Pobierz skondensowan膮 porcj臋 warto艣ciowej wiedzy o inwestowaniu!馃檪

Poni偶szy artyku艂 to nieco rozbudowana wersja mojego go艣cinnego wpisu na 艂amach blog贸w bossa.pl. Jest to polemika z artyku艂em pochodz膮cym z portalu Strefa Inwestor贸w. Uzna艂em, 偶e warto zabra膰 g艂os w sprawie, poniewa偶 obraz przedstawiony w tamtym artykule by艂 ekstremalnie wr臋cz zak艂amany. Nie 艂udz臋 si臋, 偶e swoim dzia艂aniem naprawi臋 艣wiat. Wierz臋 jednak, 偶e ten czy inny autor w przysz艂o艣ci, po przeczytaniu takiej riposty, chocia偶 zastanowi si臋 nast臋pnym razem przed publikacj膮 kolejnego steku sensacyjek. A przy okazji to dobry pow贸d na przemycenie merytorycznej tre艣ci o edukacyjnym walorze. Zapraszam do lektury!

Ach te z艂e algorytmy

Fundusze algorytmiczne i quant to zazwyczaj inwestycyjna pora偶ka. 5 powod贸w dlaczego tak jest 鈥 tak zatytu艂owany zosta艂 jeden z artyku艂贸w na 艂amach popularnego serwisu po艣wi臋conego tematyce gie艂dowej. Chwytliwy tytu艂, prosto wyja艣niaj膮cy temat, kt贸ry dla wielu wydaje si臋 nader skomplikowany.

C贸偶, algorytmy w finansach to po prostu narz臋dzie, kt贸re mo偶na lepiej lub gorzej wykorzysta膰 w praktyce. Same w sobie nie s膮 celem, ale mog膮 by膰 艣rodkiem do osi膮gni臋cia okre艣lonego celu. Niestety odnios艂em wra偶enie, 偶e autor nie podszed艂 zbyt rzetelnie do prezentowanej w artykule materii. Wida膰, 偶e brak zrozumienia zagadnienia opisywanego przez Stref臋 Inwestor贸w pchn膮艂 Autora w pochopnie negatywne oceny.

Impulsem do napisania niniejszej riposty by艂a postawa owego portalu na Twitterze, gdzie promowano rzeczony artyku艂. Pan Pawe艂 Biedrzycki, co prawda nieb臋d膮cy autorem, lakonicznie odpisa艂 w ripo艣cie jednemu z oponent贸w tytu艂owej tezy:

Prawda, na 1 skuteczny algorytm 5 przynosi strat臋. Sumarycznie bior膮c strategie si臋 znosz膮, a koszty transakcyjne pogr膮偶aj膮 ca艂kowity wynik.

Proste? Proste 馃檪

Notabene, gdyby 1 na 5 biznes贸w (dowolnej bran偶y) zako艅czy艂 si臋 sukcesem, to by艂oby pi臋knie.

Pr贸bowa艂em wymieni膰 pogl膮dy z Panem Paw艂em na Twitterze, ale druga strona nie wykaza艂a zainteresowania, zbywaj膮c mnie milczeniem.

Do mojej riposty znalaz艂 si臋 jeszcze i kolejny pow贸d, w gruncie rzeczy najbardziej istotny w ca艂ej tej historii: 贸w artyku艂 ma艂o merytorcznie odwo艂uje si臋 do prezentacji pod tytu艂em „The 7 Reasons Most Machine Learning Funds Fail” (7 powod贸w, dlaczego wi臋kszo艣膰 funduszy opartych na metodach uczenia maszynowego odnosi pora偶k臋), kt贸rej autorem jest Marcos L贸pez de Prado, dyrektor zarz膮dzaj膮cy Guggenheim Partners, pracownik Lawrence Berkeley National Laboratory, a w przesz艂o艣ci zwi膮zany z ilo艣ciowym podej艣ciem do inwestowania (pracowa艂 jako quant 1 1. Quant 鈥 angielskie okre艣lenie analityka stosuj膮cego metody ilo艣ciowe do budowy skomplikowanych modeli wykorzystywanych do wyceny i handlu instrumentami finansowymi. Modele implementowane s膮 w postaci algorytm贸w komputerowych, automatycznie wykonywanych na rynku. × ). Podkre艣l臋 tu szczeg贸lnie owo wyra偶enie machine learning (uczenie maszynowe, w skr贸cie ML), kt贸re jest istotne w ca艂ej prezentacji, a kt贸re „umkn臋艂o” Autorowi artyku艂u, ale o tym nieco p贸藕niej.

Tak na marginesie, prezentacja L贸peza zawiera 7 powod贸w pora偶ek z wykorzystaniem ML, natomiast Autor w artykule odni贸s艂 si臋 do 5. Czy偶by z lito艣ci do krytykowanych algorytm贸w? 馃槈

Kr贸tkie wprowadzenie, czyli jak wygl膮da 艣wiat finans贸w w XXI wieku

O co w og贸le w tym ca艂ym maszynowym uczeniu i tradingu chodzi? Aby sta艂o si臋 to jasne r贸wnie偶 dla mniej zaawansowanych Czytelnik贸w wyja艣nijmy, 偶e w obecnym 艣wiecie transakcje na rynkach kapita艂owych zawierane s膮 ju偶 nie tylko przez ludzi, ale i przez uprzednio przystosowane do tego celu komputery, a 艣ci艣lej rzecz ujmuj膮c 鈥 algorytmy komputerowe. Na niekt贸rych rynkach wr臋cz to komputery odpowiadaj膮 za wi臋kszy obr贸t ni偶 ludzie, zatem to ju偶 偶adna ciekawostka, a po prostu codzienno艣膰. Nie od dzi艣. Algorytmy takie decyzje mog膮 podejmowa膰 na podstawie wielu r贸偶nych przes艂anek, by wspomnie膰 najistotniejsze 2 2. Arbitra偶 statystyczny to metoda inwestycyjna polegaj膮ca na kupnie i sprzeda偶y akcji (lub innych instrument贸w) w tym samym momencie, kt贸re s膮 ze sob膮 mocno skorelowane (np. akcje sp贸艂ek z tego samego sektora). Istnieje wiele modeli arbitra偶u statystycznego. Przyk艂adowo wykorzystywana jest zasada powrotu do 艣redniej (powrotu do korelacji, ang. mean reversion). Chodzi o to, 偶e nawet wysoce skorelowane ze sob膮 instrumenty finansowe mog膮 okresowo wykazywa膰 mniejsz膮 korelacj臋. Arbitra偶 statystyczny okre艣lany jest te偶 mianem handlowania parami (ang. pair trading) lub handlowania spreadem. × :

