Kvantitatív kereskedés

Mi az a kvantitatív kereskedés? Nyereséges? Milyen képességekre van szükséged ahhoz, hogy nyereséges kvantitatív kereskedési stratégiákat hozz létre? Ebben az útmutatóban megtudhatod, hogy milyen alapvető fogalmakat kell megismerned a kvantitatív kereskedésről, mielőtt belekezdenél.

A kvantitatív kereskedési útmutató célkitűzései

Ez az útmutató alapvetően két típusú embernek szól:

• Az elsők olyanok, akik arról álmodnak, hogy munkát szereznek egy alapnál, mint kvantitatív kereskedő.
• Míg a második csoport egyszerűen csak saját kvantitatív kereskedési rendszerét szeretné kifejleszteni.

A kvantitatív kereskedés eleinte ijesztő lehet. Különösen figyelembe véve a matematika, a statisztika, valamint a programozás nehézségeit. Ez az útmutató áttekintést nyújt arról az új kvantitatív kereskedőknek, amit meg kell tanulnod a hibák elkerülése és az idő megtakarítása érdekében

Megjegyzés: Minden módszerhez, így ehhez is elengedhetetlen, hogy nagyon jól ismerd azokat a pénzügyi termékeket, amelyekkel kereskedsz. Ezt ez az útmutató nem fedi le, de fontos emlékeztetned rá magad.

Mi az a kvantitatív kereskedés?

A kvantitatív kereskedés egy olyan kereskedési típus, amely matematikai és/vagy statisztikai modelleket használ a következetes pénzszerzési stratégiák megtalálására és végrehajtására.

Más szóval, a kvantitatív kereskedés értelmezhető úgy is, mint a tudomány alkalmazása a pénzügyi piacokon. Ez azt jelenti, hogy folyamatosan méri a piaci feltételek változásainak valószínűségét, és ezeket az adatokat használja egy olyan kereskedési stratégia kialakítására, amely tökéletesen mérhető szabályokon alapul. A kvantitatív elemzés ellentétes a kvalitatív elemzéssel. Utóbbi olyan szubjektív kritériumokon alapul, mint a menedzsment alkalmassága vagy egy tőzsdén jegyzett cég kultúrája.

Egy értékorientált befektető például befektethet egy cégbe, mert a pénzügyi kimutatásának kvantitatív elemzése mellett úgy gondolja, hogy nagyszerű vezérigazgatója van, aki képes előremozdítani a cég teljesítményét. Azonban egy kvantitatív befektető nem támaszkodhat erre az információra, hacsak nem képes azt kvantitatí módon mérni.

Azt azonban fontos leszögezni, hogy egy kereskedőnek vagy befektetőnek nem kell kizárólag egy adott módszert használnia. Vagyis a kvalitatív és kvantitatív elemzések nem zárják ki egymást.

Végezetül azt is fontos megemlíteni, hogy ez egy átfogó megközelítés. Vagyis hasznos lehet a makrogazdasági elemzéseket végző kereskedőnek, a számviteli kimutatások elemzőinek és természetesen a technikai elemzőknek is.

👉 További információ: Hogyan működik a tőzsdei kereskedés?

Hogyan működik a kvantitatív kereskedés?

A kvantitatív kereskedés alapvetően úgy működik, hogy kiszámítják egy konkrét eredmény bekövetkezésének valószínűségét adatokon alapuló stratégiák segítségével. Ehhez matematikai és statisztikai módszereket használnak, illetve programozást, hogy a rendszer valós idejű eredményeit gyorsabban és pontosabban számíthassák ki.

A kvantitatív kereskedés lényege a technológia, az adatbázisok és a matematika használatán alapul. Megbízhatósága és pontossága miatt nagy alapkezelők is alkalmazzák.

Mindemellett meg kell jegyezni, hogy a mesterséges intelligencia, mint minden szektorban (beleértve a kereskedelmet is) valószínűleg forradalmasítja és sokkal hatékonyabbá teszi az adatmérést és -feldolgozást a befektetési döntések meghozatalához.

Ennek legnyilvánvalóbb példája Jim Simons, aki a történelem legjövedelmezőbb hedge fundjának létrehozója, ami a medallion fund.

Leegyszerűsítve egy kvantitatív kereskedési rendszer példája a következő lehet:

Egy kereskedő matematikai módszerekkel tanulmányozhatja, hogyan változnak az árak az Apple részvények kereskedési volumenének függvényében. Ezután megszerzi egy hosszú időszakot felölelő megbízható múltbeli adatokat. Miután ez megvan, programoz egy kódot, amely lehetővé teszi számára, hogy tanulmányokat és teszteket végezzen annak érdekében, hogy felfedezzen valamilyen mintát. Arra a következtetésre jut, hogy a megtalált minta 76%-os előfordulása esetén a részvények ára átlagosan 1,5%-kal növekszik.

