Денежные машины: интервью с анонимным алготрейдером

Время на чтение: 10 минут

Денежные машины

За последние годы мы все чаще слышим про роль алгоритмов в нашей жизни. Они позволяют с большей точностью выбирать за нас будущую профессию, давать только те новости, которые нам актуальны, и даже определять срок тюремного заключения.

В мире финансов алгоритмы уже относительно давно закрепились и с каждым годом перестраивают финансовые рынки. Мы поговорили с алгоритмическим трейдером, чтобы больше узнать о том, как алгоритмы влияют на современные финансовые рынки и к чему ведут эти тенденции.

Расскажите нам, как вы попали в мир финансов и какой ваш прошлый опыт?

Меня всегда привлекала экономика. Там, где я вырос, многие получали математическое образование. Я не был исключением. После обучения я искал высокооплачиваемую работу, но чтобы она могла пересекаться с тем, что я изучал в школе и университете. Так я решил сфокусироваться на индустрии финансовых рынков и через некоторое время получил работу на торговой площадке одного инвест-банка.

Большинство инвест-банков имеют как минимум одну, а иногда и несколько торговых площадок. Это площадь размером с футбольное поле, заполненная трейдерами, которые покупают или продают акции, фьючерсы или облигации на деньги крупных инвесторов. Банк делает деньги на комиссиях или же на маркет-мейкинге — предоставлении ликвидности своим клиентам.

Когда мне говорят про торговую площадку, я представляю толпы орущих людей, хаотично выполняющих свою работу.

Сейчас уже правила немного поменялись, да и телефоны уже не используются с такой активностью. Но мне нравится это место. Именно на торговых площадках происходят порой самые крупные сделки. Так что если вы хотите нагрузить ваши интеллектуальные мышцы, то торговая площадка — лучшее место для этого.

Тем не менее, позже я покинул торговую площадку и начал формировать финансовые стратегии для пенсионных фондов. Туда ломанулись многие после кризиса 2008-го года, так как поняли, что классические стратегии инвестирования не работают с прежней динамикой.

Хоть финансовые портфели и имели те же самые риски, тем не менее технологии позволяли понимать и выявлять эти риски быстрее. Человеческий фактор стал меньше влиять на стратегии.

Какие новые принципы инвестирования появились? Что такое “системные инвестиционные программы” и как они вписываются в область алгоритмического трейдинга?

Существует множество направлений в финансах, где применяются алгоритмические подходы.

Первый подход — алгоритмическая торговля, которая фокусируется на микроструктуре финансовых рынков. Подавляющее большинство фондов используют такие подходы, которые помогают им исполнять сделки по покупке или продаже финансовых активов максимально эффективно.

Второе направление — систематическое инвестирование, или по-другому — количественное инвестирование. Здесь алгоритмы применяются для распределения денег в различные акции и инвестиционные портфели на основе больших данных.

Ранняя версия количественного инвестирования — которая появилась вместе Портфельной Теорией Марковица в 1950-х годах — была разработана для пенсионных накоплений. Эти правила должны были помочь человеку решить, сколько он готов инвестировать в акции, а сколько в облигации. Количественные инвестирования быстро вошли в обиход многих инвестиционных организаций, а также и частных инвесторов.

Далее инвесторы и трейдеры стали улучшать базовый подход — в количественное инвестирование стали внедрять не только тот фактор, сколько ты инвестируешь в акции, а сколько в облигации, но также и какие конкретные отрасли фондовых рынков ты используешь.

Когда вы говорите о “подходах”, что конкретно вы имеете ввиду?

Классические подходы инвестирования были такие: 60% в акции и 40% в облигации. Современная же портфельная теория начала применять математические модели. Таким образом проводятся огромные количества оптимизаций, благодаря чему инвесторы приближаются к максимальной диверсификации — потенциальные доходности растут, а риски снижаются.

Такая модель, в целом, не нуждается в человеческих действиях (человек нужен только для того, чтобы создать алгоритм). Но как показывает практика, инвесторы все равно внедряют какие-то элементы от себя, а математическую модель используют лишь как опорную точку. Человеческая проницательность иногда может улучшить инвестиционные стратегии, созданные алгоритмом.

Тем не менее, мы находимся в расцвете эпохи больших данных. Машинное обучение занимает доминирующее место там, где этих данных очень много. Алгоритм способен собирать воедино макроэкономические новости, отчетности компаний, исторические данные по активам и многое другое. В связи с этим человек начинает все больше и больше проигрывать компьютеру.

Как создавать торговые стратегии на основе статистики и данных, способных работать 24/5

Не упустите возможность получить прибыльные торговые стратегии.

