Z ostatniej chwili
0
Wersja bez reklam. Zwiększ swoją satysfakcję z korzystania z serwisu Investing.com. Zaoszczędź aż 40% Więcej szczegółów

Na rynku byka każdy jest geniuszem – na czym polega inwestowanie ilościowe

Przez GPW ATAKRynki akcji26.05.2022 14:04
pl.investing.com/analysis/na-rynku-byka-kazdy-jest-geniuszem--na-czym-dokladnie-polega-inwestowanie-iloscio-200262302
Na rynku byka każdy jest geniuszem – na czym polega inwestowanie ilościowe
Przez GPW ATAK   |  26.05.2022 14:04
Zapisane. Przeglądaj Zapisane pozycje.
Ten artykuł już został zapisany w Twoich Zapisane pozycje
 

Z poprzedniej części wywiadu z Zurą Kakushadze z Qauntigic Solutions można się było dowiedzieć, jak rozumie on inwestowanie ilościowe, co fizyka może dać światowi inwestycji i do czego służą modele tworzone przez quantów. W tej, ostatniej już, części rozmowy z amerykańskim ekspertem wchodzimy w jeszcze większe szczegóły dotyczące inwestowania ilościowego. Będzie m. in. mowa o tym, jakich pułapek uniknąć, żeby stworzony algorytm nie stanowił jedynie ekscytującej igraszki umysłowej, ale naprawdę działał.

 

Marcin Kuchciak (MK): Inwestowanie ilościowe wymaga posiadania odpowiedniego sprzętu informatycznego, który pozwoli zbudować model na wiarygodnych danych historycznych, a następnie go zoptymalizować. Jakie jest Twoim zdaniem minimum, które musi posiadać inwestor (sprzęt i oprogramowanie IT), aby poważnie zająć się inwestowaniem ilościowym i ile to kosztuje?

Zura Kakushadze (ZK): Sprzęt jest tani. Wiele programów jest darmowych. To, co nie jest darmowe, ani tanie, to dane i zasoby ludzkie oraz wszystkie związane z tym koszty ogólne, w tym koszty obsługi prawnej, zgodności z przepisami, świadczeń, ubezpieczeń itp. Gdy skaluje się system do rozsądnych rozmiarów, jest to już wiele, wiele milionów dolarów.

MK: W poprzednim pytaniu wspomniałem o wiarygodnych danych. Bez nich nie wyobrażam sobie sensu konstruowania modeli ilościowych. Nawet najbardziej pomysłowa formuła matematyczna zawiedzie, jeśli bazuje na złych danych – to zjawisko GIGO (garbage in/garbage out). Jak go uniknąć – skąd czerpać wiarygodne dane? Czy systemy informatyczne typu Bloomberg, które kosztują ponad 20 tys. dolarów rocznie, są jedynym rozwiązaniem, aby mieć dobre dane?

ZK: Wysoka jakość danych jest ważna. W przypadku danych cenowo-wolumenowych i fundamentalnych nie ma zbyt dużego wyboru, lepiej jest pozyskiwać je od renomowanego dostawcy, który wykonał już dużo ciężkiej pracy w celu zapewnienia integralności danych itp. W przeciwnym razie inwestor ilościowy będzie zmuszony poświęcić dużo czasu na samodzielną pracę, a to jest nieoptymalne. Jest jednak pewne zastrzeżenie. Dostawcy poprawiają dane z mocą wsteczną, więc niekoniecznie są to faktyczne dane, które były dostarczane w danym momencie w przeszłości. Może to wprowadzać do backtestów tendencyjność wybiegającą w przyszłość. W niektórych przypadkach ważne może być uzyskanie historycznych danych w takiej postaci, w jakiej zostały dostarczone, bez późniejszych poprawek.

