür modeli kullanarak basitleştirilmiş bir likidite açıklaması sağlayabilirim. Alternatif ticaret yerleri olan farklı karanlık havuzlar, farklı zamanlarda ve farklı hisse senetleri için değişen likidite özellikleri sergiler.
İster limitli emir defteri ister karanlık bir havuz olsun, yeni bir borsa ortaya çıktığında, genellikle belirli bir hisse senedi sınıfı için ayrıcalıklı muamele, indirimler veya ücretler sunarak piyasada kendisini kabul ettirmeye çalışır. Kendilerini, belirli hisse senedi türlerinin ticareti için tercih edilen karanlık havuz olarak tanıtıyorlar. Sonuç olarak, bu hisse senetleriyle ilgilenen tacirler, likidite yaratarak söz konusu karanlık havuza çekilir. Buna karşılık, diğer karanlık havuzlar farklı likidite profillerine sahip olabilir ve çok fazla alım satım faaliyeti çekmeyebilir.
Bu konsepti görselleştirmek için, sabit bir olasılık dağılımıyla temsil edilen, belirli bir hisse senedi için benzersiz bir likidite profiline sahip her karanlık havuzu hayal edin. X ekseni, paylaşım sayısını temsil ederken, y ekseni, her bir ayrık zaman adımında yürütülecek mevcut paylaşımları bulma olasılığını temsil eder. İşlem emrimizi karanlık bir havuza gönderdiğimizde, bu dağılımdan o belirli zaman adımında işlem yapmak isteyen karşı tarafların hacmini gösteren bir sayı(lar) çekilir. Yürütülen hacim, çekilen hacim(ler)in minimumu ve talep edilen hacim (vns) tarafından belirlenir ve gerekirse kısmi yürütme sağlanır.
Şimdi, kısmi uygulama gerçekleştiğinde likidite eğrisinin nasıl azalmadığını merak edebilirsiniz. Likidite eğrisi, yalnızca belirli bir aralıkta kullanılabilir hacim bulma olasılığını temsil eder. Daha küçük birimlerin yürütme için kullanılabilir olma olasılığının daha yüksek olduğunu, daha büyük birimlerin ise daha az olası olduğunu gösterir. Kısmi yürütme, basitçe, yürütülen hacmin talep edilen hacimden daha az olduğu anlamına gelir, ancak likidite eğrisinin genel şeklini etkilemez.
Karanlık havuzların çoğalması ilginç bir olgudur. Piyasa dengesi ve bu mekanlar arasındaki rekabet hakkında soru işaretleri uyandırıyor. Piyasanın nihayetinde konsolide olup olmayacağı ve birkaç karanlık havuzun hakimiyetine yol açıp açmayacağı belirsizliğini koruyor. Benzer dinamikler, sürekli ikili müzayedelerde gözlemlendi, çünkü finansal piyasaların kuralsızlaştırılması birden fazla borsanın aynı anda çalışmasına izin verdi. Düzenleyici ortam ve girişimlerin yeni mekanizmalar önerme yeteneği, pazar yapısının karmaşıklığına katkıda bulunur.
Bu araştırma ile Eric'in makalesi arasındaki bağlantıyı göz önünde bulundurarak, farklı pazar yapıları, algoritmalar arasındaki etkileşimi ve bunların pazar istikrarı ve parçalanması üzerindeki etkilerini keşfedebiliriz. Benzer algoritmalar kullanan birden fazla oyuncuyu içeren senaryoları simüle ederek, hesaplama sonuçlarını araştırabilir ve piyasa yapısı ile algoritma çeşitliliğinin fiyatları ve diğer düzenleyici kaygıları nasıl etkilediğini inceleyebiliriz. Araştırma çabalarının bu kombinasyonu, piyasa yapısı, algoritmik ticaret ve piyasa istikrarı arasındaki karmaşık ilişki hakkında değerli bilgiler sağlayabilir.
Ayrıca, farklı algoritmalar ve pazar yapıları arasındaki etkileşim ve bunların pazar dinamiklerini nasıl şekillendirdiği gibi daha karmaşık soruları da inceleyebiliriz. Çeşitli pazar senaryolarını inceleyerek, farklı pazar yapılarının ve algoritmalarının istikrarı sağlamak ve parçalanma sorunlarını ele almak için uygunluğunu analiz edebiliriz.
Finansal piyasaların evrimi, çoğu zaman yararlı insan unsurlarının yerini alarak belirli yönlerin otomasyonuna yol açmıştır. Bununla birlikte, işlevselliği çoğaltmak ve geliştirmek için yeni elektronik mekanizmalar tanıtıldı. Bu dinamikleri anlamak ve stratejilerimizi buna göre uyarlamak, modern finansal piyasaların karmaşıklıklarında yolumuzu bulmamızı sağlar.
Konuşmam, modern elektronik finans piyasalarında ticaretin doğasında var olan algoritmik zorluklara ışık tutacak. Sunacağım üç vaka çalışması, optimize edilmiş yürütme ve algoritmik portföy optimizasyonunda karşılaşılan karmaşıklıkları ve ödünleşimleri vurgulamaktadır. Zaman kısıtlamaları tüm konuları tam olarak ele almamı engellese de, bu alanlara ilişkin değerli bilgiler sağlamayı umuyorum.
Simülasyonlar ve hesaplamalı analizler, algoritmik ticaretin potansiyel sonuçlarını anlamak için yollar sunarken, soyut modelleme ile gerçek dünya uygunluğu arasında bir denge kurmak önemlidir. Zorluk, özellikle karmaşık ve sürekli gelişen finansal piyasalar ortamında, hangi ayrıntıların çok önemli olduğunu ve hangilerinin pratik alaka düzeyinden ödün vermeden güvenle gözden kaçabileceğini belirlemekte yatmaktadır.
Finansal Değişimlerin Tasarımı: Econ ve CS'nin Kesişiminde Bazı Açık Sorular
Finansal Değişimlerin Tasarımı: Econ ve CS'nin Kesişiminde Bazı Açık Sorular
Çok teşekkür ederim Kostas. Bu konuşma benim için biraz alışılmadık olacak ama umarım bu konferansın ruhuna ve açık yönergeler konusuna uygundur. Finansal değişimlerin tasarımıyla, özellikle de sürekli limit emir defteri olarak bilinen hakim tasarımla bağlantılıdır. Peter Crampton ve John Shimm ile yakın zamanda üzerinde çalıştığım ve mevcut finansal değişim tasarımındaki ekonomik bir kusuru vurgulayan bir makaleyi tartışarak başlayacağım. Bu kusurun, yüksek frekanslı ticaretin olumsuz yönlerine katkıda bulunduğunu iddia ediyoruz.
Konuşmanın ilk bölümü, bazılarınıza tanıdık gelse de çoğunuza tanıdık gelmeyen bu makaleyi kapsayacak. Ayrık zamanlı ticaret veya sık toplu müzayedeler olarak adlandırılan alternatif bir yaklaşım için ekonomik bir durum sunar. Makalemiz, sürekli limit emir defterinin dünya çapında yaygın olarak kullanılmasına rağmen, yüksek frekanslı ticaretle ilgili çeşitli sorunlara yol açan yapısal bir kusurdan muzdarip olduğunu öne sürüyor. Daha önce birçok kez sunulduğu için bu bölümün kısaltılmış ve erişilebilir bir versiyonunu sunacağım.
Konuşmanın ikinci ve üçüncü bölümleri, finansal değişimlerin tasarımına ilişkin açık soruları ve araştırma yönergelerini ele alacaktır. Bu araştırma alanları, ekonomi ve bilgisayar bilimlerinin kesiştiği noktada yer alır. Sonraki bölümlerde, Quarterly Journal of Economics makalesinin arkasında, mevcut piyasa tasarımına kıyasla ayrık zamanlı ticaretin hesaplama faydaları için teoremlerden veya verilerden yoksun nitel bir argüman sunan iki sayfalık bir bölümü tartışacağım. . Bu tartışma çok sayıda soruyu gündeme getirecek ve daha fazla araştırmayı teşvik etmeyi amaçlayacaktır.
Konuşmanın sonraki bölümleri alışık olduğumdan daha az resmi olsa da, açık sorular sorma ve gelecekteki araştırmalar için bir gündem belirleme açısından bunların çok önemli olduğuna inanıyorum. Bu, ekonomi ve bilgisayar bilimi kesişimlerinin araştırılmasını teşvik eden ve gelecekteki araştırmalar için verimli yönler öneren bu konferansın amacı ile uyumludur.
Şimdi, ayrık zamanlı ticaretin ekonomik durumuna ve bunun sürekli limit emir defterine göre avantajlarına bakalım, bunu daha ayrıntılı olarak açıklayacağım. Sürekli limit emir defteri, her gün trilyonlarca dolarlık ekonomik aktiviteyi işleyen bir piyasa tasarımıdır. Bir menkul kıymetin fiyatını, miktarını ve yönünü (al ya da sat) belirten limit emirlerine dayalı olarak çalışır. Piyasa katılımcıları gün boyunca limit emir verebilir, iptal edebilir veya değiştirebilir ve bu mesajlar borsaya gönderilir.
Alım satım, yeni bir talep limit emir defterindeki mevcut emirlerle eşleştiğinde gerçekleşir. Örneğin, olağanüstü bir satış teklifine eşit veya daha yüksek bir fiyata sahip bir satın alma talebi, bir ticaretle sonuçlanacaktır. Sürekli limit emir defterinin temel işleyişi budur.
Ancak araştırmamız, bu pazar tasarımının doğasında kusurlar olduğunu gösteriyor. Önemli sorunlardan biri "keskin nişancılık" dediğimiz şeydir. Kamuya açık bilgilerde veya sinyallerde bir değişiklik olduğunda, likidite sağlayan ticaret firmaları, kotasyonlarını buna göre ayarlar. Önceki tekliflerini veya tekliflerini iptal eder ve güncel bilgileri yansıtan yenileri ile değiştirirler. Şimdi, tekliflerimi ayarlayan bu ticaret şirketlerinden biri olduğumu varsayalım. Aynı zamanda, Thomas gibi diğerleri de değiştirilmeden önce eski kotasyonlarda işlem yapmak için borsaya mesajlar gönderir.