  • takie, kt贸re opieraj膮 si臋 na analizie technicznej, czy fundamentalnej, zajmuj膮c kierunkowe pozycje w spos贸b przypominaj膮cy dzia艂ania ludzi,
  • popularne s膮 algorytmy specjalizuj膮ce si臋 w arbitra偶u statystycznym, wykorzystuj膮cym chwilowe zaniki korelacji pomi臋dzy dwoma lub wiecej walorami,
  • algorytmy analizuj膮ce publikowane w internecie tre艣ci, by na ich podstawie podejmowa膰 transakcje,
  • algorytmy obs艂uguj膮ce popularne dzi艣 ETF, czy te偶 sk艂adanie zlece艅,
  • cz臋sto obwiniane za najwi臋ksze z艂o wsp贸艂czesnych rynk贸w algorytmy wysokich cz臋stotliwo艣ci (ang. High Frequency Trading, HFT), kt贸re mog膮 by膰 wykorzystywane do wielu 鈥渘iecnych鈥 zagrywek, m.in. do wspomnianego arbitra偶u statystycznego, a kt贸rych przewaga tkwi w super szybkim czasie reakcji, gdzie wykonanie liczy si臋 w nanosekundach (miliardowych cz臋艣ciach sekundy),
  • mamy te偶 niezliczone wersje hybryd, w kt贸rych miesza si臋 wiele tych podej艣膰.

A gdzie w tym wszystkim mie艣ci si臋 wspomniany w artykule machine learning? I co to w og贸le jest? Ano w艂a艣nie 鈥 Autor artyku艂u specjalnie si臋 tym nie zaj膮艂, pomimo 偶e opiera艂 si臋 o materia艂, kt贸ry tego w艂a艣nie poj臋cia przede wszystkim dotyczy艂. Owszem, opisane problemy mo偶na odnie艣膰 r贸wnie偶 do algorytm贸w niekorzystaj膮cych z ML, ale to w艂a艣nie wykorzystanie ML pot臋guje niejako ich donios艂o艣膰. Autor artyku艂u natomiast nie zrobi艂 tutaj najmniejszego rozr贸偶nienia. A jest ono kluczowe, gdy偶 w ca艂ym 艣wiecie algorytmicznych funduszy ML stanowi tylko podzbi贸r, a poza tym ma si臋 nijak do wymienionych we wst臋pie artyku艂u funduszy, kt贸re z ML nie korzysta艂y.

Uczenie maszynowe

A czym jest w og贸le uczenie maszynowe? Ot贸偶 w wielkim uproszczeniu (prosz臋 tu puryst贸w w temacie o wybaczenie), jest to szeroka klasa algorytm贸w zaliczana do metod sztucznej inteligencji 3 3. Sztuczna inteligencja (ang. Artificial Intelligence, AI) to szeroka koncepcja, kt贸ra umo偶liwia maszynom wykonywa膰 zadania w inteligentny spos贸b. Uczenie maszynowe (ang. Machine Learning, MI) to przyk艂ad zastosowania AI polegaj膮cy na tym, 偶e maszyna przy dost臋pie do danych jest w stanie samodzielnie si臋 z tych danych uczy膰. × , kt贸re potrafi膮 si臋 same 鈥渦czy膰鈥 w spos贸b pr贸buj膮cy na艣ladowa膰 ludzi. Jeszcze inaczej pisz膮c, zadaniem machine learning jest realizacja tego, co nam ludziom przychodzi naturalnie 鈥 uczenie si臋 na podstawie w艂asnych do艣wiadcze艅. Nie s膮 to zatem algorytmy ze z g贸ry zakodowan膮 na sta艂e 艣cie偶k膮 wykonania typu: 鈥je艣li wyst膮pi A, wykonaj B鈥. W uczeniu maszynowym algorytm uczy si臋 na podstawie dostarczanych mu danych, staraj膮c si臋 uzyskiwa膰 coraz to lepsze wyniki bez ingerencji cz艂owieka w jego kod. Jest to forma poszukiwania i optymalizacji najlepszych rozwi膮za艅. Natomiast to, 偶e mamy algorytm wpi臋ty w realne inwestowanie, nie musi znaczy膰, 偶e stoi za nim ML. Czasami nie da si臋 艂atwo nawet tego okre艣li膰: przyk艂adowo s膮 algorytmy ML s艂u偶膮ce do budowania algorytm贸w „klasycznych”, czyli nieb臋d膮cych ju偶 typu machine learning. Po prostu, zamiast samemu r臋cznie wymy艣la膰 algorytm (czytaj 鈥 r臋cznie wymy艣la膰 i kodowa膰 logik臋 strategii), zlecamy t臋 robot臋 procesowi uczenia maszynowego. Z dobrodziejstw podobnych algorytm贸w korzystamy r贸wnie偶 w naszych smartfonach, samochodach, domach itd. ka偶dego dnia, nie zdaj膮c sobie z tego najcz臋艣ciej sprawy.

Ra偶膮co niedopracowane wydaj膮 si臋 by膰 nast臋puj膮ce uwagi Autora, kt贸re pozbawione argument贸w powielaj膮 chwytliwe dla mniej rozeznanych w temacie slogany:

  • Fundusze oparte na algorytmach nie mog膮 si臋 pochwali膰 super wynikami
  • Wielu ekspert贸w przestrzega przed zbyt du偶膮 obecno艣ci膮 automat贸w na rynkach, co grozi krachem
  • Nie da si臋 „pod艂膮czy膰” strategii do mechanizmu machine learning i generowa膰 zyski na zasadzie plug&play

Nietrafione przy tym wydaje si臋 pos艂u偶enie prezentacj膮 L贸peza, kt贸ra nie do艣膰, 偶e odnosi si臋 g艂贸wnie do niepowi膮zanych z naszymi funduszami technik ML, to nie tyle krytykuje same algorytmy jako takie, ile wskazuje grzechy jakie pope艂niane s膮 przy ich stosowaniu, podaj膮c przy tym konkretne propozycje ich naprawienia.

Powody pora偶ek algorytm贸w na rynku

No dobra, ale nawet gdyby to pomin膮膰, i faktycznie przygl膮dn膮膰 si臋 tym algorytmom na rynkach, to czy faktycznie jest tak 藕le jak sugeruje artyku艂?

Aby to oceni膰 przygl膮dnijmy si臋 5 powodom wymienionym w artykule, a b臋d膮cych skr贸towymi nawi膮zaniami do tez L贸peza. Przy tej okazji wyra藕ny oka偶e si臋 rozjazd mi臋dzy tym, co postuluje L贸pez, a rozumieniem tego przez autora artyku艂u.

Po pierwsze: Syndrom Syzyfa

W przypadku tradycyjnych funduszy dyskrecjonalnych, gdzie nie mamy 艣cis艂ych regu艂 decyzyjnych, celem dywersyfikacji efekt贸w pracy zarz膮dzaj膮cych portfelami stosowana jest tzw. silosowa kultura pracy. Chodzi o to, aby jeden zarz膮dzaj膮cy nie wp艂ywa艂 na decyzje innych zarz膮dzaj膮cych, a tzw. silos stosowany jest jako 艣rodek do umo偶liwienia niezale偶nej pracy poszczeg贸lnych zarz膮dzaj膮cych (zapewnia dywersyfikacj臋).