Następnie mamy dane alternatywne. Tutaj sprawa robi się trudna, ponieważ więcej danych nie musi oznaczać lepszych sygnałów. Ważne jest, aby zrozumieć rynki i dowiedzieć się, czy i dlaczego dany zestaw danych może stanowić wartość dodaną dla danej strategii. Samo wrzucenie dużej ilości losowych danych do systemu i użycie gotowych bibliotek Pythona, które nie zostały nawet zaprojektowane do zastosowań tradingowych i nie wiadomo nawet, co robią “pod maską”, po prostu nie wystarczy. Nie da się maszynowo nauczyć szumu. A naiwne myślenie, że nie ma nic złego we wprowadzaniu większej ilości danych, które nie wnoszą żadnej wartości, jest właśnie takie – naiwne. Jest wręcz szkodliwe, ponieważ zwiększa szum, zmniejszając tym samym szanse na wykrycie przez system prawdziwego sygnału, o ile taki istnieje, a zwiększa prawdopodobieństwo nadmiernego dopasowania i znalezienia fałszywych sygnałów. I to jeszcze przed omówieniem jakości danych. Rzeczywiście, śmieci wchodzą i śmieci wychodzą. A w wielu przypadkach nie ma możliwości sprawdzenia jakości danych przed zapłaceniem za nie sporej sumy i wypróbowaniem ich. Stało się to w zasadzie samospełniającą się przepowiednią. Większość robi to samo i nikt nie chce tego przegapić. To jest bardzo stadne. Efekt końcowy jest taki, że to, co robi większość, jest wysoce nieoptymalne i ciągle się psuje, ponieważ jest w większości przypadkowe.

MK: Źródła danych wejściowych do modeli ilościowych mogą być niemal nieskończone – być może ogranicza nas tylko nasza wyobraźnia. Wielu quantów korzysta z danych alternatywnych. Przykładów może być wiele. Zdjęcia satelitarne ruchu pieszego w różnych lokalizacjach sklepów mogą być wykorzystane do oszacowania prognoz przychodów dla sieci detalicznej, co może stanowić część systemu przewidującego oficjalne dane. Przetwarzanie językowe kanałów informacyjnych może być wykorzystane do modelowania zmian nastrojów w firmach, które ostatecznie wpłyną na podaż i popyt na dany papier wartościowy. Zaległości w spłacie kart kredytowych według regionów mogą wskazywać na kondycję finansową różnych warstw konsumentów lub różnice międzyregionalne, które mogą mieć kluczowe znaczenie dla zrozumienia pozycji konkurentów o różnym zasięgu krajowym. Jakie inne dane alternatywne można wykorzystać w modelach? Które z alternatywnych danych, które widziałeś, były najbardziej niezwykłe?

ZK: Wracamy do tego, o czym wspomniałem. Nie ma prostej recepty „używaj tego, a nie tamtego”. Niektóre dane mogą być użyteczne dla niektórych strategii w niektórych reżimach rynkowych, ale w innych przypadkach mogą być zupełnie nieprzydatne. Kluczem jest zrozumienie finansów i rynków. Wrzucanie zbioru danych do czarnej skrzynki nie jest właściwym sposobem postępowania. A tak właśnie dzieje się w większości przypadków. Co sprawia, że jest to zasadniczo przypadkowe. Stąd tak wysoki odsetek niepowodzeń.

MK: John Rekenthaler z Morningstar napisał w marcu tego roku (LINK), że główną przeszkodą w inwestowaniu ilościowym jest konkurencja.

„Większym problemem jest jednak konkurencja. Każdego roku amerykańskie uniwersytety przyznają łącznie 25 000 tytułów doktorskich w dziedzinie finansów, inżynierii, fizyki, matematyki i informatyki. Większość z tych absolwentów nie zostaje zawodowymi inwestorami – ale jeśli tylko 1% z nich zostanie, to daje to 250 osób rocznie. Z czasem liczba ta rośnie do kilku tysięcy quantów, którzy walczą o swoje inwestycyjne szczęście”.

Cytat z wypowiedzi Johna.

