On November 13, 2012, Ciamac Moallemi, Associate Professor of Decision, Risk, and Operations at Columbia Business School, presented High-Frequency Trading an...
On November 9, 2010, Kent Daniel, professor of Finance and Economics at Columbia Business School, presented Price Momentum. The presentation was part of the ...
为了形象化这个概念，想象一下每个暗池对给定股票都有独特的流动性概况，由平稳概率分布表示。 x 轴表示份额数，而 y 轴表示在每个离散时间步找到可用份额以执行的概率。当我们将交易订单提交给暗池时，会从该分布中提取一个数字 (s)，表示在该特定时间步长内愿意交易的交易对手的数量。执行量由提取量 (s) 和请求量 (vns) 中的最小值确定，确保在必要时部分执行。
非常感谢，科斯塔斯。这次演讲对我来说有点不合常规，但我希望它符合本次会议的精神和开放方向的主题。它与金融交易所的设计有关，尤其是被称为连续限价订单簿的流行设计。我将首先讨论我最近与 Peter Crampton 和 John Shimm 合作的一篇论文，该论文强调了当前金融交易设计中的一个经济缺陷。我们认为，这个缺陷导致了高频交易的负面影响。
然而，我们的研究表明，这种市场设计存在固有缺陷。一个主要问题是我们所说的“狙击”。当公开信息或信号发生变化时，从事流动性提供的交易公司相应地调整其报价。他们取消以前的出价或要价，并用反映更新信息的新出价或要价代替。现在，假设我是调整我的报价的这些贸易公司之一。与此同时，像 Thomas 这样的其他人也向交易所发送消息，以在旧报价被替换之前进行交易。
由于市场以连续的时间和顺序处理这些消息，因此哪个消息首先到达交易所变得随机。如果多家交易公司同时对新信息做出反应，则 Thomas 或任何其他参与者的请求有可能在我之前得到处理，从而允许他们以旧价格进行交易。这种狙击现象是有问题的，会产生一些影响。
在离散市场中，如果你比我稍微快一点，你总是可以在特定的时间间隔（Delta over tau）“狙击”我，因为基于拍卖的竞争。但是，如果你和其他几个交易者都比我快一点，我们就必须在竞价中与我竞争交易，而不是仅仅根据速度来竞争。这就提出了一个问题，即不同市场是否统一采用这种同步时钟方法，或者是否存在实际挑战。
金融界对ChatGPT寄予厚望，期待其为交易策略的开发和优化做出贡献。演示者进一步阐明了人工智能 (AI)、机器学习 (ML) 和深度学习之间的区别，强调机器学习是 AI 的一个子集，它使用技术来教机器模拟人类行为并做出智能决策。
接下来，演示者讨论了 ML 在交易中的典型工作流程。他们解释说，ML 使机器能够按照一系列步骤从数据中学习并做出预测。最初，收集和预处理数据以确保其质量和相关性。接下来，设计功能以将原始数据转换为机器可以理解的有意义的属性。然后将数据分为训练集和测试集，并使用 ML 算法构建模型。最后，模型在新数据上进行测试，如果表现令人满意，则可用于进行预测，促进交易过程。
为了说明 ML 的应用，演示者提供了一个预测下一个交易日资产（例如黄金）的高价和低价的示例。这种预测可以极大地帮助交易者做出明智的决定并改进他们的交易策略。
This session discusses the basics, uses & needs of ChatGPT and machine learning in trading. Attendees will learn how to integrate ChatGPT and machine learnin...
Financial markets are influenced by news, (micro) blogs and other categories of online streaming data. These sources of information reach financial market pa...
00:10:00 讲者讨论量化因子投资中的因子分类。因素分为七类，包括宏观因素、风格因素、行业因素、ESG因素、情绪因素、流动性因素和技术因素。他们解释了这些因素如何运作以及如何使用它们来创建因素组合。他们提供了使用宏观经济和基于风格的因素构建策略的示例，其中涉及使用 GDP 增长、通货膨胀率、利率和股本回报率等变量来选择股票和创建投资组合。对冲基金经理使用两个标准来选择股票和创建投资组合——较高的股本回报率和较低的债务股本比率。
This session covers the concept of factor investing and different types of factor investing strategies including a discussion of passive vs active investing ...
00:15:00 该视频讨论了如何使用机器学习来优化使用期权状态策略的交易决策。交易者的一般过程包括分析标的资产并决定它是看涨还是看跌，并在此基础上选择策略。然而，许多期权策略风险很高，风险回报分布存在偏差，因此实施机器学习可以改进对标的资产的分析并提供更好的情绪分析。构建 ML 架构的方案涉及使用 ML 模型进行情绪分析或预测基础资产。过去的回报、动量和波动率等特征用于提供有关资产的信息，并将这些输入到机器学习模型中，以对下一个交易时段是看涨还是看跌进行分类。该视频还讨论了 SP500 指数数据中使用的特征以及特征分析的重要性。
This session explains the application of machine learning for options trading. It covers the process of creating options trading strategies using machine lea...
此次活动的首场演讲由 Raimondo Mourinho 主讲，他是一位独立的 AI 和大数据工程师，以与意大利中小型公司的合作而闻名，为各种企业职能部门提供 AI 解决方案。 Mourinho 相信结合机器学习技术、统计数据和概率来创建先进的交易系统。在他的演讲中，他分享了他在投资组合资产配置中开发机器学习模型的实用且可扩展的框架。
00:25:00 演讲者讨论了估计参数可变性范围的重要性，并建议使用 Monte Carlo 模拟和引导程序等技术来实现这一点。然后，他们展示了他们的分析结果，重点是终端财富和最大回撤百分比。演讲者强调需要以数据为导向，不要迷恋交易理念。他们还建议通过使用不同的技术来减轻特殊风险，并通过选择具有可比性能的更简单的系统来避免过度拟合。最后，由于时间序列的高度非平稳性，他们强调需要监控和调整实时交易系统。
00:30:00 演讲者讨论了听众提出的几个关于使用 ML 进行投资组合资产分配和优化股息股票的问题。一位听众询问管道中的哪一步最值得关注，Raymond 回答说数据预处理是必不可少的，也是最耗时的一步。另一个问题问的是数据归一化，Raymond 建议在大多数情况下减去均值并除以标准差效果很好。最后，当被问及使用 PCA 去除线性相关时，Raymond 提到这是可能的，但警告说这可能会导致失去特征的意义，并建议使用像夏普比率这样的模型来解释结果。
EPAT project presentations on “Portfolio Asset Allocation with Machine Learning: A Practical and Scalable Framework for Machine Learning Development” by two ...
