Многие трейдинг-ресурсы рекомендуют не быть “толпой”, следить за действиями крупных участников, не использовать технические индикаторы и вот это вот все. Каждый сам за себя выбирает наиболее предпочтительный путь развития. Мы же можем только поделиться нашей перспективой (и перспективой ученых в области финансовых рынков) для наиболее объективной оценки того, к чему желательней стремиться в трейдинге и инвестициях уже сегодня. И все же оказаться вне “толпы”.
Полезные материалы, которые хорошо бы изучить перед продолжением:
Видео
Что происходит с данными?
Сперва вспомним, что из себя представляют ценовые движения на рынках.
Большая часть — шум, и где-то среди этого шума есть сигналы.
Никто достоверно не знает, сколько шума в моменте есть на графике — 60%, 80% или вовсе 100% (с учетом сложности рынков, скорее всего, это значение стремится к 100%).
100 лет назад начал зарождаться метод VSA (тогда он еще так не назывался, но логика была схожа с современными концепциями объемного анализа). Так как в то время рынки были на 100% отражением человеческих эмоций и их решений, “системой” можно было назвать анализ тех самых эмоций. Ричард Вайкофф — прародитель современного объемного анализа — именно через призму этой “системы” и подошел, анализируя поведение толпы на рынке и работая против нее.
На финансовых рынках 2020-х годов эмоции все так же отражаются в котировках. Только теперь в перемешку с эмоциями могут быть алгоритмы, высокочастотные стратегии и другие технические решения. Поступающие данные, которые транслируются на котировках вашего любимого инструмента, измеряются квинтильонами байтов ежедневно. Если что, один квинтильон — это вот столько: 1000000000000000000.
По оценкам IDC (International Data Corporation), общий объем данных, создаваемых ежегодно, увеличился с ~2 зеттабайт в 2010 году до ~180 зеттабайт в 2025, причем около 90% всех данных в мире было сгенерировано за последние несколько лет.
Рост объема данных кардинально изменил практики в различных областях финансового сектора. Доступные данные и вычислительные мощности позволили финансовым организациям внедрять аналитику больших данных практически во все процессы: от трейдинга и инвестиций до управления рисками и работы с клиентами.
Проще от такого количества данных рынки точно не становятся — преобладание шума никуда не делось. Зато появляются технические возможности, которые позволяют хоть как-то отфильтровывать этот самый шум от сигналов. И эти технические возможности точно достоверней, чем два наших глаза и мозг, которые часто “рисуют” совсем не ту картину мира, которая есть на самом деле.
- China — Китай
- EMEA — Европа, Ближний Восток и Африка
- APJ&C — Азиатско-тихоокеанский регион
- US — США
- ROW — Прочие регионы
За 1 час поможем разобраться с факторами успеха и причинами неудач на финансовых рынках. Бесплатно 🔥
Все мы немного "кванты"
Кванты — математики, программисты, дата-аналитики или физики, которые применяют свои навыки на финансовых рынках.
На Уолл-Стрит такие специалисты уже давно ценятся выше, чем классические трейдеры (которые относятся, скорее всего, к вымирающему виду). В индустрии хедж-фондов и инвест-банков практически не осталось тех, кто вообще никак не использует компьютерные возможности. Но не надо бежать и защищать диссертацию по высшей математике — чуть-чуть “квантом” может стать каждый.
Кванты могут работать и в дискреционных фондах, а не только в алгоритмических. Если раньше управляющий дискреционного фонда мог использовать инсайдерскую информацию, интуицию или какие-то еще “плавающие” данные, то сегодня такие инвесторы нанимают ребят, которые готовы и могут обрабатывать миллионные данные с помощью алгоритмов. А если финальное решение принимается все равно человеком, такой фонд по-прежнему остается в списке дискреционных. Системные же и алгоритмические фонды полностью перекладывают все процессы на автоматизацию.
Системный трейдинг и его история развития
Каждые 10–20 лет привносят на рынки новые технологии, которые влияют на следующие лет 10. Ниже — основные этапы системного трейдинга.
1-я волна (1970–1980-е)
Первые системные подходы начали зарождаться около 50 лет назад. Алгоритмические стратегии формировались на простейших моделях — трендослежении и техническом анализе.
Привлекательность таких подходов в нескольких факторах:
- простая логика торговых стратегий и их кода;
- тренды хоть и встречаются не каждый день, все равно это одни из самых важных аномалий, которые существуют на финансовых рынках;
- продолжительные тренды позволяли наращивать прибыльные позиции при контроле рисков (одни сделки переводились в безубыток и открывались другие).
2-я волна (1980–2000-е)
Количественные трейдинг — следующий этап развития.
Бум квант-фондов начал развиваться в 1980-х. Один из главных пионеров этой области — Джим Саймонс. Появляются следующие стратегии:
- факторные стратегии (size, value, momentum).
Эту нишу занимают хедж-фонды, которые впоследствии станут лучшими из лучших (AQR, Citadel, Renaissance Technologies и т. д.).
3-я волна (2000–2010-е)
Высокочастотный трейдинг (HFT) — еще один технологический тренд, который образовался в конце 2000-х.
Такие подходы фокусируются на предоставлении и потреблении ликвидности в рамках миллисекунд, зарабатывая на незаметных для человеческого глаза разницах в цене. Высокочастотным трейдерам необходимо близкое расположение к биржам, чтобы скорость связи с котировками была минимальной, софт, ну и не самые простые алгоритмы для исполнения тысяч сделок в сутки.