Piyasa bu mesajları sürekli bir zamanda ve sıralı bir düzende işlediğinden borsaya önce hangi mesajın ulaştığı rastgele hale gelir. Birden fazla alım satım firması aynı anda yeni bilgilere tepki verirse, Thomas'tan veya başka bir katılımcıdan gelen bir talebin benimkinden önce işleme alınması ve onların eski fiyattan alım satım yapmasına izin verilmesi ihtimali vardır. Bu keskin nişancılık olgusu sorunludur ve çeşitli sonuçlar doğurur.
İlk olarak, etkin bir piyasada olmaması gereken simetrik kamu bilgilerine dayalı mekanik arbitraj fırsatları sağlar. İkincisi, bu tür arbitraj fırsatlarından elde edilen kazançlar, likidite sağlanması pahasına gelir. Keskin nişancılar eski fiyatlarla alım satımları başarıyla yürütürken, likidite tedarik eden ticaret firmaları tekliflerini hızlı bir şekilde ayarlamakta tereddüt ediyor. Bu tereddüt, keskin nişancılık ve potansiyel karları kaybetme korkusundan kaynaklanmaktadır. Sonuç olarak, likidite sağlayıcıları yeni bilgilere cevaben tekliflerini güncellemeye daha az istekli hale geldikçe piyasa daha az verimli hale gelir.
Sürekli limitli emir defteriyle ilgili bir başka konu da emir beklentisi potansiyelidir. Bu senaryoda, tacirler yeni limit emirlerin gelişini gözlemler ve tekliflerini gelecekteki işlemler beklentisiyle önceden ayarlar. Bu davranış, tacirlerin fiyatlarını sürekli olarak birbirlerine göre ayarlayarak piyasada gereksiz oynaklık ve istikrarsızlık yarattığı basamaklı bir etkiye yol açabilir.
Bu kusurları ele almak için makalemiz, ayrık zamanlı ticaret veya sık toplu müzayedeler olarak bilinen alternatif bir piyasa tasarımı önermektedir. Bu tasarımda, emirleri sürekli zamanda işlemek yerine, piyasa ayrık zaman aralıklarında veya partiler halinde çalışır. Her partide, piyasa katılımcıları limit emirlerini verebilirler ve partinin sonunda piyasa temizlenir ve alım satımlar tek bir tek fiyat üzerinden gerçekleştirilir.
Ayrık zamanlı ticareti tanıtarak keskin nişancılık ve emir beklentisi sorunlarını ortadan kaldırıyoruz. Bir toplu iş içinde gönderilen tüm siparişler aynı anda işlendiğinden, sipariş yürütmede herhangi bir rastgelelik yoktur. Tüccarlar, emirlerinin aynı parti içindeki diğer katılımcılarla aynı fiyattan yürütüleceğinden emin olabilir, bu da adaleti sağlar ve keskin nişancılık için teşviki azaltır.
Ayrıca, sık yapılan toplu müzayedeler istikrarı teşvik eder ve piyasadaki gereksiz oynaklığı azaltır. Tüccarların artık gelen her siparişe göre tekliflerini sürekli olarak ayarlamasına gerek yok. Bunun yerine, emirlerinin partinin sonunda adil bir fiyatla yürütüleceğini bilerek bilgileri analiz etmeye ve bilinçli ticaret kararları vermeye odaklanabilirler.
Finansal piyasalara yatırım yapmak, genellikle işlemlerin gerçekleşmesi için belirli bir bekleme süresi gerektirir. Bu bekleme süresinin önemli veya önemsiz bir maliyet olup olmadığı konusunda farklı kişiler farklı görüşlere sahip olabilir. Örneğin, saniyenin milyonda biri daha hızlı olmak gibi işlemleri gerçekleştirmede benden biraz daha hızlıysanız, bu size o zaman dilimi içindeki haberlere göre hareket etme konusunda bir avantaj sağlayabilir. Öte yandan, biraz daha yavaş olduğum için hareket etme fırsatını kaçırabilirim. Bu hız avantajı genellikle sürekli bir piyasada hız farkının (Delta) parti aralığına (tau) oranıyla ölçülür.
Ayrık bir pazarda, benden biraz daha hızlıysanız, açık artırmaya dayalı rekabet nedeniyle beni her zaman belirli bir zaman aralığında (Delta over tau) "kesebilirsiniz". Ancak, siz ve birkaç başka tüccar benden biraz daha hızlıysanız, yalnızca hıza dayalı rekabet etmek yerine benimle ticaret yapmak için bir açık artırmada rekabet etmemiz gerekir. Bu, farklı pazarların bu senkronize saat yaklaşımını aynı şekilde benimseyip benimsemediği veya ilgili pratik zorlukların olup olmadığı sorusunu gündeme getiriyor.
Mevcut sürekli piyasada, fiyat değişiklikleri farklı borsalarda aynı anda meydana gelmediği için tek fiyat yasasının sürekli olarak ihlal edildiğini not etmek önemlidir. Bu ihlal, insan gözlemi veya mevcut araştırma verileri ile kolayca tespit edilemez. Bununla birlikte, birden fazla borsa aynı anda sık toplu müzayedeleri benimserse, tek fiyat kanununun ihlallerini daha kolay tespit etmek mümkün olacaktır. Bu, mutlaka bir yaklaşımın daha iyi veya daha kötü olduğu anlamına gelmez, bunun yerine verilerin daha net içgörüler sağlayacağı anlamına gelir.
Tek bir borsa ayrı bir piyasaya geçerken diğerleri sürekli kalırsa, bu borsa gecikme arbitrajını ortadan kaldıracak ve likidite sağlanması üzerindeki vergiyi kaldıracaktır. Ekonomik anlamda, bu, zaman içinde ayrık piyasa alışverişine bir avantaj sağlayabilir. Bununla birlikte, yeni bir pazar yeri açmanın zorlukları, düzenleyici belirsizlikler ve mevcut pazar tasarımından yararlanan mevcut borsalardan kazanılmış menfaatler var.
IEX'in sürekli zamanlı bir alışverişi sürdürürken her siparişe gecikme getirme önerisiyle ilgili olarak, hem gelen hem de giden siparişleri belirli bir zaman aralığı kadar geciktirerek çalışır. IEX, piyasadaki değişiklikleri bir saniyeden daha kısa sürede izler ve fiyatları buna göre ayarlar. Bununla birlikte, tasarımlarındaki potansiyel bir zayıflık, dış kaynaklardan fiyat bilgilerine erişmeye dayanmasıdır. Bu, IEX'in yaklaşımının fiyat keşfine katkıda bulunup bulunmadığı veya başka bir yerden gelen bilgilere dayanıp dayanmadığı konusunda soruları gündeme getiriyor.
Öte yandan, tüm siparişlere rastgele gecikmeler getirmek, keskin nişancılığı etkili bir şekilde ele almayabilir ve sonsuz mesaj trafiğine yol açabilir. Sorunu ele almak için önerilen birkaç fikir olsa da, analiz edildiğinde birçoğunun etkisiz olduğu kanıtlanmıştır. Buna karşılık, makalemiz, kamu bilgisinden kiralar yaratan ve bir hız yarışını teşvik eden piyasa tasarımındaki kusura bir çözüm olarak zamanı ayrık ve toplu işleme yapmayı önermektedir.
Makalede tartıştığımız bir husus, ayrık zamanlı ticaretin hesaplama avantajlarıdır. Modern finans piyasaları, ani çökmeler ve takas aksaklıkları gibi çeşitli hesaplama sorunlarıyla karşı karşıya kaldı. Ayrık zaman, sürekli zamana kıyasla hesaplama kolaylığı sunar ve borsalar, algoritmik tüccarlar ve düzenleyiciler için belirli avantajlar sağlar.
Borsalar için sürekli zamanlı işleme, algoritmaların yüksek etkinlik zamanlarında siparişlerin durumu ve piyasa hakkında belirsiz olduğu birikme sorunlarına yol açabilir. Bunun aksine, kesikli zamanlı toplu müzayedeler daha verimli bir şekilde işlenebilir ve en kötü durum işleme süresine göre bir zaman aralığı sağlar. Bu, borsaların karşılaştığı belirsizliği ve birikmiş iş yükü sorunlarını azaltır.
Ayrık zaman aynı zamanda değiş tokuşlar için mesaj işlemeyi basitleştirir ve farklı tipteki mesajların dağıtılmasına öncelik verme ihtiyacını ortadan kaldırır. Bu, bilgi asimetrisinden yararlanma olasılığını azaltır. Ek olarak, ayrık zaman, alışverişler için programlama ortamını basitleştirir, potansiyel olarak aksaklıkların oluşmasını azaltır ve genel sistem kararlılığını iyileştirir.
Ayrık zamanlı ticaretin diğer bir hesaplamalı faydası, algoritmik stratejilerin analizini ve modellenmesini basitleştirmesidir. Sürekli zamanlı piyasalarda algoritmik tüccarlar, gerçek zamanlı olarak gelen verilere yanıtlarını optimize etme zorluğuyla karşı karşıyadır. Değişen piyasa koşullarını dikkate alarak hızlı karar almaları gerekiyor. Hız ve zeka arasındaki bu değiş tokuş, çözülmesi gereken karmaşık bir sorundur.
Bununla birlikte, ayrık zamanlı ticarette, verilerin toplu olarak işlenmesi, algoritmik tüccarların analiz etmek ve karar vermek için sabit bir aralığa sahip olmasını sağlar. Örneğin, parti aralığı 100 milisaniye olarak ayarlanmışsa, tacirler ilk 100 milisaniyeyi, anında yürütme baskısı olmaksızın kapsamlı analize ayırma lüksüne sahip olur. Bu, daha karmaşık ve doğru karar verme süreçlerine yol açabilir.
