Postřehy z newyorského QuantConu
V sobotu proběhla v New Yorku konference algoritmického obchodování QuantCon, na které jsme nemohli chybět. Co mě zaujalo z pohledu využitelnosti do vlastního obchodování?
QuantCon mám rád hlavně proto, že se v něm do velké míry prolíná svět hedgových fondů s obchodováním jednotlivců. Přednášky jsou často orientovány na profesionálnější témata a poskytují nemalé možnosti inspirace. Tedy zejména z pohledu retailového obchodníka, který nemá jinak příliš šancí nahlédnout „do kuchyně chytrých peněz“. S tím se pochopitelně pojí i možnost neformálních diskuzí s lidmi, které je opět jinak velmi těžké potkat.
Jaká hlavní témata na QuantConu zaznívala? Tak v prvé řadě jsou to alternativní data, se kterými dnes hedgové fondy dost pracují a snaží je zpracovávat do strategií. Je zřejmé, že pokud chce v tradingu obchodník uspět, musí se neustále posouvat dopředu. Existující výhody v trhu se vyčerpávají s tím, jak je postupně obchoduje více a více obchodníků. Alternativní data jsou jednou z cest, jak nalézat nové výhody. Už jen proto, že v dnešní digitální době vzniká neuvěřitelné množství nových dat, které lze zpracovávat a vyhodnocovat. Padaly příklady strategií vyhodnocujících ekonomické trendy například prostřednictvím vytíženosti parkovišť před nákupními centry atd. Osobně v podobných směrech také vidím budoucnost, byť pochopitelně z pohledu retailových obchodníků existuje řada limitů, kam je možné ještě jít. Určitě je ale potřeba maximálně se zkoušet dívat na data z různých i méně tradičních pohledů. Ať už je to například méně využívaný timeframe (a způsob jeho zpracování) nebo zapojení sice dostupných dat, které ale mnoho traderů nepoužívá (prezentován byl například obchodní přístup statistického vyhodnocování reakcí ceny na hospodářské výsledky společností, což je něco, s čím sám také ve svých analýzách pracuji).
John Fawcett, CEO Quantopianu zahajuje QuantCon
V souvislosti s alternativními daty padlo na QuantConu několik oznámení, která jsou velmi zajímavá i pro výzkum v oblasti retailových strategií. Hlavní je patrně zpřístupnění dat společnosti Factset v on-line platformě Quantopian. Data by, stejně jako celá platforma, měla být pro výzkum zdarma. Upřímně právě dostupnost velkého zdroje alternativních dat v Quantopianu (přehled viz www.quantopian.com/data) je z mého pohledu velkým důvodem, proč platformu využívat. Sám jsem se kvůli tomu učil Python. Data jsou v tradingu drahá a Quantopian je jedno z málo míst, kde je řada profesionálních zdrojů dostupná zdarma, případně za malý poplatek. Nově bude také možné na servery Quantopianu nahrávat přes API vlastní data a ta následně využívat například coby individuální filtry a váhy v testovaných algoritmech.
Druhým velkým tématem konference bylo téma strojového učení využitelného v tradingu. Jelikož běžel program paralelně v přibližně 5 sálech, ještě jsem nezpracoval všechny přednášky (byly nahrávány, takže je možné se podívat i na ty, kterých se člověk osobně nezúčastnil), ale z těch, které jsem navštívil, bylo zřejmé, že: Velcí hráči s různými technikami strojového učení samozřejmě experimentují, ale není to vůbec triviální záležitost. Osobně se mi zdálo, že větší úspěch mají spíše v dílčích aplikacích – například automatických hledání souvislostí v alternativních datech nebo používání taktik strojového učení pro určování vah signálů v portfoliích atd. Hodně se také řešilo, jak se vyvarovat přeoptimalizaci generovaných systémů. Velmi inspirativní byla závěrečná přednáška Dr. Marcose Lopeze de Prado, který se tomuto tématu věnuje dlouhodobě. Prakticky demonstroval problém, o kterém jsem na Finančníkovi hovořil mnohokrát, zejména v AOS kurzu. Pokud budeme na stejných datech dělat dostatečně dlouhé pokusy (tedy například datamining), dříve nebo později získáme krásně vypadající strategie včetně ověření robustnosti v OOS, které ale nemají šanci v praxi dlouhodobě přežít. Tedy při testování a vývoji je potřeba sledovat i cesty vedoucí k výsledné strategií (například počet pokusů optimalizace) a tomu přizpůsobit i vyhodnocení robustnosti. Toto je myslím velké téma, o kterém se bude ještě hodně hovořit. Prado na toto téma publikoval před týdnem zajímavou práci Detection of False Investment Strategies Using Unsupervised Learning Methods, která je sice odborná, ale může poskytnout inspiraci, jak se k problému stavět.
Co se týče úspěšného vytváření strategií, tak opět mnohokrát zaznělo, jak důležitý je výzkum v oblasti obchodovaného edge. A že ti, co uspějí (například na Quantopianu), mají za sebou násobně více hodin strávených nad výzkumem než jiní obchodníci. A také důležité připomenutí, že backtest strategie není výzkum, ale spíše ověření funkčního edge zasazeného do kontextu konkrétního obchodního plánu. Inspirativní byl pro mě workshop, který mi připomněl existenci bezplatného nástroje Alphalens umožňujícího právě testovat různé alfa factory (z pohledu terminologie používané na Finančníkovi tedy určité obchodované „edge“ = výhody) v prostředí pythonovského Notebooku, který sám hodně pro testování využívám. Řada podobných nástrojů je neuvěřitelně praktická, což ale člověku bohužel dojde až v momentě, kdy vidí vše konkrétně vysvětleno na praktických příkladech. A i to je důvod, proč jsem přesvědčený, že podobné akce stojí za účast.
Petr Podhajský
Fulltime obchodník věnující se tradingu více než 20 let. Specializace na systematické strategie obchodované na futures a akciích. Oblíbený styl obchodování stavba automatizovaných portfolio systémů, které využívá i fondu, který spravuje.