Transcription
Sziasztok, Roman vagyok, kvantitatív kutató és kereskedő, a Quan Guild alapítója. Talán hallottátok már a régi mondást, hogy az idő a piac időzítésénél fontosabb. Mi ennek az oka? És milyen szerepet játszik az állandóság és az állandótlanság ebben a régi bölcsességben? Nos, pontosan ezt fogjuk ma megbeszélni. Beszélni fogunk a véletlenszerűség közepette történő vagyontermelés gondolatáról. Aztán átváltunk, és a állandóság és állandótlanság gondolatáról fogunk beszélni. Hogyan borítja fel ez azt az elképzelést, amit minden kereskedő statisztikailag próbál csinálni. Majd kiterjesztjük ezt a piac időzítésének és rezsimjeinek fogalmára. Bár lehet, hogy nincs hozzáférésed ahhoz a rezsimhez, amiben kereskedsz vagy amibe befektetsz, mindig hozzáférhetsz a Jupyter notebookjaimhoz, amikor új Quan Guild videót adok ki. Ez a Jupyter notebook a leírásban lesz linkelve. Felteszem a Quan Guild könyvtárba a GitHubon is, ahol megtalálhatod az összes Jupyter notebookomat és a hozzájuk tartozó YouTube videókat, valamint az összes forráskódot a Quant buildjeimhez. Ennek a Jupyter notebooknak a tetején néhány kapcsolódó Quan Guild videót fogsz találni, amelyek a valószínűséget és a statisztikát alkalmazzák a pénzügyekre és a kereskedésre. Ez az idősor-elemzés gondolata, kiskereskedelmi versus intézményi kereskedés, kereskedés versus befektetés, a várható érték és a várható érték halmozásának gondolata kereskedések sorozatán keresztül az idő múlásával, kvantitatív versus diszkrecionális kereskedés, és természetesen három kereskedési mítosz lerombolása, amelyeket ezek a kereskedési guruk szeretnek terjeszteni. Ha nem vagy ismerős ezekkel az ötletekkel, erősen ajánlom, hogy először nézd meg ezeket a videókat, mielőtt egy ilyet megpróbálnál. Továbbá, ezeknek a videóknak az elkészítése nyilvánvalóan nagy erőfeszítést igényel. Tehát, ha szeretnél segíteni a csatorna támogatásában, hogy továbbra is készíthessek hasonló videókat, kérlek, lájkold, kommenteld, iratkozz fel, oszd meg, ez rengeteget segít nekem. Mindig nagyra értékelem. És ha szeretnéd elsajátítani a kvantitatív készségeidet a kereskedéshez és a marketmaking szerepekhez, nézd meg a quant.com oldalt. Talán üzleti, közgazdasági, számítástechnikai háttérrel rendelkezel, és nem vagy biztos benne, hol kezdj a kvant útodon. Talán törekvő kvant vagy, vagy dolgozó szakember, aki szeretné élesíteni a technikai készségeit, vagy átváltani a kvant területre. Mindenesetre a Quant Guild neked való. Több mint 90 kvant leckénk van matematikából, valószínűségből, pénzügyekből, egy adaptív gyakorló motor, amely a készségszintedhez igazodik, így egyre nehezebb témákra haladhatsz gamifikált, rang alapú fejlődéssel. Több mint 100 óra kvant előadás tartalom, strukturált kurzusok, olyan témák, amelyeket egy pénzügyi mérnöki mesterképzésen találnál, de töredék áron. Tehát, ha szeretnél segíteni a csatorna támogatásában és elsajátítani a kvantitatív készségeidet a kereskedéshez és a marketmaking szerepekhez, nézd meg a quankild.com oldalt. Minden további nélkül, kezdjük azzal, hogy beszéljünk a valószínűség és a statisztika céljáról a kereskedésben és a befektetésben. Magas szinten a célunk, hogy