Może to przekładać się na to, że coraz więcej różnych osób będzie korzystać z tych samych lub podobnych modeli ilościowych, co osłabi ich skuteczność. Czy podzielasz ten pogląd?

ZK: Stwierdzenie, że im więcej uczestników, tym mniejsza marża do przechwytu, jest logiczne i pojawiło się na długo przed tym, zanim zająłem się finansami – przy założeniu, że tort do podziału pozostanie taki sam. Marże cały czas się zmniejszają. Ale tort nie pozostaje taki sam. Gdy pieniądze są drukowane w dużych ilościach i trafiają na giełdę, to tort do podziału rośnie. Na rynku byka każdy jest geniuszem. Pomijając zmienność stóp zwrotu z portfela, na rynku byka trudno jest pokonać S&P500 w sposób statystycznie istotny. Jeśli więc ktoś nie dba o zmienność, to dlaczego nie zainwestować w S&P500 na rynku byka?

Jaką zatem wartość wnoszą inwestorzy ilościowi na rynku byka? W wielu przypadkach jest to po prostu zmniejszenie zmienności stóp zwrotu z portfela. Cała ta skomplikowana obróbka danych przez system to w większości przypadków próba maszynowego uczenia szumu. W wielu przypadkach nie uzyskuje się nawet żadnej alfy, tylko betę w przebraniu alfy, właśnie dlatego, że strategia bazowa jest strategią typu „black-box” (czarna skrzynka), więc praktycznie niemożliwe jest rozróżnienie, co jest czym, ponieważ jest to zamaskowane przez cały ten szum, również pochodzący z tych wszystkich przypadkowych danych. Ważne jest, aby docenić, że jest to sytuacja o niskim stosunku sygnału do szumu, więc niedoświadczony inwestor bardzo łatwo może się potknąć lub, co gorsza, może ona zmylić niczego nie podejrzewającego inwestora za pomocą wszystkich haseł związanych z uczeniem maszynowym/sztuczną inteligencją, szczególnie biorąc pod uwagę nadmierny szum. Tak więc na rynku byka łatwo jest uzyskać zysk, a żeby zmniejszyć zmienność, nie potrzeba tych wszystkich losowych danych, “czarnych skrzynek” itp. Istnieją solidne sposoby konstruowania portfeli poprzez odpowiednie modelowanie ryzyka w celu zmniejszenia zmienności portfela.

W innych reżimach rynkowych, takich jak rynki w trendzie horyzontalnym, prawdziwe umiejętności i zdolności quantów mogą zabłysnąć dzięki odkryciu prawdziwej alfy. W odpowiednich okolicznościach, jeśli jest wystarczająca płynność, na takich rynkach można zarabiać pieniądze. Takie strategie ilościowe, mimo że dotyczą obrotu tysiącami akcji, w niektórych przypadkach są koncepcyjnie tożsame ze sprzedażą zmienności. Mogą więc polegnąć, gdy sytuacja na rynku zmieni się diametralnie – wspominałem już o Quant Bust 2020. Odpowiadając na Twoje pytanie, w takich warunkach rynkowych większa konkurencja oznacza mniejsze marże. Jeśli płynność wysycha, sytuacja jeszcze bardziej się pogarsza.

Rynki niedźwiedzia stanowią wyzwanie, ponieważ tort się kurczy. Przypadkowi konkurenci po prostu nie przetrwają. Podsumowując, zwiększona konkurencja wpływa na marże, ale sytuacja jest bardziej złożona w zależności od systemu rynkowego i ilości drukowanych pieniędzy.

MK: Nadmierne dopasowanie (overfitting) modeli ilościowych jest najczęściej wymieniane jako przykład największej pułapki we właściwym wykorzystaniu danych. Na czym dokładnie polega to zjawisko? Czy mógłbyś podać naszym czytelnikom jakiś bardzo prosty przykład overfitting’u?

