Algoritmy jsou vynikajícím způsobem, jak investovat, aniž by vás ovládly pocity. Jednou z největších nevýhod obchodování je, že emoce, jako je panika nebo přílišné nadšení, mohou vyvolat velké chyby. Když používáme matematické nebo automatické výpočty, můžeme pocity ignorovat. Zde jsou některé z nejlepších kvantitativních obchodních technik.
Algoritmy založené na knihách příkazů.
Existuje několik způsobů, jak zjistit, které příkazy jsou na trhu provedeny nebo které čekají na provedení. V blockchainové ekonomice jsou veřejné a lze je snadno vytěžit a následně na základě těchto příkazů analyzovat nebo vytvářet strategie. Naproti tomu, pokud jde o akciový trh, tyto příkazy nejsou vždy veřejné. Existují společnosti, které tyto informace prodávají investorům a makléřům. Například Bloomberg nebo LSEG Data & Analytics, které tuto službu prodávají, a další.
Ke zdrojům, z nichž jsou tyto údaje získávány, může být velmi obtížné se dostat. Takové algoritmy založené na knize objednávek, které se používají v algoritmickém obchodování a kvantitativním financování, mohou stát miliony dolarů a vývojáři, kteří je vytvářejí, vydělávají velké platy. Existují také podvodné techniky manipulace s knihami objednávek, jako je Spoofing nebo simulace falešných trendů. Lze provádět i další méně etické strategie, jako je identifikace vzorců jiných investorů nebo botů s cílem kopírovat jejich strategie nebo investovat proti nim, a to díky reverznímu inženýrství nebo retroinženýrství.
Příkladem výhody, kterou může mít vlastnictví těchto informací, může být možnost uskutečnit velký prodej v několika částech s přihlédnutím k údajům z knihy objednávek tak, aby co nejméně ovlivnil hodnotu aktiva. Vyvolání menšího podezření na objem obchodů.
Pro vysokofrekvenční obchodování se také využívají údaje z knihy objednávek, které využívají malých změn ceny, hledání časů pro arbitráž a další strategie založené na likviditě akciového trhu.
Výpočty založené na průměrné reverzi.
Při výpočtu mean reversion je cílem zjistit určitou změnu průměrné ceny. Po zjištění takové změny se někdy hledají strategie, které předpokládají, že se cena vrátí do situace bližší průměru, nebo předpovídají změny ceny. Několik výpočtů ke zjištění reverze středního kurzu:
- Jednoduchý klouzavý průměr: vypočítá se průměr cen aktiva za určité časové období.
- Exponenciální klouzavý průměr: podobný jednoduchému klouzavému průměru, ale dává větší váhu cenám z bližších období.
- Směrodatná odchylka: měří rozptyl cen vzhledem ke klouzavému průměru.
- Algoritmy umělé inteligence: založené na strojovém učení nebo hlubokém učení. Slouží k určení, kdy se cena nenachází na úrovni průměru, a k vytváření cenových předpovědí.
- Na základě Bollingerových pásem: využívají kombinaci klouzavého průměru a směrodatné odchylky.
Algoritmy pro výpočet stochastických hodnot.
Stochastický výpočet je součástí odvětví matematiky, které se používá k práci s náhodnými systémy. Toto odvětví se studuje na předních finančních univerzitách, zejména na těch, které se snaží vyučovat kvantitativní finance. Protože pokud jde o předpovědi pomocí derivátů, osvědčily se a byly dokonce oceněny moudrými muži, kteří je poprvé zveřejnili. Něco, co mě vzrušuje a co je pro mě velmi zajímavé, je to, že pravděpodobně existuje spousta matematických technik pro vytváření předpovědí, které nikdy nevyšly najevo. Proto si myslím, že i když to bylo zveřejněno, neznamená to, že ve světě algoritmického obchodování existují tisíce soukromých výpočtů a algoritmů, které jsou účinné.
Matematiku využívající stochastický kalkul lze využít i v jiných oborech, například v biologii, při vývoji umělé inteligence nebo ve fyzice, dokonce Albert Einstein byl v roce 1905 průkopníkem její aplikace ve fyzice. Nicméně první známé využití stochastického kalkulu bylo pro obory financí, a to díky Louis Bachelier, který ve své práci nazvané: Teorie spekulace (Je ve francouzštině).
Analýza časových řad.
Zjednodušeně řečeno, hledají se zde zákonitosti, které souvisejí s časem, například sezónnost úrody, trendy v určitých obdobích, cykly nebo periodické události obecně. Aniž bych si ukousl hlavu, mohu improvizovaně sdílet některá aktiva, například akcie Amazonu o Vánocích nebo komodity související se zemědělstvím.