Tymczasem w przypadku strategii typu quant, w tym wykorzystuj膮cych machine learning, takie podej艣cie jest niemo偶liwe w realizacji, poniewa偶 na barki zarz膮dzaj膮cego portfelem spada zbyt wiele pracy w wielu obszarach: od budowy teoretycznej koncepcji, przygotowania danych, wydajnej infrastruktury obliczeniowej, programowania, po backtesting i egzekucj臋 na rynku. Ka偶dy obszar charakteryzuj膮 odmienne kompetencje. Pr贸ba stworzenia silos贸w w przypadku strategii ilo艣ciowych, gdzie ka偶dy silos odpowiada za wszystkie etapy procesu ich tworzenia jest przyczyn膮 pora偶ek.

Niestety Autor artyku艂u pomija to, jak L贸pez sugeruje rozwi膮zywa膰 t臋 trudno艣膰 natury organizacyjnej. Problem Syzyfa nie jest bowiem czym艣, co dyskwalifikuje podej艣cie algorytmiczne w inwestowaniu 鈥 mo偶na go rozwi膮za膰 poprzez stosowanie tzw. paradygmatu meta-strategii. Polega on na tym, 偶e zamiast mini zespo艂贸w (silos贸w) buduj膮cych strategie, organizowana jest „fabryka”, w kt贸rej proces budowy przypomina lini臋 produkcyjn膮. Na takiej linii jasno wydzielone s膮 zadania i podzadania, a jako艣膰 ich realizacji jest niezale偶nie kontrolowana. Rola quanta sprowadza si臋 do tego, by specjalizowa膰 si臋 w konkretnym wycinku prac wykonywanych na linii produkcyjnej, zachowuj膮c ca艂o艣ciowe zrozumienie procesu.

Co warte podkre艣lenia, meta-strategia zbudowana jest w duchu ilo艣ciowego podej艣cia, lub jak kto woli, jest po prostu sama w sobie r贸wnie偶 algorytmem. Dzi臋ki temu mo偶e by膰 testowana i poprawiana jeszcze zanim zostanie wdro偶ona do biznesu. Meta-strategia zapewnia obiektywny i sp贸jny nadz贸r nad prac膮 zespo艂u, pomagaj膮c w unikaniu powtarzaj膮cych si臋 b艂臋d贸w.

Tymczasem artyku艂 sp艂yca zagadnienie do stwierdzenia:

(…) wi臋kszo艣膰 funduszy zatrudnia jednego, lub najwy偶ej kilku ekspert贸w, do stworzenia strategii dla funduszu quant.

A potem dodaje, 偶e to daremny wysi艂ek. I to wszystko. Nazbyt p艂ytkie wej艣cie w temat. Tym bardziej, 偶e meta-strategia proponowana przez L贸peza mo偶e z powodzeniem by膰 wykorzystywana przez tradycyjne fundusze, gdzie decyzje inwestycyjne podejmowane s膮 w spos贸b dyskrecjonalny.

Ba, wiele wskazuje, 偶e wr臋cz tak dzia膰 si臋 powinno! Wyobra藕my sobie fundusz hedge 4 4. Fundusz hedge (fundusz hedgingowy, ang. hedge fund), to rodzaj funduszu inwestycyjnego, kt贸ry stara si臋 zarabia膰 bez wzgl臋du na koniunktur臋 rynkow膮 (np. na rynku akcji, gdzie zarabianie mo偶liwe jest tylko na wzrostach cen, je艣li nie jest stosowana kr贸tka sprzeda偶). Fundusze hedge mog膮 wykorzystywa膰 na rynku zaawansowane instrumenty i strategie finansowe. Mog膮 przyk艂adowo wykorzystywa膰 instrumenty pochodne takie jak kontrakty terminowe czy opcje. Mog膮 te偶 wykorzystywa膰 tak zwan膮 kr贸tk膮 sprzeda偶 akcji (sprzeda偶 po偶yczonych akcji, celem p贸藕niejszego odkupienia na rynku po ni偶szej cenie). Fundusze tego rodzaju mog膮 stosowa膰 d藕wigni臋 finansow膮. × , kt贸ry rekrutuje zarz膮dzaj膮cego portfelem. Celem kandydata jest generowanie alfy (zwrot贸w powy偶ej benchmarku, np. szerokiego rynku S&P500), zatem idealny kandydat powinien pochwali膰 si臋 histori膮 portfela, w kt贸rym za okres 10 lat wska藕nik Sharpe ma warto艣膰 powy偶ej 2. Jest bardzo ma艂o prawdopodobne, aby niewykwalifikowany zarz膮dzaj膮cy uzyska艂 taki wynik dzi臋ki 艣lepemu trafowi, zatem rekrutuj膮cy s膮 przekonani, 偶e ten spos贸b odsieje s艂abych kandydat贸w. Niestety jest to naiwne podej艣cie, poniewa偶 ca艂kowita liczba kiepskich zarz膮dzaj膮cych jest nieznana i przypuszczalnie du偶a. Zatem, chocia偶 ma艂o prawdopodobne jest, aby kto艣 taki uzyska艂 doskona艂y odczyt Sharpe, w populacji sk艂adaj膮cej si臋 z samych zarz膮dzaj膮cych z tak wysokim wska藕nikiem, niewykwalifikowanych zarz膮dzaj膮cych mo偶e by膰 bardzo wielu! Recept臋 na t臋 bol膮czk臋 L贸pez podaje w punkcie 5 swojej prezentacji po艣wi臋conemu nadmiernemu dopasowaniu, gdzie proponuje stosowanie tak zwanego Deflated Sharpe Ratio (DSR). Chodzi o to, by w procesie rekrutacji wzi膮膰 pod uwag臋 liczb臋 przes艂uchiwanych os贸b, by ustrzec si臋 b艂臋du selekcji.

Konkluduj膮c: fundusze niestosuj膮ce algorytm贸w w procesie podejmowania decyzji inwestycyjnych mog膮 by膰 paradoksalnie ofiar膮… z艂udzenia backtest贸w, tak ochoczo napi臋tnowanych przez Szanownego Autora. I to pomimo braku ich formalnego (艣wiadomego) wykonywania.

Racj臋 ma zatem Autor pisz膮c, 偶e praca nad strategiami powinna by膰 realizowana w ramach dobrze zorganizowanego organizmu. Szkoda tylko, 偶e nie chce ju偶 zauwa偶y膰, 偶e recept膮 na zbudowanie skutecznego zespo艂u ekspert贸w jest… 贸w „z艂y” algorytm, w postaci meta-strategii.

