Кто такой Джим Саймонс и как он заработал $ 25 млрд с помощью количественного трейдинга
Количественный трейдинг — термин, который все чаще встречается на различных источниках. Крупнейшие хедж-фонды активно используют этот метод с 80-х годов. Для нас же — частных трейдеров — это кажется чем-то новым и сложным. Эта статья постарается упростить область количественного трейдинга и дать практические рекомендации для применения.
Полезные материалы, которые хорошо бы изучить перед продолжением:
Содержание
- Видео.
- Определение количественного трейдинга и количественного анализа.
- Как работает количественный трейдинг.
- Кванты и квантовые фонды — кто все эти люди?
- История Джима Саймонса и хедж-фонда Renaissance Technologies (Ren Tech) — прародителя количественного трейдинга.
- Стратегии количественного трейдинга.
- Плюсы и минусы количественной торговли.
- Количественная торговля для частных трейдеров.
Видео о Джеймсе Саймонсе и количественном трейдинге
Определение количественного трейдинга и количественного анализа
Количественный трейдинг основан на статистических и математических моделях, а также на количественном анализе. Количественный анализ — метод компьютерной обработки огромного массива данных, благодаря которым создаются стратегии для финансовых рынков. Анализ больших данных применяется во всех областях, где переменных очень много — от естественных наук, до тех самых финансовых рынков.
Задача количественного анализа — формировать гипотезы на основе больших данных для любых финансовых рынков. Количественный трейдинг же реализует эти самые гипотезы. Примерно все как и в привычном нам мире финансовых рынков — аналитик делает прогноз, а трейдер совершает сделку. Разница только в том, что количественный трейдинг может совершать несколько сотен тысяч сделок в день.
Подобный трейдинг требует больших компьютерных мощностей, в связи с этим такой подход чаще всего используется инвест-банками и хедж-фондами. Тем не менее развитие технологий помогает приблизиться к количественному трейдингу и частным инвесторам.
За 1 час поможем разобраться с факторами успеха и причинами неудач на финансовых рынках
6 уроков онлайн-курса и 50 минут видео подскажут, как не терять деньги при трейдинге и куда следовать для эффективного развития.
Как работает количественный трейдинг
Прежде всего рассмотрим, как работают другие методы анализа, и вернемся к количественному трейдингу. Так будет проще видеть различия и особенности метода.
Ок, основные подходы в трейдинге такие:
- Дискреционный трейдинг (интуитивный) — метод, при котором вы принимаете решения на основе “плавающих” переменных и на основе поведения цены в моменте. Сюда также можно включать логику и интуицию. Наиболее известный дискреционный подход — метод VSA.
- Системный трейдинг — трейдинг на основе жестких установленных правил. Чаще всего, системные стратегии создаются на основе технических индикаторов. Системный трейдинг может быть как ручным, так и автоматизированным.
- Алгоритмический трейдинг — следующий этап после системного подхода. Если системный трейдинг можно торговать вручную, то алгоритмический полностью переходит на роботизированное управление. Плюс добавляются арбитражные и высокочастотные (HFT) стратегии.
- Количественный трейдинг — следующий этап после алгоритмического трейдинга. Подробнее о нем — ниже.
Подробнее о каждом из методов — в статьях:
- Человек против машины: интуитивный трейдинг против системного.
- В чем потенциал системных трейдеров и как его развивать.
- 3 главных навыка, необходимые начинающим (и не только) алгоритмическим трейдерам.
Или в видео ниже:
В первой главе мы разобрались, что количественные подходы используют статистические модели. И таких моделей может быть (и должно быть) множество. В этом заключаются главные отличия от алгоритмических подходов.
Если вы автоматизировали одну системную стратегию, к примеру, на основе индикатора SMA, и используете ее полностью в автоматическом режиме, то вы можете называть себя алгоритмическим трейдером. Если вы создали 100 разных стратегий для разных рынков — вы уже являетесь количественным трейдером. Крупные фонды имеют тысячи различных стратегий под разные рынки — от фондовых до криптовалютных.
Задача количественных подходов — сформировать положительное математическое ожидание и произвести максимально возможную диверсификацию.
К примеру, играя в рулетку, вы имеете отрицательное математическое ожидание: вы обязательно проиграете деньги, если будете играть долгосрочно и не завершите игру в процессе какого-нибудь выигрыша.
Большинство стратегий на финансовых рынках также имеют отрицательное математическое ожидание. Задача количественного трейдинга — сформировать портфель алгоритмических стратегий, где математическое ожидание будет выше 0 и в долгосрочной перспективе принесут прибыль.