K tomu lze použít nesčetné množství matematických vzorců, jako jsou sezónní rozklady nebo klasifikační stromy a mnoho dalších technik. Pomocí techniky rozkladu lze analyzovat trend, sezónnost a rezidua. Aniž by to bylo příliš složité, je možné také vypočítat procentní výnosy a provést srovnání.
K predikci časových řad a sezónních faktorů se používá model SARIMA (Seasonal Autoregressive Integrated Moving Average). Slouží k analýze sezónních výkyvů určitých hodnot. Například při použití tohoto algoritmu na hotelový podnik bychom mohli vypočítat, kdy je hlavní sezóna.
Časová řada s programem Prophet (kód)
Společnost Meta vyvinula vlastní knihovnu pro předpovídání časových řad. Tuto technologii lze použít pro podniky, které mají velmi sezónní prodeje, pro burzu, meteorologii a další případy, které zahrnují sezónnost.
import io, os, sys, setuptools, tokenize
!pip install prophet
import pandas as pd
import yfinance as yf
from prophet import Prophet
import matplotlib.pyplot as plt
# Stáhněte si data o ceně akcií
ticker = 'AAPL'
data = yf.download(ticker, start='2020-01-01', end='2024-08-26')
# Připravte data pro Prophet
data.reset_index(inplace=True)
data = data[['Date', 'Close']]
data.columns = ['ds', 'y']
# Ujistěte se, že sloupec „ds“ neobsahuje informace o časovém pásmu
data['ds'] = data['ds'].dt.tz_localize(None)
# Vytvořte a vylaďte model Prophet
model = Prophet()
model.fit(data)
# Vytvořte datový rámec na dalších 30 dní
future = model.make_future_dataframe(periods=30)
# Vytvářejte předpovědi
forecast = model.predict(future)
# Zobrazit předpovědi
fig = model.plot(forecast)
plt.title(f'Pronóstico de Precios de Acciones de {ticker} para los Próximos 60 Días')
plt.xlabel('Fecha')
plt.ylabel('Precio en USD')
plt.show()
# Zobrazit předpovědi
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail(60))
Tento kód jsem testoval na akciích společnosti Apple a byl poměrně účinný. Možná to byla náhoda, ale překvapilo mě to.
Relativní objem (RVOL).
Porovnává aktuální objem, s objemy z předchozích období. Když tento výpočet stoupne, znamená to, že kolem této hodnoty je větší likvidita než obvykle, a to znamená, že by mohla stoupnout cena, například z důvodů, že v posledních dnech nakupují „velryby“, protože velcí investoři, kteří používají velký objem, mají obvykle důvěrné informace nebo lepší predikční nástroje. Lze zvolit různá časová období, například srovnání s 30denním nebo 60denním obdobím.
Vytváření předpovědí v souvislosti s úrovní objemu není vždy přesné. Osobně však mohu říci, že když objem hodně roste, cena daného aktiva zpravidla roste. Důležité je předvídat a objem je dobrý způsob, jak toho dosáhnout.
Není nezbytně nutné používat tento algoritmus nebo ukazatel, lze provést i jiné výpočty založené na statistice nebo strojovém učení, které mají objem jako faktor analýzy. Chci tím sdělit, že je důležité se na objem dívat a na základě toho si vytvářet vlastní algoritmy.
Algoritmy obchodování párů (korelace)
Jedním ze způsobů, jak jsem vydělal nejvíce peněz obchodováním a měl nejvyšší úspěšnost, je hra s korelacemi. Například pokud je den, kdy Bitcoin hodně vzroste, s malým zpožděním vzrostou akcie Coinbase nebo MicroStrategy plošně. To není žádný vtip, za jediný den můžete vydělat velmi šťavnaté částky, za které si můžete koupit rozmary. Pokud máte psychickou odolnost na Swingové obchodování, zisky mohou být impozantní.
Korelace se dají snadno vypočítat, žádné pokročilé výpočty nejsou potřeba. V jazyce Python se používá knihovna NumPy. Investoři, kteří se pohybují na devizovém trhu, se většinou věnují také zemím, které mají velké komoditní bohatství. Pokud například jednoho dne prudce vzrostou ceny zlata nebo ropy, je normální, že se to u zemí s velkým těžebním bohatstvím nebo ložisky ropy projeví v jejich měnách. Dokonce i zásoby těžebních nebo ropných produktů, i když tomu tak není vždy. Pokud ke korelaci použijeme algoritmy, můžeme korelace měřit podle časových pásem a také je rychleji nebo automatizovaně odhalit.
Akcie společnosti mohou být korelovány s jinými akciemi. Může se tak stát proto, že jedna z nich vlastní velké procento akcií druhé, nebo proto, že mají společné zájmy.
Může kvantitativní obchodování překonat indexy?