ZK: W skrócie, jest to próba dopasowania zbyt wielu parametrów modelu do zbyt małej liczby punktów danych. Na przykład, załóżmy, że mamy dane o kursach zamknięcia w okresie rocznym, czyli są to 252 dni sesyjne. Załóżmy, że w portfelu znajduje się 1000 akcji i chcemy obliczyć dla nich macierz kowariancji. Jeśli obliczysz przykładową macierz kowariancji, będzie ona bezużyteczna. W tej macierzy znajduje się 500 500 elementów. A masz tylko 252 danych. Zasadniczo korelacje w tej macierzy są całkowicie niestabilne i nie mają żadnej mocy przewidywania przyszłości.

Jest to prosty przykład “białej skrzynki”, ale dotyczy to również “czarnych skrzynek”. Rozważmy teraz tę samą jednoroczną perspektywę dla 1000 akcji i załóżmy, że próbujemy zastosować głęboką sztuczną sieć neuronową w celu wyodrębnienia sygnału do handlu tymi akcjami. Taka sieć neuronowa może z łatwością mieć wiele tysięcy wag, czyli parametrów, które próbujemy dopasować. Ale masz tylko 252 danych. Jest to bezsensowne ćwiczenie i oszukiwanie samego siebie. To jak chowanie głowy w piasek. Nie widzisz zła, nie słyszysz zła. To, że jest to “czarna skrzynka”, nie oznacza, że nie jest ona przepełniona.

MK: Jakie jeszcze błędy można popełnić przy tworzeniu modeli ilościowych? Gdybyś mógł to pokazać na kilku prostych przykładach.

ZK: Jest ich wiele. Podam jeden przykład związany z wykorzystaniem losowych danych. Jeśli handlujesz w horyzoncie milisekundowym, dane o zyskach, które są aktualizowane raz na kwartał, nie mają znaczenia dla Twojego sygnału. Nie ma znaczenia, czy wrzucisz te dane wraz z innymi danymi do swojego systemu. Jedyne, co to da, to zwiększenie szumu, overtradingu, wzrost nadmiernego dopasowania i fałszywych sygnałów itp. Brak zrozumienia zasad działania rynków i podstaw tradingu jest przyczyną takich błędów. A z powodu pewnej mody na inwestowanie ilościowe jest to teraz powszechne.

MK: Związany z tym jest okres obserwacji, czyli długość próbki danych szeregu czasowego używanej w backteście lub obliczeniach historycznych. Jakimi zasadami kierujesz się przy ustalaniu, dla jakiego okresu czasu będziesz testował dane historyczne?

ZK: Kluczową zasadą jest zrozumienie, że to, co dzieje się w krótkich horyzontach czasowych, jest niezależne od tego, co dzieje się w długich horyzontach czasowych. W fizyce jest to znane jako Decoupling Theorem, którego większość quantów zdaje się nie znać. Jeśli handlujesz intraday, obliczanie sygnału na podstawie danych sprzed – np. 10 lat – byłoby niedorzeczne. Co więcej, nawet jeśli użyjemy krótszego okresu obserwacji do obliczenia sygnału i dokonamy backtestu strategii na przestrzeni, powiedzmy, 10 lat, to nic to nie znaczy, ponieważ 10 lat temu rynki były zupełnie inne, a wyniki na papierze sprzed 10 lat nie mają żadnego wpływu na przyszłe oczekiwane wyniki.

MK: Jedyną pewną rzeczą w naszym życiu jest zmiana. Rynki stale się zmieniają. Wzorce zachowań cen aktywów nie są trwałe w długim okresie. Nassim Taleb wprowadził do publicznej debaty na temat rynków finansowych pojęcie “czarnego łabędzia”. Opisał on czarnego łabędzia jako zdarzenie, które: jest tak rzadkie, że nawet możliwość jego wystąpienia jest nieznana, ma katastrofalne skutki, gdy już wystąpi, z perspektywy czasu jest wyjaśniane tak, jakby było rzeczywiście przewidywalne. Za czarnego łabędzia można prawdopodobnie uznać pandemię koronawirusa i być może rosyjską agresję wojskową na Ukrainie. Czy uważasz, że systemy ilościowe są przydatne do przewidywania czarnych łabędzi? Czy może dają one tylko częściowe sygnały, które po połączeniu kropek składają się na jakiś większy obraz? Niektórzy twierdzą, że dywersyfikacja na poziomie portfela może stanowić zabezpieczenie przed czarnymi łabędziami. Co sądzisz o tym?