高频交易策略
高频交易策略
感谢您今天邀请我发表我关于高频交易策略的论文。我叫 Amy Kwan，来自悉尼大学。这篇论文是与来自巴布森学院的 Michael Goldstein 和同样来自悉尼大学的 Richard Phillip 共同撰写的。
本文的目的是为监管机构、市场参与者和学术界正在进行的关于高频交易 (HFT) 对金融市场的影响的辩论做出贡献。关于这个问题，我们听到了不同的观点，包括肖恩的介绍和昨晚的讨论。
尽管对高频交易有不同的看法，但有些人，如《闪光男孩》一书的作者迈克尔刘易斯，认为美国股市已经成为一个基于速度的等级制度，少数特权者为纳秒级的优势买单，而其他人仍然没有意识到这些微小时间间隔的价值。另一方面，HFT 的支持者，如 Ray Katsuyama，声称 HFT 可以获取交易信号并利用普通投资者。
早期的学术证据普遍支持高频交易和算法交易，因为人们认为它可以增强流动性并改善传统的市场质量指标，例如降低点差、增加深度和降低短期波动性。然而，最近的研究发现了高频交易的一些负面影响。例如，高频交易可以预测来自其他投资者的订单流，并从市场力量中提取租金。
此外，最近的研究，例如 Banker、Blending、Courageous 和 Canorkey 的研究表明，HFT 最初是逆风交易，但随后随着大交易的进行而顺风交易。为了说明这一点，让我们考虑一个大型养老基金想要购买 Apple 股票的场景。高频交易商在检测到这种交易后，可能会与机构竞争以同方向交易，因为他们预计未来价格会因购买压力而上涨。
尽管对高频交易的影响有了一些了解，但文献仍不清楚高频交易实际上是如何交易和影响金融市场的。大多数现有证据都是基于交易执行，而对澳大利亚的订单提交行为知之甚少。
为了弥补这一差距，我们的研究通过分析完整的限价订单簿数据直接检验高频交易策略。我们可以访问有关 ASX 前 100 名股票的订单提交、修改、取消和交易的详细信息。通过将交易者分为高频交易公司、机构交易者和零售经纪人，我们旨在了解他们的行为以及对市场动态的影响。
我们的主要发现表明，高频交易擅长监控订单簿和不平衡交易。当买卖股票的需求更高时，与其他交易者类别相比，高频交易者更能成功地利用这些信息。此外，我们观察到高频交易在订单簿的固定端提供流动性，即使在不需要时也是如此，而非高频交易由于高频交易的战略交易行为而受到限制访问订单簿。
我们还研究了称为“it”的更快数据馈送的引入，发现 HFT 在其实施后在其战略交易中变得更加有效。然而，非高频交易指令被限价指令簿挤出，导致这些交易者成功执行的机会降低。
总之，我们的研究通过分析完整的限价订单簿数据有助于理解 HFT 交易策略。我们发现高频交易在监控订单簿和交易失衡方面优于其他交易者类别。引入更快的数据馈送进一步增强了他们的交易优势。这些发现揭示了高频交易如何影响市场动态，并为监管机构、市场参与者和学术界提供了宝贵的见解。
再次感谢您有机会介绍我们的研究。
Ciamac Moallemi：高频交易和市场微观结构
Ciamac Moallemi：高频交易和市场微观结构
我演讲的部分目的是让人们熟悉教职员工进行的研究。在深入探讨主题之前，我想先介绍一下我作为应用数学家的工作背景。我大约一半的时间用于探索随机控制问题，这涉及在存在不确定性的情况下随时间做出决策。这些抽象的数学问题带来了重大挑战，但却是基础性的，因为许多工程和业务问题具有相似的特征。我研究的另一半侧重于金融工程领域中随机控制问题的更多应用方面。
凭借我之前作为对冲基金经理的经验，我对金融市场中的最优交易、市场微观结构和高频交易特别感兴趣。今天，我将讨论这些主题，以深入了解现代电子市场的复杂性。要理解眼前的问题，了解美国股票市场的主要特征至关重要，该市场在过去五到十年中发生了显着变化。
首先也是最重要的是，电子交易在市场上占据主导地位，使得纽约证券交易所交易员的传统形象在很大程度上变得无关紧要。交易现在主要在计算机上进行，电子交易是主要的交易机制。另一个显着的变化是交易的分散化或碎片化。过去，特定股票主要在纳斯达克或纽约证券交易所交易。但是，现在有多个交易所，每个交易所都占股票交易的很大比例。
这些交易所被组织为电子限价订单簿，市场参与者可以在其中提交指定价格的买卖订单。当价格相交时，交易被执行。这与纽约证券交易所的历史交易商市场或专业市场结构形成对比。此外，大约 30% 的交易发生在电子交叉网络、暗池和内部化等替代场所，进一步促进了交易的去中心化性质。
现代市场最显着的特征之一是参与者的自动化程度越来越高。以前，人类交易员会处理大订单，但现在算法和高频交易已经接管了。算法交易允许投资者随着时间的推移和跨交易所分割大订单，而高频交易员（通常被归类为做市商）提供流动性。这些最近的趋势使市场变得更加复杂，并导致算法交易者和高频交易者之间不可预测的互动。
这些发展在政策层面和个人参与者方面都提出了重要问题。政策制定者和监管者需要评估当前复杂市场结构的利弊。他们还必须解决诸如 2010 年 5 月 6 日著名的闪崩等事件的发生，由于算法交易员和高频交易员之间的病态互动，市场价格在几分钟内大幅下跌。
在个体参与者层面，需要解决决策问题。鉴于市场的复杂性和不可预测性，参与者必须为其交易策略确定最有效的方法。正是在这种背景下，我对与高频交易和市场微观结构相关的两个具体问题进行了研究：理解延迟的重要性和研究暗池在市场中的作用。
延迟是指做出交易决定与执行之间的延迟。以低延迟进行快速交易的能力变得越来越重要。要评估与延迟相关的价值和成本，有必要评估其在交易决策中的重要性。多年来，美国股票市场的延迟已大大减少，现在交易发生在微秒级。这种技术进步是由高频交易者和其他寻求更快执行的人的需求推动的。
了解延迟的重要性会引发更多问题。低延迟是否有利于根据最新信息做出决策？比竞争对手快是否在获取利润方面具有优势？此外，交易所的规则和组织通常优先考虑早期进入，为连接延迟较低的交易者创造优势。这引起了人们对公平和平等获得市场机会的担忧。
为了解决这些问题，我的研究涉及开发数学模型来捕捉高频交易的动态以及延迟对交易策略的影响。通过模拟不同的场景并分析结果，我的目标是深入了解交易决策中速度和准确性之间的最佳平衡。这项研究可以帮助对冲基金或机构投资者等市场参与者设计他们的交易算法和基础设施，以在竞争激烈的环境中最大化他们的表现。
我研究的另一个领域侧重于暗池在现代市场中的作用。暗池是私人交易场所，允许参与者在远离公开市场的情况下匿名执行大型交易。这些替代场所因其有可能最大限度地减少市场影响并提高交易量大的机构投资者的执行质量而受到欢迎。
然而，暗池的兴起引发了人们对市场透明度和公平性的担忧。批评者认为，这些场所缺乏透明度会造成信息不对称并对价格发现产生负面影响。此外，在某些情况下，高频交易者会利用暗池中缺乏交易前透明度来谋取私利。
在我的研究中，我调查了暗池对市场流动性、价格形成和市场参与者行为的影响。通过开发数学模型和进行实证分析，我旨在了解与暗池交易相关的优点和缺点。这项研究可以促进关于暗池监管和监督的持续辩论，并帮助市场参与者就他们的交易策略做出明智的决定。
总之，我今天的演讲概述了我在金融工程领域的研究，特别关注高频交易、市场微观结构、延迟和暗池。通过深入研究这些主题，我旨在阐明现代电子市场的复杂性以及它们给市场参与者和监管机构带来的挑战。通过数学建模、模拟和实证分析，我的研究旨在提供有价值的见解，并为金融市场领域正在进行的讨论和发展做出贡献。
此外，我研究的另一个方面围绕着监管政策对金融市场的影响展开。监管机构在确保市场完整性、稳定性和投资者保护方面发挥着至关重要的作用。然而，法规的设计和实施可能会产生意想不到的后果并影响市场动态。
我研究的重点之一是检查市场对监管公告的反应。通过分析历史数据和进行事件研究，我调查了市场参与者（例如交易员和投资者）如何调整其策略和头寸以应对监管变化。这项研究有助于了解监管对市场流动性、波动性和整体效率的直接和长期影响。
此外，我还探讨了不同监管措施在实现其预期目标方面的有效性。例如，我研究了熔断机制对市场稳定性的影响，熔断机制是一种旨在在极端市场波动期间暂时停止交易的机制。通过分析历史市场数据和进行模拟，我评估熔断机制是否有效地防止或加剧了市场崩盘。
另一个感兴趣的领域是审查旨在降低金融市场系统性风险的法规。这涉及分析资本要求、压力测试和对银行自营交易的限制等措施的影响。通过研究这些法规对金融体系稳定性的影响，我旨在深入了解它们的有效性和潜在的意外后果。