keretet adjunk a bizonytalanság modellezéséhez. Senki sem tudja, mi fog történni. Senki sem tudja, mi lesz egy kockadobás eredménye. Senki sem tudja, hogy a piacot kirabolják-e a jövő hónapban, ebben az évben, 5, 10 év múlva. Senkinek fogalma sincs. A valószínűség és a statisztika keretet kínál ennek a bizonytalanságnak az értékeléséhez. Milyen valószínűséggel fogjuk megfigyelni azt a viselkedést a következő hónapban, évben, 5 évben, 10 évben? Nos, nyilvánvalóan nincs meg a valódi dinamika. Nem tudjuk valójában, mi lesz az adott események vagy az adott kirabolás eseményének valószínűsége. Tehát, mit szoktunk csinálni? Általában történelmi adatok alapján modellezzük, de mindannyian hallottuk már. A múltbeli teljesítmény nem jelzi a jövőbeli teljesítményt. Tehát, mi történik itt? Egyetemi, tudományos környezetben nagyon ritkán foglalkozunk ezzel a problémával szemben. A professzorok meg fogják veled csináltatni az adatgyűjtés gyakorlatát egy Bloomberg terminálról. Talán adnak neked egy paraméteres modellt, és azt mondják: "Hé, illeszd ezt a modellt ezekhez az adatokhoz", majd értékeled a kockázatodat, vagy fejlesztesz valamilyen előrejelzést, de nem beszélnek az állandótlanság hatásáról erre az előrejelzésre. Ha valaha is vettél egy idősor-órát, az első napon garantálom, hogy a professzor valami olyasmit mond, hogy "Az óra céljaira feltételezzük, hogy minden idősor állandó." Ez nem a valós világ. Tehát, mi történik itt? Hogyan érthetjük meg jobban ezt a tudományos feltételezést a valós világ kontextusában? Nos, a valóságban nem tudjuk, mi fog történni, de nem is kell megjósolnunk, mi fog történni. Csak nagyjából átlagosan kell helyesnek lennünk ahhoz, hogy vagyont termeljünk. Ez a kereskedés, a piacépítés és még a befektetés kontextusában is igaz. Tehát, amit itt csinálni fogunk, az az, hogy egy nagyon egyszerű világban kezdünk. Beszélni fogunk egy kockadobás piacról, majd fokozatosan kiterjeszkedünk ebből a tanteremből a valós világba, és arról fogunk beszélni, miért nem kell tökéletesen pontosnak lennünk, amikor valószínűséget és statisztikát használunk a döntéshozatalunk tájékoztatására a vagyon felhalmozása érdekében. Ebben a példában egy kockán piacot építünk. Nos, egy kocka csak egy véletlen változó. Teljesen meghatározza a valószínűségi tömegfüggvénye, eloszlásfüggvénye, karakterisztikus függvénye, momentumgeneráló függvénye. Rengeteg transzformációt alkalmazhatsz erre a tömegfüggvényre, hogy sok különböző matematikai objektumot kapj. De minden esetben a véletlenszerűség jól definiált. Tudjuk, hogy az 1, 2, 3, 4, 5 és 6-ra való esés valószínűsége csak 1/6, egyenlő valószínűséggel. És máshol nulla valószínűségi tömeg lesz. Soha nem tudjuk megjósolni ennek a kockadobásnak az eredményét. Nincs semmi, amit tehetnénk a megjóslásáért, de nem is kell ahhoz, hogy vagyont halmozzunk fel. Nos, ha nem tudjuk megjósolni, mi a legjobb becslésünk? Nos, kiderül, hogy ha a minimalizálási problémát kalkulussal oldod meg, a legjobb becslés a kockadobásra az várható érték, 3,5. Tehát, ha tudjuk, hogy 3,5 a legjobb becslésünk, hogyan használhatjuk ezt a statisztikát, ezt a populációs átlagot a vagyon termelésére? Nos, van egy nagyszerű