Amint megvan ez a minta, megpróbál létrehozni egy kvantitatív szabályokon alapuló kereskedési rendszert, hogy megtudja, ez a módszer jövedelmező-e vagy sem. Ha jövedelmező, akkor csatlakoztathatja az algoritmust a brókeréhez, hogy a műveletek automatikusan megtörténjenek.

Ezen a ponton lehet, hogy felmerül benned pár kérdés. Honnan szerezhetek megbízható adatokat? Mennyi az kellően hosszú időszak? Alkalmazható ez minden időskálára? Hogyan tanuljak meg programozni?

Az összes ilyen kérdések rendezett megválaszolása érdekében nézzünk meg néhány témakört, amit érdemes megismerned.

1. Matematika és Statisztika

A matematika és a statisztika alapvetőek a kvantitatív kereskedővé váláshoz. Ha nem ismered őket eléggé, valószínűleg olyan rendszereket fogsz létrehozni, amelyek hamis összefüggéseken és túloptimalizáláson alapulnak.

A haladó statisztika tanulásának egyik első példája, hogy két idősorkorrelációval rendelkezhet, de ezek nem feltétlenül állnak egymással kapcsolatban. Hányszor láttunk már olyan grafikonokat, ahol két változó úgy tűnik, hogy együtt mozog? Sokszor, igaz? Folyamatosan próbálunk összefüggéseket létrehozni dolgok között: ok és okozat. De ez nem jelent semmit. Nézd meg az alábbi grafikont.

Ezen a grafikonon a Maine állambeli válások arányát láthatjuk, valamint a margarin fejenkénti fogyasztását. 99,26%-os a korrelációjuk!

Elmélkedhetnénk és megpróbálhatnánk magyarázni, hogy a Maine-ben fogyasztott margarin tartalmaz valamilyen anyagot, ami a párokat válásra készteti. De ez csak arra lenne jó, hogy meggyőzzük magunkat. Kereskedés esetén pedig pénzt veszíteni.

Hogyan lehet elkerülni egy ilyen hatalmas hibát? A korreláció nem egy statisztikai mérőszám? Ennek elkerülése érdekében statisztikát kell tanulnod, hogy megtudd, a korreláció nem jelent okozati összefüggést, és hogy erre léteznek más mérőszámok és statisztikai tesztek.

Ezt követően érdemes lehet elkezdened tanulmányozni a következő fogalmakat:

• Véletlen változók és statisztikai eloszlások.
• Várható érték.
• Bizalmi intervallumok.
• Kointegráció és stacionaritás.
• Regressziós modell.
• Homoszkedaszticitás
• Heteroszkedaszticitás
• Statisztikai torzítások típusai.

Sok más fogalom is van, de kezdetnek ezek is rendkívül hasznosak lesznek.

2. Programozás

Ha belemerülsz a kvantitatív kereskedésbe, meg kell tanulnod Pythonban vagy R-ben programozni. Bár az R éveken át a statisztikai programok királya volt, a Python közösség annyira megnőtt, hogy sokkal több forrást találsz hozzá.

Alternatívaként más nyelvek, mint a C++, MQL4 és MQL5 (a Metatrader-től) vagy akár a Matlab is használhatóak.

Elsőként a Pythont a legcélszerűbb megtanulnod. Ez a legkönnyebb nyelv és a legtöbb forrással is rendelkezik. Ha később tovább szeretnél haladni, nem lesz nehéz megtanulnod más nyelveket és eszközöket.

Hogyan tanulhatsz meg Pythonban programozni? Menj a Youtube-ra és keress egy bármilyen kezdő Python kezdő tutorialt, és fokozatosan felfedezheted a módszereket. Ha gyorsabban és célirányosabban szeretnél haladni, keress egy kurzust az online oktatási platformokon.

3. Kereskedési rendszerek

Miután megbarátkoztál a Pythonnal és megértetted a fő statisztikai és matematikai mutatók működését, itt az ideje, hogy létrehozd az első rendszered. Nem számít, ha nem működik. Valószínűleg nem is fog működni. De közben tanulsz a hibákból.

Egy kvantitatív kereskedési rendszer négy részből áll.

• A stratégia azonosítása.
• A stratégia backtestje
• A stratégia végrehajtásának rendszere.
• Kockázatkezelés.

Érdemes elkezdened a következő alapfogalmakat tanulni mielőtt továbbmennél.

