پست‌های انتشارات گروه مالی صدرا

بررسی اجمالی بر شیوه منت کارلو (Monte Carlo) - قسمت ۱/۲

حسن رضوانی — Sun, 20 Sep 2020 22:14:30 +0430

روش های مونت کارلو (MC) زیرمجموعه ای از الگوریتم های محاسباتی است که از فرایند نمونه گیری تصادفی مکرر برای تخمین عددی پارامترهای ناشناخته استفاده می کند. آنها برای ما مدلسازی موقعیتهای پیچیده که بسیاری از متغیرهای تصادفی در آن دخیل هستند، و همچنین ارزیابی تأثیر ریسک را میسر می سازند. کاربرد های منت کارلو (MC) به طرز باورنکردنی گسترده است و منجر به تعدادی از کشفیات پیشگامانه در زمینه های فیزیک، نظریه بازی ها (Game Theory) و امور مالی شده است. طیف گسترده ای از روشهای منت کارلو (MC) وجود دارد، اما همه آنها برای حل مسائل قطعی (Deterministic Problems) به تولید اعداد تصادفی متکی هستند. امیدوارم در قسمت اول از سری مقاله‌های منت کارلو (MC) برخی از اصول اساسی MC آن را بیان کنم و شاید کمی شما را در مورد کاربردهای احتمالی آنها مشتاق کنم.این مفهوم توسط ریاضیدان استانیسلاو اولام (Stanislaw Ulam)، که این روش ها را به عنوان بخشی از همکاری و کمک خود در پروژه منهتن (Manhattan Project) ارائه داده بود، ابداع شد. او از ابزارهای نمونه گیری تصادفی و آمار استنباطی (Inferential Statistics) برای مدل سازی احتمالات نتایج استفاده کرد، که در اصل برای یک بازی با کارت (Monte Carlo Solitaire) اعمال شد بود. بعد ها اولام (Ulam) با همكار جان فون نویمان (John von Neumann)، با استفاده از فن آوری های رایانه ای تازه توسعه یافته در زمینه شبیه سازی برای شناخت بهتر خطرات مرتبط با پروژه هسته ای ، كار كرد. همانطور که می توانید تصور کنید، فناوری مدرن محاسباتی به ما امکان می دهد تا بتوانیم سیستم های بسیار پیچیده تری را با تعداد بیشتری از پارامتر تصادفی همانند بسیاری از سناریوها و رخدادهای روزمره زندگی که با آنها روبرو می شویم، مدل کنیم. قبل از اینکه سیستم های پیچیده را در نظر بگیریم، اجازه دهید درباره ای استفاده از مونت کارلو (MC) یک مورد ساده صحبت کنیم؛ بازی BlackJack.اگر می خواستیم احتمال گرفتن BlackJack (یک کارت ACE به همراه یک کارت شماره ۱۰) را پیدا کنیم، می توانیم به راحتی نسبت تعداد عقربه های ممکن را که این ترتیب از کارت‌ها در آن اتفاق می‌‌افتد، بر تعداد کل ترکیبات ممکن کارت بدست آوریم. احتمال (اگر کنجکاو هستید حدود ۱/۲۱ است). اما اکنون تصور کنید محاسبه فضای نمونه ما بسیار دشوارتر است. به عنوان مثال دسته کارتهای ما در عوض فقط ۵۲ کارت، دارای هزاران مورد است. یا حتی بهتر است بگوییم ما حتی نمی دانیم چند کارت در دسته موجود است. روش دیگری برای یافتن این احتمال وجود دارد.می توانیم پشت میز بنشینیم و صد بازی انجام دهیم و نتایج را هنگام بازی ثبت کنیم. ممکن است ما ۱۹، ۲۰ یا حتی ۲۸ بار برنده شویم. با استفاده از هر یک از این نتایج می توانیم مقداری به احتمال برنده شدن اختصاص دهیم. به نظر می رسد یک روش کاملاً بد برای ارزیابی شانس ما در بازی است، اما امیدوارم که ما فقط برای سرگرمی بازی می کنیم. حالا اگر دوباره برویم و هزار، ده هزار، میلیون ها بار بازی کنیم، قانون اعداد بزرگ به ما اظهار دارد:"همانطور که تعداد یکسان توزیع شده (Identically Distributed) متغیرهایی که به طور تصادفی (Randomly Generated) ایجاد شده ا‌ند افزایش می‌‌یابد، میانگین نمونه آنها به میانگین نظری (Theoretical Mean) آنها نزدیک می شود."این علاوه بر اینکه به راحتی یکی از مهمترین قوانین آماری است، اساس شبیه سازی مونت کارلو (Monte Carlo Simulation) می‌ باشد و به ما امکان آن را می دهد که با استفاده از آزمایشات آماری، یک مدل تصادفی بسازیم. حالا به نمونه مورد علاقه من (و احتمالاً ساده ترین) برآورد MC نگاه کنیم.برآورد مونت کارلو از عدد Piهمانطور که همه ما در دوره متوسطه آموزش دیدیم، عدد Pi یک ثابت است که نسبت محیط به قطر یک دایره را نشان می دهد. این غیر منطقی است، به این معنی که عدد Pi دارای ارقام بی نهایت است که از هیچ الگویی پیروی نمی کنند. آیا برای شما باور کردنی است اگر به شما بگویم می توانیم به سادگی و با انجام یک بازی دارت رقم Pi را به همان تعداد ارقام اعشار که تمایل داریم تخمین بزنید؟ البته تا حدودی از عدم اطمینان را باید در نظر گرفت، چون ما در حال انجام یک بازی کاملا بر پای شانس هستیم! بیایید یک اسکریپت کوتاه پایتون بنویسیم تا ببینیم چگونه می‌ توان این تخمین را پیدا کرد.همانطور که مشاهده می کنید، ما در حال تولید نقاط تصادفی در یک جعبه و تعداد نقاطی که در یک دایره تعبیه شده قرار می گیرند را می شماریم. برای سادگی، ما فقط ربع بالایی تخته دارت خود را نگاه می کنیم که دارای شعاع R است و روی یک قطعه چوب مربع با همان عرض نصب شده است. اگر ۱۰۰ دارت پرتاب کنیم، و تعداد دارت هایی را که با موفقیت به تخته دارت اصابت کرده ا‌ند بشماریم، ممکن است طرح زیر را بدست آوریم.اگر فکر می کنید: "چرا ما به این مقدار بد پرتاب کرده ایم؟" شما سوال درستی مطرح کرده اید. برای این مثال، مکان دارت ما باید به طور یکنواخت در سراسر منطقه توزیع شود، بنابراین قطعاً در اینجا بازی های زیادی برنده نخواهیم شد. از از شروع بازی ما، احتمال برخورد دارت به صفحه π / ۴ خواهد بود. همانطور که بازی را ادامه می دهیم، ∞ <- n به این مقدار واقعی نزدیک می شویم (با تشکر از برنولی!). با افزایش n با ترتیب ده ، میبینیم که تخمین ما دقیق تر می شود.ممکن است بگویید: این ها اطلاعات مفیدی هستند، اما من از قبل می دانم که مقدار عدد پای ...۳.۱۴۱۵۹ است و چه چیزی در دنیای واقعی به طور یکنواخت توزیع می شود؟ نترسید، زیرا هنگام استفاده از روشهای MC برای مدل سازی سیستم های با ابعاد بالاتر، ما باید انواع متغیرهای تصادفی را با توزیع احتمالات مختلف که با دقت بیشتری اثر پارامترهای آنها در مدل ما تاثیر دارند، را نمونه برداری کنیم. چه کارهایی‌ در دنیای واقعیی‌ با این ابزار می توانیم انجام دهیم؟سرمایه گذاری (Finance)تجزیه و تحلیل مونت کارلو (Monte Carlo Analysis) به طور گسترده ای در مهندسی مالی (Financial Engineering) برای پیش بینی بازار سهام استفاده می شود. این یک حس شهودی برای تحلیلگر بازار ایجاد می ‌کند، زیرا مدل سازی بازار غیرممکن است، و از ابعادی باور نکردنی بالایی برخوردار است و داده های زیادی برای نمونه برداری دارد. اهمیت ریسک عامل موثر دیگری بر دلیل استفاده تحلیل گران مالی از روش های MC است. یکی از کاربردهای نسبتاً ساده مونت کارلو در این زمینه بهینه سازی اوراق بهادار است. من این پست وبلاگ را در مورد این موضوع بسیار توصیه می کنم، که به طور کامل اما خلاصه جزئیات نحوه نوشتن کد برای این نوع تجزیه و تحلیل را توضیح می دهد:هنگام انتخاب سبد سهام، ممکن است تمایل داشته باشید که بسته به اهداف خود، سطوح مختلف ریسک را بپذیرید. اما صرف نظر از تمایل به پذیرش ریسک، می توانید بازده خود را در هر نوسانی از پرتفلیو با استفاده از مونت کارلو به حداکثر برسانید تا ترکیبات مناسب و سوده ترین نسبت سهام را پیدا کنید. با استفاده از داده‌های تاریخ گذاری شده در گذشته (Historical Data) می توان صدها هزار ترکیب مختلف سهام را در نسبت های مختلف ایجاد کرد، تا ببینیم عملکرد هر یک از آنها در آن دوره زمانی نسبت به یکدیگر چگونه است. سپس می توان پیکربندی بهینه را با استفاده از معیاری به نام نسبت شارپ - Sharpe Ratio (معیاری از عملکرد بازده سرمایه گذاری با توجه به ریسک آن) انتخاب کرد.اگر وعده های افزایش ثروت و دانش برای جلب توجه شما کافی نبودند، روش های Markov Chain Monte Carlo ابزاری قدرتمند را برای آموزش الگوریتم های یادگیری عمیق (Deep Learning) ارائه می دهند. دانشمندان داده (Data Scientist) و مهندسان یادگیری ماشین (Machine Learning Engineers) می توانند با استفاده از این روش ها انواع کارهای عجیب و خارق العاده ای را انجام دهند. اگر شما علاقه مند به مطالعه بیشتر در مورد مونت کارلو هستید ، من منابع زیر را به شما توصیه می کنم:مبتدی: http://www.statisticshowto.com/monte-carlo-simulationمتوسط: http://mathforum.org/library/drmath/view/51909.htmlپیشرفته:لینک - https://www.youtube.com/watch?v=OgO1gpXSUzUلینک - http://farside.ph.utexas.edu/teaching/329/lectures/node109.htmlلینک - https://www.coursera.org/lecture/bayesian-methods-in-machine-learning/bayesian-neural-networks-HI8taلینک مقاله: An Overview Of Monte Carlo Methodsمترجم: حسن رضوانی - گروه مالی صدر

پیش‌بینی بازار سهام با استفاده از توییتر؟!