Приведите пример инвестиционного решения, основанного на модели машинного обучения.

К примеру, есть алгоритмы, которые постоянно анализируют твиттер-ленты новостных каналов, на основе чего создают фон — индикатор настроения трейдеров и инвесторов на финансовых рынках. На основе полученных данных вы можете принимать решения по покупке или продаже тех или иных инструментов.

Насколько автоматизированы такие процессы? Мы говорим о программном обеспечении, которое подсказывает трейдеру о направлении сделки, или же алгоритм открывает позиции самостоятельно?

Здесь каждые выбирают подход самостоятельно. Количественные инвесторы все же склоняются к полной автоматизации — в их задачи входит только следить за ними. Ряд хедж-фондов работают с полной автоматизацией.

Частные же трейдеры или инвесторы создают такие программы только для подсказок, так как не все могут создать сложные автоматизированные алгоритмы, не имея больших ресурсов.

Одна из проблем, которая есть у машинного обучения — это понимание логики. Иногда по мере усложнения модели становится невозможно объяснить результаты, которые она выдает. Это стало источником беспокойства, так как машинное обучение задействовано не только на финансовых рынках, но также и в сферах, где решения алгоритмов влияют на жизни людей.

Так вот насколько важна логика результатов алгоритма, задействованных на финансовых рынках?

Мое мнение такое, что результат должен быть легко объяснимым. Хотя сейчас образовался некий разрыв между людьми — одни считают, что нужно больше доверять алгоритмам и не пытаться включать человеческую логику, другие же считают, что логическое понимание важно.

Хотя и некоторое отсутствие логики привело к новым моделям, которые работали лучше старых. В финансах многое зависит от людей, а законы людей и их поведения могут часто меняться. В этом финансы отличаются от той же физики.

Самый простой пример: вы заметили устойчивый рост какой-то акции в прошлом месяце. Это наблюдение привело вас к мысли, что неплохо бы ее купить. Но если помимо вас к такому решению придут еще другие трейдеры, то акция станет перекупленной, что приведет к дальнейшему снижению и вы потеряете деньги. Так что такая логика не позволит вам заработать.

Не может ли быть такого, что все эти “машинное обучение”, “большие данные” и “искусственный интеллект” — всего лишь маркетинговая “ширма” для привлечения инвесторов. Действительно ли современные технологии позволяют эффективней управлять капиталом? 

Это отличный вопрос. Лучший способ исследовать это — поговорить о роли больших данных.

С каждым днем появляется огромное количество новых данных, которые так или иначе можно применять в личных целях. К примеру, какие новости могут помочь спрогнозировать цены на нефть? Это могут быть политические новости, публичные заявления глав стран, спутниковые снимки мест с запасами нефти — что угодно.

Наряду с новыми данными существует также и новые способы анализа этих данных. Еще недавно анализ данных заключался только в аналитике отчетов компании — есть ли у компании долги, какая их годовая прибыль относительно конкурентов, какие их цели и задачи на ближайшее будущее.

Сейчас же таким образом вы можете одновременно анализировать не только тысячи различных компаний, но и прибегать к более хитрым и экзотическим методам — тон речи главы компании при отчете, сравнение тона с прошлыми годами, сравнение тона с конкурентами и т.д. Это один из примеров, но таких примеров можно привести еще много. Да, сегодня можно проанализировать кто, где и с какой силой чихнул, и в зависимости от этого получать данные.

Не все эти данные могут быть полезны для получения прибыли. К примеру, получение снимков из космоса стоит больших денег, и далеко не всегда полученная информация окупается. Мы все еще находимся на этапе, где пытаемся выяснить, что делать со всей поступающей информацией. Однозначный ответ пока только один — не все данные будут помогать в работе.

Допустим, чем больше данных, тем более эффективно это сказывается на финансовом секторе. Как тогда это повлияет на финансовые рынки?

На финансовых рынках все соревнуются друг с другом.

Если бы все современные технологии были бы доступны только нескольким фирмам из 1000, то тогда именно эти фирмы имели бы статистическое преимущество и 99% денег рынка.

Но реальность другая, и конкуренция есть как среди ручных частных трейдеров, так и среди крупных институциональных организаций. Каждый может здесь занять свою нишу.

По сути, ничего не меняется, только некоторые правила игры.

Ок, мы выяснили, что технологии развиваются по всей отрасли финансовых рынков в целом. Как это влияет на рабочие места или на уровень квалификации наемных сотрудников, если большую часть процессов на финансовых рынках уже выполняют алгоритмы?