Po drugie: Problem pami臋ci

Tutaj wysuwana jest przez Autora ci臋偶ka artyleria na algorytmy:

(…) ka偶da zautomatyzowana strategia inwestycyjna opiera si臋 na pami臋ci o przesz艂ych cenach i trendach. Problem w tym, 偶e takie dane najcz臋艣ciej nie s膮 por贸wnywalne, czy te偶 nie przystaj膮, do warunk贸w panuj膮cych obecnie na rynku. Rzeczywisto艣膰 si臋 zmienia, nieprawda偶?鈥.

Prawda偶. I pewnie dla mi艂ej odmiany w tradycyjnych funduszach zarz膮dzaj膮cy niczym Marty McFly, ze znakomitego filmu Zemeckis鈥檃, podr贸偶uj膮 w czasie do przysz艂o艣ci, by dla swoich klient贸w zdoby膰 przysz艂e notowania gie艂dowe, celem poprawienia swoich wynik贸w inwestycyjnych, dzi臋ki czemu pewnie bij膮 (?) na g艂ow臋 fundusze algorytmiczne 馃槈

Nawiasem dodaj膮c, ciekaw jestem czy wiecie, 偶e takie podr贸偶owanie w czasie jest… faktycznie mo偶liwe? To wcale nie 偶art 鈥 niekt贸re fundusze korzystaj膮ce z HFT tak w艂a艣nie robi膮. Nie jest a偶 tak romantycznie, bo zamiast podr贸偶y we wn臋trzu pi臋knego DeLorean鈥檃 (trzymaj膮c si臋 analogii Pana McFly), mamy podr贸偶 we wn臋trzu 艣wiat艂owodu inicjowan膮 super szybkimi algorytmami. A do tego nie podr贸偶ujemy w czasie o 20-30 lat, a zaledwie tylko o male艅kie u艂amki sekundy. Ale i tak nieco magii pozostaje. Co ciekawe, takie algorytmy mog膮 by膰 naprawd臋 bardzo proste (i, nawiasem m贸wi膮c, nie maj膮 najcz臋艣ciej nic wsp贸lnego z uczeniem maszynowym!), bo ca艂a ich przewaga tkwi w tym, 偶e z ma艂ym wyprzedzeniem znaj膮 ceny rynkowe, zanim zapozna si臋 z nimi wi臋kszo艣膰 uczestnik贸w rynku. Maj膮c tak膮 przewag臋 w rynku, dalsze komplikowanie strategii nie ma sensu. Ryzyko takiej zabawy jest minimalne, sprowadzaj膮c si臋 w艂a艣ciwie do tego, 偶e z czasem kto艣 mo偶e by膰 jeszcze szybszy i nasza przewaga czasowa ju偶 nie wystarczy do generowania zysk贸w.

Wr贸膰my jednak do sedna. S臋k w tym, 偶e w tym punkcie L贸pezowi chodzi艂o o zgo艂a inny problem ni偶 pokazuje go w om贸wieniu Autor artyku艂u. Nie rzecz w tym, 偶e korzysta膰 musimy z danych historycznych, bo to oczywiste (!), ale jak korzysta膰 z tych danych w艂a艣ciwie.

Cz臋sta pora偶ka funduszy korzystaj膮cych z ML wynika z tego, 偶e dane, jakie znamy z wykres贸w, musz膮 by膰 przekszta艂cone do postaci, w kt贸rej maj膮 one posta膰 znormalizowanych (por贸wnywalnych), stacjonarnych serii. Niestety taki zabieg powoduje, 偶e kosztem uzyskania stacjonarno艣ci, pozbywamy si臋 z tych danych informacji o pami臋ci rynkowej, niezb臋dnej do tego by algorytm mia艂 zdolno艣膰 prognostyczn膮 do generowania sygna艂贸w transakcyjnych. Przyk艂adem pami臋ci rynkowej mo偶e by膰 by膰 informacja o tym jak bardzo daleko cena okre艣lonego waloru wychyli艂a si臋 od d艂ugoterminowej warto艣ci oczekiwanej. Konstruktorzy funduszy staj膮 zatem przed dylematem okre艣lenia minimalnego poziomu zr贸偶nicowania (znormalizowanych ju偶) cen tworz膮cych stacjonarne serie, przy zachowaniu maksymalnej ilo艣ci pami臋ci o rynku. W tym celu L贸pez liczy statystyczne warto艣ci tzw. testu ADF (Augmented Dickey-Fuller test) dla r贸偶nych poziom贸w, wykorzystuj膮c dane najbardziej p艂ynnych kontrakt贸w terminowych na 艣wiecie. Puentuje, 偶e przez dekady wi臋kszo艣膰 badaczy finansowych opiera si臋 na danych o zbyt wysokim poziomie zr贸偶nicowania, a wi臋c takich, gdzie wymazana jest pami臋膰 rynkowa, co w efekcie prowadzi do znanego dopasowania si臋 modelu do krzywej.

Reasumuj膮c: chc膮c inwestowa膰 w realnym 艣wiecie, skazani jeste艣my na uczenie si臋 w oparciu o historyczne dane. Robienie z tego tytu艂u zarzutu jest niedorzeczno艣ci膮. Trudno艣膰 le偶y w tym, by umiej臋tnie wycisn膮膰 z nich jak najwi臋cej, a tutaj z pomoc膮 przychodzi wyrafinowany aparat matematyczny. Parafrazuj膮c Autora: rzeczywisto艣膰 zmienia si臋, a odpowiednie reagowanie na te zmiany nie musi by膰 proste, nieprawda偶? Nie znaczy to jednak, 偶e nie mo偶na tego zrobi膰, a L贸pez pokazuje jak tego dokona膰 na konkretnym przyk艂adzie.

Po trzecie: Nieefektywne pobieranie danych

Zacytuj臋:

Automat nie potrafi selekcjonowa膰 informacji wedle ich wa偶no艣ci. Jest nastawiony na regularne pobieranie danych. To powoduje, 偶e jego metodyka pobierania danych z rynku jest nieefektywna.

Jak si臋 domy艣lam, Autor pije do punktu prezentacji, w kt贸rej L贸pez porusza problem nieefektywno艣ci w pr贸bkowaniu danych rynkowych. Domy艣lam si臋 jedynie, poniewa偶 stwierdzenie Autora w artykule jest bardzo lakoniczne, maj膮ce na celu tylko dowodzi膰 z g贸ry za艂o偶on膮 tez臋 o beznadziei algorytm贸w, ale ani nic nie wyja艣nia, ani nie odnosi si臋 rzetelnie do L贸peza.