محمد مسعودی همت آبادی | Mohammad Masoudie — Sun, 20 Sep 2020 01:01:23 +0430

آیا مردم به داده‌های توییتر اهمیت می‌دهند؟جالب است بدانیم سرویس فروش داده‌های توییتر در سال ۲۰۱۹، ۵۰۰ میلیون دلار درآمد داشته است، نزدیک به ۲۰ درصد از درآمد کل توییتر!چرا؟امروزه معامله‌گران به این نتیجه رسیده‌اند که تاثیر شبکه‌های اجتماعی در قیمت سهام دیگر در حد یک نظریه نیست، یک واقعیت است، و توییتر پلتفرمی است که اخبار قابل اعتمادی ارایه می‌دهد. چطور می‌شود از توییتر برای پیش‌بینی بازار سهام استفاده کرد؟‌به طور کلی ما از یادگیری ماشینی برای اندازه‌گیری احساس کلی توییت‌ها استفاده می‌کنیم تا بتوانیم پیش‌بینی کنیم که یک سهم چه حرکتی خواهد کرد. مثلا، اگر در یک توییت، کلمات مثبت بیشتر از کلمات منفی باشند، الگوریتم ما امتیاز بیشتری به آن توییت اختصاص می‌دهد و پیش‌بینی می‌کند که قیمت سهم مورد نظر بالا خواهد رفت. چطور یادگیری توسط مدل انجام میگیرد؟برای این‌که بفهمم احساسات توییتری چگونه به قیمت یک سهم مرتبط می‌شود، نیازمند یک مجموعه‌داده غنی از توییت‌های مرتبط با شرکت‌های مختلف هستیم تا بتوانیم بفهمیم که امکان پیش‌بینی قیمت با استفاده از داده‌های آنلاین از احساسات و جو غالب وجود دارد یا خیر. به علاوه، فاکتور‌های مختلف در توییتر، مثل تعداد لایک و فالوور می‌توانند نماگر‌های خوبی برای فهم این باشند که یک توییت چقدر می‌تواند در بازار بازخورد داشته باشد، چه در یک صنعت و چه در یک شرکت سهامی.قبل از شرح مراحل کار، مهم است تا این حقیقت را با خود مرور کنیم که حتی بهترین تحلیلگران هم نمی‌توانند مدلی بسازند که مقدار R-Squared حدود ۴-۵ درصد داشته باشد. حتی با صد‌ها فاکتور پیش‌بینی کننده(‌Predictor). پس آیا ما می‌توانیم فقط با استفاده از توییتر از آن‌ها جلو بزنیم؟مراحل زیر رویکرد ما برای فراهم کردن ساختار داده را بیان می‌کند:قدم‌ اول:‌ دریافت دادگان از توییترمجموعه داده‌های مورد استفاده ما از followthehashtag.com دریافت شده؛ مرجعی غنی از توییت‌های مرتبط با شرکت‌ها لیست شده در NASDAQ 100 بر مبنای تگ‌های استفاده شده در توییتر.این مجموعه‌داده‌ها توسط محققان سراسر جهان استفاده می‌شود و نزدیک به ۱ میلیون توییت را شامل می‌شود. در این پروژه، از توییت‌های ۴ شرکت در بازه‌ی زمانی ۲۶ام مارچ ۲۰۱۶ تا ۱۵ام جون ۲۰۱۶ استفاده شده.قدم دوم:‌ محاسبه امتیاز احساسی توییت‌هاما از کتابخانه (VADER (Valence Aware Dictionary and Sentiment Reasoner برای تشخیص احساس هر یک از توییت‌ها استفاده کرده‌ایم. VADER یک ابزار تحلیلی واژگانی و قاعده‌محور است که به طور مشخص برای تحلیل احساسات در شبکه‌های مجازی توسعه داده شده است.به طور کلی احساس یک توییت در قالب درصدی از فاکتور‌های زیر بیان می‌شود:مثبت(Positive):‌ توییت چقدر خوشبینانه و مثبت است. منفی:(Negative)‌ توییت چه مقدار بدبینانه و منفی است.خنثی(Neutral):‌ توییت چه مقدار خنثی است. ترکیبی(Compound): اندازه گیری اختصاصی از یه عامل بالا امتیاز احساسی(Sentiment Score):‌ ضرب مقدار فاکتور احساس ترکیبی و تعداد دنبال‌کنندگان حسابی که آن توییت را منتشر کرده. این اندازه گیری به ما اجازه خواهد داد تا اهمیت و تاثیر توییت‌ها را با توجه به تعداد دنبال‌کنندگان افراد به دست بیاوریم. قدم سوم:‌ گروه‌بندی کلی امتیازات احساسی بر اساس تاریخ برای هر شرکت. قدم چهارم:‌ دریافت اطلاعات قیمتی از سرویس مالی یاهو: با استفاده از رابط‌های برنامه نویسی یاهو، داده‌های قیمتی هر سهم را در ۷۴ روزی که داده‌های توییتر ما در آن است دریافت می‌کنیم. Yahoo Finance’s APIقدم پنجم:‌ صدور سیگنال خرید و فروشدر ابتدا اقدام به ساخت یک سیگنال خرید و فروش پایه می‌کنیم. در واقع سیگنال پایه رفتار اولیه‌ای است که برای خرید و فروش یک سهم تجویز می‌شود. بعد با استفاده از الگوریتم‌های هوش مصنوعی به پیش‌بینی اصلی دست پیدا می‌کنیم. اضافه کردن سیگنال خرید و فروش بر اساس امتیاز احساسیقدم هفتم:‌ اجزا کردن ۳۶ الگوریتم یادگیری ماشینی طبقه‌بندی شده(‌Machine learning binary classification models)با توجه به رویکرد استاندارد برای اجرای مدل‌های هوش مصنوعی و دستیابی به دقت بیشتر، پیش‌بینی مطمعن‌تر و جلوگیری از بیش‌فرازش(Overfitting)، مجموعه‌دادگان به دو قسمت یادگیری(Train) و تست(Test) تقسیم شده است و از آنجایی که با یک سری زمانی طرف هستیم، منطقی است تا آن را با توجه به رنج زمانی تقسیم کنیم. مدل‌ها که استفاده شده، الگوریتم‌های مختلف مانند: KNN، رگرسیون لجستیک(Logistic Regression)، درخت تصمیم‌گیری(Decision Tree)، جنگل تصادفی، SVM و ANN بوده‌اند.قدم هشتم: پیش‌بینی قیمت سهامفرمولی پیچیده بر اساس مدل‌های یادگیری شده از احساس توییت‌ها استفاده شده تا قیمت سهام را پیش‌بینی کنیم!استفاده از مدل برای پول درآوردن!در نهایت به گزارش دقت مدل‌هایمان در داده‌های تست چهار شرکت انتخاب شده می‌پردازیم. و نمودار‌های قیمت پیشبینی شده و قیمت واقعی در بخش تست را می‌بینیم.Electronic Arts (EA), Cerner, Vodafone, T-Mobileنمودار دقت، یکی از سنجه‌های عموم برای شناختن کارایی کلی یک الگوریتم هوش مصنوعی است در ادامه می‌بینیم هر الگوریتم در چهار شرکت انتخابی به چه دقتی دست یافته: AI, Neural Network & Machine Learning Electronic Arts (EA)نمودار قیمت واقعی و قیمت پیش‌بینی شدهVodafone Group Plc (VOD)T-Mobile US (TMUS)CERNخرد جمعیبه طور کلی، کسی قیمت سهم را به خوبی پیش‌بینی خواهد کرد که از الگوریتم یادگیری ماشینی بهینه‌ و همچنین فاکتور‌های پیش‌بینی کننده خاص و پرشماری را استفاده کند، در حالی که ما می‌توانیم تمام این فاکتور‌ها را در آینهء همین خرد جمعی داشته باشیم. درحقیقت مدل ما با استفاده از قدرت شناخت احساس و حرکت جامعه توانست با دقت بسیار خوبی قیمت بازار سهام را پیش‌بینی کند.در ادامه مقالات سعی می‌کنیم بازار مبادله ارز و همچنین سهام داخلی را هم با استفاده از این تکنیک بررسی کنیم. مقاله اصلی:‌ Can We Beat The Stock Market Using Twitter? ترجمه از محمد مسعودی، گروه مالی صدرا