Ano, existuje několik známých investorů, kterým se podařilo překonat hlavní indexy, jako je SP500 nebo Nasdaq. Jedním z nejznámějších je Jim Simons se svým fondem Medallion (Renaissance Technologies), který dosahuje průměrného ročního výnosu 60 %. Místo ekonomů a účetních zaměstnával matematiky a statistiky. Bohužel je tento fond uzavřen pro drobné investory, takže běžní lidé nemohou těchto skvělých výnosů využít.
Jim Simons byl vysoce postavený matematik židovského původu, který v době studené války rozlušťoval šifry. Později působil jako profesor matematiky na nejprestižnějších univerzitách, mimo jiné na Harvardu a MIT. Získal ceny za objevení důležitých teorií o aplikacích geometrie, které posloužily k rozvoji kvantové fyziky a teorie strun. Nakonec se koncem 70. let rozhodl založit vlastní investiční společnost (Renaissance Technologies LLC).
Jak pracovat v kvantitativních financích?
Než začnete přemýšlet o tom, co studovat, abyste mohli pracovat v kvantitativním obchodování, je důležité vědět, že v tomto oboru existují různé role. Mezi nejoblíbenější role patří: kvantitativní obchodníci ve front Office (provádějí obchody v první linii); výzkumníci, kteří zkoumají vývoj nových strategií; vývojáři, kteří vyvíjejí software pro provádění obchodů, analýzu dat a další funkce; manažeři rizik, kteří používají kvantitativní analýzu, správci portfolia a ověřovatelé modelů kvantitativních strategií. Nemluvě o úloze profesorů na špičkových finančních univerzitách, z nichž některé jsou velmi drahé a vybrané.
V závislosti na roli se od vás bude vyžadovat to či ono studium. Obecně je nutné umět anglicky, a to na úrovni C1, být absolventem s vysokou znalostí matematiky a statistiky, dále mít specializaci pro finanční sektor a ovládat programovací jazyky, jako je Python, R nebo C++.
Existuje také možnost pracovat na volné noze, jako vývojář automatizovaných systémů, jako soukromý lektor, na finančních účtech nebo přímým získáváním soukromého kapitálu.
Nástroje a technologie pro kvantitativní obchodování.
Některé nástroje nám mohou pomoci zvýšit efektivitu, kompatibilitu a produktivitu.
Programovací jazyky.
- C++: používá se při vysokofrekvenčním obchodování a algoritmickém obchodování. Tento jazyk je velmi rychlý. Rychlost může být u některých strategií velmi důležitá. I když se jedná o milisekundy.
- Python a R: jsou jazyky široce používané a kompatibilní s matematikou, analýzou dat a umělou inteligencí. Python je v současné době nejpoužívanějším jazykem na světě, a to na úrovni backendu (vnitřní architektury).
- Databáze: SQL i NoSQL jsou pro některé strategie nezbytné.
Platformy a nástroje.
- Anaconda: je sada, která nám poskytuje lepší kompatibilitu s některými knihovnami a nástroji, když chceme spouštět programy v jazyce Python nebo R. Zejména pro funkce analýzy dat a vědecké využití. Její správce balíčků (Conda) je opravdu užitečný a poskytuje méně problémů při instalaci konfliktních knihoven.
- Claude, ChatGPT a Copilot: na Claude existují velmi dobré recenze od lidí, kteří se velmi angažují ve světě kvantitativních financí. Tyto nástroje umělé inteligence šetří spoustu času na straně vývoje.
- Visual Studio: je IDE pro vývoj softwaru se skvělou podporou zásuvných modulů a programovacích jazyků.
- Excel: stále se používá ve finančním a podnikovém průmyslu. Je stále velmi užitečný a má nová vylepšení.
- MetaTrader: obchodní software, který podporuje automatické algoritmy a vlastní programovací jazyk (MQL).
Terminál Bloomberg.
S cenou přibližně 25 000 USD ročně je nejpoužívanějším nástrojem ve světě investic. Řekněme, že je to pracovní stroj hlavních společností a investičních bank. Nabízí nekonečné množství nástrojů, od odesílání příkazů, přístupu k exkluzivním údajům a informacím, získávání důležitých oznámení a kalendářů až po chatování s ostatními profesionály v oboru nebo dokonce rezervaci míst v restauraci.
Můj osobní názor.
Můj osobní názor na kvantitativní obchodování a jeho využití v investičních strategiích není zcela pozitivní. Neměli bychom totiž zapomínat, že i jiné, jednodušší metody mohou přinášet velké výhody, například ty, které sdílí Warren Buffet. Nicméně jsem také maniak do vývoje softwaru a filozofie, takže tento svět považuji za velmi zajímavý. Co s tím vším má společného filozofie? Filozofové jako Pythagoras nebo René Descartes hledali smysl života v matematice.