Araştırma soruları bu hesaplama avantajından kaynaklanmaktadır. Algoritmik tüccarlar karar verme süreçlerinde hız ve zeka arasındaki doğru dengeyi nasıl kurabilir? Piyasada zeka yerine hızın tercih edilmesiyle ilgili olumsuz dışsallıklar var mı? Ayrık zamanlı çerçeve, sürekli zamanlı ticarete kıyasla fiyat oluşumunun doğruluğunu artırıyor mu?
Düzenleyiciler için, ayrık zamanlı ticaret, daha temiz bir kağıt izi avantajı sunar. Sürekli zamanlı piyasalarda, saatlerin senkronizasyonu ve zaman damgalarının ayarlanması, olayların sırasını yeniden oluştururken karmaşıklıklar getirebilir. Farklı pazarlardaki eylemlerin kronolojik sırasını belirlemek zorlaşıyor. Buna karşılık, ayrık zamanlı ticaret, bu süreci basitleştirerek, piyasa faaliyetinin açık ve doğru bir kaydını oluşturmayı kolaylaştırır.
Ayrık zamanlı ticarette temiz bir kağıt izinin potansiyel faydaları açık bir sorudur. Sezgisel olarak, iyi belgelenmiş ve kolayca izlenebilir bir piyasa faaliyeti şeffaflığı ve hesap verebilirliği geliştirebilir. Piyasa gözetimini geliştirebilir ve düzenleyicilerin manipülatif veya yasa dışı ticaret uygulamalarını daha etkili bir şekilde belirlemesine ve ele almasına yardımcı olabilir.
Araştırmamız, geçerli sürekli limit emir defteri tasarımındaki ekonomik kusurları vurgular ve ayrık zamanlı ticaret veya sık toplu müzayedeler adı verilen alternatif bir yaklaşım sunar. Bu alternatif tasarım, keskin nişancılık ve emir beklentisi gibi konuları ele alır, finansal değişimlerde adaleti, istikrarı ve verimliliği destekler. Bu açık soruları ve araştırma yönergelerini keşfederek, piyasa işlevselliğini ve performansını geliştirmek için ekonomi ve bilgisayar bilimi alanları arasında köprü kurarak finansal değişimlerin tasarımına yönelik daha fazla araştırmayı teşvik etmeyi amaçlıyoruz.
Ayrık zamanlı ticaret, sürekli zamanlı ticarete göre çeşitli hesaplama avantajları sunar. Değişim için mesaj işlemeyi basitleştirir, hesaplama darboğazlarını azaltır ve daha karmaşık algoritmik stratejilere izin verir. Ayrıca, düzenleyiciler için daha temiz bir kağıt yolu sağlayarak piyasa gözetimini ve şeffaflığı geliştirir. Bununla birlikte, pratikte ayrık zamanlı ticaretin etkilerini ve potansiyel dezavantajlarını keşfetmek için daha fazla araştırmaya ihtiyaç vardır.
Ticarette ChatGPT ve Makine Öğrenimi
Ticarette ChatGPT ve Makine Öğrenimi
Sunucu, ticaret endüstrisinde ChatGPT gibi doğal dil işleme (NLP) modellerini kullanma konusunu derinlemesine inceler ve bunların haber makaleleri, sosyal medya gönderileri ve finansal tablolar gibi metin kaynaklarını analiz etme ve anlama becerilerini vurgular. Spesifik olarak, güçlü bir dil modeli olan ChatGPT, büyük miktarda finansal veriyi analiz etmek ve kulağa doğal gelen yanıtlar oluşturmak için çok uygundur ve yatırımcıların ticaret fırsatları hakkında konuşmalarına olanak tanır.
Finans topluluğu, ticaret stratejilerinin geliştirilmesine ve optimizasyonuna katkısını öngören ChatGPT'den yüksek beklentilere sahiptir. Sunucu, yapay zeka (AI), makine öğrenimi (ML) ve derin öğrenme arasındaki ayrımları daha da açıklayarak makine öğreniminin, makinelere insan davranışını simüle etmeyi ve akıllı kararlar vermeyi öğretmek için teknikler kullanan bir yapay zeka alt kümesi olduğunu vurguluyor.
Devam eden sunum yapan kişi, ticarette makine öğreniminin tipik iş akışını tartışıyor. Makine öğreniminin, bir dizi adımı izleyerek makinelerin verilerden öğrenmesine ve tahminler yapmasına olanak sağladığını açıklıyorlar. Başlangıçta, kalite ve alaka düzeyini sağlamak için veriler toplanır ve önceden işlenir. Ardından, ham verileri makinelerin anlayabileceği anlamlı niteliklere dönüştürmek için özellikler tasarlanır. Veriler daha sonra eğitim ve test setlerine bölünür ve ML algoritmaları kullanılarak bir model oluşturulur. Son olarak, model yeni veriler üzerinde test edilir ve tatmin edici bir performans gösterirse, ticaret sürecini kolaylaştırmak için tahminlerde bulunmak için kullanılabilir.
ML uygulamasını göstermek için sunum yapan kişi, bir sonraki işlem günü için altın gibi bir varlığın yüksek ve düşük fiyatlarını tahmin etmenin bir örneğini sunar. Bu tahmin, tüccarların bilinçli kararlar vermelerine ve ticaret stratejilerini geliştirmelerine büyük ölçüde yardımcı olabilir.
Ayrıca sunum yapan kişi, ChatGPT'nin altın fiyatlarını tahmin etmek için doğrusal bir regresyon modeli oluşturmak gibi ticaret sorunlarını çözmede nasıl değerli bir araç olarak hizmet edebileceğini keşfediyor. ChatGPT'nin yaklaşımını, veri toplama, temizleme, model oluşturma, ardışık düzen geliştirme, canlı ticaret ve sürekli iyileştirmeyi içeren daha kapsamlı bir nicel yaklaşımla karşılaştırırlar. Bir makine öğrenimi regresyon kodu not defteri örneği paylaşılır ve sorunun çözülmesiyle ilgili dört temel adım özetlenir: veri hazırlama, ön işleme, fiyat tahmini ve strateji ve performans analizi. ChatGPT fikir üretmeye yardımcı olsa da sunum yapan kişi, hataları önlemek için her kavramın incelikli bir şekilde anlaşılması ve dikkatli bir şekilde değerlendirilmesi gerektiğini vurgular.
Makine öğrenimi tabanlı algoritmik ticarette ChatGPT kullanımına ilişkin sınırlamalar ve riskler de ele alınmaktadır. Sunucu, alan uzmanlığı eksikliği, sınırlı eğitim verileri ve yorumlanabilirlik sorunları dahil olmak üzere potansiyel zorlukları vurgular. Alım satım kararları için yalnızca ChatGPT'ye güvenmeme konusunda uyarıda bulunuyorlar ve farklı mali dönemlerde doğruluk kontrolleri gerçekleştirmenin önemini vurguluyorlar.
Ek olarak sunum yapan kişi, ChatGPT'nin doğru kod oluşturma yeteneği üzerine yapılan bir anketin sonuçlarını tartışır. İzleyicilerin çoğunluğu (%74), ChatGPT'nin makul doğruluk sağlayabileceğini ancak alan uzmanlığı gerektiren karmaşık programlama görevleri için uygun olmadığını doğru bir şekilde tanımlıyor. Sunumu yapan kişi, süreci göstermek için ChatGPT tarafından oluşturulan Python kodunu kullanarak verilerin eğitim ve test kümelerine nasıl bölüneceğini gösterir. Özellikle ticarette zaman serisi verileri bağlamında, verilerin doğru sıralanmasını vurgularlar.
Makine öğrenimi tabanlı ticaret algoritmalarının geriye dönük testler ve strateji analitiği yoluyla değerlendirilmesi, performanslarını değerlendirmede çok önemli bir adım olarak vurgulanır. Sunum yapan kişi, işlemlere ve genel performansa ilişkin içgörüler elde etmek için Sharpe oranı, yıllık getiriler ve getirilerin oynaklığı gibi çeşitli ölçütleri kullanarak derinlemesine analiz yapılması gerektiğini vurgular. Alım satım algoritmasının getirileri ile al ve tut stratejisi arasındaki karşılaştırma, algoritmanın etkinliğini değerlendirmede ilk adım olarak gösterilir.
Ayrıca sunum yapan kişi, karlı bir ticaret stratejisi örneğini paylaşıyor ve ticaret sürecinde verileri görselleştirmenin ve analiz etmenin önemini vurguluyor. Yıllık getiriler ve kümülatif getiriler dahil olmak üzere strateji analitiği, bir stratejinin başarısını değerlendirmede etkilidir.
Vites değiştiren sunum yapan kişi, alım satımda finansal analiz için GPT kullanmanın sınırlamalarını ele alıyor. Seyirci daha önce bir ankete katılmıştı ve çoğunluk makul doğruluğun teyit gerektirdiği ve GPT'nin finansal analiz için uygun olmayabileceği görüşünü dile getiriyordu. Sunucu, bu sınırlamayı göstermek için GPT'den Apple ve Microsoft'un 2020 yıllık mali tablolarını karşılaştırmasını ister. Ancak GPT, alan uzmanlığından yoksun bir üretici model olarak sınırlamalarını vurgulayarak yanlış bir yanıt verir. Sunucu, GPT gibi makine öğrenimi algoritmalarını ticarete uygulamadan önce finansla ilgili bilgi edinmenin, kitap okumanın ve bilgi doğrulamanın öneminin altını çiziyor.
Finans alanında alanla ilgili bilginin önemini kabul eden sunum yapan kişi, uzmanlık kazanmak için kurslar almayı önerir. Bu uzmanlık, tacirlerin ChatGPT gibi makine öğrenimi araçlarını daha iyi kullanmasını sağlar. Bunu desteklemek için sunum yapan kişi, makine öğrenimi ile ticaret eğitim kursundan dört not defterine ücretsiz erişim sunarak izleyicilerin kod ve uygulama hakkında daha derin bir anlayış kazanmasına olanak tanır.
