Ссылка на своеобразные торговые стратегии была сделана в рыночном комментарии Нила Бергера, президента Eagle’s View Asset Management. В этой статье мы пытаемся прояснить, что это за идиосинкразические стратегии.

Ниже приводится отрывок из рыночного комментария Нила Бергера, опубликованный Матиас Кнаб (выделено мной).

В общем, мы считаем, что количественные стратегии по-прежнему имеют место в нашем портфолио. Традиционные и более «прозаические» количественные стратегии, такие как статистический арбитраж на основе фундаментальных факторов, импульса и возврата к среднему значению, этого не делают. Мы уже или находимся в процессе выхода из тех стратегий и менеджеров, которые, по нашему мнению, используют более простые количественные стратегии, которые не осознают или не успевают за ростом конкуренции в количественном отношении и сокращением доступного альфа по причинам, указанным выше. В то время как мы сокращаем количественный анализ в целом, в рамках количественного анализа мы увеличиваем долю в стратегиях и менеджерах, которые используют идиосинкразические и сильно ограниченные стратегии, которые либо требуют узкоспециализированного набора навыков. и знания, чтобы их реализовать, или просто слишком ограничены в возможностях, чтобы привлекать конкуренцию со стороны более крупных игроков.

Причины, упомянутые для уменьшения альфы, в первую очередь связаны с эффектом скученности в «пешеходных стратегиях» и меньшей доступностью «глупых» денег для получения прибыли. Утверждалось, что выход из этой головоломки для некоторых фондов, по крайней мере, заключается в переходе к идиосинкразической альфе.

Начнем с этого определения:

идиосинкразический: особенный или индивидуальный.

Таким образом, согласно приведенному выше определению, популярные стратегии, включая отслеживание тренда, перекрестный и абсолютный импульс, статистический арбитраж, в том числе нейтральные длинные / короткие позиции, не предлагают идиосинкразической альфы, поскольку они широко известны и обладают высокой производительностью. Например, CTA уже подвергаются влиянию, полагаясь на высокую пропускную способность и широко используемые стратегии; альфа уменьшилась, и теперь CTA пытаются продавать эти стратегии в контексте низкой корреляции с фондовым рынком и альтернативной бета-версии; То есть, согласно Нилу Бергеру, прошлый высокий потенциал абсолютной доходности теперь ушел навсегда.

Таким образом, мы знаем, в чем не заключаются идиосинкразические стратегии. Это, конечно, не те стратегии, которые полностью описаны в нескольких строках кода в некоторых популярных книгах. Ниже предпринята попытка идентифицировать некоторые из этих стратегий, поскольку потенциальная область обширна, но ее трудно полностью исследовать.

Необычные альфа-стратегии

На основе событий и настроений

Стратегии, основанные на событиях, пытаются генерировать альфу на основе корпоративных событий, которые включают слияния, поглощения, неожиданные прибыли, банкротства, смену генерального директора, реструктуризацию долга и многие другие.

Стратегии, основанные на настроениях, основаны на анализе новостей и каналов социальных сетей для определения настроений, а также тенденций.

Я кратко рассказываю об этих стратегиях и их опасностях в главе 8 моей книги Обманутый техническим анализом. Короче говоря, их главными проблемами являются систематическая ошибка интеллектуального анализа данных и создание ложной корреляции. Эти стратегии сложно протестировать на исторических данных, но это не обязательно является серьезным недостатком, поскольку любую стратегию, которая не может быть протестирована на исторических данных, также невозможно легко воспроизвести. Однако нет убедительных доказательств того, что эти стратегии могут быть эффективными.

Маловероятно, что какой-либо фонд может полагаться только на перечисленные выше источники альфы.

Дискреционный технический анализ

Технический анализ, основанный на использовании линий тренда, графических моделей и простых индикаторов цены и объема, по сути, является методом случайной торговли для большинства тех, кто его практикует. Также признается, что небольшому проценту технических аналитиков удавалось стабильно получать прибыль, но причина этого связана не с предсказательной силой технического анализа, а с их пониманием структуры и функционирования рынка. Фактически, технический анализ используется не как инструмент прогнозирования, а для выявления привлекательных входов и выходов из рынка.

Очевидно, что такой метод не может быть протестирован квантами. Доказательства, если таковые имеются, содержатся в фактических отчетах о производительности. Даже в этом случае необходимо проводить тщательный анализ, чтобы различать умение и удачу. Это связано с тем, что, учитывая большое количество случайных трейдеров, использующих технический анализ, высока вероятность того, что некоторые из них принесут большую прибыль. Следовательно, необходимо также посмотреть на согласованность этих доходов во времени и на то, как на них влияют выбросы.

Основываясь на моем собственном, но ограниченном опыте работы с хедж-фондами, не многие менеджеры будут распределять средства между трейдерами, используя технический анализ, потому что они обеспокоены предвзятостью подтверждения и другими когнитивными предубеждениями, которые могут присутствовать в решениях.