animációm itt, hogy igazán megértsd, mi történik. Lényegében a 3,5-et fogom kezelni a legjobb becslésként, és csak akkor fogok hosszú pozíciókat kötni, ha a tranzakció 3,5 alatt elérhető. Csak akkor fogok rövid pozíciókat kötni, ha a tranzakció 3,5 felett elérhető. Ez pontosan úgy néz ki, mint a piacépítés. Van a tisztességes értéked, majd van egy kis terjedés körülötte. És a piacépítő célja az, hogy ezt a terjedést felhalmozd. Tehát itt tudjuk az elméleti várható értéket. Ezt a vagyont fogjuk megpróbálni felhalmozni kereskedések sorozatán keresztül. És ez pontosan az, amit itt látsz. Az eredmény teljesen véletlenszerű. De nézd meg az egyenleg görbédet. Vagyont halmozunk fel, ahogy folytatjuk a kereskedést ezen az egyszerű szabályon alapulva. Ez azért van, mert tudjuk, mi a legjobb becslés. A legjobb becslés 3,5. Csak ezen a terjedésen fogunk kereskedni. Ha nem tudunk elméletileg alacsonyan vásárolni és elméletileg magasan eladni, akkor nem fogunk kereskedni. Ez a logika érvényes egy általános kereskedési stratégiára és befektetésre. Ha nincs előnyöd, miért kereskedsz ezzel a stratégiával, és miért fektetsz be ebbe az instrumentumba vagy nem-értékpapírba? Nincs értelme. Aluloptimalizált. Nos, ebben a példában egy tantermi környezetben működünk. Ez azt jelenti, hogy a világ minden egyes állapota 1-től 6-ig ismert. És az egyes világállapotok valószínűsége is ismert. 1/6. Továbbá, a legjobb becslésünk, a várakozásunk, az átlagunk, az átlagunk is ismert. Szükségünk van az igazi valószínűségekre a legjobb becslés kidolgozásához. Tehát itt minden ismert. Oké. Nos, mi van, ha nem? Nyilvánvalóan a valós világban nem rendelkezünk ezzel az információval. Nos, ha nem ismerjük az eloszlást, de továbbra is ugyanazt a kockát dobjuk, akkor a nagy számok törvényét használhatjuk a legjobb becslés közelítésére. Lényegében azt értem, hogy feltételezve, hogy nem tudtuk, mi az igazi valószínűségi tömegfüggvény. Nem tudtuk, mi lesz az egyes világállapotok valószínűsége, akkor megközelíthetnénk ezt a legjobb becslést egyszerűen több adat megfigyelésével. Tehát, amit itt ebben az animációban csinálunk, az az, hogy megfigyelünk, mondjuk, 50 kockadobást. Megközelítjük a legjobb becslést, a várakozást, és ezt fogjuk használni a kereskedéshez. Tehát ez közelebb kezd kerülni a valósághoz. Nincs meg az igazi valószínűségi tömegfüggvényünk. Nem ismerjük az igazi dinamikát. Tehát figyeljünk meg adatokat. Aztán becsüljük meg ezt a legjobb becslést. Ezt fogjuk használni a kereskedéshez. Tehát, ahogy itt láthatod, adatokat figyelek meg, és ez az átlag, amit megfigyelek. Aztán folytatom azt, amit a becsült átlaggal kereskedek, mindössze 50 kockadobással. És nézd meg az egyenleg görbédet. Nem teljesít túl jól. Nos, ennek számos oka lehet. Nos, ebben az esetben ugyanazt a kockát dobjuk. Még nem figyeltünk meg elég adatot. Nézd meg a legjobb becslésünket. Közelebb kerül a 3,5-hez, de jelenleg körülbelül 3,66. Tehát nem halmozunk fel előnyt, ha az elméleti érték, az elméleti tisztességes érték, a legjobb becslés valójában 3,5. Tehát mit tegyünk? Nos, a nagy számok törvénye aszimptotikus konvergenciát javasol. Több adatot kell megfigyelnünk. Ha több adatot