Подробнее почитать про эру HFT можно в книге Майкла Льюиса “Flash Boys”.
4-я волна (2010-е — настоящее время)
Машинное обучение (ML), нейронные сети и искусственный интеллект — именно это в фокусе сегодня.
ML-фонды учат стратегии быть адаптивными — обучаться в процессе реальных поступающих данных. Следом идут модели вроде ChatGPT, которые позволяют частным трейдерам использовать системные принципы, недоступные ранее без профессиональных программистов и дата-аналитиков.
Подборка статей блога по ChatGPT:
Прибыльные торговые стратегии, кейсы и исследования — в нашем Telegram 📈
Преимущества системных подходов
1. Нет эмоций — нет когнитивных искажений
Первое и самое главное преимущество — отсутствие влияния человеческих эмоций на результаты сделок.
Наука о поведенческой экономике на основе десятков тысяч экспериментов подтвердила, что мы — люди — очень уж нелогичные и иррациональные существа, а контролировать свое эмоциональное поведение нам сложно. Страх, жадность, эго — всё это отсутствует у алгоритма. А именно эти психологические крайности чаще всего приводят к денежным потерям или ошибочным действиям на финансовых рынках (да и во многих других сферах человеческой деятельности).
2. Обработка больших данных? Ок, попробуем
Тут всё ясно — один средний компьютер обрабатывает информацию быстрее, чем тысячи трейдеров. Данных становится всё больше, компьютерные скорости растут, а человек имеет примерно те же вычислительные способности, что и 2000 лет назад.
3. Одновременно открывать десятки сделок? И с этим разберемся
Опять же, сложно спорить с тем, что алгоритмы быстрее и точнее открывают сделки, закрывают их, и контролируют риски на сделку.
Когда мы впервые автоматизировали торговую стратегию и наблюдали за тем, как алгоритм сам адаптируется под волатильность и выставляет ордера, — мы как будто открыли для себя небольшую новую вселенную. Что-то похожее испытывают водители Теслы, впервые включая автопилот — ощущение “будущего”, которое уже здесь и сейчас.
Недостатки и риски системных подходов
1. Отсутствие гибкости
Системные стратегии, чаще всего, строятся на исторических данных. А то, что было в прошлом, не гарантирует повторения в будущем. Значительный вклад в “гарантию” стратегии вносят бэктест, форвард-тест и некоторые другие оптимизации на устойчивость. Но никогда нельзя получить 100% гарантию в сфере бизнеса, где преобладает шум.
2. Вероятность переоптимизации торговых стратегий
Это самый коварный и скрытый элемент алгоритмических подходов.
Переоптимизация (или overfitting) — получение хороших или отличных результатов в процессе обучения алгоритма (этап in-sample — он же бэктест), и получение плохих результатов в процессе применения этого же алгоритма (этап out-of-sample — он же форвард-тест или лайв-трейдинг).
Для снижения шанса переоптимизации используются разные статистические подходы, о которых мы рассказываем в премиальном материале Переоптимизация торговых стратегий: как не одурачить себя на стадии разработки алгоритма.
3. Отделять сигналы от шума все также сложно
Алгоритмические и системные подходы не решают проблему шума. И, судя из современных исследований в области машинного обучения, нейронных сетей и даже квантовой механики, это пока утопическая задача (скорее всего, не только «пока», а навсегда).
Подробнее — в материале “Сигнал и шум” — как взломать финансовые рынки + торговая стратегия Buff и вебинар.
Что ждет системные подходы в будущем
За последние 10–20 лет финансовые рынки прошли путь от относительного дефицита данных к их изобилию, а искусственный интеллект из экспериментального инструмента превратился в подручного ассистента, доступного для всех.
Среди профессиональных управляющих адаптация к системным подходам уже давно началась, и этот тренд только набирает обороты. Среди нас — частных трейдеров — пока всё не так очевидно.
Многие еще верят, что финансовые рынки парят на трёх китах, а за ценовыми движениями стоят манипуляторы, которые водят толпу на их же стоп-лоссы. Когда-то люди верили, что гром и молния — это проделки Зевса, а за гипотезы, которые шли вразрез с концепцией «Земля в центре мироздания», просто сжигали на костре. Человеку проще верить в то, что проще. Но эта простота не всегда бывает достоверной картиной мира.
В 1990 году суперкомпьютер Cray-2 стоил примерно 32 миллиона $ (по сегодняшнему курсу), весил около 2500 килограмм и требовал небольшой ангар с охлаждением для своего размещения. При этом его мощность была 1,9 миллиардов вычислений в секунду. Ваш смартфон, который сегодня помещается в кармане, имеет производительность примерно в 500 раз больше. И эта компьютерная эволюция произошла за какие-то 30 лет. Что будет в следующие 30 лет — для всех загадка.
Очевидно одно — мы уже находимся в эпохе данных. И если вы не хотите быть той самой “толпой” на финансовых рынках, нужно учиться работать с этими данными уже сегодня, даже если вы придерживаетесь ручного трейдинга.
Empirix Prime — сообщество рациональных трейдеров — Получить доступ за 0 ₽ 💻
Материалы
- Man vs. Machine: Quantitative and Discretionary Equity Management. Simona Abis, Columbia University. October 23, 2020.
- The Digitization of the World From Edge to Core. David Reinsel, John Gantz, John Rydning. 2018.