此外，我还探讨了技术与监管的交集，特别是在区块链和加密货币等新兴技术的背景下。这些技术为监管机构带来了独特的挑战和机遇，因为它们可以扰乱传统的金融系统并带来新的风险。我在这一领域的研究重点是了解这些技术的监管影响，并探索可以促进创新同时确保市场诚信和投资者保护的潜在框架。
我在金融工程方面的研究涵盖广泛的主题，包括监管政策的影响、市场对监管变化的反应以及技术与监管的交叉。通过严格的分析、数学建模和实证研究，我努力为金融市场的运作提供有价值的见解，并为有效和消息灵通的监管框架的发展做出贡献。
肯特丹尼尔：价格动量
肯特丹尼尔：价格动量
我很高兴来到这里，我要感谢大家的光临。很高兴看到大家对这个话题如此热情。今天，我将讨论对冲基金常用的一种具体量化策略。该策略的实施通常具有很大的影响力，它补充了 Sunnah Reyes 教授和 Wong 教授一直在讨论的主题。我的目标是介绍量化投资的概念，并提供对这一特定策略的见解。
此外，我正在进行研究以了解价格动量背后的因素以及这种现象在市场中的发生。我认为市场并非完全有效，主要是由于投资者的信息处理不完善。因此，我将深入研究动量的特征，并就其根本原因提出一些想法。
最近，我在 Bloomberg 杂志上看到一篇文章，其中介绍了业内著名人物 Cliff Asness。他的公司过去曾面临挑战，主要是由于发展势头。我发现这与我们今天的讨论特别相关。事实上，阿斯内斯和他的公司并没有放弃发展势头。除了对冲基金的努力之外，他们甚至还推出了名为 AQR Momentum Fund 的共同基金。
AQR 及其共同基金和对冲基金都采用数学规则来构建具有特定偏好的多元化投资组合。在动量的情况下，他们专注于投资赢家和卖输家。今天，我将更详细地探讨这一战略。然而，在深入探讨具体细节之前，我想分享一些来自 Asness、Moskowitz 和 Patterson 的研究论文的见解。本文调查了不同资产类别中动量的存在。
根据他们的研究结果，动量在各个地区历来表现良好，包括美国、英国和欧洲大陆。然而，它并没有在日本产生同样积极的结果。此外，该研究还探讨了股票国家选择、债券国家选择、外汇和商品方面的势头，在每个领域都取得了不同程度的成功。
那么，是什么推动了势头？根据我的初步工作和理论，最有说服力的解释围绕着投资者的信息处理。当投资者收到新信息时，他们倾向于表现出现状偏见，假设事情将保持相对不变。虽然他们预计价格会因信息而有所变动，但他们并不完全理解其影响。因此，价格会略有变动，但信息要完全反映在价格中需要时间，通常需要一年左右。
在金融市场的背景下，如果您观察到与信息相关的价格变动，那么这种势头很可能会持续下去。这种价格运动的持续性符合物理学中的动量概念，即以特定速度朝特定方向移动的物体往往会继续移动，除非有外力作用于它。
现在，让我们探讨如何构建动量策略。假设您想实施类似于 AQR 方法的简单动量策略。以下是分步指南：从特定月份的月初开始，计算过去 12 个月至一个月前在 NYSE、Amex 和 NASDAQ 上市的所有股票的月回报率。根据回报率对股票进行排名，并将前 10% 的股票确定为赢家，将后 10% 的股票确定为输家。构建一个由赢家组成的投资组合，按其市值加权。同样，通过做空价值 1 美元的亏损股票来建立多空投资组合。通过更新形成期回报和排名，在每个月初重新平衡投资组合。
由于近期回报可能相似，因此该策略导致投资组合的周转率相对较低。然而，当您将时间范围延长至 12 个月时，回报开始出现显着差异。
现在，让我们评估一下该策略从 1949 年到 2007 年的表现。投资国库券的年平均超额回报率为 16.5%，相当可观。这表明买入赢家和卖出输家的动量策略在长期内获得了很高的利润。
现在，您可能想知道这种超额回报在不同时期是否一致。为了检验这一点，让我们将数据分解成不同的十年，看看动量是如何表现的。以下是每个十年的超额回报：
如您所见，动量在每十年都带来了正的超额回报，尽管幅度各不相同。值得注意的是，与其他几十年相比，1990 年代的超额回报率相对较低，但仍为正值。
那么，为什么动量一直是一种有利可图的策略呢？一种解释是投资者往往对新信息反应不足，导致价格调整缓慢。结果，获得正回报的股票继续跑赢大盘，因为它们的价格没有完全反映所有可用信息。这种延迟调整为投资者提供了乘势而上获利的机会。
值得一提的是，虽然势头显示出持续的盈利能力，但这并不意味着它没有风险。与任何投资策略一样，它也有其自身的一系列风险和挑战。市场条件可能会发生变化，过去的表现并不能保证未来的结果。因此，在实施基于动量的投资方法时，彻底的分析、风险管理和持续监控至关重要。
总之，涉及买入赢家和卖出输家的动量策略历来在金融市场上产生了显着的超额回报。尽管不同几十年的回报有所不同，但总体而言，势头仍然是一种有利可图的策略。但是，投资者在将此策略纳入其投资方法之前应谨慎行事并考虑各种因素。
算法交易和机器学习
算法交易和机器学习
好的，谢谢 Costas 邀请我。我还要感谢 Eric 富有洞察力的演讲，他的演讲为我将要进行的讨论提供了宝贵的背景。今天，我将重点介绍在这些交易所的另一端运营以及与高频交易者 (HFT) 和其他交易对手打交道的经验。我想澄清一下，我的演讲不会明确涉及博弈论，因为 Costas 向我保证这是可以接受的。然而，我将根据过去 12 年在华尔街一家量化交易集团工作的经验，深入探讨实际方面。
首先，我要特别感谢我的贸易伙伴 By Vaca，他是我将要讨论的所有工作的合著者。我们的研究和见解来自我们贸易集团内的专有商业环境。我要强调的方面是我们发现随着时间的推移在科学上很有趣的非专有元素。
华尔街无疑是一个有趣的地方，无论是在技术上还是在社交上。由于自动化和数据的丰富性，它已经发生了重大变化。这些转变带来了许多交易挑战，这需要一种基于学习的方法，尤其是机器学习。由于在时间和空间尺度上存在超出人类理解范围的大量数据，算法已成为交易中不可或缺的一部分。这些算法需要根据历史数据（包括近期数据）进行自适应和训练，以做出明智的交易决策。
在我的演讲中，我将概述现代电子市场中算法交易中出现的三个具体问题领域。这些小插曲或案例研究阐明了算法挑战，并提供了使用新技术解决这些挑战的提示。
前两个问题围绕着优化执行。在执行交易时，无论是买入还是卖出特定数量的股票，都需要在即时性和价格之间进行权衡。人们可以选择快速执行交易，影响价格，但可能利用转瞬即逝的信息优势。另一方面，可以采取更从容的方法，让市场在更长的时间内收敛到期望的价格。我将深入研究这些权衡取舍，并提供具体实例来说明电子市场面临的挑战。
第三个问题与经典投资组合优化的算法版本有关，例如均值方差优化。这涉及在考虑风险或波动性的同时持有最大化回报的多元化投资组合。虽然本质上是算法问题，但这个问题与传统的投资组合优化方法有关。
值得注意的是，正如 Eric 先前所描述的那样，持续的双限价订单拍卖是这些挑战的背景。闪电崩盘的形象和迈克尔·刘易斯 (Michael Lewis) 关于高频交易的书强调了我们目前在华尔街经历的有趣和充满活力的时代。虽然我不打算对包括高频交易在内的任何交易活动进行道德评判，但我的目的是从在传统统计股票交易框架内运作的量化交易集团的角度阐明现代电子市场面临的算法挑战。
我们的交易团队专门从事多头和空头股票交易，涵盖国内和国际市场上的各种流动工具。为了对冲我们的头寸，我们专门使用期货，避免使用复杂的衍生品。尽管在相对简单的市场和工具中进行交易，但华尔街不断提高的自动化程度和数据可用性带来了大量交易问题，这些问题需要学习方法，通常采用机器学习。
顺便说一句，我的意思是这方面的一个例子是，人们经常观察到，当一位分析师升级他们对一只股票的看法时，其他分析师往往会快速连续地提升他们对同一只股票的看法。因此，需要确定这实际上是新消息还是仅仅是其他一些基本消息进入市场的结果。在这种情况下，不建议根据此信息进行交易。
现在，关于你为什么不在最后放弃提问时间，而是想购买剩余的卷，有两个答案。首先，如果我们是像美国银行这样拥有算法交易台的经纪公司，我们会根据客户的指令执行交易。他们向我们提供了在特定时间范围内购买多少股票的说明。在此过程中我们不要求确认。其次，我们优化了策略，根据可用信息确定合适的购买量。这个交易量通常是我们在不显着影响股票价格的情况下可以交易的最大交易量。虽然可以实施您建议的方法，但我们更愿意尽量减少所涉及的参数数量，以简化复杂交易世界中的决策制定。
关于测试过程，我们在研究后的六个月内进行实时测试。这使我们能够评估模型在真实市场条件下的表现。但是，模型本身在测试阶段使用历史数据。