Dla 艣cis艂o艣ci: pr贸bkowanie, a pobieranie, to nie to samo! Przyk艂adowo, 30 minutowy s艂upek na wykresie jest pr贸bk膮 zawieraj膮c膮 30 minutow膮 migawk臋 fluktuacji ceny waloru (OHLC 5 5. OHLC to skr贸t od angielskich s艂贸w Open, High, Low, Close. Odnosi si臋 do cen waloru w okre艣lonej jednostce czasu (np. dzie艅, w贸wczas Open to cena otwarcia sesji, High to najwy偶sza cena podczas sesji, Low to najni偶sza cena, a Close to cena zamkni臋cia sesji). OHLC s膮 wykorzystywane do rysowania wykres贸w gie艂dowych, np. przy pomocy 艣wiec japo艅skich. Dzi臋ki temu wykres zawiera wi臋cej informacji. × ). Gdy wykres jest rysowany w czasie rzeczywistym, ostatni s艂upek (pr贸bka) tworzy si臋 przez 30 minut, a ceny HLC ulega膰 mog膮 zmianie (niezmienna jest tylko cena otwarcia s艂upka – O). Ostateczna pr贸bka b臋dzie w pe艂ni narysowana dopiero po up艂yni臋ciu 30 minut, pomimo, 偶e dane pobierane by艂y ca艂y czas.

Klasyczny wykres 艣wiecowy to nic innego jak pr贸bkowanie czasowe. L贸pez zwraca jednak uwag臋, 偶e informacje na rynek wcale nie nap艂ywaj膮 w sta艂ym tempie, i 偶e efektywniejsze podej艣cie polega na pr贸bkowaniu danych wed艂ug zmiennych opartych na ilo艣ci nap艂ywaj膮cych danych, np. wed艂ug ilo艣ci transakcji, wolumenu lub ceny. M贸wi膮c inaczej, sugeruje u偶ycie interwa艂u opartego o ilo艣膰 nap艂ywaj膮cych informacji, a nie up艂ywaj膮cy czas. Jak to zrealizowa膰? Wyobra藕my sobie, 偶e na wykresie ka偶dy s艂upek nie opisuje np. 30 minutowego interwa艂u, ale zmiany cen zaistnia艂e w czasie okre艣lonym przez wolumen obrotu, np. 1000 kontrakt贸w terminowych czy akcji.

Pr贸偶no jednak szuka膰 u L贸peza stwierdze艅, kt贸re znajduj膮 si臋 w artykule, o tym, 偶e algorytmy nie potrafi膮 selekcjonowa膰 informacji wedle ich wa偶no艣ci. L贸pez skupia si臋 przede wszystkim na efektywniejszym wykorzystaniu informacji rynkowych.

Po czwarte: Brak analizy danych na bie偶膮co

Ponownie cytat:

Strategie powstaj膮 na podstawie zebrania danych (informacji) i wyci膮gania na ich podstawie wniosk贸w. Problem w tym, 偶e dane (informacje) pochodz膮 z wielu r贸偶nych (d艂ugich) okres贸w i nie s膮 analizowane na bie偶膮co, wi臋c nie jest pewne, co wywo艂a艂o pojawienie si臋 takich, a nie innych danych (informacji). W zwi膮zku z tym ka偶de strategie oparte na historii s膮 obarczone b艂臋dem.

Tutaj odnosz臋 wra偶enie, 偶e Autor chyba nie odni贸s艂 si臋 do prezentacji L贸peza w og贸le lub te偶 jej nie zrozumia艂. Mog臋 si臋 tylko domy艣la膰, co Autor mia艂 na my艣li. Prawdopodobnie odni贸s艂 si臋 do tzw. metkowania danych (ang. data labelling), kt贸re jest kluczowym aspektem w niekt贸rych technikach wykorzystuj膮cych ML, oraz/lub do tzw. problemu 鈥瀝ozlanych pr贸bek鈥.

Metkowanie mo偶na wyobrazi膰 sobie, gdy przyk艂adowo chcemy, aby algorytm potrafi艂 rozpoznawa膰 na zdj臋ciach samochody. Musimy go tego jednak wcze艣niej „nauczy膰” w ten spos贸b, 偶e dostarczymy mu wiele r贸偶nych zdj臋膰 i powiemy, na kt贸rych samochody s膮 obecne, a na kt贸rych ich nie ma 鈥 innymi s艂owy dostarczymy mu 鈥瀘metkowane鈥 dane. Dzi臋ki temu algorytm mo偶e p贸藕niej dzia艂a膰 ju偶 na danych „nie ometkowanych”. Maj膮c w „pami臋ci” wcze艣niej prezentowane zdj臋cia z opisem, mo偶e samodzielnie „wywnioskowa膰” czy na nowo prezentowanym zdj臋ciu jest obecny samoch贸d, czy te偶 nie.

Analogiczny mechanizm mo偶na stosowa膰 na rynkach finansowych, chocia偶 wcale nie jest to tak proste do osi膮gni臋cia. Jak zauwa偶a L贸pez, w 艣wiecie finans贸w w wi臋kszo艣ci przypadk贸w ML opiera si臋 na metkach przedstawiaj膮cych obserwacje dla sta艂ego horyzontu czasowego, co wi膮偶e si臋 z tym, 偶e takie dane (metki) nie nios膮 ze sob膮 przydatnych w艂a艣ciwo艣ci statystycznych do wykorzystania w strategiach. Remedium na to mo偶e by膰 stosowanie metek zbudowanych ze wspomnianych ju偶 wykres贸w opartych o wolumen lub ceny zamiast czasu.

Jeszcze lepsze rezultaty przynosz膮 metki zbudowane na tzw. metodzie trzech barier. Metoda taka metkuje obserwacje wed艂ug zasady kontaktu wykresu z pierwsz膮 napotkan膮 barier膮:

  • Pierwsze dwie horyzontalne bariery to klasyczne poziomy profit-take (PT) i stop-loss (SL), zale偶ne od zmienno艣ci rynkowej
  • Trzecia bariera przyjmuje posta膰 wertykaln膮, definiowan膮 liczb膮 s艂upk贸w na wykresie od momentu zaj臋cia pozycji i stanowi limit wygasania dla pozycji (je艣li bariery w postaci PT lub SL nie zosta艂y wcze艣niej naruszone).

Z kolei w przypadku problemu tak zwanych „rozlanych pr贸bek” L贸pez nawi膮zuje do sytuacji, gdzie etykiety z czasem pokrywaj膮 si臋, co powoduje trudno艣膰 w ustaleniu obserwacji stoj膮cej za okre艣lonym efektem (wynikiem). Lekarstwem proponowanym przez L贸peza jest metoda nadaj膮ca wagi poszczeg贸lnym obserwacjom.

Niestety w tym punkcie, jak ju偶 wspomina艂em, Autor jest wyj膮tkowo niezrozumia艂y i ci臋偶ko odnie艣膰 si臋 do przedstawionych w artykule zarzut贸w. Naprawd臋 trudno odgadn膮膰, co Autor mia艂 na my艣li wspominaj膮c o „braku analizy danych na bie偶膮co”:

(…) ka偶de strategie oparte na historii s膮 obarczone b艂臋dem.

L贸pez nie pisze o tym jak by膰 perfekcjonist膮 w 艣wiecie finans贸w, a raczej jak z g艂ow膮 m贸c na nim prze偶y膰 maj膮c 艣wiadomo艣膰 swoich ogranicze艅.