بررسیِ هشت افسانهِ تحلیل تکنیکال

محمدامین مرتضایی | Amin Mortezaie — Tue, 15 Sep 2020 01:20:24 +0430

برخی از معامله گران و سرمایه گذاران، تحلیل تکنیکال را به عنوان یک دانش سطحی از نمودار ها متهم می کنند که پاسخ های پرسود، محکم و یا قطعی به ما نمی دهد. برخی دیگر بر این باورند که، این دانش مانند یک شراب ناب است که ماهر شدن در آن تضمین سودهای هنگفت را به ما می دهد. این دیدگاه های ضد و نقیض ما را به سمت باورهای غلط در مورد تحلیل تکنیکال و اینکه چگونه باید از آن استفاده کنیم، سوق می دهد.برخی از مباحث جزئی در مورد تحلیل تکنیکال بر پایه تحصیلات و تمرین هستند. به طور مثال، یک معامله گر که به کمک تنها مباحث تحلیل بنیادی آموزش دیده است، مشخصا به تحلیل تکنیکال هیچگاه اعتماد نمی کند اما این بدین معنا نیست، کسی که تحلیل تکنیکال را آموزش دیده است نمی تواند از آن سود کند. دیگر افسانه ها بر پایه تجربه ساخته می شوند. به طور مثال، استفاده نادرست از اندیکاتور های تکنیکال گاهی اوقات ما را به سمت ضرر سوق می دهد. این به این معنی نیست که این روش لزوما بد است، احتمالا شخص استفاده کننده نیازمند این است که بیشتر آموزش ببیند و تمرین کند. مقصر دیگر افسانه ها، بازاریابی است که به شما وعده می دهد در صورت خرید این اندیکاتور ساده یک شبه پولدار می شوید.نکات کلیدیتحلیل تکنیکال تلاش می کند تا با رواشناسی بازار و احساسات آن به کمک بررسی و تحلیل ترندهای قیمت و الگوهای نمودار، بتواند شرایطی را برای معامله فراهم آورد.برخلاف تحلیل بنیادی، لزوما تحلیل تکنیکال توجه خاصی به شرکت های در پشت بازار سهام و سودهای آنها ندارد.برخی بر این باورند که تحلیل تکنیکال بهترین راه برای معامله است، در حالی که برخی دیگر ادعا می کنند که آنها گمراه اند و فاقد مبانی نظری هستند.در اینجا ما به بررسی برخی از افسانه هایی که در دو سمت این مناظره وجود دارد، می پردازیم.تحلیل تکنیکال فقط بدرد معامله کوتاه مدت و یا روزانه میخورد. این یکی از افسانه های شایع است که می گوید، تحلیل تکنیکال فقط بدرد معاملات کوتاه مدت و یا معاملات کامپیوتری، مثل تردینگ روزانه و یا معاملات با فرکانس بالا می خورد. تحلیل تکنیکال وجود دارد و قبل از اینکه کامپیوتر ها شایع شوند هم استفاده و تمرین می شد و برخی از پیشگامان در تحلیل تکنیکال را، سرمایه گذارن و تریدهای بلند مدت تشکیل می دادند. تحلیل تکنیکال توسط تمامی تریدها با هر تایم فریم زمانی، چه یک دقیقه ای باشند و چه هفتگی و یا ماهانه استفاده می شود.تنها معامله گران مستقل از تحلیل تکنیکال استفاده می کنند.زمانی که معامله گران مستقل از تحلیل تکنیکال استفاده می کنند، صندوق های پوشش ریسک و بانک های سرمایه گذاری به مقدار زیاد و کافی از تحلیل تکنیکال بهره می برند. بانک های سرمایه گذاری، تیم های اختصاصی دارند که از تحلیل تکنیکال بهره می برند.تحلیل تکنیکال درصد موفقیت پایینی دارد.با نگاه به لیستی از تریدهای موفق بازار، کسانی که دهه ها تجربه در زمینه معامله گری داشته اند، این افسانه رفع ابهام می شود. مصاحبه معامله گران موفق، نشانه هایی از تعدادی تریدر را نشان می دهد که، موفقیت خود را مدیون تحلیل تکنیکال و الگوهای آن هستند. به طور مثال، "معجزه بازار: مصاحبه با تریدهای سطح بالا" که توسط جک دی شوگر تهیه شده است، نشان داد که بسیاری از تریدها تنها به کمک تحلیل تکنیکال، سود کرده اند. (در مقاله: "پیشگامان تحلیل تکنیکال" بیشتر بخوانید.)تحلیل تکنیکال سریع و ساده است.اینترنت پر از دوره های آموزشی تحلیل تکنیکال است که به شما قول موفقیت در معامله گری را میدهد. اگرچه بسیاری از تریدهای مستقل، کار خود را با استفاده از یک اندیکاتور ساده تکنیکال شروع کرده اند، ادامه موفقیت در معامله گری، نیازمند دانش عمیق، تمرین، مدیریت سرمایه خوب و نظم کاری می باشد. این مسئله نیازمند زمان اختصاصی، دانش و توجه است. تحلیل تکنیکال، تنها یک ابزار و یک تکه از این پازل است.برنامه های آماده و ساخته شده می تواند به معامله گران کمک کنند تا به آسانی پول دربیاورند.متاسفانه این صحت ندارد. تعداد زیادی تبلیغات برای نرم افزارهای بی ارزش و پرهزینه وجود دارد که مدعی است، تمام تحلیل ها برای شما انجام می دهد. اضافه برآن، تریدهای کم تجربه گاهی اوقات، گیجِ ابزارهای تکنیکالی می شوند که کارگزاری ها برای معامله گری معرفی می کنند و تضمین سود آن را می دهند، در حالی که تحلیل تکنیکال، به ما در مورد ترندها و الگوها دیدمی دهد و لزوما در مورد سود دید نمی دهد. این بستگی به معامله گر دارد که چگونه دیتا و ترندها را تفسیر کند. (برای مطالعه بیشتر می توانید، "بهترین نرم افزارهای تحلیل تکنیکال" را مشاهده کنید.) اندیکاتور های تکنیکال در تمام بازار ها جواب می دهند.درحالی که در بسیاری از حالات این درست است، در تمام موارد درست نیست. کلاس دارایی های خاص دارای نیازمندی های خاص هستند. سهم ها، بازار آتی، آپشن ها، کالاها و اوراق قرضه همه با یکدیگر متفاوت اند. در آنها ممکن است الگوهای وابسته به زمان وجود داشته باشد مثل نوسان بالا در آتی بازار و آپشن های در حال انقضا و یا الگوهای فصلی در اوراق قرضه. باید توجه داشت و به اشتباه یک اندیکاتور تکنیکال که برای یک کلاس دارایی خاص است را برای دیگری استفاده نکنیم.تحلیل تکنیکال می تواند تخمین بسیار دقیقی از قیمت را ارائه دهد.بسیاری از تازه کاران انتظار دارند که توصیه های تحلیل های تکنیکالی و یا الگوهای نرم افزاری 100 درصد دقیق باشند. به طور مثال، یک ترید بی تجربه ممکن است با یک پیش بینی انتظار داشته باشد که سهم ABC در دوماه به قیمت 62 دلار برسد. اما یک تحلیلگر باتجربه معمولا از نقل کردن قیمت به طور خاص دوری می کند. معامله گرانی که پول خود را در توصیه های تکنیکال قمار می کنند باید بدانند که، تحلیل تکنیکال یک رنج و دامنه را پیش بینی می کند و نه یک عدد دقیق. تحلیل تکنیکال همیشه یک احتمال است و یک گارانتی و تضمین نیست. اگر چیزی بیش از بقیه کار می کند، نباید تصور داشت که همیشه کار می کند، این مسئله می تواند در سود کردن بسیار موثر باشد.درصد برد ها در تحلیل تکنیکال باید بالاتر باشد.این افسانه بسیار رایج است که درصد بالایی از معاملات برنده برای رسیدن به سودآوری نیاز است، اما این همیشه درست نیست. فرض کنید پیتر از پنج معامله چهار را می برد، درحالی که مولی تنها در یک معامله برنده می شود. چه کسی موفق تر است؟ اکثر افراد احتمالا می گویند: پیتر! اما ما نمی توانیم به درستی بدانیم تا زمانی که اطلاعات بیشتری کسب نکنیم. معامله گرِ درست، سودهای بیشتری از معاملات کمتر بدست می آورد. سودآوری یک ترکیب از درصد پیروزی و میزان ریسک/دستاورد می باشد. اگر پیتر 20 دلار مثبت در پیروزی و 80 دلار منفی در شکست بدست بیاورد، درنهایت بدون سود خارج شده است ولی اگر مولی 50 دلار مثبت در پیروزی و 10 دلار منفی در ضررها بدست آورد در نهایت با 10 دلار مثبت خارج شده است. مولی بهتر است هرچند معامله کمتری را برده است.نکته پایانیتحلیل تکنیکال یک سبد بزرگ از مفاهیم و ابزار را برای معامله ارائه می دهد. تعدادی از تریدهای موفق از آن استفاده می کنند و تعداد موفق دیگری نه. درنهایت امر، این به هر معامله گر برمی گردد که ببیند تحلیل تکنیکال برای او قابل استفاده است یا خیر. تحلیل تکنیکال تضمین سودهایی با دقت صد درصد را نمی دهد اما، اگر با پشتکار مفاهیم را تمرین کنید این برای شما می تواند احتمالا موفقیت واقعی ای را فراهم کند.مقاله اصلی: Debunking 8 Myths About Technical Analysisمترجم: محمدامین مرتضایی - گروه مالی صدرا

چگونگی به کارگیری علم داده (Data Science) در بازار سهام

حسن رضوانی — Fri, 11 Sep 2020 16:33:13 +0430