Soru-Cevap oturumu sırasında, ChatGPT'nin finansal piyasalardaki günlük değişikliklere ayak uydurabilme becerisiyle ilgili ortak bir soru ortaya çıkıyor. Sunucu, bir dil modeli olarak ChatGPT'nin etkinliğinin, üzerinde eğitildiği verilerle sınırlı olduğunu ve günlük olarak güncellenmediğini açıklıyor. En son piyasa verileriyle güncel kalmak, ChatGPT'yi veya herhangi bir makine öğrenimi modelini finansta etkin bir şekilde kullanmak için çok önemlidir.
Konuşmacılar diğer çeşitli dinleyici sorularını yanıtlayarak yararlı bilgiler sağlar. Seyirciye, kaydedilen oturumun gelecekte referans olması için e-posta yoluyla ve YouTube kanallarında paylaşılacağını bildirirler. Ayrıca, bir not defterinin önümüzdeki 24 saat için kullanılabilir olup olmadığını tartışıyorlar ve makine öğreniminde ardışık düzen kavramını açıklıyorlar.
Vektörleştirilmiş Python kodunu canlı bir ticaret kitaplığında konuşlandırılabilen bir formata dönüştürmeyle ilgili belirli bir soru ortaya çıkıyor. Konuşmacılar, ChatGPT'nin kod dönüştürmede yardımcı olabilmesine rağmen olay tetikleyicilerini tanımlamanın hala gerekli olduğunu açıklıyor. Ek olarak, Ücretlendirilebilirlik 3.5'in 2022 yılı için bilgi sağlamadığını belirtiyorlar.
Sonuç olarak, konuşmacılar, makine öğrenimi teknikleri kullanılarak optimize edilmiş, ertesi gün yüksek ve düşük tahminlerini kullanan bir ticaret stratejisini tartışıyorlar. Zaman serisi tahmini, portföy optimizasyonu ve risk yönetimi gibi ticarette derin öğrenme uygulamalarını vurgularlar. Takviyeli öğrenme ile birleştirilmiş derin öğrenme, acentelerin ödüller ve cezalar yoluyla hatalardan ders almasını sağlayarak ticaret stratejilerinin performansını artırabilir.
Sunucu, ticarette makine öğreniminin güvenilir kullanımı için alan uzmanlığının ve sezginin çok önemli olduğunu vurguluyor. ChatGPT gibi araçlar, geçmiş verileri analiz etmeye ve gelecekteki işlemlerde başarı olasılığını değerlendirmeye yardımcı olsa da, yalnızca bunlara güvenilmemelidir. Ticaret endüstrisinde doğru ve bilgiye dayalı karar vermeyi sağlamak için alanla ilgili bilgi edinmenin, gerçekleri kontrol etmenin ve en son piyasa verileri hakkında sürekli güncel kalmanın önemi vurgulanmaktadır.
Finansal Piyasa Davranışını Anlamak: Çoklu veri kategorilerinin rolü
Finansal Piyasa Davranışını Anlamak: Çoklu veri kategorilerinin rolü
Toplantı sahibi, web seminerine finansal piyasa davranışını ve birden çok veri kategorisinin rolünü anlama konusunu sunarak başlar. Aralarında Profesör Gotham Mitra, Dr. Ernest Chan ve Dr. Mateo Campoloni'nin de bulunduğu panelistler, ticaret ve akademik kariyerlerde geniş deneyime sahip uzmanlar olarak tanıtıldı. Web semineri, çeşitli kategorilerdeki verilerin, son zamanlarda giderek artan bir önem kazanan bir konu olan finansal piyasa davranışını anlama ve tahmin etmede nasıl önemli bir rol oynadığını keşfetmeyi amaçlamaktadır. Oturumun, Opticks Systems ve QuantInsti tarafından sunulan Sentimentalysis and Alternative Data for Finance'te sertifikanın bir parçası olduğu belirtiliyor.
Birinci konuşmacı, finansal piyasa davranışını anlamada verilerin önemini vurgulamaktadır. Başlangıçta, piyasa fiyatları, alış ve satış emirleri ve kitabın derinliği gibi yalnızca sınırlı veriler mevcutken, artık dikkate alınması gereken çok çeşitli veri kategorileri var. Bunlar haber verilerini, medya duyarlılık verilerini ve alternatif verileri içerir. Piyasaların nihayetinde tüm bilgileri içerdiğini öne süren etkin piyasa hipotezine rağmen, piyasada hala kısa vadeli verimsizlikler var. Bu nedenle veriler, yeni alfanın keşfedilmesinde ve iki büyük piyasa sorununun ele alınmasında çok önemli bir rol oynar: portföy planlaması ve risk kontrolü. Konuşmacı ayrıca verileri işlemede yapay zekanın (AI) ve makine öğreniminin artan önemini vurguluyor.
Bir sonraki konuşmacı, yalnızca istatistiksel korelasyonları analiz etmek yerine, farklı öngörücüler ve hedef değişkenler arasındaki nedensel ilişkileri incelemeyi içeren nedensel yatırım kavramını tanıtıyor. Yatırımcılar, opsiyon faaliyeti gibi alternatif verileri kullanarak fiyat hareketlerinin altında yatan nedenler hakkında fikir edinebilir ve ticaret stratejilerinin doğruluğunu artırabilir. Ortalamaya dönme stratejisinin bir örneği, neden ara sıra başarısız olduğunu anlamanın önemini vurgulayarak alıntılanmıştır. Fiyat hareketlerinin nedenlerini ortaya çıkarmak için alternatif verilerin kullanılması sayesinde, yatırımcılar stratejilerini ne zaman uygulayacakları konusunda daha bilinçli kararlar alabilirler.
Piyasa operatörleri için verilerin önemi, özellikle alternatif veriler, aşağıdaki konuşmacı tarafından tartışılmaktadır. Alternatif veriler, halihazırda bir endüstri standardı olmayan ve sürekli olarak ortaya çıkan yeni oyuncular ve veri satıcılarıyla sürekli genişleyen bir ekosistem oluşturan herhangi bir veriyi ifade eder. Bu veriler, kredi kartı işlemleri, uydu görüntüleri, mobil cihaz verileri, hava durumu verileri ve daha fazlası gibi çeşitli kanallardan elde edilebilir. Konuşmacı ayrıca, metinsel belgeleri analiz etmek ve yatırımcılar için yatırım stratejilerini tamamlamada değerli olabilecek duyarlılık göstergeleri oluşturmak için doğal dil işleme araçlarının kullanılmasından da bahsediyor.
Alternatif verileri yatırım stratejilerinde kullanma süreci bir sonraki konuşmacı tarafından anlatılmaktadır. Yeni bilgi kaynaklarının tanımlanmasını, yapılandırılmamış verilerin birleştirilmesi ve yapılandırılmış veri kümelerine dönüştürülmesini içerir. Bir yatırım stratejisi geliştirdikten sonra doğrulama, verilerin güvenilirliğini ve sonuçların istatistiksel önemini anlamayı gerektiren çok önemli bir adım haline gelir. Konuşmacı, model oluştururken yalnızca alternatif verilere güvenmemenin ve piyasa verilerini de dikkate almanın önemini vurguluyor.
Konuşmacılar, pazar trendlerini yakalamada alternatif verilerin önemine ve bu tür verileri geriye dönük test etmenin getirdiği zorluklara değiniyor. Teknik tüccarlar daha önce 120 günlük hareketli ortalama gibi basit ölçümlere güvenirken, artık getiri nedenlerini anlamak için daha geniş bir veri kategorisi yelpazesini dahil etme yönünde bir baskı var. Bununla birlikte, alternatif veriler nispeten yeni olduğu için, bunun nasıl geriye dönük olarak test edileceği ve zaman içinde ne kadar tutarlı kalacağı konusunda endişeler var. Yatırım stratejilerinin etkisini anlamak, sistemin rastgele dalgalanmalara ilişkin istikrarını değerlendirmeyi gerektirir.
Yatırımcılar tarafından güçlü yatırım stratejileri geliştirmek için Bloomberg Icon ve Reuters Quantum gibi alternatif veri platformlarının kullanımı konuşmacılar tarafından tartışılıyor. Bu platformların duyarlılık ve haberler gibi çeşitli veri biçimlerini ölçmek için kendi modelleri olsa da, konuşmacılar yatırımcılara kendi modellerini oluşturmalarını tavsiye ediyor. Alternatif veri girdileri almak için API'leri kullanmanın önemi vurgulanır ve Credit Suisse gibi düzenli web sitelerinin şirket duyurularını analiz etmedeki değerine değinilir. Son olarak, konuşmacılar dar, özel yaklaşımların piyasa davranışlarını analiz etmede oldukça etkili olabileceğini belirtmektedir.
Konuşmacılar, finans piyasasındaki farklı varlık sınıflarının davranışını anlamak için kullanılabilecek çeşitli araçları ve web sitelerini ve yatırım stili ve zaman ufkuna dayalı olarak piyasanın nasıl takip edileceğini tartışarak devam ederler. Herkese uyan tek bir çözüm olmadığını kabul etmekle birlikte, Bloomberg gibi web sitelerinden nitel bilgilerin bu konuda yardımcı olabileceğini öne sürüyorlar. Ayrıca mikrobloglar ve sohbet odaları gibi duyguları ve alternatif veri kaynaklarını anlamanın önemini vurguluyorlar. Ancak, bu alanlarda uzmanlaşmanın finans piyasasında daha iyi bir kariyere yol açacağının mutlaka garanti olmadığını belirtiyorlar.
Ardından konuşmacı, büyük fonlar için gelişmiş ticaret stratejileri geliştirmek ile bağımsız yatırımcılar için basit stratejiler geliştirmek arasındaki farkı açıklıyor. Karmaşık tekniklerin büyük fonlarda iş arayanlar için daha uygun olabileceğinden bahsedilirken, bağımsız yatırımcılara kurumların ilgisini çekmeyebilecek bir niş strateji ile başlamaları tavsiye ediliyor. Bu yaklaşım, karmaşık veri akışlarıyla ilişkili yüksek maliyetlerden kaçınmalarına yardımcı olur. Konuşmacı, alım satım için yeni veri kaynaklarına artan ilgiyi daha da vurgulayarak, öğrenmeyi ve takip etmeyi uygun bir alan haline getiriyor. Ayrıca fon yönetiminde bir dereceye kadar kişisel olarak alternatif verileri kullandıklarını ve müşterilere makine öğrenimi ve doğal dil işleme tabanlı modülleri uygulamada veya veri setlerini kullanarak kendi stratejilerini doğrulamalarında yardımcı olduklarını belirtiyorlar.