ZK: Krótka odpowiedź brzmi: nie, nie można przewidzieć czarnych łabędzi. Jest to omówione w moim artykule „Quant Bust 2020”, o którym już wspomniałe. Dywersyfikacja może zmniejszyć wpływ takiego zdarzenia, ale dywersyfikacja nie jest darmowa. Dywersyfikacja może obniżyć stopy zwrotu w normalnych czasach, więc wiąże się z nią premia, ponieważ zmniejsza zmienność – jest to w zasadzie polisa ubezpieczeniowa. Jest to decyzja biznesowa. Czy chcesz dywersyfikować przez cały czas, aby uchronić się przed potencjalnym czarnym łabędziem? Czy też chcesz podjąć to ryzyko? Nie ma ryzyka, nie ma nagrody.

MK: Czy mógłbyś zdradzić trochę, kim są klienci Quantigic? Jakiego rodzaju są to inwestorzy, ilu ich jest, jakie mają aktywa? Jak wygląda współpraca z nimi? Czy budujecie dla nich tylko modele matematyczne, a oni opiekują się nimi później we własnym zakresie, czy też zapewniacie im również wsparcie w zakresie optymalizacji modelu po jego sprzedaży ? Ile kosztują Wasze usługi?

ZK: Quanci są bardzo skryci, czasami aż do przesady. Nasi klienci nie życzą sobie, abyśmy ujawniali ich tożsamość, i my tego przestrzegamy. Zasadniczo proces myślowy quanta polega na tym, że jeśli korzysta on z usługi takiej jak nasza i daje mu ona przewagę, nie chce, aby inni o tym wiedzieli, ponieważ wtedy inni mogą uzyskać taką samą przewagę, a tym samym zmniejszyłby quant swoją. To już przesada, ale tak to właśnie działa. Jak więc można sobie wyobrazić, nie jest to biznes, w którym dostaje się polecenia. Ogólnie rzecz biorąc, współpracujemy z inwestorami ilościowymi, funduszami hedgingowymi, firmami z branży fintech itp. Nie reklamujemy się, ani nie zabiegamy o klientów, to oni sami do nas przychodzą, ponieważ wiedzą, kim jesteśmy, również dzięki publikacjom. Wtedy właśnie omawiamy nasze usługi, które są zazwyczaj dostosowane do ich potrzeb, oraz koszty.

MK: W sierpniu 2020 r., kiedy rentowność 10-letnich obligacji skarbowych USA oscylowała wokół 0,5%, mało kto przypuszczał, że czeka nas okres silnych spadków cen długu. Z moich rozmów z ludźmi z Wall Street wynika, że dopiero w styczniu 2021 roku wielu inwestorów dostrzegło, że inflacja wcale nie jest tymczasowa, ale staje się zjawiskiem trwałym. Do niedawna wielu ekonomistów zastanawiało się nad stagflacją. Obecnie coraz częściej mówi się już o recesji, która miałaby nastąpić na początku 2023 roku. Co wasze systemy ilościowe mówią o ryzyku recesji?