在向人们解释我们的政策时，我们主要依靠实证方法而不是目测。在这个特定问题中，什么是明智的行为是显而易见的。在处理行之有效的策略而又不清楚它们为何起作用时，就会出现挑战。在这种情况下，我们有时会从人类学的角度来解决问题，试图了解某些交易持续盈利背后的原因。
我们承认，我们所学内容的复杂性在解释方面带来了挑战。虽然我们可以在某些状态变量中确定一致的预测能力，但在粒度级别理解潜在原因是极其困难的。金融市场的微观结构性质，尤其是在高频交易中，涉及的交易量和数据速度超出了人类的正常理解范围。因此，我们专注于仔细的培训和测试方法，以确保一致的性能。
在我们的实验中，我们探索了订单簿的各种特征及其对性能的影响。例如，将买卖价差纳入状态空间已证明对优化交易执行很有价值。然而，并不是所有的特征都提供相同的好处，一些变量甚至可能由于过度拟合而对性能产生负面影响。通过选择信息量最大的特征，我们在通过控制理论方法实现的 35% 改进的基础上又实现了 13% 的改进。
我们一直在通过实验评估解决方案，但我现在没有时间深入研究细节。但是，我可以使用卡通模型提供流动性的简化解释。作为替代交易场所的不同暗池在不同时间和不同股票表现出不同的流动性。
当一个新的交易所出现时，无论是限价订单簿还是暗池，它通常会通过为特定类别的股票提供优惠待遇、回扣或费用来试图在市场上站稳脚跟。他们宣传自己是交易特定类型股票的首选暗池。结果，对这些股票感兴趣的交易者被吸引到那个特定的暗池，从而创造了流动性。相比之下，其他暗池可能具有不同的流动性，可能不会吸引那么多的交易活动。
为了形象化这个概念，想象一下每个暗池对给定股票都有独特的流动性概况，由平稳概率分布表示。 x 轴表示份额数，而 y 轴表示在每个离散时间步找到可用份额以执行的概率。当我们将交易订单提交给暗池时，会从该分布中提取一个数字 (s)，表示在该特定时间步长内愿意交易的交易对手的数量。执行量由提取量 (s) 和请求量 (vns) 中的最小值确定，确保在必要时部分执行。
现在，您可能想知道当部分执行发生时流动性曲线如何不下降。流动性曲线仅表示在一定范围内找到可用交易量的可能性。它表明较小的交易量更有可能可用于执行，而较大的交易量则不太可能。部分执行只是指执行量小于请求量，但不影响流动性曲线的整体形状。
暗池的激增是一个有趣的现象。它提出了有关市场均衡和这些场所之间竞争的问题。市场最终是否会盘整，导致少数暗池占据主导地位，目前仍不确定。自从金融市场放松管制允许多个交易所同时运作以来，在连续的双重拍卖中观察到了类似的动态。监管环境和初创公司提出新机制的能力导致了市场结构的复杂性。
考虑到这项研究与埃里克论文之间的联系，我们可以探索不同市场结构、算法之间的相互作用，以及它们对市场稳定性和碎片化的影响。通过使用相似算法模拟涉及多个参与者的场景，我们可以调查计算结果并研究市场结构和算法多样性如何影响价格和其他监管问题。这种研究工作的结合可以对市场结构、算法交易和市场稳定性之间的复杂关系产生有价值的见解。
此外，我们可以深入研究更复杂的问题，例如不同算法和市场结构之间的相互作用，以及它们如何塑造市场动态。通过检查各种市场情景，我们可以分析不同市场结构和算法对于实现稳定性和解决碎片化问题的适用性。
金融市场的演变导致了某些方面的自动化，通常取代了有用的人为因素。然而，已经引入了新的电子机制来复制和增强功能。了解这些动态并相应地调整我们的策略使我们能够驾驭现代金融市场的复杂性。
我的演讲将阐明现代电子金融市场交易中固有的算法挑战。我将展示的三个案例研究突出了优化执行和算法投资组合优化所面临的复杂性和权衡。虽然时间限制可能会阻止我全面涵盖所有主题，但我希望能为这些领域提供有价值的见解。
虽然模拟和计算分析为理解算法交易的潜在结果提供了途径，但必须在抽象建模和现实世界相关性之间取得平衡。挑战在于确定哪些细节至关重要，哪些细节可以安全地忽略而不牺牲实际相关性，尤其是在复杂且不断变化的金融市场环境中。
金融交易的设计：Econ 和 CS 交汇处的一些悬而未决的问题
金融交易的设计：Econ 和 CS 交汇处的一些悬而未决的问题
非常感谢，科斯塔斯。这次演讲对我来说有点不合常规，但我希望它符合本次会议的精神和开放方向的主题。它与金融交易所的设计有关，尤其是被称为连续限价订单簿的流行设计。我将首先讨论我最近与 Peter Crampton 和 John Shimm 合作的一篇论文，该论文强调了当前金融交易设计中的一个经济缺陷。我们认为，这个缺陷导致了高频交易的负面影响。
演讲的第一部分将介绍这篇论文，你们中的一些人可能很熟悉，但大多数人可能并不熟悉。它为称为离散时间交易或频繁批量拍卖的替代方法提供了一个经济案例。我们的论文表明，连续限价订单簿虽然在全球范围内广泛使用，但存在结构缺陷，会导致与高频交易相关的各种问题。我将展示这部分的精简版和易于理解的版本，因为它之前已经多次展示过。
演讲的第二部分和第三部分将深入探讨有关金融交易设计的开放性问题和研究方向。这些研究领域位于经济学和计算机科学的交叉点。在后面的部分中，我将在《经济学季刊》论文的后面讨论一个两页的部分，该部分在没有定理或数据的情况下提出了一个定性论点，以证明离散时间交易与当前市场设计相比的计算优势.这次讨论将提出许多问题，旨在激发进一步的探索。
尽管演讲的后半部分不像我习惯的那样正式，但我相信它们对于提出开放性问题和为未来研究设定议程至关重要。这符合本次会议的目的，鼓励探索经济学和计算机科学的交叉领域，并为未来的研究提出富有成果的方向。
现在，让我们深入研究离散时间交易的经济案例及其相对于连续限价订单簿的优势，我将对此进行更详细的解释。连续限价订单簿是一种每天处理数万亿美元经济活动的市场设计。它基于限价订单运作，限价订单指定证券的价格、数量和方向（买入或卖出）。市场参与者可以全天提交、取消或修改限价单，这些消息被发送到交易所。
当新请求与限价订单簿中的现有订单相匹配时，就会发生交易。例如，价格等于或高于未完成的卖出报价的买入请求将导致交易。这是连续限价订单簿的基本功能。
然而，我们的研究表明，这种市场设计存在固有缺陷。一个主要问题是我们所说的“狙击”。当公开信息或信号发生变化时，从事流动性提供的交易公司相应地调整其报价。他们取消以前的出价或要价，并用反映更新信息的新出价或要价代替。现在，假设我是调整我的报价的这些贸易公司之一。与此同时，像 Thomas 这样的其他人也向交易所发送消息，以在旧报价被替换之前进行交易。
由于市场以连续的时间和顺序处理这些消息，因此哪个消息首先到达交易所变得随机。如果多家交易公司同时对新信息做出反应，则 Thomas 或任何其他参与者的请求有可能在我之前得到处理，从而允许他们以旧价格进行交易。这种狙击现象是有问题的，会产生一些影响。
首先，它提供了基于对称公共信息的机械套利机会，这在有效市场中是不应该发生的。其次，这种套利机会的利润是以流动性供应为代价的。随着狙击手以旧价格成功执行交易，提供流动性的交易公司开始犹豫是否要迅速调整报价。这种犹豫源于害怕被狙击和失去潜在利润。因此，市场效率降低，因为流动性提供者变得不太愿意更新他们的报价以响应新信息。
连续限价订单簿的另一个问题是订单预期的可能性。在这种情况下，交易者观察到新的限价订单的到来，并根据对未来交易的预期先发制人地调整报价。这种行为会导致级联效应，交易者不断调整报价以响应彼此，从而在市场中造成不必要的波动和不稳定。
为了解决这些缺陷，我们的论文提出了另一种市场设计，称为离散时间交易或频繁批量拍卖。在这种设计中，市场不是在连续时间内处理订单，而是在离散时间间隔或批次中运行。在每个批次期间，市场参与者可以提交他们的限价订单，并且在批次结束时，市场出清，并以单一统一价格执行交易。
通过引入离散时间交易，我们消除了狙击和订单预期的问题。由于批次内提交的所有订单都是同时处理的，因此订单执行没有随机性。交易者可以确信他们的订单将以与同一批次的其他参与者相同的价格执行，从而确保公平并减少狙击的动机。
此外，频繁的批量拍卖促进了市场的稳定性并减少了不必要的市场波动。交易者不再需要不断调整他们的报价以响应每个传入的订单。他们可以转而专注于分析信息和做出明智的交易决策，因为他们知道他们的订单将在批次结束时以公平的价格执行。
投资金融市场通常需要一定的等待时间才能进行交易。不同的人可能对这个等待时间是一个重要的还是微不足道的成本有不同的看法。例如，如果你执行交易的速度比我稍快，比如快百万分之一秒，那么在该时间范围内根据新闻事件采取行动可能会给你带来优势。另一方面，我的速度稍慢，可能会错过行动的机会。这种速度优势通常通过连续市场中的速度差 (Delta) 与批次间隔 (tau) 的比率来衡量。