Po pi膮te: Z艂udzenie backtest贸w

Dla mniej zaznajomionych czytelnik贸w: backtest to procedura, w kt贸rej zbudowana strategia jest testowana na danych historycznych, zanim pod艂膮czy si臋 j膮 do handlowania na realnym rynku. Dla uzyskania wi臋kszej pewno艣ci co do efektywno艣ci strategii na realnym rynku stosowane s膮 niezliczone sztuczki, a ca艂y proces testowania mo偶e spokojnie zajmowa膰 wielokrotno艣膰 czasu sp臋dzonego na sam膮 budow臋 strategii. I autor artyku艂u ma racj臋: 艂atwo przekroczy膰 cieniutk膮 granic臋 pomi臋dzy rzeczywisto艣ci膮 a u艂ud膮. 艁atwo przek艂ama膰 wyniki w symulacji.

Jeszcze 艂atwiej by膰 ofiar膮 b艂臋dnej procedury testowania, gdy do budowania strategii inwestycyjnych zaprz臋gamy wielkie zbiory danych, uczenie maszynowe i sprz臋t o wysokiej mocy obliczeniowej. Analitycy w takich warunkach maj膮 dost臋p do milion贸w alternatywnych strategii, a st膮d kr贸tka droga do problemu zbytniego dopasowania modelu do danych historycznych (backtest overfitting) i zderzenia si臋 z fenomenem okre艣lanym mianem b艂臋du selekcji (selection bias).

To nie znaczy jednak, 偶e stosowanie metod typu data-mining jest z g贸ry na przegranej pozycji! Autor artyku艂u nie wspomnia艂, 偶e L贸pez proponuje konkretny 艣rodek zaradczy w postaci skorygowanej miary Sharpe Ratio, nazwanej Deflated Sharpe Ratio (DSR). O co chodzi?

Wyobra藕my sobie, 偶e w procesie budowania strategii wykorzystuj膮cej ML stworzono milion alternatywnych strategii, a my wybieramy tylko jedn膮, wed艂ug naszych kryteri贸w najlepsz膮, na przyk艂ad o najwy偶szym odczycie Sharpe Ratio. Niestety, analogicznie jak przy opisywanym wcze艣niej problemie rekrutacji, takie podej艣cie jest naiwne. Powinni艣my bowiem mie膰 wysok膮 pewno艣膰 (w statystyce zak艂ada si臋 cz臋sto 95%), 偶e wybrana strategia nie jest dzie艂em przypadku, i 偶e tkwi w niej przewaga rynkowa. Operuj膮c na tak wielkiej pr贸bie, prosty wyb贸r najlepszej pod wzgl臋dem Sharpe Ratio strategii takiej pewno艣ci absolutnie nie daje. W literaturze obrazowo opisuje si臋 ten problem przywo艂uj膮c histori臋 o ma艂pkach. Gdyby ma艂pce dano klawiatur臋, a ta zacz臋艂aby w ni膮 stuka膰, ma艂o realne jest, aby w wyniku tego powsta艂o dzie艂o Szekspira. Je艣li jednak mieliby艣my mo偶liwo艣膰 rozdania klawiatur komputerowych milionom ma艂p, i daliby艣my im wystarczaj膮co du偶o czasu, mo偶liwe, 偶e wskutek tego kt贸ra艣 z ma艂pek napisa艂aby dzie艂o Williama Szekspira. S臋k w tym, 偶e nie mieliby艣my w贸wczas przypadku reinkarnacji wielkiego dramaturga, tylko zwyk艂ego 艣lepego trafu. Tak wyselekcjonowana ma艂pka nie by艂aby w stanie 艂atwo powt贸rzy膰 swojego wyczynu, bo to co napisa艂a nie wynika艂o z jej umiej臋tno艣ci, tylko by艂o dzie艂em przypadku.

Wracaj膮c do strategii inwestycyjnych 鈥 nie chcieliby艣my, aby nasza wyselekcjonowana strategia by艂a ma艂pk膮, kt贸ra przypadkowo uzyska艂a 艣wietny wynik w symulacji komputerowej. Poszukujemy wszak strategii o realnej przewadze na rynku, kt贸ra z wysok膮 pewno艣ci膮 pozwoli zarobi膰 na rynku.

DSR proponowane przez L贸peza to przeciwwaga do „przekle艅stwa wygrywaj膮cego”, gdzie spo艣r贸d wielu wygrywaj膮cych alternatywnych strategii wybierana jest ta z najwy偶sz膮 (najbardziej napompowan膮) miar膮 Sharpe Ratio (Inflated Sharpe Ratio). Klasyczna miara Sharpe jest wynikiem dzielenia 艣redniego zysku przez standardowe odchylenie (zysk贸w i strat). DSR natomiast zosta艂o zaprojektowane tak, by bazuj膮c na idei klasycznego Sharpe uwzgl臋dni膰 dodatkowo m.in.:

  • Liczb臋 wszystkich alternatywnych strategii, z kt贸rych wybierana jest jedna (najlepsza)
  • Statystyczny rozk艂ad transakcji (z natury nie b臋d膮cy rozk艂adem normalnym, wi臋c istotne jest jak ten rozk艂ad transakcji si臋 kszta艂tuje)
  • Liczba transakcji systemu (inn膮 warto艣膰 statystyczn膮 ma wynik strategii oparty o 10 transakcji, a zupe艂nie inn膮 o 1000 transakcji)

Dla zainteresowanych szczeg贸艂owy opis metryki DSR jest dost臋pny tutaj.

To nie backtesting jest z艂y, jak chce autor artyku艂u, cz臋sto zreszt膮 jest nieunikniony, lecz wnioski z niego wyci膮gane! Paradoksalnie 鈥渙fiar膮鈥 niepoprawnie wykonanego backtestingu mo偶na by膰 i bez stosowania algorytm贸w 鈥 wspomina艂em o tym przy punkcie pierwszym, odnosz膮c si臋 do kwestii syndromu Syzyfa na przyk艂adzie procesu rekrutacyjnego na zarz膮dzaj膮cego funduszem inwestycyjnym. Nie trzeba robi膰 formalnych test贸w, by po cichu przyjmowa膰 za艂o偶enia co do przysz艂o艣ci w oparciu o przesz艂e zdarzenia. 艢wiadomo艣膰 pope艂nianych b艂臋d贸w tego rodzaju u ludzi stosuj膮cych algorytmy jest jednak o wiele wi臋ksza, a pewno艣膰 z jak膮 Autor wypowiada si臋 o backtestingu wskazuje w gruncie rzeczy na jego naiwno艣膰.