Soru-Cevap bölümünde, Twitter'ın mavi tik satması ve doğrulanmış hesapların doğal dil işlemede (NLP) daha fazla ağırlık taşıyıp taşımayacağı hakkında bir soru sorulur. Panelistler başlangıçta soruyu anlamakta güçlük çekerler, ancak daha sonra soruyu yanıtlayacak niteliklere sahip olmadıklarını kabul ederler. Ardından tartışma, potansiyel seçenekler olarak Bloomberg ve Definitive'den bahsedilerek, yeni başlayanlar ve öğrenciler için uygun geleneksel finansal veri kaynaklarına geçer. Veri sağlayıcıların belirli bir etkileşim düzeyine sahip ücretsiz veri setleri sunabileceği önerisinde bulunulmaktadır.
Konuşmacı daha sonra finansal piyasa analizi için alternatif veri kaynaklarının kullanımını tartışıyor ve özellikle küresel ve yerel haber kaynaklarından veri toplayan DGLT şirketinden bahsediyor. İlgili bilgileri filtrelemek için gereken çabayı kabul etmekle birlikte, toplanan verilerin 1800'lere kadar uzanan piyasa davranışı hakkında tarihsel bir bakış açısı sağlayabileceği belirtilmektedir. Geleneksel verilerin yanı sıra alternatif verilerin tek kaynak olarak mı yoksa doğrulama için mi kullanılması gerektiği sorulduğunda, konuşmacı genel bir kural olmadığını ve kullanılan özel stratejiye bağlı olduğunu belirtiyor. Ancak, piyasa verilerinin birincil itici güç olmaya devam ettiğini ve alternatif verilere yalnızca güvenilmemesi gerektiğini vurguluyorlar.
Konuşmacı, finansal piyasalarda alternatif verilerin kullanımını ve bu tür verileri analiz etmek için makine öğreniminin nasıl kullanılabileceğini tartışarak web seminerini sonlandırıyor. Fiyat ve temel veriler dahil olmak üzere çok sayıda veri türünü makine öğrenimi tahmin algoritmalarına girmenin gerekliliğini vurguluyorlar. Ancak, alternatif verilerin tek başına tek itici güç olarak hizmet edemeyeceğini ve piyasa fiyatı girdisiyle birleştirilmesi gerektiğini de vurguluyorlar. Seyirci, olabilecek başka soruları ile iletişime geçmeye teşvik edilir.
Nicel Faktör Yatırımına Giriş
Nicel Faktör Yatırımına Giriş
Bu video, niceliksel faktör yatırımı kavramını ve bunun değer, ivme, kalite ve boyut dahil olmak üzere farklı faktörlere göre sınıflandırılmasını tanıtır. Konuşmacı, faktör yatırımının getirileri artırması beklenen ve bunu uzun süreler boyunca yapan belirli faktörlere dayalı olarak menkul kıymetlerin seçilmesini içerdiğini açıklıyor. Video, istatistiksel analiz, faktör modelleme, makine öğrenimi, optimizasyon modelleri, zaman serisi analizi, risk modelleri ve montaj simülasyonu dahil olmak üzere nicel faktör yatırımını uygulamak için kullanılabilecek farklı nicel yöntemleri kapsar. Konuşmacı ayrıca niceliksel faktör yatırımını kullanmanın avantajlarını ve faktörleri seçme ve birleştirme sürecini tartışırken, veri kaynakları ve orta/yüksek frekanslı ticaret için uygunluk da dahil olmak üzere konuyla ilgili soruları yanıtlıyor.
QuantInsti'de kantitatif bir analist olan Varun Kumar, web seminerinde kantitatif faktör yatırımına kapsamlı bir giriş sağlar. Yatırımcıları ölçülebilir getirilere yönlendiren geniş ve kalıcı risk ve getiri kaynakları olan faktörler kavramını açıklayarak başlıyor. Bazı ortak faktörler arasında değer, momentum, kalite, boyut ve oynaklık bulunur. Kumar, yüksek kalite özelliklerine sahip şirketlere yatırım yapmayı içeren kalite faktörüne örnek olarak odaklanmaktadır. Bir şirketin kalitesini ölçmek için öz sermaye getirisi ve büyüme oranı karlılığı gibi finansal oranlar kullanılır. Oranı ve marjı yüksek olan hisse senetleri yüksek kaliteli, düşük oran ve marjlı hisse senetleri ise düşük kaliteli olarak kabul edilir. Tarihsel veriler, yüksek kaliteli hisse senetlerinden oluşan portföylerin uzun süreler boyunca fazla getiri sağladığını göstermektedir.
Kumar daha sonra niceliksel faktör yatırımında faktörlerin sınıflandırılmasını araştırır. Faktörler, makro faktörler, stil bazlı faktörler, sektörel faktörler, ESG bazlı faktörler, duygu bazlı faktörler, likidite bazlı faktörler ve teknik faktörler dahil olmak üzere yedi türe ayrılır. Bu faktörlerin her birinin nasıl çalıştığına ve bunların faktör portföylerini oluşturmak için nasıl kullanılabileceğine dair içgörüler sağlar. Bunu göstermek için, makroekonomik ve tarza dayalı faktörler kullanılarak oluşturulmuş strateji örnekleri sunuyor. Bu stratejiler, hisse senedi seçmek ve bir portföy oluşturmak için GSYİH büyümesi, enflasyon oranı, faiz oranı ve öz sermaye getirisi gibi değişkenlerin kullanılmasını içerir. Kumar ayrıca bir portföy için hisse senedi seçerken daha yüksek öz sermaye getirisi ve düşük borç-öz sermaye oranı gibi faktörleri göz önünde bulundurmanın önemini vurguluyor.
Web semineri ayrıca stil faktörleri, sektörel matris, ESG kriterleri, duyarlılık, likidite ve teknik göstergeler dahil olmak üzere nicel faktör yatırım stratejilerine dahil edilebilecek çeşitli faktörleri araştırıyor. Kumar, portföyler oluşturmak için mantıksal bir çerçeve geliştirmek için bu faktörlerin nasıl kullanılabileceğini açıklıyor ve bu faktörler kullanılarak uygulanabilecek gerçek hayattan strateji örnekleri sunuyor. Çevresel, sosyal ve yönetişim kriterlerini ifade eden ESG kriterlerine ve şirketleri toplum ve çevre üzerindeki etkilerine göre derecelendirmedeki rolüne kısaca değiniyor.
Kantitatif faktör yatırımında matematiksel modellerin ve istatistiksel analizin kullanımı da tartışılmaktadır. Kumar, bu yöntemlerin yatırım kararlarındaki duygusal önyargıları ortadan kaldırmaya yardımcı olduğunu ve daha az sezgisel faktörlerin keşfedilmesine izin verdiğini vurguluyor. İstatistiksel analiz, faktör modelleme, makine öğrenimi, optimizasyon modelleri, zaman serileri analizi, risk modelleri ve Monte Carlo simülasyonları dahil olmak üzere bu alanda en sık kullanılan yedi nicel yöntemi özetlemektedir. Video, menkul kıymetler ve faktörler arasındaki kalıpları ve korelasyonları belirlemek için istatistiksel analizin nasıl kullanılabileceğini vurgulamaktadır.
Yatırım portföylerinin oluşturulmasına ve yönetimine yatırım yapan niceliksel faktörün avantajları web seminerinde inceleniyor. Önemli avantajlardan biri, yatırımcıların portföylerinin sınırlarını daha iyi anlamalarına yardımcı olan aşırı piyasa koşullarını simüle etme yeteneğidir. Konuşmacı, düşük fiyat-kazanç oranlarına sahip büyük sermayeli bir hisse senedi portföyünün örnek olay incelemesini kullanarak, geleneksel ve nicel faktör yatırımı arasındaki yaklaşım farklılıklarını vurgular. Geleneksel yatırım, faktörleri tanımlamayı, büyük sermayeli hisse senetleri evrenini belirlemeyi ve F/K oranlarına göre sıralamadan önce her hisse senedi için faktörleri hesaplamayı içerirken, nicel faktör yatırımı veri toplama, ön işleme ve özellik seçimini kullanır. Seçilen özelliklere dayalı olarak hisse senedi fiyatlarını tahmin etmek için bir model oluşturulmuştur.
Kantitatif faktör yatırımı süreci, belirli özelliklere dayalı olarak hisse senedi fiyatlarını tahmin etmek için doğru modeller oluşturmanın önemi vurgulanarak açıklanmaktadır. Konuşmacı, bu yaklaşımın veri odaklı olduğunu ve geleneksel faktör yatırımına kıyasla daha objektif olduğunu ve daha doğru ve güvenilir analizler sağladığını vurguluyor. Yatırım için en iyi faktörleri seçmek için, faktörler kalıcı olmalı, farklı pazarlar ve sektörlerde çalışmalı, çeşitli piyasa koşullarına dayanıklı olmalı, piyasa etiğindeki değişikliklere aşırı duyarlı olmamalı ve yeterli likidite ve kapasiteye sahip olmalıdır.
Web semineri ayrıca niceliksel faktör yatırımındaki faktörlerin kombinasyonunu da kapsar. Her faktörün tarihsel performansına göre puanlandığı ve genel bir puan elde etmek için ağırlıklı bir ortalamanın alındığı, eşit ağırlık ve faktör puanlama dahil olmak üzere yaygın olarak kullanılan beş yöntem tartışılmaktadır. Portföy riskini azalttığı, çeşitlendirmeyi artırdığı ve performans dalgalanmasını en aza indirdiği için faktörlerin birleştirilmesinin önemi vurgulanmıştır. Konuşmacı, ampirik kanıtlarla desteklenmek, ekonomik veya finansal bir temele sahip olmak, uzun vadeli yatırım fırsatları sunmak, yatırım yapılabilir olmak ve sezgisel olmak ve geniş çapta kabul görmek dahil olmak üzere en iyi faktörün beş temel özelliğini ana hatlarıyla belirtir.