شرح مباحث علم داده با استفاده از بازار های مالیاین روز ها علم داده (Data Science) بحث رایج در صنعت ‌های مختلف محسوب می شود. همه به دنبال این هستند که داده‌ ها (Data) چه مفهومی دارند و چطور می‌ توانند به ما کمک کنند. بیشتر اوقات این داده ‌ها (Data) می‌ توانند به صورت یه سری اعداد باشند و این اعداد قادر هستند اطلاعات مختلفی به ما دهند. برای مثال این اعداد می‌ توانند مقدار فروش، فهرست موجودی، مشتری و از همه مهم تر - در مورد پول باشند.تمرکز این مقاله بر روی بازار مالی و به طور دقیق تر بر روی بازار سهام (Stock Market) است. سهام، کالا و اوراق بهادار همگی معنای یکسانی دارند، وقتی در مورد بازار معامله صحبت می‌کنیم. ما سهام را می فروشیم، می خریم یا نگه می داریم برای اینکه سود بیشتری نصیب ما بشود. سوالی که پیش می‌ آید این است که:چطور علم داده می تواند در زمینه داد و ستد در بازار های مالی به ما کمک کند؟مفاهیم علم داده (Data Science) در بازار سهامبسیاری از افراد از مفاهیم علم داده مطلع نیستند. بگذارید در اول بحث به توضیح آنها بپردازیم. علم داده به صورت ذاتی با دانش‌ آمار (Statistics)، ریاضیات و برنامه نویسی در ارتباط است. در این مقاله لینک‌ هایی مختلف در مورد این موضوعات موجود است که می‌ توانید از آنها بازدید فرمایید. حالا به موضوعی می پردازیم که مطمئنم همه ما اینجا برای آن جمع شده ایم - استفاده از علم داده برای تحلیل بازار سهام. علم داده کمک می کند که با تجزیه و تحلیل اطلاعات یک سهام مطلع شویم که باید روی سهام مورد نظر سرمایه گذاری انجام شود یا خیر.الگوریتم (Algorithm)در علم داده (Data Science) الگوریتم ‌ها بسیار زیاد استفاده می شوند. الگوریتم ‌ها مجموعه‌ ایی از قوانین هستن که به ما کمک می کنند تا کار مشخصی (Task) را انجام دهیم. شما شاید با اصطلاح تجارت الگوریتمی (Algorithmic Trading) روبرو شده باشید که به صورت رایج از این تکنیک در بازار سهام استفاده می شود. تجارت الگوریتمی از یکسری الگوریتم هایی که برای بازار سهام طراحی شده استفاده می کند. برای مثال، خرید سهامی که ارزش آن در همان روز ۵% کاهش یافته است. یا فروش سهامی که ۱۰% ارزش خود را از زمان خرید از دست داده است.این دسته از الگوریتم‌ ها قادر به انجام معامله در بازار سهام بدون هیچ نیاز به کمک از سمت انسان‌ ها هستند. این الگوریتم‌ ها ربات تجاری نامگذاری شده ا‌ند زیرا از یکسری قوانین برای معامله استفاده می کنند. اگر مایل به دیدن مثالی در مورد درست کردن الگوریتم‌ های تجاری هستید به لینک پایین مراجعه فرمایید.لینک: Coding Your Way to Wall Streetآموزش (Training)در علم داده (Data Science) و هوش مصنوعی (Machine Learning) منظور از آموزش دادن انتخاب داده ‌ها (Data) یا قسمتی از داده‌ ها برای آموزش دادن مدل هوش مصنوعی (Machine Learning Model) بر روی آنها است. تمام اطلاعات (Data Set) به دو دسته متفاوت آموزش (Training) و آزمون (Testing) تقسیم می شوند، که آموزش ۸۰% و امتحان ۲۰% آن را دربر می‌گیرد. این دسته از اطلاعات که برای آموزش استفاده می شوند Training Data یا Training Set نیز نام دارند. برای اینکه مدل هوش مصنوعی تخمین دقیق تری را ارائه دهد، از اطلاعاتی که از قبل در دسترس است استفاده می شود. به فرض اگر ما مایل هستیم تا مدل هوش مصنوعی قیمت سهام مورد نظر کاربر در ماه آینده را تخمین بزند، باید اطلاعات در مورد قیمت همان سهام در سال گذشته در اختیار مدل هوش مصنوعی قرار دهیم.آزمون (Testing)بعد از پایان مرحله آموزش با استفاده از Training set، حالا فرصت به بررسی بازدهی مدل می رسد. در اینجا ما از ۲۰% باقیمانده اطلاعات که Testing Data یا Testing Set نام دارند استفاده می‌کنیم. در واقع ما تخمین بدست آماده توسط مدل را با Testing Set مقایسه و بازدهی مدل را محاسبه می‌کنیم.ویژگی ‌ها و هدف (Features & Target)در علم داده معمولا اطلاعات به صورت جدول بندی نشان داده می شوند (برای نمونه Excel Sheets یا DataFrames). این اطلاعات می‌توانند نقش مهمی رو ایفا کنند. برای مثال، یک ستون می تواند قیمت سهام ها، نسبت P/B، حجم (Volume) یا اطلاعات مالی دیگری در خود گنجانده باشد.در این مورد قیمت سهام ‌ها - هدف (Target) و بقیه اطلاعات مالی - ویژگی ‌های بازار (Features) محسوب می شوند. در علم داده‌ ها (Data Science) یا آمار (Statistics) هدف همان متغیر وابسته (Dependent Variable) و بقیه ویژگی های بازار متغیر‌ غیر وابسته (Independent Variable) محسوب می شوند. در واقع، مدل هوش مصنوعی سعی بر تخمین مقدار هدف با استفاده از ویژگی های بازار دارد.مدل سازی: سری زمانی (Time-Series)علم داده از مدل سازی (Modeling) استفاده زیادی می‌کند. مدل سازی استفاده از رویکرد ‌های ریاضیاتی بر روی اطلاعات موجود در گذشت برای پیشبینی مقدار هدف در آینده می‌ باشد. وقتی از اطلاعات مالی در بازار سهام صحبت می‌کنیم منظور از مدل سازی، مدل سازی سری زمانی (Time Series Modeling) است. سوالی که پیش می‌ آید این است که سری زمانی چه تعریف می‌شود؟سری زمانی به یک سری از اطلاعات گفته می شود که به صورت ماهانه، روزانه، ساعتی، یا دقیقه ای نشان گذاری (Indexed) شده ا‌ند. در مورد بازار سهام، اطلاعات و نمودار‌ های یک سهام بر اساس سری زمانی ساخته شده ا‌ند. بر همین اساس، زمانی که یک Data Scientist قصد مدل سازی برای یک بازار سهامی را دارد باید از سری زمانی استفاده کند. برای کار کردن با یک مدل سری زمانی (Time-Series Model) بر روی قیمت ‌های بازار سهام باید از هوش مصنوعی یا یادگیری عمیق (Deep Learning) استفاده شود. این مدل ها به ما کمک می‌کند تا پیشبینی بر روی قیمت ‌های بازار سهام در بازه زمانی مشخص داشته باشیم. برای آشنایی بیشتر در مورد اینکه چگونه می شود از هوش مصنوعی یا یادگیری عمیق در مورد پیشبینی قیمت Bitcoin استفاده کنیم، به لینک‌های پایین مراجعه کنید.لینک: Predict Bitcoin Prices with Machine Learningلینک: Predict Bitcoin Prices with Deep Learningمدل سازی: طبقه بندی (Classification)گونه دیگری از مدل سازی در علم داده و هوش مصنوعی طبقه بندی (Classification) نام دارد. در این نمونه از مدل سازی، اطلاعاتی در مورد بازار سهام به مدل داده شده و مدل تعیین می‌کند یا تخمین می زند که اطلاعات ارائه شده به کدام دست بندی تعلق دارد.در بازار سهام، ما می توانیم اطلاعاتی مالی یک سهم از قبیل نسبت P/E، حجم روزانه، کل بدهی، و غیر به هوش مصنوعی دهیم. مدل پس از بررسی سهام را در یکی از دست‌های خرید، فروش یا نگه داشتن قرار می دهد و معین می‌کند که آیا این سهام از نظر اقتصادی دارای یا فاقد ارزش می‌ باشد.این لینک‌ها شامل مثل هایی در مورد طبقه بندی سهام ها هستند.لینک: Teaching a Machine to Trade Stocks like Warren Buffett, Part I لینک: Teaching a Machine to Trade Stocks like Warren Buffett, Part IIپوشیدن بیش از حد و پوشیدن غیر کافی (Overfitting & underfitting) در زمان ارزیابی کارایی یک مدل، ما ممکن است به اشتباه "دمای بسیار" بالا یا "دمای بسیار پایین" را به جای "دمای کاملا مناسب" انتخاب کنیم؛ مثال تخم مرغ. این‌ها از قبیل اشکالاتی هستند که باید زمان بررسی مدل‌های خود در نظر داشته باشیم. در بازار سهام، پوشیدن بیش از حد زمانی اتفاق می افتد که مدل نمی‌تواند گرایش‌های بازار را تشخیص دهد و قادر به سازگاری و وقف به شرایط آینده بازار نیست. همچنین، پوشش غیر کافی زمانی اتفاق می افتاد که مدل تنها میانگین قیمت تمام سهام‌های موجود در بازار بورس را به ما ارائه می دهد. به عبارت دیگر، پوشیدن بیش از حد و پوشیدن غیر کافی منجر به پیشبینی ضعیف و غیر قابل اعتماد در مورد قیمت سهام در آینده می شود.لینک: Underfitting and Overfitting in Machine Learning در پایانموضوع هایی که مورد بحث قرار گرفته اند مفاهیم مشترک میان علم داده و هوش مصنوعی است. این مفاهیم نقش بسیار مهمی را برای یادگیری علم داده دارند. این مفاهیم قسمت کوچکی از مجموعه موضوع‌های هستند که به علم داده مرتبط می شوند. امیدوارم این مقاله کمکی باشد به علاقه مندان به علم داده در بازار سهام.لینک مقاله: How to Use Data Science on the Stock Marketمترجم: حسن رضوانی - گروه مالی صدر