ZK: Wydrukowano dużo pieniędzy, więc niektóre z tych rzeczy nie są zaskakujące. Niektóre aspekty mają charakter cykliczny, więc ta część też nie jest zaskakująca. W ciągu ostatnich 21 lat pracy w finansach widziałem te cykle i nie są one tak straszne, jak się je przedstawia. Większym problemem jest kolejny czarny łabędź, być może geopolityczny. O wiele bardziej niż cykle gospodarcze niepokoją mnie poważne pęknięcia strukturalne w sposobie funkcjonowania ludzkości. Rzeczy, które wydawały się mało prawdopodobne, że wydarzą się za naszego życia, wydają się być znacznie bardziej prawdopodobne w najbliższej przyszłości. I to jest niepokojące.

MK: Dziękuję za wywiad. Myślę, że w przystępny sposób opowiedziałeś polskim czytelnikom o tym, czym się zajmujesz, na czym polega inwestowanie ilościowe i zainspirowałeś wielu z nich do głębszego zapoznania się z tym bardzo ciekawym tematem.

ZK: Bardzo dziękuję, Marcin, to była dla mnie przyjemność.

Na rynku byka każdy jest geniuszem – na czym polega inwestowanie ilościowe
 

Artykuły powiązane

Na rynku byka każdy jest geniuszem – na czym polega inwestowanie ilościowe

Dodaj komentarz

Wytyczne dotyczące komentarzy

Zachęcamy Cię do korzystania z komentarzy, wchodzenia w interakcje z użytkownikami, dzielenia się swoją perspektywą i zadawania pytań autorom i sobie nawzajem.  By jednak zachować wysoki poziom dyskusji, który wszyscy cenimy i którego oczekujemy, prosimy mieć na uwadze następujące kryteria:

  • Wzbogacaj dyskusję
  • Trzymaj się tematu. Umieszczaj materiał, który jest zgodny z dyskutowanym tematem.
  • Szanuj innych. Nawet negatywne opinie można formułować w pozytywny i dyplomatyczny sposób.
  • Używaj standardowego stylu pisania. Używaj interpunkcji oraz dużych i małych liter. 
  • UWAGA: Spam i/lub wiadomości promocyjne oraz linki w komentarzu będą usuwane.
  • Unikaj wulgarnego języka, oszczerstw oraz ataków osobistych skierowanych w autora lub innego użytkownika.
  • Można umieszczać tylko komentarze po polsku.
Tu napisz swoją opinię
 
Czy na pewno chcesz usunąć ten wykres?
 
Wyślij
Umieść także na:
 
Zastąpić dołączony wykres nowym wykresem?
1000
Aktualnie nie możesz umieszczać komentarzy, ponieważ dostaliśmy zgłoszenie o naruszeniu regulaminu. Twój status zostanie zweryfikowany przez naszych moderatorów.
Prosimy poczekaj minutę, zanim znów zaczniesz komentować.
Dziękujemy za Twój komentarz. Zaznaczamy, że musi on zostać zatwierdzony przez naszych moderatorów. Może to zająć chwilę, zanim pojawi się  na stronie.
 
Czy na pewno chcesz usunąć ten wykres?
 
Wyślij
 
Zastąpić dołączony wykres nowym wykresem?
1000
Aktualnie nie możesz umieszczać komentarzy, ponieważ dostaliśmy zgłoszenie o naruszeniu regulaminu. Twój status zostanie zweryfikowany przez naszych moderatorów.
Prosimy poczekaj minutę, zanim znów zaczniesz komentować.
Dodaj wykres do komentarza
Potwierdź zablokowanie

Czy na pewno chcesz zablokować %USER_NAME%?

Po włączeniu opcji blokady, ani Ty ani %USER_NAME% nie będziecie mogli zobaczyć swoich postów na Investing.com.

%USER_NAME% został pomyślnie dodany do Twojej Listy zablokowanych

Ponieważ właśnie odblokowałeś tę osobę, aby móc ponownie ją zablokować musi minąć 48 godzin.

Zgłoś ten komentarz

Uważam, że ten komentarz jest:

Komentarz zgłoszony

Dziękujemy!

Twoje zgłoszenie zostało wysłane do naszych moderatorów w celu rewizji
Rejestracja przez Google
lub
Rejestracja przez e-mail