Konuşmacı, nicel faktör yatırımında faktörleri birleştirmek için çeşitli yöntemleri tartışmaya devam ediyor. Böyle bir yöntem, birden fazla faktörü daha küçük bir ilişkisiz bileşenler kümesinde birleştiren temel bileşen analizidir (PCA). Bu yaklaşım, faktörlerin sayısını azaltır ve çoklu bağlantılılık olarak da bilinen ilişkili faktörler konusunu ele alır. Başka bir yöntem, belirli bir faktörü vurgulamak için bir portföydeki ağırlıkların veya tahsislerin ayarlanmasını içeren faktör eğme yöntemidir. Bu teknik esneklik sunar ve yatırımcıların belirli faktörleri hedeflemesine olanak tanır. Ek olarak, doğrusal olmayan ilişkileri etkili bir şekilde yakalayarak, geçmiş performanslarına göre faktörleri seçmek veya birleştirmek için makine öğreniminden yararlanılabilir. Konuşmacı, önemli miktarda veri gerektirdiğinden ve fazla uydurmaya eğilimli olabileceğinden, derin öğrenme algoritmalarını kullanırken dikkatli olmanın önemini vurguluyor. Optimum sonuçlar için bunların geleneksel istatistiksel yöntemlerle birleştirilmesi önerilir.
Ayrıca konuşmacı, dinleyicilerin niceliksel faktör yatırımı ile ilgili sorularını yanıtlar. Sorular, fiyat hareketinin ve uzun vadeli grafiklerin yatırım faktörleri olarak kullanılması gibi çeşitli konuları kapsar; burada konuşmacı, uygun şekilde tanımlayarak ve tarihsel performansını inceleyerek teknik bir faktör olarak kullanılabileceğini önerir. Alım satımı yapılan ve yapılmayan faktörler arasındaki ayrım, likiditenin belirlenmesindeki zorluk nedeniyle alım satımı yapılmayan bir faktör olarak gayrimenkul örneği ile açıklanmaktadır. Kantitatif faktör yatırımının odak noktası, verileri kolayca erişilebilir olduğundan ve geriye dönük teste izin verdiğinden, öncelikle ticarete dayalı faktörler üzerindedir. Konuşmacı ayrıca, bir şirketin daha fazla değer mi yoksa büyüme odaklı mı olduğunu belirlemeye yönelik içgörüler sağlar ve değer stoklarını tanımlamak için fiyat-kazanç oranını kullanmak gibi teknikler önerir.
Tartışma, niceliksel faktör yatırımında kullanılan farklı algoritmaların keşfiyle devam ediyor. Tekrarlayan sinir ağları (RNN'ler) ve uzun kısa süreli bellek (LSTM) gibi algoritmalardan, alaka düzeyi analiz edilen veri türüne bağlı olarak bahsedilir. Faktörleri birleştirmek ve her faktör için en uygun ağırlıkları belirlemek için derin öğrenme teknikleri kullanılabilir, bu da gelişmiş portföy performansı sağlar. Konuşmacı, faktör stratejilerini geriye dönük olarak test etme konusunda tavsiyelerde bulunur ve bunların birden fazla veri seti ve pazarda istatistiksel anlamlılığını test etmenin önemini vurgular. Bollinger Bantlarının yan piyasaları belirlemek için teknik bir gösterge olarak kullanılmasından da bahsedilmektedir.
Son olarak, web semineri, konuşmacının izleyicilerden gelen ek soruları ele aldığı son bir Soru-Cevap oturumuyla sona erer. Sorular, karar ağaçları, sinir ağları ve rastgele ormanlar gibi çeşitli seçenekleri vurgulayarak, endüstri sektörlerinin seçiminde derin öğrenme algoritmalarının rolünü içerir. Algoritma seçiminin eldeki belirli göreve ve veri kümesine bağlı olduğu vurgulanmıştır. Konuşmacı, veri gereksinimleri ve fazla uydurma potansiyeli nedeniyle derin öğrenme algoritmalarını dikkatli kullanmanın önemini yineliyor. Seyirciye katılımları için teşekkür edilir ve oturum hakkında geri bildirimde bulunmaları teşvik edilir.
Opsiyon Ticareti için Makine Öğrenimi
Opsiyon Ticareti için Makine Öğrenimi
Opsiyon ticareti için makine öğrenimiyle ilgili web seminerinde, konuşmacı Varun Kumar Patula, makine öğrenimine ve onun temel amacına bir giriş yaparak başlıyor. Makine öğrenimi algoritmalarının verileri analiz etmek ve insanlar tarafından fark edilmeyebilecek kalıpları keşfetmek için kullanıldığını açıklıyor. Varun, yapay zeka, makine öğrenimi ve derin öğrenme arasında ayrım yapıyor ve makine öğreniminin, verilere dayalı tahminler veya kararlar almak için eğitim modellerine odaklanan yapay zekanın bir alt kümesi olduğunu vurguluyor. Ayrıca makine öğrenimini üç türe ayırır: her biri kendi özelliklerine ve uygulamalarına sahip olan denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme.
Konuşmacı daha sonra, web seminerinin ana odak noktası olan opsiyon ticaretinde makine öğreniminin uygulanmasını derinlemesine inceler. Opsiyon ticareti, sahibine belirli bir zaman dilimi içinde belirli bir fiyattan bir varlığı alma veya satma hakkı veren opsiyon sözleşmelerinin alım satımını içerir. Varun, opsiyon ticaretindeki yüksek riskin altını çiziyor ve makine öğreniminin analiz doğruluğunu nasıl artırabileceğini ve böylece riski azaltabileceğini açıklıyor. Fiyatlandırma seçenekleri, ticaret stratejileri tasarlama, oynaklığı hesaplama ve zımni oynaklığı tahmin etme dahil olmak üzere opsiyon ticaretinde makine öğreniminin çeşitli uygulamalarını detaylandırıyor. Bu uygulamalar, opsiyon ticaretinde karar vermeyi iyileştirmeyi ve karlılığı artırmayı amaçlamaktadır.
Opsiyon ticaretinde makine öğrenimine duyulan ihtiyacı anlamak için Black-Scholes modeli gibi geleneksel modellerin sınırlamaları tartışılmaktadır. Black-Scholes modeli, gerçek dünya senaryolarında doğru olmayabilecek sabit risksiz oran ve oynaklığı varsayar. Varun, Alman Candy modeli ve Heston modeli gibi kendi sınırlamaları ve girdi parametresi gereksinimleri olan alternatif modellerden bahseder. Önerilen çözüm, genişletilmiş bir dizi özellik ve giriş parametresine izin verdiği için makine öğrenimini bu modellerin yerine veya kombinasyonu olarak kullanmaktır. Makine öğrenimi modelleri, seçeneklerin adil fiyatını belirlemek için ima edilen veya gerçekleşen oynaklık, faiz oranları ve diğer ilgili özellikler gibi faktörleri dikkate alabilir. Bu, daha doğru fiyatlandırma, kullanım fiyatlarının seçimi ve riskten korunma stratejileri sağlar. Varun, ampirik araştırmaların, çok katmanlı algılayıcı modeli gibi birden fazla gizli katmana sahip derin öğrenme modellerinin, özellikle paranın çok ötesinde veya parada olan seçenekler için Black-Scholes modelinden daha iyi performans gösterdiğini gösterdiğinin altını çiziyor.
Web semineri, opsiyon stratejileri için makine öğrenimi modellerini kullanarak alım satım kararlarının optimizasyonunu keşfetmeye devam ediyor. Genel süreç, dayanak varlığın yükseliş veya düşüş eğilimini analiz etmeyi ve buna göre uygun bir strateji seçmeyi içerir. Bununla birlikte, birçok seçenek stratejisi, risk-ödül dağılımlarını çarpıttı ve daha rafine bir analiz gerektirdi. Makine öğrenimi, temel varlık hakkında içgörü sağlamak için geçmiş getiriler, ivme ve oynaklık gibi özellikleri göz önünde bulundurarak bu analizi geliştirebilir. Bu özellikler daha sonra bir sonraki ticaret dönemini yükseliş veya düşüş olarak sınıflandırmak için bir makine öğrenimi modeline girilir. Video ayrıca SP500 endeks verilerinde kullanılan özelliklere de değiniyor ve özellik analizinin seçenek stratejisi kararlarındaki önemini vurguluyor.
Ardından, konuşmacı dikey opsiyon spread'lerinde alım satım kararları için makine öğrenimi modelleri oluşturmaya odaklanır. Girdi parametrelerinin, bir sonraki işlem gününü yükseliş veya düşüş olarak sınıflandırmak için bir karar ağacı sınıflandırıcısının kullanıldığı önceki örnektekiyle aynı kaldığını açıklıyorlar. Seçeneklerden yararlanmak için, riski sınırladıkları için boğa çağrısı spreadleri veya ayı koyma spreadleri gibi spreadler sunulur. Makine öğrenimi modelleri, sözleşmenin işlem aralığını ve oynaklığını tahmin etmek için birleştirilir. Tüccarlar, bu birleştirilmiş modellerden yararlanarak, opsiyon ticaretinde çok önemli olan ima edilen volatiliteyi tahmin ederken ticaret stratejilerinde dikey spreadler için en uygun ayarları belirleyebilirler.