Модели машинного обучения

Фундаментальная проблема машинного обучения - это компромисс смещения и дисперсии. Для контролируемой классификации требуется наличие набора функций, также известных как предикторы, факторы или атрибуты. Простые модели имеют высокое смещение и низкую дисперсию, а более сложные модели имеют низкое смещение и высокую дисперсию. Короче говоря, по мере увеличения количества функций смещение уменьшается с риском чрезмерной адаптации к шуму. По мере уменьшения количества функций модели, как правило, не соответствуют новым данным. Нет простого способа найти оптимальный компромисс. Что еще более важно, разработка функций - ключевой аспект машинного обучения, но это больше искусство, чем наука.

Есть несколько количественных фондов, которые пытаются создать альфа-версию с помощью машинного обучения. Numerai предоставляет специалистам по обработке данных зашифрованные функции для использования при разработке моделей. Специалисты по обработке данных загружают свои прогнозы, и оператор фонда оценивает их, чтобы определить размер компенсации. В прошлый раз, когда я использовал данные Numerai, было 21 функция. Этот богатый набор функций может привести к прогнозам с высокой дисперсией. Оператор надеется уменьшить дисперсию, используя совокупность прогнозов, но это может гарантировать только низкую дисперсию собственного капитала, но не тенденцию собственного капитала, т. Е. Собственный капитал может упасть независимо. Это может произойти из-за того, что большинство специалистов по анализу данных используют более или менее одинаковые модели, которые они также обсуждают на различных форумах и в блогах. Другими словами, сомнительно, что дисперсию модели можно минимизировать, взяв ансамбль прогнозов с низким смещением / высокой дисперсией. Однако это более интересный подход по сравнению с подходом Quantopian, где большой набор ценных бумаг (порядка 1500) используется для разработки рыночно нейтральных длинных / коротких стратегий с использованием машинного обучения с использованием известных факторов. Риски, связанные с неспособностью сократить большое количество ценных бумаг, чрезмерной подгонкой в ​​обучающей выборке и высокой дисперсией в тестовой выборке, увеличивают риски больших и быстрых просадок, что маловероятно в случае Numerai из-за подхода ансамбля прогнозов. .

Мой подход к решению этой проблемы сосредоточен на разработке функций. Программа DLPAL LS генерирует небольшой набор идиосинкразических функций, которые можно использовать для разработки алгоритмических моделей и моделей машинного обучения. Этот подход может реализовать лучший компромисс между смещением и дисперсией. Пример для вселенной акций Dow 30 можно найти здесь.

Ряд фондов решили изучить машинное обучение, но, на мой взгляд, проблема заключается в тенденции новых квантов думать, что решение зависит от сложности алгоритма машинного обучения, а не от качества функций. В результате эти средства могут понести убытки.

Дискреционные количественные методы

По сути, эти методы выводят субъективный технический анализ на новый уровень анализа, основанного на фактах. При таком подходе все модели должны иметь четкую логику, которую можно закодировать для тестирования производительности на исторических данных. Это звучит слишком хорошо, чтобы быть правдой, и это действительно так.

Фундаментальная проблема моделей дискреционной торговли, основанных на некоторых предполагаемых аномалиях, заключается в том, что даже если они кажутся генерирующими альфу, размер выборки невелик. Это очевидно недавно из всех проверенных на истории показателей в социальных сетях и блогах, которые пытаются спрогнозировать следующую вершину рынка: размер выборки намного меньше 20, в большинстве случаев меньше 10. Причина этого в том, что аномалии высокой прибыльности встречаются редко. . Учитывая эту проблему, кванты должны найти способы подтверждения предсказаний этих моделей. Большинство из тех, кто представляет такого рода бэктесты в блогах и социальных сетях, никогда не обсуждают валидацию и возможность ложной корреляции. Основная причина этого в том, что для большинства этих аналитиков тестирование на истории является средством подтверждения их предвзятости. В результате они представляют бэктесты, которые только подтверждают их взгляды.

Существуют способы проверки дискреционных количественных методов, но провести их бэктесты практически невозможно. В результате этим методам будет не хватать предпочтения управляющих фондами, и для проверки трейдеров потребуются длительные отчеты об эффективности.

Примечание редакторам Data Science. Хотя мы разрешаем независимым авторам публиковать статьи в соответствии с нашими правилами и рекомендациями, мы не поддерживаем вклад каждого автора. Не стоит полагаться на работы автора без консультации с профессионалами. См. Подробности в наших Условиях для читателей.

Эта статья изначально была опубликована в Блоге Price Action Lab

Если у вас есть какие-либо вопросы или комментарии, мы будем рады связаться с нами в Twitter: @ mikeharrisNY

Заявление об ограничении ответственности

Об авторе: Майкл Харрис - трейдер и автор бестселлеров. Он также является разработчиком первого коммерческого программного обеспечения для определения моделей поведения цены без параметров 17 лет назад. Последние семь лет он работал над разработкой DLPAL, программного обеспечения, которое можно использовать для выявления краткосрочных аномалий в рыночных данных для использования с фиксированными моделями и моделями машинного обучения. Щелкните здесь, чтобы узнать больше.