在离散市场中，如果你比我稍微快一点，你总是可以在特定的时间间隔（Delta over tau）“狙击”我，因为基于拍卖的竞争。但是，如果你和其他几个交易者都比我快一点，我们就必须在竞价中与我竞争交易，而不是仅仅根据速度来竞争。这就提出了一个问题，即不同市场是否统一采用这种同步时钟方法，或者是否存在实际挑战。
值得注意的是，在当前的连续市场中，一价定律不断被违反，因为价格变化不会在不同交易所同时发生。通过人类观察或可用的研究数据不容易检测到这种违规行为。但是，如果多个交易所同时采用频繁的批量拍卖，则可以更容易地发现违反一价定律的行为。这并不一定意味着一种方法更好或更差，而是数据会提供更清晰的见解。
如果一个交易所要过渡到一个离散市场，而其他交易所保持连续，那么该交易所将消除延迟套利并取消对流动性规定征税。在经济意义上，随着时间的推移，这可能会给离散市场交易带来优势。然而，在推出新市场、监管模糊性以及受益于当前市场设计的现有交易所的既得利益方面存在挑战。
关于 IEX 在保持连续时间交换的同时在每个订单中引入延迟的提议，它通过将传入和传出订单延迟特定时间间隔来工作。 IEX 在几分之一秒内监控市场变化并相应地调整价格。然而，他们设计中的一个潜在弱点是它依赖于从外部来源访问价格信息。这引发了关于 IEX 的方法是否有助于价格发现或仅仅依赖于来自其他地方的信息的问题。
另一方面，对所有订单引入随机延迟可能无法有效解决狙击问题，并可能导致无限的消息流量。虽然已经提出了几种解决该问题的想法，但其中许多在分析时被证明是无效的。相比之下，我们的论文建议将时间离散化和批处理作为市场设计缺陷的解决方案，这会从公共信息中产生租金并鼓励速度竞赛。
我们在本文中讨论的一个方面是离散时间交易的计算优势。现代金融市场面临着各种计算问题，例如闪电崩盘和交易故障。与连续时间相比，离散时间提供了计算简单性，并为交易所、算法交易者和监管机构提供了特定的好处。
对于交易所，连续时间处理可能会导致积压问题，其中算法在高活动期间不确定订单状态和市场。相比之下，离散时间批量拍卖可以更有效地处理，并提供相对于最坏情况处理时间的时间缓冲。这减少了交易所面临的不确定性和积压问题。
离散时间还简化了交换的消息处理，无需区分不同类型消息的传播优先级。这减少了利用信息不对称的可能性。此外，离散时间简化了交换的编程环境，潜在地减少了故障的发生并提高了整体系统稳定性。
离散时间交易的另一个计算优势是它简化了算法策略的分析和建模。在连续时间市场中，算法交易者面临着优化他们对实时传入数据的响应的挑战。他们需要在考虑不断变化的市场条件的同时快速做出决策。速度和智能之间的权衡是一个需要解决的复杂问题。
然而，在离散时间交易中，数据的批量处理让算法交易者有一个固定的时间间隔来分析和决策。例如，如果批次间隔设置为 100 毫秒，交易者可以将前 100 毫秒用于全面分析，而无需立即执行的压力。这可以导致更复杂和准确的决策过程。
研究问题源于这种计算优势。算法交易员如何在决策过程中在速度和智能之间取得适当的平衡？是否存在与市场上偏好速度而非智能相关的负外部性？与连续时间交易相比，离散时间框架是否提高了价格形成的准确性？
对于监管机构而言，离散时间交易提供了更清晰的书面记录。在连续时间市场中，时钟的同步和时间戳的调整会在重构事件序列时引入复杂性。确定跨不同市场的行动的时间顺序变得具有挑战性。相比之下，离散时间交易简化了这个过程，更容易建立清晰准确的市场活动记录。
离散时间交易中干净的书面记录的潜在好处是一个悬而未决的问题。直观地说，记录完备且易于追踪的市场活动可以提高透明度和问责制。它可以加强市场监督，帮助监管机构更有效地识别和解决操纵或非法交易行为。
我们的研究强调了现行连续限价订单设计中的经济缺陷，并提出了一种称为离散时间交易或频繁批量拍卖的替代方法。这种替代设计解决了狙击和订单预期等问题，促进了金融交易的公平、稳定和效率。通过探索这些开放性问题和研究方向，我们旨在激发对金融交易所设计的进一步研究，将经济学和计算机科学领域联系起来，以增强市场功能和绩效。
与连续时间交易相比，离散时间交易具有多项计算优势。它简化了交换的消息处理，减少了计算瓶颈，并允许更复杂的算法策略。它还为监管机构提供更清晰的书面记录，加强市场监督和透明度。然而，需要进一步的研究来探索离散时间交易在实践中的影响和潜在缺点。
交易中的 ChatGPT 和机器学习
交易中的 ChatGPT 和机器学习
主持人深入探讨了在贸易行业中使用 ChatGPT 等自然语言处理 (NLP) 模型的主题，强调了它们分析和理解文本源（如新闻文章、社交媒体帖子和财务报表）的能力。具体来说，ChatGPT 是一种强大的语言模型，非常适合分析大量金融数据并生成听起来自然的响应，使交易者能够就交易机会进行对话。
金融界对ChatGPT寄予厚望，期待其为交易策略的开发和优化做出贡献。演示者进一步阐明了人工智能 (AI)、机器学习 (ML) 和深度学习之间的区别，强调机器学习是 AI 的一个子集，它使用技术来教机器模拟人类行为并做出智能决策。
接下来，演示者讨论了 ML 在交易中的典型工作流程。他们解释说，ML 使机器能够按照一系列步骤从数据中学习并做出预测。最初，收集和预处理数据以确保其质量和相关性。接下来，设计功能以将原始数据转换为机器可以理解的有意义的属性。然后将数据分为训练集和测试集，并使用 ML 算法构建模型。最后，模型在新数据上进行测试，如果表现令人满意，则可用于进行预测，促进交易过程。
为了说明 ML 的应用，演示者提供了一个预测下一个交易日资产（例如黄金）的高价和低价的示例。这种预测可以极大地帮助交易者做出明智的决定并改进他们的交易策略。
此外，演示者探讨了 ChatGPT 如何作为解决交易问题的宝贵工具，例如创建用于预测黄金价格的线性回归模型。他们将 ChatGPT 的方法与更全面的量化方法进行了比较，后者涉及数据收集、清理、模型创建、管道开发、实时交易和持续改进。分享了一个机器学习回归代码笔记本的例子，概述了解决问题所涉及的四个关键步骤：数据准备、预处理、价格预测以及策略和性能分析。虽然 ChatGPT 可以帮助产生想法，但演示者强调需要对每个概念进行细微的理解并仔细考虑以避免错误。
还解决了在基于 ML 的算法交易中使用 ChatGPT 的相关限制和风险。演示者强调了潜在的挑战，包括缺乏领域专业知识、有限的培训数据和可解释性问题。他们告诫不要仅仅依靠 ChatGPT 来做出交易决策，并强调在不同财务时期进行准确性检查的重要性。
此外，演示者还讨论了针对 ChatGPT 准确生成代码的能力进行的民意调查结果。大多数观众 (74%) 正确地认为 ChatGPT 可以提供合理的准确性，但不适合需要领域专业知识的复杂编程任务。为了说明该过程，演示者演示了如何使用 ChatGPT 生成的 Python 代码将数据拆分为训练集和测试集。他们强调数据的正确排序，特别是在交易中的时间序列数据的背景下。
通过回测和策略分析评估基于 ML 的交易算法被强调为评估其性能的关键步骤。主持人强调需要使用夏普比率、年化回报率和回报率波动性等各种指标进行深入分析，以深入了解交易和整体业绩。交易算法和买入并持有策略的回报之间的比较显示为评估算法有效性的初始步骤。
此外，主持人分享了一个盈利交易策略的例子，并强调了在交易过程中可视化和分析数据的重要性。战略分析，包括年度回报和累计回报，有助于评估战略的成功与否。
换档，演示者解决了在交易中使用 GPT 进行财务分析的局限性。观众此前参与了一项民意调查，大多数人表示，合理的准确性需要事实核查，GPT 可能不适合财务分析。为了说明这一局限性，演示者要求 GPT 比较苹果和微软 2020 年的年度财务报表。但是，GPT 提供了不准确的回应，强调了其作为缺乏领域专业知识的生成器模型的局限性。演示者强调了在将 ML 算法（例如 GPT）应用于交易之前获取金融相关知识、阅读书籍和进行事实核查的重要性。
认识到金融领域相关知识的重要性，主持人建议参加课程以获得专业知识。这种专业知识使交易者能够更好地利用 ChatGPT 等机器学习工具。为了支持这一点，演示者免费提供四本机器学习教育课程的笔记本，让观众更深入地了解代码及其应用。
在问答环节中，有一个常见问题是关于 ChatGPT 跟上金融市场日常变化的能力。主持人澄清说，作为一种语言模型，ChatGPT 的有效性受到训练数据的限制，并且不会每天更新。了解最新的市场数据对于有效利用 ChatGPT 或金融领域的任何机器学习模型至关重要。