Opsiyon ticaretinde makine öğreniminin bir başka uygulaması, zımni volatiliteyi tahmin etmek ve opsiyon stratejileri hakkında hesaplanmış kararlar vermektir. Tüccarlar, tarihsel zımni oynaklığı ve diğer ilgili özellikleri makine öğrenimi modellerine girerek oynaklığı tahmin edebilir ve kısa çiftler veya kısa boğmalar gibi uygun stratejileri seçebilir. Konuşmacı, temel veriler ve seçenek verileri de dahil olmak üzere bir stratejiler listesine ve girdi özelliklerine dayalı olarak en uygun seçenek stratejisini tahmin etmek için bir makine öğrenimi modelinin oluşturulduğu bir vaka çalışmasını paylaşıyor. Tüccarlar, bir strateji evreni tasarlayarak ve çalışmayı farklı sözleşmeleri içerecek şekilde genişleterek, ticaret hedefleriyle uyumlu en iyi stratejiyi oluşturmak ve seçmek için makine öğreniminden yararlanabilir.
Web seminerinde konuşmacı, çeşitli pozisyon ve sözleşme kombinasyonlarını keşfederek opsiyon ticareti için 27 farklı stratejiyi nasıl oluşturduklarını açıklıyor. Stratejileri rafine etmek için, arayanın konumundan yoksun olan veya kısa ikili gruplar gibi pratik olmayan kombinasyonlara dayanan kombinasyonları eleyerek stratejileri 20'ye kadar filtrelediler. Konuşmacı, bu 20 stratejiden hangisinin maksimum getiri sağlayacağını belirlemek için bir makine öğrenimi modeli, özellikle de bir uzun kısa süreli bellek (LSTM) modeli kullandı. Bu model, temel varlıklardan, seçeneklerden ve volatiliteden gelen girdi özelliklerini birleştirdi ve dağıtım için en uygun stratejiyi belirlemek için çok sınıflı bir sınıflandırma sistemi kullandı.
Video ayrıca seçenek dereceleri ile ilgili özelliklere ve LSTM modeli için kullanılan sinir ağının yapısına da ışık tutuyor. Modeli yaklaşık 10 yıllık veriler üzerinde eğiterek, girdi özelliklerine dayalı olarak strateji etiketleri oluşturdu. Sonuçlar, makine öğrenimi modelinin zaman içinde temel varlıktan daha iyi performans gösterdiğini gösterdi. Seçenekler için makine öğrenimi modellerinin tahmin doğruluğunu artırmak amacıyla konuşmacı birkaç en iyi uygulama önerir. Bunlar arasında ince ayar için olasılık düzeylerinin kullanılması, birden çok görüş modelinin kullanılması, oylama sınıflandırıcı tekniğinin uygulanması ve daha iyi doğruluk ve kârlılık için başka bir makine öğrenimi modelini eğitmek için birden çok sınıflandırıcının çıktısından yararlanılması yer alır.
Ayrıca konuşmacı, opsiyon ticaretinde sınıflandırma modellerinin performansını iyileştirmeye yönelik yöntemleri araştırıyor. Bu yöntemler, olasılık düzeylerini kullanmayı, birden çok sınıflandırıcıyı birleştirerek topluluk tekniklerini kullanmayı ve farklı modellerin çıktılarını bir araya getirmek için makine öğrenimi modellerini kullanmayı içerir. Modellerde daha fazla doğruluk elde etmek için hiperparametre ayarlama ve çapraz doğrulama tekniklerinin önemi vurgulanmaktadır. Konuşmacı ayrıca, gerçek parayla bir strateji uygulamadan önce kağıt ticaretinin önemini vurguluyor. Bu uygulama, tacirlerin gerçek sermayeyi riske atmadan önce herhangi bir pratik sorunu veya zorluğu belirlemesine ve ele almasına olanak tanır.
Takip eden Soru-Cevap oturumunda konuşmacı, katılımcıların sorularını yanıtlar. Sorular, opsiyon ticareti için makine öğrenimi stratejisinin performansı, model için özellikleri seçmek için kullanılan metodoloji, makine öğreniminin mevcut teknik göstergelere göre faydaları, özellik öneminin hesaplanması ve uygun tutma süresi dahil olmak üzere çeşitli konuları kapsar. SPY (Standard & Poor's 500 Endeksi). Konuşmacı, model için kullanılan veriler 2010'a kadar uzandığından ve 2020'den sonraki dönemleri kapsadığından, stratejinin performansının yalnızca 2020'deki piyasa yönünden kaynaklanmadığını açıklıyor. Opsiyon ticaretinin, opsiyon Yunanlılar gibi faktörleri göz önünde bulundurarak daha karmaşık bir analiz gerektirdiğini açıklıyorlar. ve ima edilen oynaklık, makine öğrenimini değerli bir araç haline getiriyor. Model için özelliklerin seçimi, ticaret deneyimi ve bilinçli karar vermenin bir kombinasyonuna dayanmaktadır.
Web seminerinin sonuna doğru konuşmacı, beraberindeki kursun ön koşullarını tartışır ve faydalarını en üst düzeye çıkarmak için makine öğrenimi ve ilgili kurslar hakkında önceden bilgi önerir. Kurs, öncelikle S&P 500 opsiyon ticareti için makine öğrenimi modelleri oluşturmaya odaklanırken, kavramlar daha fazla eğitim ve özelleştirme ile uyarlanabilir ve diğer sözleşmelere uygulanabilir. Kurs, önceden oluşturulmuş bir makine öğrenimi modeli sağlamaz, ancak katılımcıları kendi modellerini oluşturmak için gereken bilgi ve becerilerle donatır.
Web semineri, makine öğreniminin opsiyon ticaretindeki uygulamasına kapsamlı bir genel bakış sağlar. Makine öğreniminin temellerini, diğer ilgili alanlardan farklarını ve üç tür makine öğrenimi algoritmasını kapsar. Web semineri, analiz doğruluğunu artırma ve riski azaltma becerisi nedeniyle opsiyon ticaretinde makine öğrenimine olan ihtiyacı vurgulamaktadır. Fiyatlandırma seçenekleri, ticaret stratejileri tasarlama ve ima edilen oynaklığı tahmin etme dahil olmak üzere, opsiyon ticaretinde makine öğreniminin çeşitli uygulamaları tartışılmaktadır. Web semineri ayrıca dikey opsiyon spreadleri için makine öğrenimi modellerinin oluşturulmasını ve alım satım kararlarının optimizasyonunu araştırıyor.
Temettü Stokları için Makine Öğrenimi ve Optimizasyon ile Portföy Varlıkları Tahsisi | Algo Ticaret Projesi
Temettü Stokları için Makine Öğrenimi ve Optimizasyon ile Portföy Varlıkları Tahsisi | Algo Ticaret Projesi
Etkinlikteki ilk sunumu, çeşitli kurumsal işlevler için yapay zeka çözümleri sağlayan, İtalya'daki küçük ve orta ölçekli şirketlerle yaptığı çalışmalarla tanınan bağımsız bir yapay zeka ve büyük veri mühendisi olan Raimondo Mourinho yaptı. Mourinho, gelişmiş ticaret sistemleri oluşturmak için makine öğrenimi tekniklerini, istatistikleri ve olasılığı birleştirmeye inanıyor. Sunumunda, portföy varlık tahsisinde makine öğrenimi modelleri geliştirmeye yönelik pratik ve ölçeklenebilir çerçevesini paylaşıyor.
Mourinho, böyle bir sistemi tasarlamak için gerekli temel bileşenleri tanıtarak başlıyor. Portföy zihniyetini benimsemenin, fikirleri eyleme geçirilebilir stratejilere dönüştürmek için makine öğrenimi modellerini kullanmanın ve çoklu işlemci, çoklu çekirdek ve GPU yeteneklerinin gücünden yararlanmanın önemini vurguluyor. Bu bileşenler, çerçevesinin temelini oluşturur. Canlı yayına geçerken bir altyapı ihtiyacından kısaca bahsederken, çerçevenin son kısmının sunumun kapsamı dışında olduğunu kabul ederek, düşük-orta frekanslı ticaret için çerçevenin temel bloklarına odaklanıyor.
Konuşmacı daha sonra Python'da makine öğrenimi ve temettü hisse senetleri için optimizasyon kullanarak portföy varlık tahsisi için sağlam bir çerçeve oluşturmak için gerekli yetkinlikleri araştırır. Portföy teknikleri, nesne yönelimli programlama, çoklu işleme teknikleri ve eşzamansız programlama konularında güçlü bir anlayışa duyulan ihtiyacı vurgular. Ek olarak, hiper parametre optimizasyon araçları, SQL dili ve Docker teknolojisindeki uzmanlık değerli kabul edilir. Mourinho, zaman serileri için bir veritabanını optimize etmeyi, veri ön işlemeyi, eksik verileri ve aykırı değerleri ele almayı, verileri normalleştirmeyi ve belirlenen varlık evreni içinde varlık seçimini gerçekleştirmeyi içeren çerçevenin ilk adımını açıklamaya devam ediyor.
Sunum, ticaret sinyalleri oluşturmak için makine öğrenimi terminolojisine karşılık gelen alfa oluşturma aşamasını tartışarak devam eder. Mourinho, bu aşamada tacirlerin fikirlerini çeşitli göstergeler, duyarlılık analizi ve ekonometrik modeller kullanarak birleştirdiğinin altını çiziyor. Sonraki adım, sabit ve yarı sabit özellikler, durağan olmayan özellikler ve doğrusal olarak ilişkili özellikler gibi gereksiz özelliklerin sıra tabanlı bir yöntem kullanılarak kaldırıldığı özellik seçimini içerir. Ek olarak, özellikler içindeki önemli bilgileri korurken istenen durağanlığı koruyan bir teknik olan kesirli farklılaşmanın kullanımından bahseder. Bu iyileştirmeler, Mourinho'nun makine öğrenimi ve temettü hisseleri için optimizasyon kullanan portföy varlık tahsisi çerçevesinin ayrılmaz bir parçasıdır.