اهمیت هوش‌مصنوعی و یادگیری‌ماشین در معامله‌گری و سرمایه‌گذاری

محمد مسعودی همت آبادی | Mohammad Masoudie — Wed, 09 Sep 2020 22:46:44 +0430

۱. اهمیت هوش‌مصنوعی و یادگیری‌ماشینی بر معامله‌گری از دیدگاه کلیهوش مصنوعی فرایند جایگزینی انسان و ماشین را فراهم می‌کند. در ۱۹۸۰، محققان هوش مصنوعی بخش اصلی تمرکز خود را در سیستم‌های خبره و منطق فازی به کار می‌بردند. با گذشت زمان و ارزان شدن قدرت محاسباتی، استفاده از ماشین ها برای حل مسائل مقیاس-بزرگ بهینه‌سازی شکلی اقتصادی پیدا کرد. امروزه در نتیجه‌ی گسترش سخت افزار و نرم‌افزار، هوش‌مصنوعی در استفاده از شبکه‌های عصبی و دیگر روش‌هایی که برای شناسایی و آنالیز پیش‌بینی کننده(فاکتورها) به کار می‌رود، متمرکز است، این سیستم‌ها از لحاظ اقتصادی ارزنده اند و همینطور می‌توانند به عنوان کلاسیفایر(Classifiers) برای توسعه مدل‌های کارآمد استفاده شوند. این کاربرد از هوش مصنوعی با نام ‌یادگیری‌ماشینی(Machine Learning) شناخته می‌شود.کاربرد روش‌های مبتنی بر هوش‌مصنوعی برای توسعه استراتژی‌های معاملاتی، چه در سرمایه‌گذاری‌های کوتاه مدت و چه در سرمایه‌گذاری‌های بلند مدت در حال گسترش و همه‌گیری است و چندین صندوق پوشش ریسک در این زمینه به صورت جدی فعالیت می‌کنند. اما پذیرش وسیع این تکنولوژی جدید به عوامل بسیاری بستگی دارد، از جمله مهم‌ترین آن‌ها این است که هوش‌مصنوعی نیازمند سرمایه‌گذاری روی ابزارهای این زمینه و استعداد‌ انسانی بسیاری دارد. بسیاری از صندوق‌ها از تحلیل‌های بنیادی استفاده می‌کنند و این حاصل از چیزی‌ است که مدیران صندوق در برنامه‌های مدیریت کسب‌وکار خود فرا گرفته‌اند. (درحال حاضر و پس از گذشت سه سال از انتشار این مقاله معاملات برپایه هوش‌مصنوعی بسیار بیشتر از قبل پیگیری می‌شوند و بسیاری از صندوق‌های پوشش ریسک در این زمینه فعالیت می‌کنند.) کاربردهای هوش مصنوعی در سطح خردِ معاملات در حال افزایش و پیگیری است اما هنوز گستره‌ی زیادی از معامله‌گران از روش‌های قرن بیستمی از جمله، تحلیل‌های تکنیکال سنتی و غیره به علت سادگی ‌آن‌ها در فراگیری و اجرا استفاده می‌کنند.به خاطر داشته باشید که هوش مصنوعی و یادگیری‌ماشین تنها در توسعه استراتژی‌های معاملاتی نیست که کاربرد یافته‌اند بلکه در زمینه‌های دیگری هم مثل، توسعه الگوریتم‌های جستجوی نقدینگی(liquidity searching algos) و یا پیشنهاد پورتفولیو به کاربران استفاده می‌شوند. از این رو همانطور که کاربردهای هوش‌مصنوعی گسترده‌ می‌شود تعداد افرادی که مستقیماً درگیر تصمیم‌گیری در سرمایه‌گذاری و معامله‌گری هستند کاهش می‌یابد و این مسأله به طور مشهود در بازار‌ها و واکنش‌های قیمتی در آن‌ها تاثیر‌گذار است. هنوز زود است که به تاثیراتی که این تکنولوژی جدید در این صنعت دارد بپردازیم اما ممکن است که استفاده وسیع در هوش‌مصنوعی به کارا تر شدن بازارها و کاهش نوسان در دوره‌های زمانی بلند مدت بیانجامد، و تنها در زمان‌های چرخش جریانی بازار شاهد نوسان‌های کوتاه و پر عمق باشیم. و این مقوله امری امکان‌پذیر است چون تاثیرات ارزیابی‌های انسانی کاهش می‌یابد و این مستقیما بر نوسان و نویز بازار تأثیر می‌گذارد. اما در انتظاریم که این نتیجه را زمان اثبات کند!۲. اهمیت هوش مصنوعی و یادگیری‌ماشین در تولید بهره‌وریدر میانه‌ی فاز ابتدایی تطابق هوش‌مصنوعی با این صنعت، فرصتی است برای آن‌هایی که این مقوله را درک می‌کنند و می‌دانند ریسک‌هایش را چگونه مدیریت کنند. یک مشکل با استراتژی‌های معاملاتی بر اساس هوش‌مصنوعی این است که آن‌ها می‌توانند مدلی ارائه دهند که حتی از مدل‌های تصادفی هم بدتر باشند. بگذارید منظورم را با یک مثال توضیح دهم:‌ روش تحلیل تکنیکال سنتی یک روش بدون بازده برای معامله است چون استراتژی‌ها بر اساس الگوهایی نموداری و اندیکاتورهایی که ترسیم می‌شود در یک توزیع با میانگین صفر (پیش از کسر هیچ هزینه تراکنشی) بازده خود را به دست می‌آورند. همیشه معامله گرانی هستند که در دم راست این توزیع نرمال بازدهی هستند و این احساس اشتباه به تکنیکالیست‌ها دست می‌دهد که این روش ها‌ بازدهی بالایی دارد. تحقیقات من نشان می‌دهد در بازارهای مالی، به خصوص بازارهای آتی و فارکس، دست‌یابی به بازدهی بلند مدت بدون توجه به شیوه‌ای که استفاده می‌شود، بسیار سخت است، چون اساساً این بازارها به منظور سودآوری برای سازنده‌ها و گردانندگانش طراحی شده است. با این حال در بازه‌های زمانی کوتاه ممکن است بعضی معامله‌گران به یاری بخت و اقبال به سودهای بسیار بالا در بازارهای اهرم دار برسند.با هوش‌مصنوعی و یادگیری‌ماشین، آثار اضافه‌تری نیز وجود دارد، مثل Bias-variance trade-off.جهت‌گیری(Bias) در داده‌کاوی نیز می‌تواند در استراتژی‌ای که با داده‌های گذشته فرامنطبق(Over-fitted) شده اثرگذار باشد اما با ورود داده‌های جدید به سرعت استراتژی شکست می‌خورد، یا این‌که استراتژی‌ها به قدری ساده‌اند که به سیگنال‌های مهمی که در داده‌ها وجود دارد توجه نمی‌کنند. نتیجه این ترید آف چیزی بدتر از استراتژی تصادفی است و منحنی توزیع سود را حتی قبل از اعمال هزینه‌های تراکنش و معامله به سمت ضرردهی جابه‌جا می‌کند.همچنین دوست دارم به تصوری غلط در این زمینه اشاره‌ای داشته باشم:‌ بعضی افراد بر این باورند که ارزندگی معاملات بر پایه هوش‌مصنوعی در استفاده از الگوریتم‌ها یادگیری‌ماشین است و این تصوری غلط است. درست این است که ارزش این کار به استفاده از فاکتورهای پیش‌بینی کننده است. الگوریتم‌های ماشینی قادر به یافتن طلا در جایی که چیزی وجود ندارد نیستند. مسئله ما این است متخصصان یادگیری‌ماشین با فاکتورهای مشابه سعی در توسعه و ساختن مدل‌هایی با شیوه‌های تکراری دارند تا به بهترین نتیجه دست یابند. این فرایند با جهت‌گیری در داده‌کاوی(Data-mining bias) کامل می‌شود و در نهایت منجر به شکست می‌شود. تحقیقات من در این زمینه نشان می‌دهد اگر یک کلاسیفایر ساده، مثل رگرسیون لجستیک باینری، با مجموعه‌ای از فاکتورها استفاده کنیم و عملکرد رضایت بخشی نداشته باشد، به احتمال قوی این مدل فاقد ارزش است. از این رو، موفقیت بسته به چیزی است که ما آن را مهندسی فاکتور(feature engineering) می‌نامیم، و این توامان هنر و علمی‌ است که نیاز به دانش، تجربه و ابتکار دارد تا بتوانیم ویژگی‌هایی(‌فاکتورهایی) را انتخاب کنیم که ارزشمندند. و تنها کمی از حرفه‌ای‌ها می‌توانند این را انجام دهند.۳. اهمیت هوش‌مصنوعی و یادگیری‌ماشین در تحلیل تکنیکالباید میان تحلیل تکنیکال سنتی و همتای الگوریتمی آن‌ تفاوت قائل شویم چون تمامی روش‌هایی که وابسته به تحلیل سری‌های قیمت و حجم معاملاتی هستند در این موضوع جای‌ می‌گیرند. تحلیل‌های تکنیکال سنتی، به طور مثال، الگوهایی نموداری، برخی اندیکاتورها، تئوری‌های واکنش قیمتی(Price action) و غیره برای شروع کارآمد نیستند. علیرغم چند تلاش ناتمام در مقیاس کوچک، ناشران با روش‌هایی مشتری جذب می‌کنند که هیچ‌گاه آمار بلند-مدتی از بازدهی روششان ارائه نمی‌دهند اما وعده می‌دهند که با به‌کار‌گیری روششان پتانسیل سودآوری وجود دارد. از آنجایی که سودها و ضررها در بازار از یک توزیع آماری تبعیت می‌کنند، همیشه افرادی هستند که اقبالشان را به این روش‌ها نسبت داده‌اند. و در عین‌حال، صنعتی بر پایه این روش‌ها شکل گرفت تنها بخاطر اینکه یادگیریشان ساده بود. متاسفانه، بسیاری فکر می‌کنند می‌توانند با به‌کارگیری هرچه بهتر و دقیق‌تر این روش‌ها که دیگران هم می‌دانند می‌توانند سودآوری داشته باشند و در نتیجه حجم بزرگی از سرمایه از جیب این معامله‌گران به گردانندگان بازار، بازارسازان و افراد با تجربه و مطلع منتقل می‌شود.اوایل سال ۱۹۹۰ میلادی، یک متخصص بازار متوجه شد که تعداد زیادی از معامله‌گران خرد با استفاده از روش‌های ساده و بی‌تکلف برای معامله استفاده می‌کنند. برخی الگوریتم‌ها و سیستم‌های خبره هوش‌مصنوعی را گسترش داده تا آرایش بازار را تشخیص دهند و طبق آن‌ها وارد معامله شوند این مساله باعث می‌شوند نوسان بازار بر آن‌ها چیرگی پیدا نکند. در نگاهی عمیق‌تر، شکست تحلیل‌های تکنیکال سنتی می‌تواند به خاطر همبستگی‌ زیادی باشد که میان بازارها از آن زمان شکل گرفت و این همبستگی این احساس نادرست را که راهبردهای تکنیکال کار میکنند را از بین برد.امروزه، به استثنای مواردی، بازارها به صورت بازگشت به میانگین(Mean-reverting) هستند و فضایی برای کارکرد تحلیل‌های تکنیکال ساده باقی نمی‌گذارد. با این حال برخی از معاملات الگوریتمی با پایه تکنیکال به خوبی کار می‌کنند، مثل مدل‌های Mean-reversion و Statistical arbitrage به ضمیمه‌ی الگوریتم‌های یادگیری‌ماشین که فاکتورهای با ارزشی را به کار می‌گیرند تا به تحلیل قابل اتکایی نسبت به بازار دست‌ یابند.به عقیده من، مشاهده بازار و نگاه کردن به نمودارها دیگر منسوخ شده. آینده معاملات در پردازش اطلاعات، توسعه و اعتبارسنجی مدل‌ها بصورت برخط است. صندوق‌های پوشش ریسک در آینده دیگر متکی به آنالیزهای نموداری نیستند. البته ممکن است برخی هنوز به روش‌های سنتی پای‌بند بمانند. ولی برای بسیاری از معامله‌گران که با هوش‌مصنوعی آشنا نیستند سخت است که در آینده بتوانند در میدان رقابت باقی بمانند و حذف نشوند.۴. برندگان و بازندگان تکنولوژی جدید معامله‌گریکاربرد‌های هوش‌مصنوعی معامله‌گری را از جنبه‌های مختلفی تغییر می‌دهد و این اتفاق ناگریز است. سرمایه‌گذاران به زودی متوجه می‌شوند پس از همه‌گیر شدن این تکنولوژی سود‌های میان مدت بسیار کمتری از انتظاراتشان خواهند برد. و اگر این سناریو تحقق یابد سرمایه‌گذاران برمی‌گردند به این روش قدیمی که افرادی را پیدا کنند تا به آن‌ها سبد‌های سرمایه و اوراق بهادار مختلفی پیشنهاد دهند و برخی از این افراد برنامه‌های مبتنی بر هوش‌مصنوعی خواهند بود و این اتفاق به صورت آنلاین اجرا می‌شود (در حال حاضر و پس از گذشت سه سال از این نوشته پلتفرم‌ها و به اصطلاح ربات‌های معامله‌گر بسیاری در اینترنت حضور دارند و سبد گردانی توسط آن‌ها انجام می‌گیرد.)معامله‌گران باید با این تکنولوژی جدید آشنا شوند. بسیاری از معامله‌گران هنوز به روش‌های تکیه زده‌اند و امیدوارند برای سال‌های سال بتوانند کسب سود کنند!منابع بسیار خوبی در رابطه با هوش‌مصنوعی و یادگیری ماشینی در معامله‌گری در اینترنت موجود است و بهترین روش برای یادگیری، تلاش برای حل کردن چند نمونه عملی است. اما من باور دارم گذر از این لبه تکنولوژی برای بسیاری از معامله‌گران امکان نخواهد داشت. ترکیب این مهارت‌ها نیازمند فهمیدن هوش‌مصنوعی و پیاده سازی‌ قوانین آن است و بیش از ۹۵٪ از معامله‌گران کارشان نگاه کردن به نمودار و کشیدن چند خط و رسم میانگین‌های متحرک بیشتر نیست.سرمایه گذاران نیز بایست خودشان بتوانند تحقیق کنند و در نتیجه آن فردی را انتخاب کنند که آشنا به توسعه ابزارهای جدید است. هر سرمایه گذاری مقدار پذیرش ریسک خاصی برای سبد خود دارد و این کار را برای اینکه اینکه یک توصیه عمومی داشته باشم سخت می‌کند. ما شاهد ازدیاد ربات‌ها خواهیم بود و انتخاب میان آن ها یک فرایند چالشی خواهد بود.مقاله اصلی از Michael Harrisلطف شماست که در صورت هرگونه کاستی در محتوا یا برای ارائه پیشنهادها با من در ارتباط باشید.ترجمه از محمد مسعودی - گروه مالی صدرا