Poprosz臋 o dowody

Autor wystawia bardzo srog膮 ocen臋 algorytmom w inwestycyjnym 艣wiecie. Ale co wsp贸lnego ma wymienionych powy偶ej pi臋膰 punkt贸w do wynik贸w polskich funduszy?! Czy za tymi funduszami sta艂y w艂a艣nie algorytmy wykorzystuj膮ce uczenie maszynowe? Czy pope艂nione zosta艂y w艂a艣nie b艂臋dy przytoczone przez L贸peza? A je艣li tak, to kt贸re? To by艂oby bardzo ciekawe i pouczaj膮ce m贸c pozna膰 te szczeg贸艂y.

Niestety odnosz臋 wra偶enie, 偶e artyku艂 by艂 napisany pod tzw. publik臋. Autor powo艂uje si臋 w nim na autorytet L贸peza, ale najwyra藕niej nie zrozumia艂, co mia艂 on do przekazania. Skupi艂 si臋 tylko na pu艂apkach, jakie czyhaj膮 na buduj膮cych algorytmy, ale nie wspomnia艂 nic o konkretnych receptach jak z nimi sobie poradzi膰. Typowa krytyka dla krytyki.

Fundusze algorytmiczne na 艣wiecie

Wbrew temu, co sugeruje autor artyku艂u, fundusze inwestycyjne, za kt贸rymi stoj膮 algorytmy maj膮 si臋 ca艂kiem nie藕le. Wed艂ug rankingu 100 najwi臋kszych funduszy hedgingowych, uk艂adanego przez Institutional Investor鈥檚 Alpha (IIA) na rok 2017, pi臋膰 funduszy z pierwszej sz贸stki to fundusze, kt贸re opieraj膮 si臋 na algorytmach. Oto jak kszta艂tuje si臋 sze艣膰 najwi臋kszych funduszy hedge na 艣wiecie:

Wszystkie fundusze z powy偶szej listy poza J.P. Morganem opieraj膮 si臋 mniej lub bardziej na algorytmach. James Simons ze swoim flagowym Renaissance Technologies awansowa艂 w tym roku z pozycji 12 na 4. Czy fakt, 偶e kapita艂 tak ch臋tnie przyp艂ywa w艂a艣nie do zarz膮dzaj膮cych w oparciu o algorytmy jest oznak膮 ich s艂abo艣ci?

Gdyby艣my spogl膮dali na Europ臋, to tu numerem jeden jest David Harding ze swoj膮 Winton Group. Jak膮 metod膮 porusza si臋 po rynku? C贸偶, algorytmy鈥

Najlepiej op艂acani managerowie funduszy hedge? Prosz臋 bardzo, w tym roku tak kszta艂tuje si臋 pierwsza tr贸jka, a w艂a艣ciwie czw贸rka (odpuszcz臋 sobie podanie konkretnych kwot):

  • James Simons z Renaissance Technologies
  • Ray Dalio z Bridgewater Associates
  • Ex aequo John Overdeck i David Siegel z Two Sigma

Co ich 艂膮czy? Zauwa偶ymy to patrz膮c na top list臋 funduszy 艣wiatowych 2017 podan膮 wcze艣niej.

A co z Polsk膮? Dopiero wstajemy z kolan i p贸ki co to jeste艣my peryferiami peryferii.

Podsumowanie

Niech臋膰 u ludzi do algorytm贸w nie jest niczym nowym i to nie tylko w 艣wiecie finans贸w. Virginia Apgar, anestezjolo偶ka, kt贸ra zaproponowa艂a prosty algorytm oceny dzieci tu偶 po porodzie, spotka艂a si臋 na pocz膮tku z bardzo silnym oporem 艣rodowiska wobec jego stosowania. Obecnie uznaje si臋, 偶e dzi臋ki wykorzystaniu jej metody znacz膮co zmniejszona jest 艣miertelno艣膰 niemowl膮t, poniewa偶 lekarz dysponuje prost膮 i obiektywn膮 list膮 zmiennych (algorytmem), kt贸rych ocena pozwoli szybko stwierdzi膰, czy dziecko nie wymaga natychmiastowej interwencji medycznej.

Negatywna postawa wobec algorytm贸w jest naturalna w sytuacji, w kt贸rej konkuruj膮 one z cz艂owiekiem. Komputer DeepBlue wzbudza艂 ogrom emocji przy szachowej konfrontacji z Garri Kasparowem, a firma IBM by艂a oskar偶ana wr臋cz o manipulacje.

Legend膮 obros艂y ju偶 opowie艣ci o algorytmie Ashenfelter鈥檃, pozwalaj膮cym skutecznie prognozowa膰 ceny win Bordeaux. Po艣r贸d enofil贸w tak dalece posuni臋ta algorytmizacja by艂a nie do przyj臋cia, ocieraj膮c si臋 wr臋cz o gro藕by karalne, niemniej jednak wygra艂a rywalizacj臋.

Autor omawianego artyku艂u sugeruje, 偶e algorytmy to zazwyczaj inwestycyjne pora偶ki. Tymczasem eksperci, kt贸rzy nie opieraj膮 swoich decyzji na algorytmach, wcale jednak tak lepszych wynik贸w inwestycyjnych nie osi膮gaj膮. Nasz膮 ludzk膮 natur臋 cechuje brak konsekwencji w wyci膮ganiu wniosku na podstawie dostarczanych informacji. Literatura szeroko opisuje przypadki niekonsekwencji w wielu profesjach: od radiolog贸w oceniaj膮cych zdj臋cia RTG, kt贸rzy to 10 minut p贸藕niej potrafi膮 wyda膰 odmienn膮 opini臋 o… tym samym zdj臋ciu, po analityk贸w finansowych, kt贸rzy koncertowo potrafi膮 wtopi膰 w rywalizacji z sympatycznymi ma艂pkami. Oceny ludzkie s膮 bardzo 艣ci艣le powi膮zane z kontekstem. Wystarczy, 偶e analityk wstanie lew膮 nog膮, b臋dzie pada艂 deszcz, czy jeszcze co艣 innego, a nasza decyzja mo偶e by膰 skrajnie odmienna, pomimo, 偶e b臋dzie dotyczy膰 tego samego. Co gorsza, nie b臋dziemy nawet 艣wiadomi, 偶e nasze os膮dy s膮 pod g艂臋bokim wp艂ywem jakiego艣 czynnika zewn臋trznego. Mo偶emy za to 偶y膰 w poczuciu jak偶e mi艂ej kontroli sytuacji.