Еще одно отличие количественных подходов от алгоритмических заключается в том, что количественный трейдинг может включать в себя стратегии, которые основаны на любом анализе, даже на дискреционном или фундаментальном (да, для этого требуются сложные модели для сбора и обработки больших данных, что не всегда доступно частным трейдерам). Алгоритмические же стратегии чаще всего основаны на технических индикаторах и далеко не всегда имеют сложные аналитические модели. Да и вообще, так как количественный трейдинг основан на количественном анализе, то в такой анализ может входить множество переменных, непривычных для классических трейдеров.
К примеру, анализ парковок гипермаркетов со спутника может сказать о том, хорошо ли идут дела у какой-нибудь “Ленты”, или же в этом году парковки меньше загружены, чем в прошлом, и можно ожидать снижения выручки компании. Или другой вариант: голосовые алгоритмы анализируют тембр, уверенность и другие переменные голоса (например, во время выступления кого-нибудь из глав центробанков), делая на основе этого предположительную модель будущего поведения цены.
Очень интересно, но такие анализы требуют огромных инвестиций. И даже такие анализы не всегда приносят прибыль.
Статистика алгоритмического трейдинга + новые статьи и новости финансовых рынков в нашем Telegram канале
Кванты и квантовые фонды — кто все эти люди?
Кванты — так называют математиков, программистов и других ребят, которые могут реализовать сложные гипотезы в финансовую жизнь.
Парень в очках и с хорошими знаниям математики, статистики, C++, Java или Python (это языки программирования) ценится в несколько раз больше, чем выпускник Гарварда в дорогом костюме. Классический трейдинг, скорее всего, останется в 20-ом веке. В 21 веке на Wall Street доминируют большие данные, языки программирования и те самые скромные парни в очках. Именно их и “хантят” крупнейшие хедж-фонды мира.
Доверие к традиционным фондам (фонды, где управляющие используют интуицию вместе с фундаментальным анализом) снижается. Даже легенда фондовых рынков Уоррен Баффет за последние 15 лет показывает в среднем ту же динамику, что и S&P 500 — то есть он не обгоняет рынок.
На снижение эффективности среди классических управляющих влияет несколько факторов:
- Классические управляющие больше не имеют того информационного преимущества, что имели раньше. Если лет 30 назад вы действительно могли иметь преимущество, углубленно анализируя отчетности компаний и другие фундаментальные факторы, то теперь компьютер способен обработать эту же информацию за несколько минут. И при этом не ошибиться в данных.
- Ужесточение инсайдерской торговли. Опять же, лет 30 назад инсайдерская торговля не так строго контролировалась, как сейчас. Вы действительно могли получить преимущество и заработать на скрытых данных. Сейчас же в США за это можно получить не преимущество, а лет 25 тюрьмы.
- Все больше и больше данных, которые человек просто физически не успевает анализировать. Даже если посадить 1000 гениальных аналитиков, они не справятся с задачей так же хорошо, как один мощный компьютер. По оценкам IBM, ежегодно собирается около 40 зетабайт, или 44 триллионов гигабайт различных данных, что в 300 раз больше, чем в 2005 году.
Как создавать торговые стратегии на основе статистики и данных, способных автоматизированно работать 24/5
Не упустите возможность получить прибыльные торговые стратегии.
История Джима Саймонса и хедж-фонда Renaissance Technologies — прародителя количественного трейдинга
Джим Саймонс — американский математик, который начинал свою карьеру в качестве преподавателя в MIT (Массачусетский Технологический Университет) и Гарварде.
В процессе обучения и преподавания он впервые познакомился с финансовыми рынками и попробовал торговать. С первого раза у него не получилось серьезного развития в этом направлении и он отбросил идею на какое-то время.
В 1964 году Саймонс покинул Гарвард, чтобы работать в отделении разведки США, которая занимались дешифровкой советских кодов. Все было достаточно увлекательно — ежедневно ему приходилось работать с выдающимися математиками и решать сложные статистические задачи (это его всегда привлекало). На новом месте работы Саймонс научился разрабатывать математические модели, которые распознают и интерпретируют определенные закономерности в разрозненных на первый взгляд данных. Этот навык сильно повлияет на развитие его хедж-фонда в будущем.
1978 год. Джим Саймонс создает хедж-фонд
Работа в научной сфере и на правительство не давали ему нескольких факторов — достаточных денег и признания своих достижений. Таким образом, в 1978 году Джим Саймонс решил попробовать себя в трейдинге еще раз. У него были скопленные деньги, на которые он смог снять себе офис и открыть брокерский счет.