演讲者解决了其他各种听众问题，提供了有用的信息。他们告知观众，录制的会议将通过电子邮件和他们的 YouTube 频道分享，以供日后参考。他们还讨论了笔记本在接下来 24 小时内的可用性，并解释了机器学习中管道的概念。
提出了一个关于将矢量化 Python 代码转换为可部署在实时交易库中的格式的具体问题。演讲者解释说，虽然 ChatGPT 可以辅助代码转换，但仍然需要定义事件触发器。此外，他们提到 Chargeability 3.5 不提供 2022 年的信息。
最后，演讲者讨论了一种利用第二天高点和低点预测的交易策略，该策略使用机器学习技术进行了优化。他们强调深度学习在交易中的应用，例如时间序列预测、投资组合优化和风险管理。深度学习与强化学习相结合，可以让代理通过奖励和惩罚从错误中学习，从而提高交易策略的性能。
主持人强调，领域专业知识和直觉对于在交易中可靠地使用机器学习仍然至关重要。虽然像 ChatGPT 这样的工具可以帮助分析历史数据和评估未来交易成功的可能性，但不应完全依赖它们。强调获取领域相关知识、事实核查和不断更新最新市场数据的重要性，以确保在贸易行业做出准确和明智的决策。
了解金融市场行为：多类数据的作用
了解金融市场行为：多类数据的作用
主持人通过介绍了解金融市场行为和多类数据的作用的主题开始网络研讨会。包括 Gotham Mitra 教授、Ernest Chan 博士和 Mateo Campoloni 博士在内的小组成员被介绍为在交易和学术生涯方面具有丰富经验的专家。该网络研讨会旨在探讨来自不同类别的数据如何在理解和预测金融市场行为方面发挥关键作用，这一主题最近变得越来越重要。提到该会话是 Opticks Systems 和 QuantInsti 提供的金融情感分析和替代数据证书的一部分。
第一位发言者强调了数据对于理解金融市场行为的重要性。虽然早期只有市场价格、买卖订单和账簿深度等有限数据可用，但现在需要考虑范围广泛的数据类别。这些包括新闻数据、媒体情绪数据和替代数据。尽管有效市场假说表明市场最终会吸收所有信息，但市场仍然存在短期效率低下的情况。因此，数据在发现新的阿尔法和解决两大市场问题：投资组合规划和风险控制方面起着至关重要的作用。演讲者还强调了人工智能 (AI) 和机器学习在处理数据方面日益增长的重要性。
下一位演讲者介绍了因果投资的概念，它涉及检查不同预测变量和目标变量之间的因果关系，而不是仅仅分析统计相关性。通过利用期权活动等替代数据，投资者可以深入了解价格变动的根本原因，并提高交易策略的准确性。引用了均值回归策略的一个例子，强调了理解它为什么偶尔会失败的重要性。通过使用替代数据来揭示价格变动的原因，投资者可以就何时应用他们的策略做出更明智的决定。
以下发言人讨论了数据对市场运营商的重要性，尤其是另类数据。另类数据是指任何尚未成为行业标准的数据，并形成一个不断扩大的生态系统，新的参与者和数据供应商不断涌现。这些数据可以来自各种渠道，例如信用卡交易、卫星图像、移动设备数据、天气数据等。演讲者还提到了使用自然语言处理工具来分析文本文档并生成情绪指标，这对投资者补充其投资策略很有价值。
下一位演讲者描述了在投资策略中使用另类数据的过程。它涉及识别新的信息源，将非结构化数据合并并转换为结构化数据集。制定投资策略后，验证成为关键步骤，需要了解数据的可靠性和结果的统计显着性。演讲者强调了在创建模型时不仅要依赖替代数据还要考虑市场数据的重要性。
演讲者深入探讨了替代数据在捕捉市场趋势方面的重要性以及回测此类数据所涉及的挑战。虽然技术交易员以前依赖于 120 天移动平均线等简单指标，但现在有一种推动纳入更广泛的数据类别以了解回报原因的趋势。然而，由于替代数据相对较新，人们担心如何对其进行回测以及它如何随着时间的推移保持一致。了解投资策略的影响需要评估系统在随机波动方面的稳定性。
演讲者讨论了交易者使用 Bloomberg Icon 和 Reuters Quantum 等替代数据平台来制定稳健的投资策略。尽管这些平台有自己的模型来量化情绪和新闻等各种形式的数据，但演讲者建议交易者创建自己的模型。强调了利用 API 接收替代数据输入的重要性，并提到了像瑞士信贷这样的有组织的网站在分析公司公告方面的价值。最后，发言者指出，狭义的、专业化的方法在分析市场行为时可能非常有效。
演讲者继续讨论可用于了解金融市场中不同资产类别的行为以及如何根据投资风格和时间范围跟踪市场的各种工具和网站。虽然承认没有万能的解决方案，但他们建议来自彭博社等网站的定性信息在这方面会有所帮助。他们还强调了解情绪和替代数据源（如微博和聊天室）的重要性。然而，他们指出，成为这些领域的专家并不能保证在金融市场上有更好的职业生涯。
演讲者随后解释了为大型基金开发高级交易策略与为独立交易者开发简单策略之间的区别。提到复杂的技术可能更适合大型基金的求职者，而建议独立交易者从机构可能不感兴趣的利基策略开始。这种方法帮助他们避免了与复杂数据馈送相关的高成本。演讲者进一步强调了人们对交易新数据源的兴趣日益浓厚，使其成为一个值得学习和追求的相关领域。他们还提到，他们个人在基金管理中一定程度上使用了另类数据，并协助客户实施基于机器学习和自然语言处理的模块，或使用数据集验证自己的策略。
在问答环节中，有人提出了有关 Twitter 销售蓝勾的问题，以及经过验证的帐户是否会在自然语言处理 (NLP) 中发挥更大的作用。最初，小组成员难以理解问题，但后来承认他们没有资格回答这个问题。然后讨论转向适合初学者和学生的传统金融数据源，彭博社和 Definitive 被提到是潜在的选择。建议数据提供者可以提供具有一定交互程度的免费数据集。
演讲者随后讨论了使用替代数据源进行金融市场分析，特别提到了 DGLT 公司，该公司从全球和本地新闻来源收集数据。在承认过滤掉相关信息所需的努力的同时，值得注意的是，收集的数据可以提供可追溯到 1800 年代的市场行为的历史视角。当被问及是否应将替代数据用作唯一来源或与传统数据一起进行验证时，发言人表示没有一般规则，这取决于所采用的具体策略。然而，他们强调市场数据仍然是主要驱动力，不应完全依赖其他数据。
演讲者通过讨论替代数据在金融市场中的使用以及如何使用机器学习来分析此类数据来结束网络研讨会。他们强调了将多种类型的数据（包括价格和基本面数据）输入机器学习预测算法的必要性。然而，他们也强调，单独的替代数据不能作为唯一的驱动因素，应该与市场价格输入相结合。鼓励听众提出他们可能有的任何其他问题。
量化因子投资简介
量化因子投资简介
本视频介绍了量化因子投资的概念及其对不同因子的分类，包括价值、动量、质量和规模。演讲者解释说，因素投资涉及根据特定因素选择证券，这些因素应该会推动回报并持续很长时间。该视频涵盖了可用于应用量化因子投资的不同量化方法，包括统计分析、因子建模、机器学习、优化模型、时间序列分析、风险模型和蒙塔哥尔模拟。演讲者还讨论了使用量化因子投资的优势以及选择和组合因子的过程，并回答了与主题相关的问题，包括数据来源和中/高频交易的适用性。
在网络研讨会上，QuantInsti 的量化分析师 Varun Kumar 全面介绍了量化因子投资。他首先解释了因素的概念，这些因素是广泛而持久的风险和回报来源，引导投资者获得可量化的回报。一些常见因素包括价值、动量、质量、规模和波动性。 Kumar 以质量因素为例，涉及投资具有高质量特征的公司。诸如股本回报率和增长率盈利能力之类的财务比率用于量化公司的质量。比率和利润率高的股票被认为是高质量的，而比率和利润率较低的股票被认为是低质量的。历史数据显示，由优质股票组成的投资组合在很长一段时间内都产生了超额收益。
Kumar 随后深入研究了量化因子投资中的因子分类。因素分为七类，包括宏观因素、风格因素、行业因素、ESG因素、情绪因素、流动性因素和技术因素。他对这些因素中的每一个如何发挥作用以及如何将它们用于构建因素投资组合提供了见解。为了说明这一点，他举例说明了使用宏观经济和基于风格的因素构建的策略。这些策略涉及利用 GDP 增长、通货膨胀率、利率和股本回报率等变量来选择股票和建立投资组合。 Kumar 还强调了在为投资组合选择股票时考虑较高股本回报率和较低债务股本比率等因素的重要性。
网络研讨会进一步探讨了可以纳入量化因子投资策略的各种因素，包括风格因素、行业矩阵、ESG 标准、情绪、流动性和技术指标。 Kumar 解释了如何利用这些因素来开发构建投资组合的逻辑框架，并提供了可以使用这些因素实施的策略的真实示例。他简要介绍了代表环境、社会和治理标准的 ESG 标准，及其在根据公司对社会和环境的影响对公司进行评级中的作用。