figyelünk meg, több kockadobást figyelünk meg, akkor a legjobb becslésünk egyre pontosabbá válik. Érthető számomra. Tehát menjünk tovább, és tegyük meg. Az 50 dobás megfigyelése helyett figyeljünk meg jelentősen többet. És azt fogod találni, hogy a várakozás egyre közelebb kerül az elméleti legjobb becsléshez a nagy számok törvényének köszönhetően. És nézd meg, mi történik az egyenleg görbéddel. Most pozitív trenden van. Ez pontosan az, amit a nagy számok törvénye kínál. Ha véletlen változók sorozatával rendelkezünk ugyanabból az eloszlásból, akkor képesek leszünk megközelíteni a várakozást, a legjobb becslést, ahogy itt is volt, amikor tudtuk, mi az, amikor ismertük a valószínűségi tömegfüggvényt, de kizárólag adatokból. Nem kellett tudnunk, mi a valószínűségi tömegfüggvény itt vagy itt. Csak megfigyeljük az adatok átlagát, és ezt kezeljük a legjobb becslésként. A nagy számok törvénye garantálja, hogy ez az elméleti legjobb becsléshez konvergál. És ahogy itt megfigyelted, amikor nem elegendő adatot, hanem elegendő adatot figyelünk meg, akkor valójában elég jól fogunk teljesíteni a vagyon felhalmozásában, még akkor is, ha az eredmény teljesen véletlenszerű. Az akadémiai vagy tantermi értelemben ez érvényes a kereskedési stratégiáinkra és befektetési döntéseinkre is. Más szóval, ha nincs hozzáférésünk a valószínűséghez, tömegfüggvényhez, sűrűségfüggvényhez, a legjobb becslés előállításához szükséges közös eloszlásokhoz, akkor csak sok adatot figyelhetünk meg, és képesek leszünk megközelíteni. És ha elegendő adatot figyeltünk meg, és megértjük, mi a legjobb becslés, akkor képesek leszünk vagyont halmozni fel, még akkor is, ha az eredmény teljesen véletlenszerű. De ahogy most mondtam, ez csak a tanteremben érvényes. Van egy elefánt a szobában, és ez az elefánt az állandóság és az állandótlanság fogalma. Ezt a megjegyzést kapom mindig, legyen az YouTube-on, más közösségi platformon vagy a Discordomon. Hogyan tehetünk valamit, ami állandótlanság, állandóvá? Ez valószínűleg az akadémia magyarázatának mellékterméke az állandóságról. És mélyreható, hogy sokan, még a szakemberek sem értik teljesen ezt az ötletet. Nem tehetsz valamit, ami állandótlanság, állandóvá. A valóságban nem egy eloszlással foglalkozunk, mint egy kockadobás. Amit csinálunk, az egy bizonytalan kimenetelt modellezünk. Gondolhatsz az Apple részvényhozamára holnap, mint véletlen változóra. De nem az. Ez csak egy felfoghatatlanul sok determinisztikus döntés és talán néhány sztochasztikus komponens összetétele, attól függően, hogy mennyire akarsz filozófiai lenni. De nem tudjuk mindezt modellezni. Tehát a legjobb, amit tehetünk, az, hogy a variáció nagy részét zajként kezeljük, és különböző modelleket dolgozunk ki a variáció minél nagyobb részének magyarázatára. Ezért nem tehetsz valamit, ami állandótlanság, állandóvá. Nem egy véletlen változó, amivel csak funkcionálisan játszhatsz, hogy bevezess egy tantermi feltételezést. Ez egyáltalán nem az, amivel a valós világban foglalkozunk. A valósággal foglalkozunk. Bármi megtörténhet. És senki sem tudja, mi lesz ez, mert ahogy mondtam, túl sok bemenet van ahhoz, hogy ténylegesen modellezzük. Ezért is az állandóság tesztek