یادگیری ماشین برای معامله گری

محمدامین مرتضایی | Amin Mortezaie — Tue, 08 Sep 2020 21:30:13 +0430

پیشگفتارتکنولوژی معنی می کند که کسب و کار در آینده به چه شکلی باید باشد.در دهه گذشته، دقیقا همین جمله نیروی محرکهِ هر چیزی که مرتبط به تکنولوژی، مانند سخنرانی و یا مقالات بود. اما با رشد انفجاری هوش مصنوعی (Artificial Intelligence) و زیر مجموعه های آن مانند یادگیری ماشین و یادگیری عمیق، در حال حاضر می توانیم با اطمینان بگوییم که آینده ساز ترین تکنولوژی ای که در مورد آن صحبت می کردیم دقیقا حالا پیش روی ماست. استراتژی های سرمایه گذاری هیچگاه خالی از ریسک و شک نبوده است حال این کار آسان ارزیابی می شود و غلبه بر آن ممکن شده است و بازگشتیِ سرمایه گذاری بسیار زیاد و قابل پیش بینی است. شکی نیست که ارزشی بالغ بر چند تریلیون دلارِ صنعت فینتکی، یکی از اولین نشانه های سازگاری تکنولوژی هوش مصنوعی و ترند اصلی بودن آن در تمامی عملیات ها برای تمامی دنیا می باشد. امروز می خواهیم به بررسی فواید یادگیری ماشین برای بحث برانگیز ترین قسمت فینتک یعنی معامله و ترید بپردازیم که با وجود این ابزار تغییرات بشدت سریعی در ترندهای این مسئله رخ داده است و تصمیماتی پرخطر و در عین حال امیدوار کننده در زمینه معامله گری و درنهایت داستان معامله گری اتفاق افتاده است.معامله و یا ترید چیست و چگونه انجام می شود؟قبل از اینکه به مبحث یادگیری ماشین و صحبت های در مورد آن ورود کنیم، در ابتدا می خواهیم اطلاعات اساسی ای همچون پایه و اساس تردینگ و معامله گری در بازار سهام را بررسی کنیم. به ساده ترین زبان، معامله به معنای خرید و فروش یک جنس می باشد. به طورطبیعی، معامله گران علاقه مندند تا از هر معامله که در آن حضور پیدا می کنند، سود کنند. این زمانی درست عمل می کند که دوطرف معامله یعنی خریدار و فروشنده احساس کنند که این معامله، معامله خوبی بوده است. (این دقیقا نکته و صفت کلیدی برای کیفیت و موثر بودن معامله می باشد.)با چه کسی معامله می کنید؟ با دیگر افرادی که در بازار و مارکت حضور دارند و سعی در کسب درآمد، درست مثل شما دارند. بروکرها یا کارگزاری ها درست مثل واسطه در میان مردم برای معامله جدید و وصل کردن آنها به هم عمل می کنند. هم خریدار و هم فروشنده به طور ثابت به بروکر ها در معامله اتکا می کنند. موجودی کالا (دارایی فعلی و یا کالایی با ارزش در معاملات، چیزی که مردم می خرند یا می فروشند) نیز نامیده می شود.موجودی از کالا و زمانی که باقی مانده است، نشان می دهد که تا چه میزان می توان در معامله تهاجمی برخورد کرد. (زمان کمتر و همچنین موجودی کمتر می تواند یک نیروی محرکه برای شما باشد!) همچنین اگر شما زمان بیشتری دارید و کالای موجود زیادی نیز دارید، می توانید صبور باشید و منتظر قیمت های بهتر بمانید.دنیای معامله گری با قوانین ساده اقتصاد پیش می رود، مثل اینکه اگر خریداران بیشتری از چیزهایی که برای فروش هست وجود دارند، تقاضا بیشتر می شود و قیمت شروع به افزایش می کند. به عنوان یک معامله گر، شما می خواهید چیزهایی بخرید که انتظار دارید قیمتش افزایش پیدا کند. هنگامی که شما یک پوزیشن کوتاه باز می کنید (پوزیشن کوتاه به معنای باز کردن یک درخواست فروش است. در بازارهای دوطرفه امکان خرید و فروش وجود دارد یعنی می توان یک پوزیشن باز کرد که از پایین رفتن نمودار سود حاصل شود.) و قیمت شروع به افزایش می کند، شما پولی را که می توانستید بالقوه با فروش سهم، کمی بعدتر بدست آورید، از دست می دهید. همیشه در معامله یک نفر برنده و دیگری بازنده است و این قانون معامله در همه جا است. این غیرممکن است که همیشه در سمت برندگان باشید اما شما به عنوان یک تریدر و معامله گر تلاش می کنید که بیشتر برنده باشید و از سود خود نگهداری کنید و تعادل مالی برقرار کنید. وارد شدن به یک پوزیشن بلند (پوزیشن بلند به معنای درخواست خرید است.) در یک سهام یک تصمیم جدی است و نیازمند تحلیل و تجربه، برای ایمن ماندن از ریخت و پاش های غیر ضروری است.پس چرا کسب و کار ها در وهله اول اول وارد بازار سهام می شوند؟ شما احتمالا از این غافلگیر نخواهید شد که حقیقت این است که شرکت ها برای افزایش درآمد عمومی، وارد می شوند. به طور پایه ای، آنها قسمت های کوچکی از خود را به شکل سهم برای کسانی که علاقه مند به خرید هستند، ارائه می دهند. زمانی که شما سهمی را می خرید این به معنای این است که شما صاحب جزئی از شرکت هستید. موقعیت شرکت در بازار امن تر است، قیمت سهم آن نیز بالاتر است. در همین زمان به طور تازه شرکت هایی که کمتر مشهورند و پایداری کمتری نیز دارند از قیمت های بسیار پایین شروع می کنند. زمانی که آنها رشد پیدا کردند، ارزش سهم آنها نیز افزایش پیدا می کند. چیزی که همیشه باید در ذهن داشت این است که هدف تمامی اعضای بازار سهام، رسیدن به قیمت بالاتر است. بی واسطه بودن و نرخ مبادله یکی از فاکتورهایی است که معامله گران و کارگزاری ها به آن توجه می کنند که ببینند این معامله بالقوه می تواند کار هوشمندانه باشد و یا خیر. به هرحال با هرحرکتی معامله گران تلاش می کنند تا درآمد را حداکثر و هزینه را حداقل کنند که در معامله گری راه های متفاوتی وجود دارد که موفقیت را به خوبی اندازه گیری می کند. در اینجا چند سنگ محک رایج که در معامله گری استفاده می شود، وجود دارد:میانگین وزنی حجم (VWAP)میانگین وزنی زمان (TWAP)پیاده سازی به کمک کسری و فاصله (نقطه میانه گسترش پیشنهاد قیمت در ابتدا)به کمک معیارهایی که در بالا لیست شدند، می توان یک دیتای آماریِ قابل مقایسه جمع آوری کرد که به عنوان یک رفرنس و مبنا برای فرصت های پیشرفت آینده استفاده شود.اگر یک نفر عمیق تر وارد بازار سرمایه شود، سوال های بیشتری نسبت به شروع خواهد داشت. به طور مثال، چرا یک نفر سهمی از یک شرکت معتبر که جایگاه پایداری در بازار دارد را، به فروش می رساند؟ دو پاسخ اصلی که مردم تصمیم می گیرند سهم های خود را بفروشند این است که: الف) یک فرد به پول در حال حاضر نیاز دارد و مبتدی ها نمی دانند که سهم ها تا زمانی که بفروش نرسند هیچ ارزش واقعی ای ندارند. سهم ممکن است ارزش زیادی داشته باشد ولی تا زمانی که سهامدار به پول واقعی آن را تبدیل نکند، ارزشش قفل است. امروزه، صنعت معامله گری پر از رازهای مختلف است و مهندسان نرم افزار در کنار هم به کمک تحلیل های فینتکی به سرعت دریافتند که برنامه های کاربریِ یادگیری ماشین پتانسیل اعجاب انگیزی در تردینگ دارند و آنها فقط قادر به انجام تسک های پیچیده برای انسان ها نیستند و میتوان به کمک توجهِ تازه واردان این صنعت، کار را راحت تر کرد و امنیت بیشتری در معامله پیدا کرد.یادگیری ماشین در مبحث معامله گری به چه معناست؟از زمان پیدایش یادگیری ماشین، هوش مصنوعی به شکل گسترده در صنعت فینتک استفاده شده است. مدل های پیشگو اولین استفادهِ هوش مصنوعی در این صنعت بودند که مزیت های خود را به کمک هوش مصنوعی در مسائل مالی آوردند. پس از آن، صنعت مالی شروع به سرمایه گذاری در زمینه نرم افزار های هوش مصنوعی کرد که در آن زمان بیش از اندازه معقول، دارای ریسک و همچنین غیرقطعی تلقی می شد. هوش مصنوعی به بانک ها اجازه داد که بودجه های خود را با کاهش سرمایه نیروی انسانی ذخیره کنند و میزانی از آن را به فعالیت هایی مثل نرم افزارهای تحلیلی و کاهش ریسک اختصاص دهند. در آن دوره، این مسئله به شروع یک ترند الگوریتمی در تمامی حوزه فینتک کمک نکرد ولی صنعت صندوق های پوشش ریسک به خوبی شروع به حرکت در زمینه معاملات الگوریتمی کردند.تنها مشکلی که با بازارهای سرمایه وجود داشت این بود که آنها مناطقی بودند که بشدت پویا و به سختی قابل پیش بینی بودند. این به معنای این است که معاملات الگوریتمی باید در طول زمان تغییر کند و در تمام اوقات سازگار شود. نیازی به گفتن نیست که برای انسان ها بسیار سخت بود که به موقع بتوانند (تحرکات بازار برای تغییر استراتژی را) دنبال کنند. در اینجا بود که یادگیری ماشین تبدیل به یک ضرورت شد و الگوریتم ها در آن می توانستند به طور خودکار تغییر کنند و عملکرد آنها به طور خودکار بررسی می شد. قدرت های هوش مصنوعی در تردینگبررسی جزئیِ بازار: یادگیری ماشین می تواند در لحظه فعالیت بازار را زیر نظر بگیرد پس می تواند قیمت را به کمک وضعیت بازار، به درستی پیش بینی کند، زمانی که تصمیم، یک پوزیشن کوتاه باشد. این بی واسطه بودن با قیمت، یک صفت است که عملکرد یک معامله گر را نشان می دهد و تجربه ی مثبت و منفی را حتی در زمان طولانی، از یکدیگر جدا می کند.تحلیل سابقهِ گذشته برای معامله های آینده: تحلیل سابقهِ گذشته یکی دیگر از ملاک های مهم می باشد، زمانی که آن، به یک رویکرد سیستماتیک برای رسیدن به معامله موفق در آینده تبدیل شود. صرف نظر از چیزی که ربات های هوش مصنوعیِ ساخته و توسعه یافته شده، برای معامله گری توسط شرکت ها به شما می گویند، معاملات الگوریتمی نیازمند ساعت های زیادی برای تست کردن می باشد و برای تست کردنِ یک مدل یادگیری ماشین، شما در حقیقت نیازمند شروع تردینگ هستید، پس بهتر است در ابتدا با حجم های کوچک شروع کنید. حتی زمانی که با حجم های کوچک شروع می کنید، یک مدلِ یادگیری ماشینِ به طور کامل تست شده، به شما امکان سفارش گذاری از یک دفتر که به کمک تاریخچه معاملات، شناسایی شده است را می دهد که یکی از مسائل کلیدی برای عملیات های کم ریسک با سهم ها می باشد. به آسودگی شما می توانید یک سری الگوریتم های جدید را بر روی بازار های شبیه سازی شده تست کنید. این امکان به نظر کم ریسک تر می آید، اما باید به یاد داشته باشید که بازار شبیه سازی شده با بازار واقعی تفاوت زیادی دارد.یادگیری تقویتی: ربات هوش مصنوعی می تواند یاد بگیرد تا قیمت ها را از نمودار های مالی بخواند. به هرحال هیچکس نمی تواند همه چیز را یکجا بداند، درمیان شک و تردید است که آیا قدرت پردازش نرم افزارهای هوش مصنوعیِ مدرن بیشتر است یا مغز انسان.اجرای بهینه: برخی از معامله گران برایشان سخت است تا بپذیرند اما حقیقت به آنها نشان می دهد که هوش مصنوعی، عملیات های سهم را بهتر از یک انسان معامله گر در اکثریت حالت ها انجام می دهد. هوش مصنوعی تنها قادر نیست که یک مدل رگرسیون خطی دقیق رسم کند بلکه می تواند دیتاهایی که از قبل درست شده است را بخواند و با یکدیگر برای تحلیل ادغام کند.برخلاف تصمیمات شخصی نرم افزار های یادگیری ماشین بر اساس اعداد سخت بنا شده اند و بدور از هرگونه تردیدِ "اگر اینطور شد.."، هستند.توجه به ریسک:تحلیل های حجم های زیاد بر اساس سابقه تاریخیِ دیتای آنها به ما این امکان را می دهد که ریسک را ارزیابی کنیم و تغییرات را پیش بینی کنیم. این مشاهدات کانالیزه شده به ما اجازه رفتن در مسیری هوشمند تر را می دهد، بدین معنی که هوش مصنوعی حتی می تواند بدون دخالت انسانی سفارشات را بخرد یا بفروشد و اشتباهات کمتر آماری (معاملات بدون سود)،نسبت به انسان انجام دهد.پیش بینی قیمت های سهام: شبکه عصبی به فینتک با کمک یادگیری عمیق معرفی شد که این علم اجازه می داد قیمت ها را ارزیابی و پیش بینی کنیم. عجالتاً افرادی که آماده سرمایه گذاری در هوش مصنوعی برای تجارت هستند به کمک انبوه توان محاسباتی مورد نیاز برای هر برنامه یادگیری عمیق، می توانند به این فعالیت بسیار پیچیده دسترسی داشته باشند، به هرحال مزیت هایی که این تکنولوژی آورده است شوک برانگیز است و بازگشت سرمایه ی زیادی این ریخت و پاش خواهد داشت.یادگیری عمیق برای عملیات های بازار سهامبه هرحال بیشتر برنامه ها از منطقی که مهندسان از پیش در آن قرار می دهند استفاده می کنند مثل ربات تردینگ که بدون در نظر گرفتن مبحث هر چیزی که شما دستور بدهید را انجام می دهد. نرم افزار های بر پایه یادگیری عمیق برای خودشان فکر می کنند و سابقه قیمت ها را تحلیل می کنند، نمودار معامله را بررسی می کنند و خیلی کارهای دیگر برای معامله بهتر انجام می دهند. تفاوت کلیدی بین یک انسان معامله گر و هوش مصنوعی در اعداد پنهان می شود: هنگامی که یک نفر به طور میانگین در پنج سال 5000 ترید انجام می دهد، ربات معامله گر می تواند تا 1 میلیون تراکنش را در یک شب انجام دهد. این به معنای این است که ربات های هوش مصنوعی، در روند بازار دستکاری میکنند، در یک ثانیه می خرند و می فروشند که به معاملات با فرکانس بالا شناخته می شود. علاوه بر این اتفاق به کمک یادگیری عمیق، برنامه های معامله تجربه خود را با هر ترید افزایش می دهند و باهوش تر می شوند و شما خواهید فهمید که چرا متخصصان می گویند که هوش مصنوعی 3.5 تریلیون دلار از صندوق های پوشش ریسک را شامل می شود.به هرحال، همه ما باید در ذهن بدون در نظر گرفتن قدرت پردازش درنظر داشته باشیم، ماشین های می توانند تنها خارج از زمینه اجتماعی پردازش کنند. به این معنا که اقتصاد، سیاست، فاکتور های اجتماعی و احساسات و یا بینش صنعت را از بیرون تغییر می دهد و نباید از تصمیمات هوش مصنوعی در این زمینه غفلت کرد.این می تواند به شکل اشکال غیر تهدید آمیز باشد زمانی که این در عملیات های با اعداد باشد اما اگر به چند موقعیت گذشته دراماتیک در دنیای اقتصاد نگاه کنیم، خواهید دید که گاهی اوقات ارزش احساسات از عقلانیت بالاتر است و احساسات به سادگی قابل شبیه سازی نیست.مقاله اصلی: Machine Learning for Tradingمترجم: محمدامین مرتضایی - گروه مالی صدرا