Warto doda膰 te偶, 偶e algorytmy wnosz膮 na rynek wiele pozytywnych zmian, ale zwykle w popularnych mediach zwraca si臋 uwag臋 g艂贸wnie na same negatywne aspekty w poszukiwaniu taniej sensacji. Przyk艂adowo wspomniane algorytmy HFT, kt贸re chyba wzbudzaj膮 najwi臋cej negatywnych opinii szerokiej publiczno艣ci, przyczyniaj膮 si臋 do wzrostu p艂ynno艣ci i efektywno艣ci rynku oraz zmniejszania si臋 spread贸w, co zmniejsza koszty transakcyjne dla wszystkich innych uczestnik贸w rynku. Czy komu艣 si臋 to podoba, czy nie, algorytmy na rynkach finansowych nale偶y postrzega膰 jako narz臋dzie, od kt贸rego odwrotu ju偶 nie ma. Fakt, 偶e niekt贸rzy to narz臋dzie wykorzystuj膮 w, powiedzmy dyplomatycznie, kontrowersyjny spos贸b (np. strategie oparte o metody front running 6 6. Front running to metoda wykorzystuj膮ca informacje o zakolejkowanych zleceniach, zanim ta informacja jest dost臋pna dla innych uczestnik贸w na rynku. Stosowanie tej metody mo偶e by膰 nielegalne. × czy quote stuffing 7 7. Quote stuffing to taktyka polegaj膮ca na sk艂adaniu du偶ych zlece艅 kupna/sprzeda偶y jakiego艣 waloru, a nast臋pnie anulowaniu tego zlecenia przed jego wykonaniem. Jednym z powod贸w takiego dzia艂ania mo偶e by膰 celowe obci膮偶enie system贸w transakcyjnych, by w ten spos贸b m贸c realizowa膰 np. strategi臋 opart膮 na handlu wysokich cz臋stotliwo艣ci (HFT). Inny przyk艂ad polega to tworzenie mylnego przekonanie na rynku co do istnienia okre艣lonych poziom贸w cenowych na rynku. Jest to w贸wczas kreowanie sztucznego popytu/poda偶y. × ), nie oznacza, 偶e nale偶y jednoznacznie negatywnie postrzega膰 obecno艣膰 wszystkich algorytm贸w na rynkach.

Autor artyku艂u r贸wnie偶 wpisuje si臋 w anty trend wobec algorytm贸w. Nic w tym z艂ego. Szkoda tylko, 偶e pisz膮c artyku艂 nie odrobi艂 w minimalnym stopniu lekcji domowej — powyrywa艂 strz臋py z prezentacji L贸peza, kt贸re bez kontekstu s膮 bezwarto艣ciowe i kreuj膮 fa艂szywy obraz algorytm贸w na rynkach i ich projektowania. Zupe艂nie prawdopodobnie nie zrozumia艂 czym jest ML i jaka jest jego rola we wsp贸艂czesnym 艣wiecie funduszy algorytmicznych. Co gorsza 鈥 wyniki polskich funduszy uzasadni艂 prac膮 L贸peza na zupe艂nie inny, cho膰 wygl膮daj膮cy podobnie temat. Gdzie tu sens?

Jacek

Footnotes

  1. Quant 鈥 angielskie okre艣lenie analityka stosuj膮cego metody ilo艣ciowe do budowy skomplikowanych modeli wykorzystywanych do wyceny i handlu instrumentami finansowymi. Modele implementowane s膮 w postaci algorytm贸w komputerowych, automatycznie wykonywanych na rynku.
  2. Arbitra偶 statystyczny to metoda inwestycyjna polegaj膮ca na kupnie i sprzeda偶y akcji (lub innych instrument贸w) w tym samym momencie, kt贸re s膮 ze sob膮 mocno skorelowane (np. akcje sp贸艂ek z tego samego sektora). Istnieje wiele modeli arbitra偶u statystycznego. Przyk艂adowo wykorzystywana jest zasada powrotu do 艣redniej (powrotu do korelacji, ang. mean reversion). Chodzi o to, 偶e nawet wysoce skorelowane ze sob膮 instrumenty finansowe mog膮 okresowo wykazywa膰 mniejsz膮 korelacj臋. Arbitra偶 statystyczny okre艣lany jest te偶 mianem handlowania parami (ang. pair trading) lub handlowania spreadem.
  3. Sztuczna inteligencja (ang. Artificial Intelligence, AI) to szeroka koncepcja, kt贸ra umo偶liwia maszynom wykonywa膰 zadania w inteligentny spos贸b. Uczenie maszynowe (ang. Machine Learning, MI) to przyk艂ad zastosowania AI polegaj膮cy na tym, 偶e maszyna przy dost臋pie do danych jest w stanie samodzielnie si臋 z tych danych uczy膰.
  4. Fundusz hedge (fundusz hedgingowy, ang. hedge fund), to rodzaj funduszu inwestycyjnego, kt贸ry stara si臋 zarabia膰 bez wzgl臋du na koniunktur臋 rynkow膮 (np. na rynku akcji, gdzie zarabianie mo偶liwe jest tylko na wzrostach cen, je艣li nie jest stosowana kr贸tka sprzeda偶). Fundusze hedge mog膮 wykorzystywa膰 na rynku zaawansowane instrumenty i strategie finansowe. Mog膮 przyk艂adowo wykorzystywa膰 instrumenty pochodne takie jak kontrakty terminowe czy opcje. Mog膮 te偶 wykorzystywa膰 tak zwan膮 kr贸tk膮 sprzeda偶 akcji (sprzeda偶 po偶yczonych akcji, celem p贸藕niejszego odkupienia na rynku po ni偶szej cenie). Fundusze tego rodzaju mog膮 stosowa膰 d藕wigni臋 finansow膮.
  5. OHLC to skr贸t od angielskich s艂贸w Open, High, Low, Close. Odnosi si臋 do cen waloru w okre艣lonej jednostce czasu (np. dzie艅, w贸wczas Open to cena otwarcia sesji, High to najwy偶sza cena podczas sesji, Low to najni偶sza cena, a Close to cena zamkni臋cia sesji). OHLC s膮 wykorzystywane do rysowania wykres贸w gie艂dowych, np. przy pomocy 艣wiec japo艅skich. Dzi臋ki temu wykres zawiera wi臋cej informacji.
  6. Front running to metoda wykorzystuj膮ca informacje o zakolejkowanych zleceniach, zanim ta informacja jest dost臋pna dla innych uczestnik贸w na rynku. Stosowanie tej metody mo偶e by膰 nielegalne.
  7. Quote stuffing to taktyka polegaj膮ca na sk艂adaniu du偶ych zlece艅 kupna/sprzeda偶y jakiego艣 waloru, a nast臋pnie anulowaniu tego zlecenia przed jego wykonaniem. Jednym z powod贸w takiego dzia艂ania mo偶e by膰 celowe obci膮偶enie system贸w transakcyjnych, by w ten spos贸b m贸c realizowa膰 np. strategi臋 opart膮 na handlu wysokich cz臋stotliwo艣ci (HFT). Inny przyk艂ad polega to tworzenie mylnego przekonanie na rynku co do istnienia okre艣lonych poziom贸w cenowych na rynku. Jest to w贸wczas kreowanie sztucznego popytu/poda偶y.
Subskrybuj
Powiadom o
guest

2 komentarzy
najstarszy
najnowszy oceniany
Inline Feedbacks
View all comments

Ruszy艂a sprzeda偶 oprogramowania #ST

Kilkadziesi膮t gotowc贸w inwestycyjnych!