nagyrészt értelmetlenek. Ha valós adatokat figyelsz meg, és elvégzel egy állandóság tesztet, igen, lehet, hogy állandónak tűnik az adott mintára, de amikor van egy hatalmas rezsimváltás, és minden más, akkor igen, látod az állandótlanság hatását. Tehát a valóságban egy állandóság teszt a valós adatokon csak nevetséges, mert tudod, nem állandó. Ami igazán számít, az a stabilitás fogalma. Nagy különbség van. Olyan kereskedési stratégiákat, befektetési stratégiákat, piacépítési stratégiákat keresünk, amelyek viszonylag stabilak az idő múlásával. Vagyis az eloszlás nem fog csak úgy szétesni a rezsimek, a paramétertér különböző perturbációi stb. során. A stabilitást keressük a valós világban, nem az állandóságot. Az állandóság egy egyszerűsítő tantermi feltételezés. Az állandótlanság az, amivel a gyakorlatban mindig foglalkozunk. Rendben. Tehát, hogyan néz ez ki valójában? Mi az állandótlanság hatása a piacépítési, kereskedési és befektetési stratégiáinkra? Van egy fantasztikus animációm itt, amely egy újabb lépést tesz ki a tanteremből, a már látottakon alapulva. Amit itt csinálok, az az, hogy adatokat figyelek meg. Nincs meg az igazi valószínűségi tömegfüggvényünk. Tehát megbecsülöm a legjobb becslésünket a piacépítéshez a megfigyelt adatok alapján. Ez az, ami itt van. Elkezdem a piacépítést. Viszonylag jól teljesítek. De mi történik egy idő után, az eloszlás megváltozik, és már nem egy hatoldalú kockával foglalkozunk. Egy tízoldalú kockával foglalkozunk, és még mindig egy hatoldalú kockára építünk piacot. Nos, mi történik, ha nem alkalmazkodom ehhez az új eloszláshoz? Rengeteg pénzt fogok elveszíteni, mert a legjobb becslésem megváltozott. És ez az állandótlanság gondolata, az eloszlások időbeli változása most nem csak a piacépítésre, hanem a kereskedési stratégiafejlesztésre és a befektetési stratégiákra is érvényes lesz. Mert ha nem alkalmazkodsz az új eloszlásokhoz, akkor régi, elavult információkkal fogsz dolgozni. És ez fog kinézni az egyenleg görbéddel kapcsolatban. Ha valaha is futtatsz egy visszatesztet, látni fogod, hogy egy kereskedési stratégia egy ideig működhet, majd abbahagyja a működést, majd újra működik. Ez az állandótlanság következménye. Fogalmad sincs, melyik rezsimben működött. Fogalmad sincs, melyik rezsimben nem működik. Ezek mind a valós világ modellezésének összetevői és melléktermékei. Ha ez a helyzet, miért olyan nehéz modellezni? Nyilvánvalóan csak át kellene váltanunk egy hatoldalú kockáról egy tízoldalú kockára. Nos, amit itt tettem, az az, hogy egy lépést tettem ki a tanteremből minden egyes példán keresztül. És eljutottunk a legjobb becslés ismeretétől a legjobb becslés közelítéséig, majd most a legjobb becslés közelítéséig, amikor rezsimváltás van. És látjuk itt a problémát, igaz? Tehát, miért nem közelítjük meg újra a legjobb becslést a rezsimváltás után? Kékből zöldre váltunk. Itt válik bonyolulttá a helyzet. Fogalmunk sincs, mikor változik a rezsim. Mikor frissítsük a legjobb becslésünket? Mennyi adatot használjunk? Ez számunkra csak egy ilyen sorozat különböző hozamot jelent. Ez lényegében a hatoldalú kocka vagy a tízoldalú kocka lesz. Tudjuk, mikor vált át egy hatoldalú kockáról egy