还讨论了数学模型和统计分析在量化因子投资中的应用。 Kumar 强调，这些方法有助于消除投资决策中的情绪偏见，并允许探索不太直观的因素。他概述了该领域最常用的七种量化方法，包括统计分析、因子建模、机器学习、优化模型、时间序列分析、风险模型和蒙特卡罗模拟。该视频重点介绍了如何使用统计分析来识别证券与因素之间的模式和相关性。
网络研讨会探讨了量化因子投资在投资组合的构建和管理中的优势。一个关键优势是能够模拟极端市场条件，这有助于投资者更好地了解其投资组合的局限性。演讲者通过对市盈率较低的大盘股投资组合的案例研究，强调了传统因子投资与定量因子投资在方法上的差异。传统投资涉及识别因子、确定大盘股的范围、计算每只股票的因子，然后根据市盈率对它们进行排序，而量化因子投资采用数据收集、预处理和特征选择。建立一个模型以根据所选特征预测股票价格。
解释了量化因子投资的过程，强调了建立准确模型以根据特定特征预测股票价格的重要性。演讲者强调，这种方法是数据驱动的，与传统因子投资相比更客观，能够实现更准确和可靠的分析。选择最好的因子进行投资，应具有持久性、跨市场和跨行业、对各种市场条件具有稳健性、对市场道德变化不过分敏感、具有足够的流动性和容量。
网络研讨会还涵盖了量化因子投资中的因子组合。讨论了五种常用的方法，包括等权重和因子评分，其中每个因子根据其历史表现进行评分，并取加权平均值以获得总分。强调了组合因素的重要性，因为它降低了投资组合风险，增加了多元化，并最大限度地减少了业绩的波动性。演讲者概述了最佳因素的五个关键特征，包括有经验证据支持、具有经济或金融基础、提供长期投资机会、可投资以及直观且被广泛接受。
演讲者接着讨论了量化因子投资中组合因子的几种方法。其中一种方法是主成分分析 (PCA)，它将多个因素组合成一组较小的不相关成分。这种方法减少了因素的数量并解决了相关因素的问题，也称为多重共线性。另一种方法是因子倾斜，它涉及调整投资组合中的权重或分配以强调特定因子。这种技术提供了灵活性，并允许投资者针对特定因素。此外，可以利用机器学习根据历史表现选择或组合因素，有效地捕捉非线性关系。演讲者强调了在使用深度学习算法时谨慎行事的重要性，因为它们需要大量数据并且容易过度拟合。建议将它们与传统统计方法结合起来以获得最佳结果。
此外，演讲者还解答了听众有关量化因子投资的问题。问题涵盖各种主题，例如使用价格行为和长期图表作为投资因素，演讲者建议通过适当定义并研究其历史表现，将其用作技术因素。解释了交易因素和非交易因素之间的区别，并以由于难以确定流动性而将房地产作为非交易因素的示例进行了说明。量化因子投资的重点主要放在交易因子上，因为它们的数据很容易获取并且可以进行回溯测试。演讲者还提供了有关确定一家公司是更注重价值还是更注重增长的见解，建议使用市盈率等技术来定义价值股。
讨论继续探索量化因子投资中使用的不同算法。提到了循环神经网络 (RNN) 和长短期记忆 (LSTM) 等算法，它们的相关性取决于所分析的数据类型。可以采用深度学习技术来组合因素并确定每个因素的最佳权重，从而提高投资组合的绩效。演讲者提供了有关回测因子策略的建议，并强调了跨多个数据集和市场测试其统计显着性的重要性。还提到了使用布林带作为识别横向市场的技术指标。
最后，网络研讨会以最后的问答环节结束，演讲者将回答听众提出的其他问题。这些问题包括深度学习算法在选择行业领域中的作用，突出了各种选项，如决策树、神经网络和随机森林。需要强调的是，算法的选择取决于手头的具体任务和数据集。由于数据要求和过度拟合的可能性，演讲者重申了谨慎使用深度学习算法的重要性。感谢听众的参与，并鼓励他们对会议提供反馈。
期权交易的机器学习
期权交易的机器学习
在关于期权交易机器学习的网络研讨会中，演讲者 Varun Kumar Patula 首先介绍了机器学习及其基本目的。他解释说，机器学习算法用于分析数据并发现人类可能不会注意到的模式。 Varun 区分了人工智能、机器学习和深度学习，强调机器学习是 AI 的一个子集，专注于训练模型以根据数据做出预测或决策。他进一步将机器学习分为三种类型：监督学习、非监督学习和强化学习，每一种都有自己的特点和应用。
然后，演讲者深入探讨了机器学习在期权交易中的应用，这是网络研讨会的一个重点。期权交易涉及买卖期权合约，期权合约授予持有人在特定时间范围内以指定价格买卖资产的权利。 Varun 强调了期权交易中涉及的高风险，并解释了机器学习如何提高分析准确性，从而降低风险。他详细阐述了机器学习在期权交易中的各种应用，包括期权定价、交易策略设计、波动率计算和隐含波动率预测。这些应用程序旨在改进决策制定并提高期权交易的盈利能力。
为了解期权交易中机器学习的必要性，本文讨论了 Black-Scholes 模型等传统模型的局限性。 Black-Scholes 模型假定无风险利率和波动率不变，这在现实世界中可能并不成立。 Varun 提到了 German Candy 模型和 Heston 模型等替代模型，它们有自己的局限性和输入参数要求。提出的解决方案是利用机器学习作为这些模型的替代或组合，因为它允许扩展一组特征和输入参数。机器学习模型可以考虑隐含或已实现的波动率、利率和其他相关特征等因素来确定期权的公平价格。这样可以实现更准确的定价、执行价格的选择和对冲策略。 Varun 强调，实证研究表明，具有多个隐藏层的深度学习模型（例如多层感知器模型）优于 Black-Scholes 模型，特别是对于价外或价内期权。
网络研讨会继续探索使用机器学习模型优化交易决策的期权策略。一般过程包括分析标的资产的看涨或看跌情绪，并相应地选择合适的策略。然而，许多期权策略扭曲了风险回报分布，需要进行更精细的分析。机器学习可以通过考虑过去的回报、动量和波动性等特征来增强这种分析，以提供对标的资产的洞察。然后将这些特征输入到机器学习模型中，以将下一个交易时段分类为看涨或看跌。该视频还涉及 SP500 指数数据中使用的特征，并强调了特征分析在期权策略决策中的重要性。
接下来，演讲者重点介绍了构建用于垂直期权价差交易决策的机器学习模型。他们解释说，输入参数与前面的示例相同，其中使用决策树分类器将下一个交易日分类为看涨或看跌。为了利用期权，引入了牛市价差或熊市价差等价差，因为它们限制了风险。结合机器学习模型来预测合约的交易范围和波动性。通过利用这些组合模型，交易者可以确定其交易策略中垂直价差的最佳设置，同时预测隐含波动率，这在期权交易中至关重要。
机器学习在期权交易中的另一个应用是预测隐含波动率和对期权策略做出计算决策。通过将历史隐含波动率和其他相关特征输入机器学习模型，交易者可以预测波动率并选择合适的策略，如空头跨式期权或空头勒式期权。演讲者分享了一个案例研究，其中构建了一个机器学习模型，以根据一系列策略和输入特征（包括基础数据和期权数据）预测最合适的期权策略。通过设计策略范围并将研究扩展到包括不同的合约，交易者可以利用机器学习来创建和选择符合其交易目标的最佳策略。
在网络研讨会中，演讲者描述了他们如何通过探索头寸和合约的各种组合来创建 27 种不同的期权交易策略。为了改进策略，他们通过消除在跟注者中缺乏位置或依赖于不切实际的组合（如空头跨式组合）的组合将它们过滤到 20 个。为了确定这 20 种策略中的哪一种可以提供最大回报，演讲者采用了机器学习模型，特别是长短期记忆 (LSTM) 模型。该模型结合了标的资产、期权和波动率的输入特征，并利用多类分类系统来确定最佳部署策略。
该视频还阐明了与期权等级相关的特征以及用于 LSTM 模型的神经网络结构。在大约 10 年的数据上训练模型，它根据输入特征生成策略标签。结果表明，随着时间的推移，机器学习模型的表现优于基础资产。为了提高机器学习模型对期权的预测准确性，演讲者推荐了几种最佳实践。其中包括利用概率水平进行微调、采用多个视觉模型、实施投票分类器技术以及利用多个分类器的输出来训练另一个机器学习模型以提高准确性和盈利能力。
此外，演讲者探讨了提高期权交易中分类模型性能的方法。这些方法涉及利用概率水平、通过组合多个分类器采用集成技术，以及使用机器学习模型来聚合不同模型的输出。强调了超参数调整和交叉验证技术的重要性，以在模型中实现更高的准确性。演讲者还强调了在使用真钱部署策略之前进行模拟交易的重要性。这种做法使交易者能够在冒实际资本风险之前识别并解决任何实际问题或挑战。
