В чем потенциал системных трейдеров и как его развивать
Современный трейдинг — это наука о данных. Чтобы преуспеть в таком бизнесе, нужно уметь с этими данными работать. Классические интуитивные подходы уже не могут давать те преимущества, которые были у инвесторов, скажем, до 2000-го года.
Какие навыки среди профессиональных трейдеров ценятся сегодня и как их получить — в этой статье.
Полезные материалы, которые хорошо бы почитать перед продолжением:
Содержание
Видео
Эволюция системного трейдинга и что в фокусе сегодня
“Дорожная карта” того, через какие академические области проходил системный трейдинг за последние лет 100 — на инфографике ниже.
Разберем все 4 элемента подробней.
Технический анализ
Первые попытки систематизации начались около 100 лет назад. Технический анализ — стартовая модель, которая привела инвесторов первой половины 20-го века к системному трейдингу. Пока еще без использования компьютеров, которых тогда еще не было.
Подробнее — в статье Технический анализ — все “за” и “против”.
Фундаментальный анализ и эконометрика
Этот тренд в области исследований начался около 50-х, 60-х годов 20-го века. Инвестиционные решения основывались на финансовом анализе и первых статистических моделях, а крутейшими ребятами на Уолл-Стрит были CFA (Chartered Financial Analyst) — дипломированные финансовые аналитики.
Подробнее — в статье Фундаментальный анализ рынка: базовые принципы ценообразования активов.
Микроструктура рынков и HFT — высокочастотный трейдинг
Если фундаментальный анализ и эконометрика исследовали в основном макроэкономику — глобальные экономические факторы и их влияние на ценообразование, то микроструктура исследовала “квантовый мир” финансовых рынков — все то, что происходило внутри цены. Это дало новый взгляд на поведение цены и причины ценовых колебаний. Аналогичным образом повлияла квантовая физика на мироустройство в начале 20-го века.
Высокочастотный трейдинг (HFT) начал формироваться именно после исследований в области микроструктуры рынков. Знания, полученные в этой области, смогли выявить новый технологический тренд в алгоритмической торговле. Финансовые аналитики уже перестали быть такими востребованными — новыми королями Уолл-Стрит становятся программисты и математики.
Машинное обучение и наука о данных
Торговый алгоритм — последовательность фиксированных действий (открытие ордера, закрытие, расчет стоп-лосса и т. д.), которые определяет трейдер или разработчик. В случае машинного обучения, алгоритм может выходить за рамки правил разработчика, анализируя дополнительные данные и повышая качество сигналов.
Вот некоторые факторы, которые делают машинное обучение таким популярным методом в области финансовых рынков:
- изменение в микроструктуре рынков: полный переход на электронную торговлю и расширение классов финансовых активов, а также их географии;
- революция в вычислительной мощности и количестве поступающих данных.
Акцент здесь ведется на статистические исследования и технологии, а главными кадрами являются дата-аналитики, программисты, математики и компьютерные инженеры. Лучшие хедж-фонды сегодня — фонды количественного инвестирования и алгоритмической торговли.
Ок, теперь посмотрим на объем тех самых данных, с которыми придется работать.
За 1 час поможем разобраться с факторами успеха и причинами неудач на финансовых рынках. Бесплатно
Объем данных и их структура
Количество данных, которые появляются ежедневно, растет по экспоненте. Вот как выглядит этот рост:
Расшифруем график.
Синяя часть — объем неструктурированных и необработанных данных. Те данные, в которых есть ценная информация, но до нее пока не добрались. Серая часть графика — обработанные и понятные данные, из которых уже получены какие-то закономерности.
Здесь приведены данные, которые относятся к разным сферам жизни — не только к финансовым рынкам. Но многие из них взаимосвязаны, и многие из них влияют на ценовые движения.
Какой тезис можно получить из графика выше:
80% данных, которые человечество сегодня получает (и которые продолжают пополняться ежедневно) — “сырые”, и требуют структуризации. Умение обрабатывать хотя бы каплю этих данных уже даст некоторое преимущество в инвестициях и трейдинге.
Именно по этой причине мы придерживаемся научного подхода на финансовых рынках, так как именно наука о данных и методы их обработки дают финансовое преимущество. Об этом преимуществе — далее в статье.
Не забывайте про потенциал системных трейдеров — забирайте подсказку в нашем Telegram 📈
Задачи, с которыми сталкиваются системные трейдеры, и как эти задачи решать
Обработка всех этих относительно больших данных — не самая простая задача, если начинать с нуля. И даже если трейдер знает все необходимые вводные, все равно остается часть задач, решение которых лучше разделять в команде. Пройдемся по всем задачам и их решениям по порядку.