صندوق‌ پوشش ریسک الگوریتمی چیست؟

محمد مسعودی همت آبادی | Mohammad Masoudie — Tue, 08 Sep 2020 15:07:50 +0430

صندوق پوشش ریسکصندوق های پوشش ریسک از دهه ۱۹۵۰ در بازارهای مالی جهانی شروع به فعالیت کردند. در آغاز فعالیت این صندوق ها، ‌هدف آن‌ها پوشش ریسک سرمایه گذاری در بازارهای نزولی بود. اما با گذشت زمان و با توجه به نوع خاص فعالیت این صندوق ها، در مدت کوتاهی توانستد سرمایه های بسیار بالایی را جذب کنند. بدین‌گونه، امروزه حضور صندوق های پوشش ریسک در دنیا بسیار چشمگیر است.صندوق های پوشش ریسک نهادهای مالی از جمله شرکت‌های سرمایه گذاری یا مدیریت سرمایه هستند که سرمایه گذاران خاصی با سرمایه‌های بسیار بالا را جذب می‌کنند. مدیریت این صندوق ها، سرمایه‌های جمع آوری شده را در ابزارهای گوناگونی سرمایه گذاری می‌کنند و در ازای سود کسب شده، حق مدیریت و پاداش دریافت می‌کنند. مدیران صندوق های پوشش ریسک بسیار حرفه‌ای هستند و از تکنیک‌های ریاضی، استراتژی‌های معاملاتی پیشرفته، روش‌های پیچیده و سفته‌بازی جهت تحلیل و سرمایه گذاری استفاده می‌کنند.با توجه به این که این صندوق ها، ابزارها و دارایی های مالی پرریسک و متنوعی را مد نظر قرار می‌دهند، بازدهی کسب شده در این صندوق ها نیز نسبت به سایر اوراق بهادار و صندوق ها بسیار بیشتر است. شاید بتوان گفت که اولین هدف این صندوق ها، تلاش برای کاهش ریسک است اما هدف اصلی همه صندوق های پوشش ریسک، کسب بیشترین سود برای سرمایه گذاران هم در شرایط رونق و رشد بازار و هم در شرایط رکود است.تفاوت صندوق پوشش ریسک با صندوق‌های دیگربه طور معمول صندوق‌های پوشش ریسک برخلاف صندوق‌های دیگر توسط نهادها تضمین نمی‌شوند.سرمایه گذاران صندوق پوشش ریسک باید اعتبارات خاصی را داشته باشند. (مثل ‌مقدار معینی از نقدینگی سیال)بسیاری از صندق‌های معمول از استراتژی خرید یک طرفه استفاده می‌کنند و معاملات فروش در آنها جایی ندارد.( البته در بازار ایران این مساله موضوعیت ندارد.)ساختار درآمدی صندوق‌های پوشش ریسکصندوق‌های پوشش ریسک هم هزینه‌های مدیریتی هم هزینه‌های بهره‌وری صندوق را از کاربر دریافت می‌کند. کارمزد مدیریتی ۱ الی ۲ درصد از سرمایه تحت مدیریت و کارمزد بهره‌وری نزدیک به ۲۰ درصد از سود ساخته شده می‌باشد. مشخصه اصلی صندوق‌های پوشش ریسک همان کارمزد بهره‌وری آن‌ها است و همین مساله برای مدیران صندوق یک عامل انگیزشی برای ساختن سود بیشتر است. این در حالی است که صندوق‌های سرمایه‌گذاری تنها کارمزد مدیریتی را از سرمایه گذار دریافت می‌کنند.صندوق پوشش ریسک کمی چیست؟صندوق پوشش ریسک کمی صندوق‌هایی هستند که برای پیاده سازی تصمیم‌های معاملاتی وابسته به الگوریتم‌ها و استراتژی‌های سیستمی می‌باشند. صندوق‌های کمی می‌توانند بر روی انواع گوناگون سبدها (‌سهام، مشتقات، درآمد ثابت، فارکس و کومودیتی‌ها) اقدام به سرمایه گذاری کنند آن‌هم با استفاده از تصمیم‌های کامپیوتر نه دخالت مستقیم. به عبارت دیگر سیستم‌های معاملاتی الگوریتم محور، قوانین معامله اتوماتیک را به جای معامله‌گران سنتی به کار می‌گیرد. البته هر دو رویکرد می‌توانند با هم ادغام شوند ولی تقریبا تمامی صندوق‌های پوشش ریسک در درجه اول، یا الگوریتمی عمل می‌کنند یا غیر الگوریتمی.در ادامه بحث از صندوق غیر الگوریتمی با نام صندوق پوشش ریسک بنیادی یاد می‌کنیم. در حقیقت منظور ما از این نام‌گذاری این است که سبک سرمایه گذاری این صندوق‌ها بر اساس مشاهدات بنیادی‌ای است که تلاش می‌کنند پیشبینی کنند که اوراق بهادار بالای ارزش واقعی خود معامله می‌شود یا زیر قیمت ارزش واقعی.لازم به ذکر است که هم صندوق‌های بنیادی هم صندوق‌های کمی از اطلاعات بنیادی استفاده می‌کنند، اطلاعاتی از قبیل داده‌های اقتصادی، داده‌های حسابداری و مالی و اطلاعاتی دیگر از قبیل داده‌های آماری، داده‌های دولتی و داده‌های عرضه و تقاضا در صنعت. اما تفاوت اصلی آنالیز کمی به نوع استفاده از این داده‌ها برمی‌گردد. آنالیزهای کمی بالغ ده یا حتی صد نوع از داده را به کار می‌گیرد تا یک خروجی بگیرد (قاعده‌ای برای خرید و یا فروش یک سبد دارایی)‌؛ این داده‌ها سپس برای شناخت موقعیت‌های معاملاتی استفاده می‌شوند. این اطلاعات از سر‌ی‌های زمانی(‌مثلا داده‌ی ده ساله بازده بر اساس زمان یا رشد اقتصادی) یا داده‌های مقطعی(مثلا نرخ P/E یک شرکت یا صنعت)‌ استخراج می‌شوند.همچنین صندوق های کمی به ندرت از آنالیز‌های کلان، مثل سیاست‌های پولی و تاثیری که بر بازار دارد، استفاده می‌کند. برای آنالیز کمی داده‌ها باید بصورت دقیق قابل اندازه گیری باشند بنابراین داده های کیفی به طور مستقیم در آنالیز کمی جایی ندارد.مدل‌های معاملات الگوریتمیصندوق‌های کمی مدل‌های ریاضیاتی پیچیده‌ای را برای پیشبینی فرصت‌هیا معاملاتی توسعه می دهند، معمولا به این فرم که در کدام سبد دارایی بازده خوبی پیشبینی می‌شود و باید معامله خرید در آن انجام شود و در کدام سبد دارایی بازده منفی پیشبینی می‌شود و باید در آن معامله فروش انجام شود. همانطور که قدرت محاسباتی کامپیوترها در دهه های گذشته افزایش چشم‌گیری داشته تکنیک‌های مدل سازی‌های پیشرفته‌تر هم برای مدل‌های مالی ایجاد شده است، مثل بهینه‌سازی، مدل‌های پیش‌گو، شبکه‌های عصبی و شکل‌های دیگری از الگوریتم‌های یادگیری ماشین(یادگیری ماشینی از داده‌های پیشین برای پیش بینی اتفاقات آینده).مدل‌سازی مبتنی بر عوامل (Factor-Based Modeling) ‌یکی از راهبرد کلاسیک مدل‌سازی صندوق‌های کمی است. در این مدل عوامل پیش‌بینی کننده( متغیرهای مستقل) مثل P/E یا نرخ تورم یا نرخ بیکاری برای پیشبینی متغیرهای دیگر موردنظر(‌متغیرهای مستقل) مثل تغییر قیمت سهام استفاده می‌شوند. مدل‌های عاملی می‌توانند هم از عوامل از قبل اندازه‌گیری شده مثل شاخص‌ها استفاده کنند هم میتوانند از متغیرهایی استفاده کنند که توصیف صریحی ندارند و پس از محاسبات ریاضی به دست می‌آیند مثل Principal Component Analysis (PCA).به طور کلی یک مدل تلاش می‌کند مقدار بازده R را بر پایه F یا همان فاکتورها طیق فرمول زیر پیش‌بینی کند: Rit = α + βiλ + βiFt + σiεit که در آن Rit که نماگر سود انباشه سبد I در زمان t می‌باشد و F، فاکتور استفاده شده با میانگین صفر و انحراف معیار σ^2F می‌باشد.واضح است که یک مدل می‌تواند چند فاکتور برای پیش بینی سود داشته باشد.فاکتورهای یک مدل می توانند چیزهای مختلفی مثل جریان نقدینگی، نسبت فروش به قیمت، P/E و یا هر نماگر بنیادی یا تکنیکی دیگری باشند. برای صندوق‌های درآمد ثابت فاکتورها بیشتر وابسته به نماگرهای کلان اقتصادی هستند.مدل ها می‌توانند بر اساس معیارهایی خاص به زیرگروه‌هایی تقسیم شوند یا می‌توانند فاکتورهایی حاصل از رابطه بین چند فاکتور مختلف (F1*F2) داشته باشند. یا حتی متغیرهایی ساختگی(‌ مثلا D1 می‌تواند متغیری ساختگی باشد در صورتی که حجم یک شرکت بزرگتر از مقدار خاصی باشد.) همچنین نیازی به خطی بودن فاکتورها نداریم. متغیرها با درجات بالاتر هم می‌توانند کنار متغیرهای خطی مورد استفاده قرار گیرند.به یاد داشته باشید که فاکتورهای مدلسازی هم در پیشبینی‌های سود و هم در اهداف مدل‌سازی ریسک مورد استفاده قرار می‌گیرند.همچنین این نکته باید مورد توجه باشد که مدلسازی پیش بینی سود یک سبد دارایی توسط راهبردهای الگوریتمی هم مانند دیگر راهبردها شامل ریسک‌ می‌باشد. به طور مثال در به کاربردن داده‌های تاریخی برای اندازه گیری رابطه بین فاکتورها و سود ممکن است این رابطه در ادامه برقرار نشود. این مساله همچنین در رابطه‌های غیر خطی هم برقرار است. همچنین موضاعات دیگری مثل نقص در داده‌های گذشته هم می‌تواند پیشبینی را تحت تاثیر قرار دهد. برای همین راهبردهای کلاسیکی مثل راهبرد مبتنی بر فاکتور در وفق پذیری با شرایط جدید بازارها اندکی ناکارا به نظر می‌رسد. همانطور که سال ۲۰۰۸ در بسیاری از صندوق‌های پوشش ریسک شاهد این اتفاق بودیم اتفاقی که باعث شد صندوق‌ها معاملات باز خود را کاهش دهند و میزان ضرر ان‌ها به تبع این اتفاق زیاد شد و این اتفاق در آینده هم برای آن‌ها مشکل ساز شد.مقاله اصلی