Varlık seçimi ve ağırlık tahsisini içeren yeniden dengeleme, öğrenme hattında kapsamlı bir şekilde açıklanmaktadır. Mourinho, varlık seçimi için varlıklar arasındaki göreli güce dayalı olarak enine kesitsel momentum kullanır. Ağırlık tahsisi için kritik çizgi algoritması, ters volatilite portföyü ve eşit ağırlıklı portföy gibi geleneksel teknikleri hiyerarşik risk paritesi ve hiyerarşik eşit risk katkısı gibi makine öğrenimi modelleriyle birleştirir. Konuşmacı, simülasyon sonuçlarını gösterir ve geçmiş verileri kullanarak performansı değerlendirir. Ayrıca Drunken Monkey stratejisi ve kombinatoryal tasfiye edilmiş çapraz doğrulama gibi teknikleri dahil ederek portföyü daha da geliştirme niyetinden de bahsediyor. Ayrıca Mourinho, bu teknikleri canlı ticaret senaryolarına uygularken etkili para yönetiminin önemini vurguluyor.
Parametre değişkenliği tahminini ele almak için Mourinho, Monte Carlo simülasyonu ve önyükleme gibi tekniklerin kullanılmasını önerir. Nihai servete ve maksimum düşüş yüzdelerine odaklanan analizinin sonuçlarını sunar. Konuşmacı, veri odaklı kalmanın ve belirli ticaret fikirlerine aşırı bağlı kalmamanın önemini vurguluyor. Ayrıca, farklı teknikler kullanarak kendine özgü riski azaltmayı ve karşılaştırılabilir performansa sahip daha basit sistemler seçerek aşırı uyumdan kaçınmayı tavsiye ediyor. Son olarak, zaman serisi verilerinin durağan olmayan doğası nedeniyle canlı ticaret sistemlerini sürekli olarak izleme ve ayarlama ihtiyacının altını çiziyor.
Soru-Cevap oturumu sırasında Mourinho, izleyicilerden gelen birkaç soruyu yanıtlıyor. Bir katılımcı, Mourinho'nun veri ön işlemeyi gerekli ve zaman alıcı olarak vurguladığı, boru hattındaki en kritik adımı soruyor. Başka bir sorgu, veri normalleştirmesi etrafında döner ve Mourinho, çoğu durumda ortalamayı çıkarma ve standart sapmaya bölme şeklindeki yaygın uygulamayı önerir. Temel Bileşen Analizi (PCA) kullanılarak doğrusal korelasyonun kaldırılmasıyla ilgili olarak, bunun olasılığını kabul ediyor, ancak özelliklerdeki potansiyel anlam kaybı konusunda uyarıda bulunuyor ve sonuçları etkin bir şekilde yorumlamak için Sharpe Ratio gibi modellerin dikkate alınmasını öneriyor.
Konuşmacı, özellik seçimi için PCA'nın kullanımını ve özelliklerin yorumlanabilirliği üzerindeki potansiyel etkisini tartışmaya devam ediyor. Hevesli kantitatif ve algoritmik yatırımcılara EPAT'ı (Algoritmik Ticarette Yönetici Programı) değerli bir başlangıç noktası olarak düşünmeleri tavsiye edilir. Programın, endüstrinin gereksinimleriyle uyumlu kapsamlı öğrenme hedefleri sunduğunun altını çiziyorlar. Web seminerinin katılımcılarına, programa uzun süreli erken giriş hakkı sunulur ve ister algoritmik bir ticaret masası kurmak ister ticaretlerine gelişmiş teknolojiler ve araçlar dahil etmek olsun, kariyer hedeflerine ulaşmalarında onlara nasıl yardımcı olabileceğini anlamak için bir kurs danışmanlığı çağrısı için rezervasyon yaptırabilirler. stratejiler.
Hong Kong Exchange and Clearing Limited'de proje yöneticisi olan Kurt Celestog, Jay Palmer'ın kantitatif portföy yönetimi konusundaki dersini genişleten portföy yönetimi konusundaki projesini paylaşmak için sahne alıyor. Celestog'un projesi, portföy yönetimi yoluyla temettü verimini optimize etmeye odaklanıyor. Amacı, portföyün değerini korurken, temettü ödemelerinde istikrar ve büyüme sağlarken düzenli bir temettü geliri akışı oluşturmaktır. Optimum portföy yönetimi teknikleriyle hem temettü veriminde hem de fiyat getirisinde kıyaslama endeksini veya ETF'yi geçmeyi hedefliyor. Celestog, temettü verilerini elde etme zorluğuyla karşı karşıya kaldı ve onu indirmek için web kazıma işlevleri geliştirdi. Veri setini, her biri on yılı kapsayan ve ekonomik durgunlukları ve genişlemeleri kapsayan iki kısma ayırdı.
Konuşmacı, temettü portföyü optimizasyonu için veri temizleme sürecinde karşılaşılan zorlukları tartışıyor. Web sitesinden elde edilen veriler temiz değildi ve özellikle başlangıçta yüzde olarak sunulan erken temettüler ile temettüleri dolar cinsinden ifade etmek için değişiklikler ve normalleştirme gerekiyordu. Fiyat verileri Yahoo Finance'ten alındı ve yıllık temettü verimi, temettü büyümesi ve ortalama büyüme gibi metrikler hesaplandı. İki portföy oluşturmak için seçilen tüm hisse senetleri için bir bileşik oran türetilmiştir: eşit ağırlıklı bir portföy ve ağırlığı optimize edilmiş bir portföy. Konuşmacı, tek bir optimizasyonun ve ardından on yıllık bir bekletme süresinin kıyaslama ve ETF'den daha iyi performans gösterip göstermeyeceğini analiz etmeyi amaçladı.
Konuşmacı daha sonra makine öğrenimi tekniklerini kullanan portföy optimizasyonu projesinin sonuçlarını paylaşır. Sunulan grafikler, sol üst çeyrekte en yüksek kombine metriğe sahip beş hisse senedini temsil eden yeşil balonları gösteriyor. Hem eşit ağırlıklı hem de optimal ağırlıklı portföyler, karşılaştırmalı değerlendirmeye göre daha yüksek ortalama getiriler ve temettü getirileri sergiledi. Ancak, önümüzdeki on yıl içinde, bankacılık ve teknoloji hisseleri daha fazla popülerlik kazandı ve optimize edilmiş portföyün performansının karşılaştırmalı değerlendirmeye göre düşmesine neden oldu. Performansı artırmak için, konuşmacı portföyleri düzenli olarak yeniden dengelemeyi ve seçilen metriğe göre en iyi beş hisse senedini seçmeyi denedi. Yeniden dengelenen portföyler, kıyaslamayı geride bıraktı ve daha yüksek bir temettü getirisi gösterdi.
Konuşmacı, portföy optimizasyonunun ve düzenli yeniden dengelemenin, özellikle Gayrimenkul Yatırım Ortaklıkları (GYO'lar) gibi temettü hisse senetleri ile nasıl daha yüksek temettü getirilerine yol açabileceğini ve kıyaslama endekslerinden daha iyi performans gösterebileceğini vurguluyor. Portföyleri altı ayda bir yeniden dengeleyerek ve farklı inceleme dönemlerini keşfederek konuşmacı, ortalama temettü getirisi, temettü büyümesi, getiri ve daha düşük düşüşler açısından endeksi başarılı bir şekilde geride bıraktı. Bununla birlikte, verileri elde etme ve temizleme konusundaki zorlukları kabul ediyorlar ve yeniden dengeleme işlevinin karmaşık olabileceğini not ederek, bu karmaşıklığı ele almak için nesne yönelimli programlamanın kullanılmasını öneriyorlar. Genel olarak konuşmacı, portföy optimizasyonunun ve düzenli yeniden dengelemenin yatırımcılar için değerli araçlar olduğunun altını çiziyor.
Konuşmacı, daha iyi performans elde etmek için portföyün sık sık yeniden dengelenmesinin çok önemli olduğuna dikkat çekiyor. Bununla birlikte, temettü hisseleri için temettü verilerinin bulunma sıklığı nedeniyle, yılda bir veya iki defadan daha sık yeniden dengeleme yapmak zordur. Konuşmacı ayrıca, farklı optimizasyon kriterlerini keşfetmek, daha fazla çeşitlendirme için portföye daha fazla hisse senedi dahil etmek ve kapsamlı geriye dönük testler yapmak da dahil olmak üzere proje üzerinde daha fazla çalışma gereğini vurguluyor. Okuma evrenini genişletmeyi ve işlem maliyetlerinin portföy performansı üzerindeki etkisini tartışmayı öneriyorlar.
Soru-Cevap oturumu sırasında Celestog izleyicilerden gelen soruları yanıtlıyor. Bir katılımcı, optimize edilmiş portföye kıyasla eşit ağırlıklı portföyün performansını soruyor. Celestog, eşit ağırlıklı portföyün genel olarak iyi performans gösterdiğini, ancak optimize edilmiş portföyün daha yüksek getiri sağladığını ve portföy optimizasyon tekniklerinin etkinliğini gösterdiğini açıklıyor. Başka bir katılımcı, işlem maliyetlerinin portföyün performansı üzerindeki etkisini soruyor. Celestog, işlem maliyetlerinin önemli bir etkiye sahip olabileceğini kabul ediyor ve gerçek dünya performansının daha doğru bir temsilini elde etmek için bunların optimizasyon sürecine dahil edilmesini öneriyor. Ayrıca canlı ticaret senaryolarında kaymayı dikkate almanın öneminden bahsediyor ve katılımcılara stratejilerini canlı ticarette uygulamadan önce geçmiş verileri kullanarak kapsamlı bir şekilde test etmelerini tavsiye ediyor.
Genel olarak, web seminerindeki sunumlar, temettü hisse senetleri için makine öğrenimi ve optimizasyon teknikleri kullanılarak portföy varlık tahsisinin pratik yönlerine ışık tutuyor. Konuşmacılar, başarılı sonuçlar elde etmek için veri ön işleme, özellik seçimi, yeniden dengeleme ve düzenli izlemenin önemini vurguladılar. Ayrıca, finansal piyasaların dinamik doğasında gezinmek için sürekli öğrenme, uyum sağlama ve farklı stratejileri keşfetme ihtiyacını vurguladılar. İzleyiciler, portföy yönetiminde makine öğrenimini kullanmanın zorlukları, teknikleri ve potansiyel faydaları hakkında değerli bilgiler edindi.