Действительно, огромное количество рабочих мест находятся под риском уничтожения. И это касается не только мира финансов.

Пока еще тенденции найма высококвалифицированных сотрудников не ушли в прошлое: многие фирмы нуждаются в таких кадрах, но “эра больших данных” уже началась. Неизвестно сколько еще времени понадобится, чтобы один хороший алгоритм мог заменить сотни наемных сотрудников. Думаю, уже скоро мы к этому придем.

Финансовые корпорации становятся больше техническими корпорациями. Так, например, в JP Morgan Chase работает 50 000 сотрудников, 2/3 из которых — программисты. Это больше программистов, чем в технических компаниях, таких как, к примеру, Facebook.

Вы были в финансовой индустрии и знаете эти тенденции не понаслышке. Как меняется отрасль в связи с обильным изменением в сторону технологий?

Отрасль становится более спокойной. В том плане, что меньше человеческих эмоций используется при принятии тех или иных решений. А где эмоции, там и беспокойство.

Старая финансовая модель фокусировалась вокруг энергии людей, которые кричали и бегали по торговой площадке, чтобы заключить сделки. Сейчас же эта энергия рассеивается и освобождает место для алгоритмов.

Ок, какие слабые места могут быть в алгоритмических подходах и как над ними работать?

Здесь работает та же логика, что и при кризисе 2008 года — если что-то растет и развивается, это не значит, что так будет происходить всегда.

К этому добавляется та проблема, что все алгоритмические методы основаны и обучаются на исторических данных. В связи с этим ошибки прошлого могут перетекать в эти же ошибки в будущем, и приводить к аналогичным последствиям, как в 2008 году.

5 февраля, а потом и 10 октября американский рынок сильно просел. В последствии было много дискуссий о роли алгоритмов в этих падениях. Это была всего лишь репетиция? Мы можем ожидать чего-то большего в будущем?

Что касается 5 февраля, то да, какую-то роль в этом падении сыграли алгоритмы. Это было связано с одним биржевым продуктом, который повысил риски, в связи с чем выросли объемы и снизилась ликвидность. После этого все вышло из под контроля.

Что вы можете сказать о частных трейдерах и инвесторах? До этого мы говорили в основном о крупных участниках, но хотелось бы знать, как эти технологии соприкасаются с более скромными деньгами?

Уже появились робо-советники, которые используют алгоритмы при управлении деньгами. Да и лично у нас развиваются стратегии, которые используются и в крупных фондах.

Многие считают, что развитие таких технологий — это хорошо. Но в случае с частными инвесторами это может быть не так хорошо, как может показаться на первый взгляд. Только тот, кто имеет хороший опыт в алгоритмическом трейдинге, сможет на этом зарабатывать. Остальные же потеряют свои деньги, если будут относиться к этому, как в волшебной таблетке. Впрочем, как и везде.

И заключительный вопрос. Забегая вперед, какие еще перспективы развития технологий вы видите в финансовом секторе?

Мы говорили о том, как финансовые компании в большей степени становятся техническими. Но я считаю, что скоро технологические компании будут развиваться в финансовые.

Если вы технологическая компания, то почему вы думаете, что традиционная финансовая фирма лучше в техническом соображении, чем вы. Если мы говорим про машинное обучение, большие данные и искусственный интеллект, то технологические фирмы уже давно используют это, плюс они моложе и имеют лучшую структуру обработки данных в целом.

Кстати, в Китае уже происходит смена парадигм. Например, Alibaba уже активно интегрируются с финансовой индустрией, чем их конкуренты в США. Alibaba имеют возможности обеспечивать вклады и кредиты для своих для клиентов. Такие подходы могут быть более привлекательны для крупных инвесторов, в связи с чем вектор глобального инвестирования может смениться.

Оригинал статьи Money Machines: an Interview with an Anonymous Algorithmic Trader

Поделиться статьей

С радостью ответим на ваши комментарии

Оставьте комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Читайте также

Поп-ап

В поиске прибыльных торговых стратегий на финансовых рынках?

Тогда вам по одной из кнопок ниже

Не пропустите лучшие статьи и видео о трейдинге — подписывайтесь на наш Telegram

До 30% скидок на все курсы. Только для тех, кто прошел вступительный материал до конца

  1. Стоимость любого курса можно разделить на 4 части. Без переплат, комиссий или кредитных договоров.
  2. Если курсы вам не подойдут — вернем деньги без вопросов.

Знания и практика — это то, что нужно для прибыльного трейдинга. Начните трейдинг-эволюцию уже сейчас