Саймонс достаточно быстро пришел к выводу, что финансовые рынки не всегда реагируют на какие-то события рационально, а значит, нельзя полагаться на традиционные методы инвестирования (на тот момент наука о поведенческих финансах только формировалась, но Саймонс уже об это догадывался). Подобно тому, как физики изучают огромные массивы данных, чтобы открывать новые физические законы, Саймонс стал разрабатывать математические модели для выявления принципов работы финансовых рынков.
В процессе у него начали появляться первые успехи, а вместе с успехами и талантливые коллеги: математики, программисты и физики. Несмотря на это, в течение следующих нескольких лет результаты все равно оставались не самыми стабильными. Все это сопровождалось разногласиями в команде и стрессом, который несколько раз чуть было не вынудил Саймонса покончить с трейдингом.
1988 год. Renaissance Technologies запускает фонд для "своих" — Medallion
После 10-ти лет сложного и напряженного развития, Саймонс с командой запускают фонд Medallion — закрытый фонд для сотрудников Ren Tech и приближенных к Саймонсу людей.
Фонд фокусируется на работе с валютными, сырьевыми и товарными фьючерсами, применяя кредитное плечо и стратегии только количественных подходов. С этого момента начинается полоса феноменальных результатов, которые не заканчиваются и сейчас.
Среднегодовая доходность Medallion до выплаты комиссионных — 62,9%, а после выплаты — 37,2%. Это самая высокая доходность, которую показывал какой-либо фонд за такой период времени.
К примеру, средняя доходность индекса S&P 500 за это время составила всего лишь 11%. Вместе с индексом, Джим Саймонс пока обгоняет и Уоррена Баффета, и Рэя Далио, и Джорджа Сороса по среднегодичной доходности.
Что мы знаем о фонде Medallion
Тезисно:
- Под управлением у фонда — 55 млрд $
- Стратегии фонда — черные ящики. Никто не знает, какие конкретно стратегии там работают и как они получают такие результаты. Все процессы находятся под строжайшей защитой
- В день алгоритмы открывают около 200 000 – 400 000 сделок
- Высокая доходность связана с тем, что фонд использует кредитное плечо до 1:3.
- Единственный отрицательный год у фонда был в 1989 — после выплаты всех комиссий убыток составил -4%
- На сегодняшний день Джим Саймонс отошел от операционной деятельности фонда, но состоит в совете директоров Ren Tech
- Среднее время удержания сделок — от нескольких часов, до нескольких недель
- Основные стратегии фонда — рыночно-нейтральные (работают как при падении, так и при росте)
- Среднее количество прибыльных стратегий ненамного превышает 50% (еще вернемся к этому фактору в конце статьи)
Пока не ясно, как долго продлятся такие феноменальные результаты фонда — конкуренция в количественном трейдинге растет, а доля классических управляющих снижается. Пока же можно сказать, что Medallion является фондом с самой высокой среднегодовой прибылью.
Да, сейчас Джим Саймонс занимает 68 место в Forbes с личным состоянием в 24,6 млрд $.
Стратегии количественного трейдинга
Некоторые мы уже обсудили — они могут основываться на множестве переменных, выходящих из привычных рамок финансовых рынков. Иные же стратегии пересекаются с классическими алгоритмическими подходами:
- арбитражные стратегии — стратегии, которые основываются на разных показателях разных бирж по одному и тому же инструменту;
- высокочастотные стратегии (HFT) — стратегии, где сделки совершаются от нескольких миллисекунд до нескольких минут;
- трендоследящие стратегии (momentum) и стратегии, основанные на схождении к среднему (mean reversion) — эти стратегии используются и в ручном трейдинге, но часто они попадают под автоматизацию.
В количественном трейдинге есть те же самые привычные стратегии, только тестируются и применяются они абсолютно на всех рынках. Так количественные фонды добиваются максимальной диверсификации.
Как создаются количественные стратегии
Процесс аналогичен процессу создания алгоритмических стратегий, только количественный трейдинг требует больше компьютерных мощностей, больше данных и больше математических и статистических вычислений.
Вот какая последовательность:
- Гипотеза — с этого начинается любая торговая стратегия. Так же как и в науке, все начинается с какой-то идеи или наблюдения и переходит к следующему шагу — формализации.
- Формализация — создание торговой стратегии, чтобы иметь возможность ее протестировать на исторических данных.
- Бэктест — тестирование стратегии на исторических данных — наверное, самый интересный процесс во всей цепочке.
- Форвард-тест — еще одно “окно” тестирования.