Прибыльные стратегии все так же сложно выявлять
Найти прибыльную стратегию можно только через тестирование относительно больших данных. Чтобы получить работающую настройку какой-то одной стратегии, придется чуть-чуть погрязнуть в данных.
Если говорить о нашем кейсе, получается такая статистика:
Получается, что:
- 15,69% торговых логик оказались рабочими (8 из 51)
- 0,16% настроек для разных финансовых инструментов прошли все тесты и заслужили работать с реальными деньгами (22 настройки из 13 354 протестированных)
Все эти данные проходили тесты за последний год-полтора. Из этой воронки видно, что прибыльные торговые стратегии — редкое удовольствие.
Ограниченные исторические данные
Небольшие исторические отрезки (3-5 лет) хороши для первоначальных тестов. Если же стремиться к статистически значимым результатам, тогда нужно использовать бОльшие исторические отрезки (10 и более лет).
Тест за больший временной интервал повышает качество полученных тестов и снижает вероятность переоптимизации торговой стратегии (оверфиттинг).
Правда, эта задача ведет к следующей сложности.
Ограниченные компьютерные мощности
В одиночку перелопатить большие объемы данных на домашнем компьютере — задача не из легких. Но есть решения:
- Покупать доступ к удаленным вычислительным серверам (не всегда дешевое удовольствие)
- Использовать распределительные мощности персональных компьютеров. Такие подходы используются и в науке (например, астрофизический проект SETI Home — обработка данных на персональных компьютерах с целью поиска внеземной жизни), такие же подходы используются и на финансовых рынках
Цикличные задачи системных трейдеров
Нам — частным системным трейдерам — остается только фокусироваться на улучшениях и оптимизациях торговых стратегий. Но сам процесс остается неизменным и визуально выглядит он так:
Все эти процессы проходить одному — утопия. Поэтому дальше поговорим о команде.
Какая команда понадобится для системного трейдинга
“Ни один человек в одиночку не может нести ответственность за прогресс. День, когда ученые могли без помощи и в одиночку добиваться значительных результатов, — в прошлом”.
Эрнест Лоуренс, американский физик и лауреат Нобелевской премии.
Лучшее решение для эффективного прохождения цикла системного трейдера (что на картинке выше) — работать в командах, где каждый человек способен отвечать за определенные процессы. Например, вот так:
Команда исследования занимается формированием торговых гипотез или поиском информации, которая могла бы помочь с этими гипотезами.
Команда тестировщиков и оптимизаторов проводят бэктесты и выявляют параметры для оптимизаций.
Команда исполнителей-трейдеров объединяют стратегию в портфель, распределяют риски и мониторят результативность стратегии после ее запуска.
5-10 человек — оптимальное значение для такой команды (если говорить в реалиях команд частных трейдеров, а не в реалиях крупнейших хедж-фондов).
Заключение
Ок, что в итоге имеем.
Системный трейдинг дает возможность развиваться в сторону науки — науки о данных. Такой подход на голову выше того, что используют большинство частных трейдеров.
Нет, вам не обязательно быть программистом, дата-аналитиком, математиком или финансовым экспертом — для начала достаточно просто заинтересоваться. И интересоваться нужно начинать уже сейчас, так как этот тренд набирает динамику. С каждым годом ручные интуитивные подходы в трейдинге будут только усложняться.
Изучайте наши курсы, читайте статьи, и приходите получать практику алгоритмической торговли — здесь вы обретете ту самую команду, навыки и знания.
Материалы
- Исследовательская работа Escaping The Sisyphean Trap: How Quants Can Achieve Their Full Potential. Marcos Lopez de Prado.
- Бесплатный курс Начинающий Forex трейдер.
- Курс Системный трейдинг.
Как создавать торговые стратегии на основе статистики и данных, способных работать 24/5
Не упустите возможность получить прибыльные торговые стратегии.
Поделиться статьей
С радостью ответим на ваши комментарии
Читайте также
Павел Овсянников
Сооснователь Empirix. Ритейл-трейдер и квалифицированный инвестор. Автор 110+ статей и 10 курсов. На финансовых рынках с 2012 года. Создает, тестирует и оптимизирует алгоритмические торговые стратегии, управляет системным фондом. E-mail для связи: paul@empirix.ru