在随后的问答环节中，演讲者回答了与会者提出的问题。这些问题涵盖了各种主题，包括期权交易的机器学习策略的性能、用于为模型选择特征的方法、机器学习相对于现有技术指标的优势、特征重要性的计算以及合适的持有期SPY（标准普尔 500 指数）。演讲者澄清说，该策略的表现不仅仅取决于 2020 年的市场方向，因为该模型使用的数据可以追溯到 2010 年并涵盖 2020 年以后的时期。他们解释说，考虑到期权希腊人等因素，期权交易需要进行更复杂的分析和隐含波动率，使机器学习成为一种有价值的工具。模型特征的选择基于交易经验和知情决策的结合。
在网络研讨会快结束时，演讲者讨论了随附课程的先决条件，推荐了机器学习和相关课程的先验知识，以最大限度地发挥其优势。虽然该课程主要侧重于为标准普尔 500 指数期权交易构建机器学习模型，但这些概念可以通过进一步的培训和定制调整并应用于其他合约。该课程不提供预先构建的机器学习模型，但它使参与者具备构建自己的模型所需的知识和技能。
该网络研讨会全面概述了机器学习在期权交易中的应用。它涵盖了机器学习的基础知识、它与其他相关领域的区别以及机器学习算法的三种类型。网络研讨会强调了期权交易中机器学习的必要性，因为它能够提高分析准确性和降低风险。讨论了机器学习在期权交易中的各种应用，包括期权定价、交易策略设计和隐含波动率预测。网络研讨会还探讨了垂直期权价差的机器学习模型的构建和交易决策的优化。
股息股票的 ML 和优化投资组合资产分配 |算法交易项目
股息股票的 ML 和优化投资组合资产分配 |算法交易项目
此次活动的首场演讲由 Raimondo Mourinho 主讲，他是一位独立的 AI 和大数据工程师，以与意大利中小型公司的合作而闻名，为各种企业职能部门提供 AI 解决方案。 Mourinho 相信结合机器学习技术、统计数据和概率来创建先进的交易系统。在他的演讲中，他分享了他在投资组合资产配置中开发机器学习模型的实用且可扩展的框架。
穆里尼奥首先介绍了设计这样一个系统所需的关键组件。他强调了采用组合思维方式、利用机器学习模型将想法转化为可操作策略以及利用多 CPU、多核和 GPU 功能的重要性。这些成分构成了他的框架的基础。虽然他简要提到了上线时对基础设施的需求，但他重点关注了中低频交易框架的基本模块，并承认框架的最后部分超出了演示的范围。
然后，演讲者深入探讨了使用 Python 中的机器学习和股息股票优化构建强大的投资组合资产分配框架所需的能力。他强调需要对组合技术、面向对象编程、多处理技术和异步编程有深刻的理解。此外，超参数优化工具、SQL 语言和 Docker 技术方面的专业知识也被认为是有价值的。 Mourinho 继续解释该框架的第一步，包括针对时间序列优化数据库、数据预处理、处理缺失数据和异常值、规范化数据以及在指定资产范围内执行资产选择。
演示文稿继续讨论 alpha 生成阶段，这对应于用于生成交易信号的机器学习术语。 Mourinho 强调，在此阶段，交易员使用各种指标、情绪分析和计量经济学模型来整合他们的想法。随后的步骤涉及特征选择，其中使用基于等级的方法删除冗余特征，例如常量和准常量特征、非平稳特征和线性相关特征。此外，他还提到了分数微分的使用，这是一种在保留特征中的关键信息的同时保持所需平稳性的技术。这些改进是穆里尼奥使用机器学习和优化股息股票进行投资组合资产分配的框架不可或缺的一部分。
重新平衡，包括资产选择和权重分配，在学习管道中有详尽的解释。穆里尼奥根据资产之间的相对强度采用横截面动量来选择资产。对于权重分配，他将临界线算法、逆波动率投资组合和等权重投资组合等传统技术与分层风险平价和分层等风险贡献等机器学习模型相结合。演讲者展示仿真结果并使用历史数据评估性能。他还提到他打算通过结合 Drunken Monkey 策略和组合清除交叉验证等技术来进一步增强产品组合。此外，穆里尼奥强调了在将这些技术应用于实时交易场景时进行有效资金管理的重要性。
为了解决参数可变性估计问题，穆里尼奥建议采用蒙特卡罗模拟和自举等技术。他展示了他的分析结果，重点关注终端财富和最大回撤百分比。演讲者强调了保持数据驱动和不过分依赖特定交易理念的重要性。他还建议通过采用不同的技术来降低特殊风险，并通过选择具有可比性能的更简单的系统来避免过度拟合。最后，他强调由于时间序列数据的非平稳性，需要持续监控和调整实时交易系统。
在问答环节，穆里尼奥回答了观众的几个问题。一位与会者询问了管道中最关键的步骤，穆里尼奥强调数据预处理是必不可少且耗时的。另一个问题围绕着数据归一化，穆里尼奥建议在大多数情况下减去均值并除以标准差的常见做法。关于使用主成分分析 (PCA) 消除线性相关性，他承认它的可能性，但对特征中可能失去意义的可能性提出警告，并建议考虑像夏普比率这样的模型来有效地解释结果。
演讲者接着讨论了使用 PCA 进行特征选择及其对特征可解释性的潜在影响。建议有抱负的定量和算法交易者将 EPAT（算法交易执行程序）作为一个有价值的起点。他们强调该计划提供了符合行业要求的综合学习目标。网络研讨会的与会者将获得延长的早鸟入场时间，并可以预订课程咨询电话，以了解它如何帮助他们实现职业目标，无论是建立算法交易台还是将先进技术和工具纳入他们的交易策略。
香港交易及结算所有限公司的项目经理 Kurt Celestog 上台分享他的投资组合管理项目，该项目扩展了 Jay Palmer 关于量化投资组合管理的讲座。 Celestog 的项目侧重于通过投资组合管理优化股息收益率。他的目标是产生定期的股息收入流，同时确保股息支付的稳定和增长，同时保持投资组合的价值。他的目标是通过最佳投资组合管理技术，在股息收益率和价格回报方面超越基准指数或 ETF。 Celestog 面临获取股息数据的挑战，并开发了网络抓取功能来下载它。他将数据集分为两部分，每部分涵盖十年，包括经济衰退和扩张。
演讲者讨论了在股息股票投资组合优化的数据清理过程中遇到的挑战。从网站上获得的数据不干净，需要修改和规范化以美元数额表示股息，尤其是早期股息最初以百分比表示。价格数据来自雅虎财经，并计算了年度股息收益率、股息增长和平均增长等指标。为所有选定的股票推导出一个综合比率，以创建两个投资组合：一个等权重的投资组合和一个权重优化的投资组合。演讲者旨在分析一次优化，然后是十年持有期，是否会跑赢基准和 ETF。
然后，演讲者分享了利用机器学习技术进行投资组合优化项目的结果。所呈现的图表描绘了左上象限中的绿色气泡，代表具有最高综合指标的五只股票。等权重和最优权重的投资组合均表现出比基准更高的平均回报和股息收益率。然而，在接下来的十年里，银行股和科技股越来越受欢迎，导致优化后的投资组合业绩相对于基准有所下降。为了提高绩效，演讲者尝试定期重新平衡投资组合，并根据所选指标选择最佳的五只股票。重新平衡后的投资组合表现优于基准，并显示出更高的股息收益率。
演讲者强调了投资组合优化和定期再平衡如何带来更高的股息收益率并跑赢基准指数，尤其是房地产投资信托 (REIT) 等股息股。通过每六个月重新平衡投资组合并探索不同的回顾期，演讲者在平均股息收益率、股息增长、回报和较低的回撤方面成功地跑赢了指数。然而，他们承认获取和清理数据的挑战，并指出重新平衡功能可能很复杂，建议使用面向对象的编程来解决这种复杂性。总的来说，演讲者强调投资组合优化和定期重新平衡是投资者的宝贵工具。
演讲者指出，频繁的投资组合再平衡对于实现优异表现至关重要。然而，由于股息股票的股息数据可用性不高，因此比一年一次或两次更频繁地进行再平衡具有挑战性。演讲者还强调需要对该项目进行进一步的工作，包括探索不同的优化标准，将更多股票纳入投资组合以增加多元化，以及进行广泛的回溯测试。他们建议扩大阅读范围并讨论交易成本对投资组合绩效的影响。
在问答环节，Celestog 回答了观众的提问。一位参与者询问与优化投资组合相比等权重投资组合的表现。 Celestog 解释说，等权重投资组合通常表现良好，但优化后的投资组合产生了更高的回报，证明了投资组合优化技术的有效性。另一位与会者询问交易成本对投资组合绩效的影响。 Celestog 承认交易成本可能会产生重大影响，并建议将其纳入优化过程以获得更准确的真实世界性能表现。他还提到在实时交易场景中考虑滑点的重要性，并建议参与者在实时交易中实施之前使用历史数据彻底测试他们的策略。
总体而言，网络研讨会上的演讲阐明了使用机器学习和股息股票优化技术进行投资组合资产配置的实际方面。演讲者强调了数据预处理、特征选择、再平衡和定期监控对于取得成功结果的重要性。他们还强调需要不断学习、适应和探索不同的策略，以驾驭金融市场的动态特性。听众对在投资组合管理中利用机器学习的挑战、技术和潜在好处获得了宝贵的见解。