- Объединение лучших бэктестов в портфель с уже работающими стратегиями — это делается для того, чтобы на тех же исторических данных проверить, как новый алгоритм будет уживаться с теми, которые уже работают и посмотреть на их совместную деятельность.
- Применение стратегии на живых котировках — здесь имеется ввиду демо-счет.
- Добавление новой стратегии к работающему портфелю — с условием, что стратегия прошла все предыдущие пункты и имеет право на реализацию с настоящими деньгами.
Вот такой путь проходит каждая стратегия в отдельности, после чего объединяется с сотнями (а скорее тысячами) других и все это становится количественным трейдингом.
Плюсы и минусы количественной торговли
Основной плюс — огромные возможности для диверсификации. Это самый важный аспект для крупных управляющих — держать риски на минимально возможном уровне. Именно распределение стратегий по разным рынкам дает такую возможность.
Следующий плюс — масштабируемость. Пределов для количественных стратегий нет, все зависит от компьютерных возможностей и скорости обработки данных. Гипотетически же, стратегий можно создавать сколько угодно и на каких угодно данных.
К минусам можно отнести сложность таких подходов. Особенно эта сложность касается частных трейдеров. Не каждый может себе позволить купить снимки со спутников, чтобы проанализировать активность возле нефтяных скважин и в зависимости от этого покупать или продавать нефть.
Из этого перетекает и следующий минус — даже самые крупные хедж-фонды могут купить все данные мира и… не получить с этого никакого профита. Все по той причине, что как бы они не старались, рынки всегда имеют долю неопределенности.
Инвестируя миллиарды долларов в данные и оптимизируя их, всегда есть погрешность, которая не учитывается в этих данных. На чем бы не основывался прогноз, он никогда не будет равен 100%.
Наверное по этой причине количественные фонды хоть и имеют некое преимущество, пока еще явно не обгоняют традиционные фонды по доходности. За последние 7 лет количественные фонды зарабатывают в среднем 4,2% в год, тогда как классические фонды — 3,3%. Подробнее — в статье Человек против машины: интуитивный трейдинг против системного.
Количественная торговля для частных трейдеров
Эффективность классических “ручных” подходов падает — об этом говорят статистические данные. Крупнейшие активные управляющие начинают проигрывать пассивным стратегиям и количественным фондам. Если даже богатейшие и крупнейшие компании не всегда могут обгонять рынок, что говорить и среднестатистическом частном трейдере.
Да, в классическом понимании частный трейдер количественным стать не сможет — слишком дорогое это удовольствие и не для одного человека. Но вот на что нужно обращать внимание:
- На диверсификацию. Достигать ее, как мы упомянули ранее, можно с помощью разных рынков, стратегий и подходов.
- Тестирование гипотез. Даже если вы не хотите делать трейдинг своим основным бизнесом, и даже если вы не хотите использовать алгоритмический подход, то, как минимум, нужно уметь тестировать гипотезы (торговые логики). Это 30% – 50% успеха.
- Простейшая автоматизация, видимо, улучшит ваши результаты. Конкуренция в ручном трейдинге становится все сложнее. Да, есть рынки криптовалют, где много неэффективностей и ручной трейдинг имеет место быть, но там и высокие риски. Если соблюдать сбалансированные риски, простейшая автоматизация будет практически необходима. К счастью, сегодня для этого не нужно (не необходимо) учить языки программирования, математику, теорию вероятности и все остальное.
- Количество прибыльных сделок — не залог успеха. 50 математиков, физиков и программистов довели этот показатель до чуть выше 50% (речь о Ren Tech), и даже с таким показателем смогли заработать миллиарды долларов.
Ок, что касается нашей команды и наших кейсов, то к количественному трейдингу мы бы очень хотели прийти. Все потому, что как только мы добавляем новую стратегию к уже работающему портфелю алгоритмов, мы сразу получаем повышение потенциальной доходности при том же заданном риске. Подробнее об этом рассказываем в статье Супер-алгоритм против нескольких середнячков: кто победит и почему?.
Пока мы не можем использовать все существующие рынки — не доросли — но это та область, в которой находится профессиональный трейдинг на финансовых рынках в 21 веке.
Поделиться статьей
С радостью ответим на ваши комментарии
Читайте также
Павел Овсянников
Сооснователь Empirix. Ритейл-трейдер и квалифицированный инвестор. Автор 80+ статей и 6 курсов. На финансовых рынках с 2012 года. Создает, тестирует и оптимизирует алгоритмические торговые стратегии, управляет системным фондом. E-mail для связи: paul@empirix.ru