• Kvantitatív stratégiák típusai
• Backtest
• Forward test
• Túloptimalizálás
• Profitabilitási metrikák egy kereskedési rendszer értékeléséhez
• Kockázatkezelés
• Slippage

Jobb, ha előre felkészülsz arra, hogy néhány gyakori problémával és nehézséggel fogsz találkozni:

• Python telepítése a számítógépedre.
• Nem találod azokat az adatokat, amelyekre a rendszeredhez szükséged van, az adatbázis nem pontos, nem frissül elég gyorsan, vagy a lefedett időszak túl rövid. Emiatt alapvetően minél egyszerűbbek rendszerek, annál jobb.
• Jutalékok és slippage: Papíron minden nagyon szép, de a valóságban az ár változik, a brókerek jutalékot számolnak fel, és nem mindig lépsz be a tökéletes áron.

Sok más kihívással is szembesülhetsz, tehát ha kérdéseid vannak ezekről vagy bármely más felmerülő kérdésről, ne habozz segítséget kérni.

A kvantitatív kereskedés előnyei

A kvantitatív kereskedésnek előnyei és hátrányai is vannak, mint minden más kereskedési megközelítésnek.

Az előnyök a következők:

• Nem kell manuálisan monitorozni az adatokat és az elemzéseket, mivel a kvantitatív rendszerek úgy készülnek, hogy automatizáltak vagy félig automatizáltak legyenek. Ennek eredményeként a kereskedőknek kezelhetőbb mennyiségű adatot kell értékelniük a kereskedési döntések meghozatalához. Ugyanakkor vannak olyan rendszerek, mint a neurális hálózatok (amelyek önállóan tanulnak és autonóm módon változtatják a paramétereiket), amelyeket gyakrabban kell felülvizsgálni.
• Ezenkívül a kereskedők nagy mennyiségű piacot értékelhetnek adatok segítségével, amelyek elméletileg végtelenek, valamint optimalizálhatják rendszereiket. Egy piac elemzésekor egy tipikus kereskedő általában csak néhány változóra összpontosít, és csak azokat vizsgálja meg, amelyek ismerősek számára. A kvantitatív kereskedők matematikai stratégiákat használhatnak ezeknek a korlátoknak a leküzdésére. Sőt, gyorsabban és megbízhatóbban elvetik a stratégiákat.
• Érzelmek hiánya: A manuális kereskedőkkel ellentétben ezek az automatizált rendszerek csökkentik az érzelmi kockázatot, mint például a félelem vagy a kapzsiság, amelyek befolyásolhatják a befektetési döntéseket. A döntéshozatali és végrehajtási folyamatokban jelen lévő érzelmek kiiktatásával a kereskedők vagy befektetők csökkenthetik azokat a torzításokat, amelyek gyakran befolyásolhatják a műveleteiket.

A kvantitatív kereskedés hátrányai

Az előzőeket figyelembe véve, a kvantitatív kereskedésnek is vannak hátrányai. Ezek közül néhány:

• A pénzügyi piacok folyamatosan változnak: Így tehát egy olyan stratégia, amely évek óta nagyon jól működött, hirtelen megszűnhet működni a piacok strukturális változásai miatt.
• Magas tanulási görbe: Ahogy azt elején említettük, nem tanulható meg gyorsan. Hacsak nincs jó matematikai, statisztikai és programozási alapod, általában több időt vesz igénybe, mint más megközelítések elsajátítása.
• Túloptimalizálás kockázata: A képesség és a tudás, hogy ellenőrizzük egy rendszer eredményeit, ezerféle változatban, különböző eszközökön és különböző időkeretekben, arra vezethet, hogy a rendszer túloptimalizált lesz és ezért nagy eséllyel megbukik. Tehát ami néhány esetben előny lehet, ha nem jól csináljuk, hátránnyá válhat.

Végül, ha még nem hallottál az Mesterséges Intelligencia vagy Machine Learning alkalmazásáról a tőzsdén, nagyon valószínű, hogy rövidesen fogsz. Az a javaslatom, hogy ne lépj tovább ezekhez a technikákhoz, mielőtt elsajátítottad volna az alapokat.

Összefoglalva, a kvantitatív kereskedés matematikai és statisztikai modelleket használ a piaci lehetőségek azonosítására és végrehajtására, a mérhető adatokra összpontosítva a szubjektív kritériumok helyett. Matematikai, statisztikai és programozási készségeket igényel, elsősorban a Python ajánlott, mint programozási nyelv. Fő előnyei, mint az automatizáció és az érzelmi befolyásolás csökkentése sokkal praktikusabbá teszik a kezelését (bár így sem mentes a kockázatoktól).