مقدمه ای کوتاه بر معاملات الگوریتمی

محمدامین مرتضایی | Amin Mortezaie — Mon, 07 Sep 2020 13:39:44 +0430

معاملات الگوریتمی (Machine Trading) مبحث شناخته شده ای است که در سال های اخیر محبوبیت زیادی پیدا کرده است.در سال 2018 تخمین زده میشود که به میزان یک تریلیون دلار در صندوق ها و مجموعه های زیر مجموعه‏ ی پوشش ریسک که تحت معاملات ماشینی هستند، سرمایه گذاری شده است که این میزان تقریبا دوبرابر میزانی است که در ده سال گذشته در آن سرمایه گذاری شده بود.معاملات الگوریتمیدر عصر دیجیتال سازی و یادگیری ماشین، میزان زیادی از افزایش علاقه نسبت به معاملات الگوریتی به جای سرمایه گذاری صرف دیده میشود. بسیاری از سرمایه گذاران قدیمی و با سابقه در حال جذب افرادی هستند که با یادگیری ماشین (Machine Learning) و یا علم اطلاعات (Data Science) آشنایی دارند و آنها امیدوارند که به کمک این دانش دقیق بتوانند میزان سود خود را افزایش دهند.آفرینش معاملات الگوریتمیایده معاملات الگوریتمی ایده جدیدی نیست و ریشه های آن را میتوان در فعالیت های هری مارکوویتز پیدا کرد.در سال 1952 او در مقاله ای به نام "انتخاب سبد سهام" که در یک ژورنال مالی به چاپ رسید، او از ایده ای پرده برداشت که در آن به کمک یک مدل ریاضیاتی مسئله پیدا کردن بهینه پورتفو را حل میکرد.بسیاری از پیشرفت ها در زمینه معاملات الگوریتی به وسیله انفجار فناوری که در بیست سال گذشته رخ داد انجام پذیرفت. با قدرت زیاد محاسبات منابع بیشتری برای ایجاد مدل های جدید که روز به روز بر تعداد آنها افزوده میشود و همچنین تعداد زیادی از دانشمندان علم ریاضی و علم کامپیوتر که علم مالی را پشت سر میگذارند فضای مناسبی فراهم شده است.مطمئناً فضای مناسبی که برای شروع در زمینه علاقه مندی به معاملات الگوریتی در واقعیت میتوان ترسیم کرد چیزی نیست جز پاسخ به سوال مهم " چگونه میتوان میزان سود و بازگشت را بیشتر و ریسک را کمتر کرد؟".وقتی عمیق تر به این دو مسئله یعنی افزایش سود و همچنین کاهش ریسک نگاه میکنیم، میبینیم که در حقیقت عمق و پایه ای مسئله یک سوال بهینه سازی میباشد و پاسخ آن را باید در علم ریاضیات جست و جو کرد!این مهم و ارزشمند است که به آن اشاره کنیم که تمام پروسه و فرآیند معاملات الگوریتی در حقیقت از یک مسئله بهینه سازی ناشی میشوند و قبل از هرچیز باید به این مسئله توجه لازم کرد.پس میتوان گفت مسئله محوری ما در معاملات الگوریتمی به طور خلاصه این است:چگونه یک نفر میتواند سود و ریسک را پیشبینی کند؟چیزی که معامله گران و محققان الگوریتمی سعی در انجام آن دارند چیزی جز پیشبینی ریسک و سود نیست البته روشهایی که برای این کار انجام می پذیرد ممکن از جایی به جای دیگر متفاوت باشد اما همواره مسئله اصلی همان است. پیشبینی سود و ریسکمطلب اول و اصلی ای که در ابتدا میخواهیم به آن اشاره کنیم این است که چگونه معامله گران و محققان پیشبینی می کنند. در اینجا راه های زیادی برای این کار وجود دارد، یکی از آنها بررسی به کمک تحلیل های آماری قیمت ها و دیگری بررسی دیتاست های جایگزین می باشد.یک مثال معروف از دیتاست های جایگزین، تصویر بزرگی از توقفگاه های تعداد زیادی از خرده سهامداران میباشد، بدین معنی که زمانی که تعداد زیادی از سهامداران خرد از یک سهم خریداری میکنند در حقیقت سود آن شرکت در حال افزایش است.این مثال در دسته بندی رفتار خریداران دسته بندی میشود و ما دسته بندی زیادی داریم که از آنها میتوانیم انتخاب کنیم. صنعت داده های جایگزین در دهه گذشته شکوفا شده است زیرا تقریباً نیمی از صنعت صندوق های پوشش ریسک از این روش برای فرآیند سرمایه گذاری خود متکی هستند.مسئله اصلی ای که در صنعت داده های جایگزین وجود دارد این است که به کمک آنها مدیران مالی میتوانند دید بهتری برای پیشبینی بازدهی داشته باشند تا این که به اجماعی در این زمینه برسند.به این نقطه لبه می گویند!البته روشهای دیگری از لبه نیز برای مدیران مالی وجود دارد که برای افرایش سود به آنها اتکا میکنند ولی یکی از این روشها را میتوان دیتای بهتر در نظر گرفت.چالشدر عمل، پیشبینی ریسک و بازدهی به این برمیگردد که دیتای ما به چه میزان زیاد و نویز دار است. همچنین اگر یک نفر قادر به پیشبینی یک میزان از دقت است این میزان از دقت در طول زمان تمایل به کاهش دارد.به طور مثال فرض کنید یک پیشبینی این باشد که یک سهم خاص هنگامی که یک اتفاق خاص میفتد با افزایش قیمت همراه است و استراتژی معامله در اینجا این است که این سهام در هنگام رخ دادن این اتفاق خریداری شود و با بدست آمدن سود فرض شده بعد از مدتی کوتاه به فروش برسد.یکی از مشکلاتی که ممکن است این استراتژی ایجاد کند این است که قیمت سهام کمی بالاتر برود و این به این معنی میباشد که پولی که برای خریدن سهام لازم است بدهیم بیشتر شده است و این یعنی میزان بهره وری ما کمتر خواهد بود.اینکه یک فرد سهام کوچکی را بخرد در حقیقت باعث تغییری در قیمت آن سهام نمیشود و در اصطلاح مالی میتوان گفت که این خرید سهام در بازار اثری ندارد. پس در حقیقت یک تعادل باید برای پیشگو بین اینکه بخواهد اثر کمی در بازار داشته باشد یا اینکه به میزانی که بتواند خرید کند تا سود کند باید برقرار باشد.بگذارید این مثال را دنبال کنیم و فرض کنیم که در این بازار افراد دیگری وجود دارند که از قضا پیشبینی های خوبی در سهم موردنظر دارند. آنها در اینجا دیگر خرید سهام را متوقف میکنند و دست نگه میدارند که این بدین معنی است که دیگر قیمت سهم بالاتر نمیرود و اینجا سهام دار ما که در قبل در موردش صحبت شد در نتیجه سودی که قرار بود بکند کمتر میشود و این نتیجه تصمیم آنها است.این دقیقا نکته بسیار مهم در معاملات الگوریتمی است که میزان سود استراتژی ها در طول زمان زیاد تمایل دارند که کاهش یابند که این دلیل این است که معامله گران همواره در پی کالیبره کردن دوباره استراتژی خود و پیدا کردن استراتژی بهتر هستند. مسابقه صفرنوع دیگری از لبه به تجهیزات تکنولوژی بهتر برمیگردد. در حقیقت اگر یک نفر بتواند از بازار سریع تر معامله کند، از تمام رقیبانش که از اطلاعات یکسانی بهره می برند جلوتر می افتد و همچنین میتواند بازدهی بیشتری داشته باشد.این مسئله مبحثی به نام معامله با فرکانس بالا را پایه گذاری میکند که در آن از ابزار پردازش و اجرای با سرعت بالاتر و همچنین بازدهی بیشتر و یا میزان بیشتر معامله ها در مقابل دیگر معامله گران، استفاده میگردد. این نوع خاص از معامله به شکل عمیقی بر دیتای مالی و ابزار الکترونیکی با فرکانس بالا تکیه دارد.به کمک این این قضیه هیچگاه پایانی بر افزایش سرعت ماشین های معامله گر وجود ندارد. در ابتدا میتوان به کمک بهبود ساختار کد زده شده و در مراحل بعدی به کمک ابزار سخت افزاری که مثلا بر روی GPU اجرا شود و یا بر روی FPGA میتوان این ساختار را بهبود داد که صد البته به برنامه نویس و توسعه برنامه نویس نیز مرتبط می باشد.یکی دیگر از روشهایی که برای افزایش سرعت در صندوق های پوشش ریسک و یا موسسات مالی استفاده میشود نیز بیشتر کردن سرعت ارتباط بین سرور ها و محل های معامله گری میباشد.یک مثال معروف در این زمینه میتوان به سرور های فیبر نوری که در شیکاگو در حال معامله بر روی NASDAQ در نیوجرسی در سال 2010 بودند که ارزش کلی آنها حدودا 300 میلیون دلار بود. این کابل قادر بود که اطلاعات را در این فاصله 800 مایلی در 6.5 میلی ثانیه انتقال بدهد که این رقم در حقیقت برابر با سرعت به ازای هر 125000 مایل در ثانیه بود.برای تطبیق با معامله گرانی که نیاز به معامله های سریع تر دارند نیاز است محلهایی که برای معامله استفاده میشود در آنها سرورهایی تعبیه شود که به آنها نزدیک باشد و سرعت معامله بالاتر باشد.خلاصهدر این مقاله ما به بررسی ایده اصلی معاملات الگوریتمی پرداختیم و سپس در مورد بیشترین مشوق های توسعه این کار پرداختیم و در نهایت به بررسی برخی از چالش های آن پرداختیم.مقاله اصلی: A brief introduction to algorithmic tradingمترجم: محمدامین مرتضایی- گروه مالی صدرا