tízoldalú kockára? Nos, itt egy kicsit könnyebb, mert mi? Tudjuk, hogy egy hatoldalú kocka nem tud 10-et dobni. De mi van, amikor egy 5-öst dobunk? Ez egy hatoldalú kockából származott, vagy egy tízoldalú kockából? Itt látod az igazi kockadobást. Mi állította elő az értéket a fenti sorozatban? De a valóságban fogalmunk sincs, mi az. Tehát láthatod, itt is dobunk egy 5-öst és egy 5-öst. Ez egy hatoldalú kockából származott, és ez az 5 egy tízoldalú kockából származott. Nem tudnád, melyiket használd. Ezért nehéz modellezési probléma. Ez az, ahogyan az állandótlanság hatással van a modellezési feltételezéseinkre és döntéseinkre, valamint az optimális döntéshozatalra a bizonytalanság közepette. Melyik modellt válasszuk? Melyik paraméterezés önkényesen jó a jelenlegi környezet kezeléséhez? Ezért nehéz probléma, és lényegében ezért van még mindig munkánk. Folyamatosan új modelleket, új paraméterezéseket kell fejlesztenünk az optimális döntések meghozatalához a mai bizonytalanság mellett. Nincs egyetlen modell, amit létrehozhatsz, nincs egyetlen paraméterezés, amit rögzíthetsz, hogy véglegesen elkerüld az optimális döntéshozatalt. A tér mindig változik. Állandótlanná válik, és ez a valós világ modellezésének valósága. Ezt megértve készen állunk a valós adatok megközelítésére, és készen állunk arra, hogy kijavítsunk egyet azokat az "erőszakosabb" tudományos gyakorlatokat, amelyeket a pénzügyprofesszorok a tanteremben veletek végeztetnek. Tehát, megértve ezt az állandótlanság fogalmát. Nos, amit tettem, az lényegében az a gyakorlat, amit korábban említettem, a professzorom azt mondta nekem: "Hé, szerezzük meg ezeket az adatokat, mondjuk az Interactive Brokers-től. Megkapjuk a SPY ETF hozamadatokat, és hisztogramként ábrázoljuk őket." Ez az, amit itt látni fogsz. Adott nekem egy paraméteres modellt. Azt mondta, hogy paraméterezzem ezt a modellt a történelmi adatok felhasználásával. Tehát megtettem. Itt van a normál eloszlásom sárga, szaggatott eloszlásként. És megfigyelem a három szigma esemény valószínűségét a bal oldali farkamban. a valószínűsége lényegében egy hatalmas negatív hozamnak. És amit itt észre fogsz venni, ha kimegyek a farokba, látni fogod a sárga szaggatott eloszlásomat. Ez a professzorom modellje. És drámaian alábecsüli a becsapódás kockázatát a empirikus adatok KDE illesztéséhez képest. Ez a túlzott kurtózisnak köszönhető. A túlzott kurtózis azt jelenti, hogy vastag farkok vannak. Az extrémumok valószínűsége lefelé és felfelé nagyobb, mint amit egy normál eloszlás sugallna. Ennek mi a következménye? Nos, mindent figyelembe véve, amit eddig ebben a videóban beszéltünk, valószínűleg csak az állandótlanságra fogsz tippelni. És ha megtetted, akkor helyes voltál. A probléma az, hogy amikor ezt a típusú eloszlást nézzük, valójában ismét tömörítünk egy felfoghatatlan mennyiségű információt egy 2D-s diagramba, amely még az időt sem tartalmazza. Ez a tömörítés nem képviseli a valódi populáció adatgeneráló eloszlását az idő múlásával. Fogalmunk sincs, hogyan néz ki, és valójában változhat. Tehát, amit itt kínálok, az csak egy javaslat arra, hogy hogyan nézhet ki az idő múlásával, különböző rezsimekben. Van egy alacsony volatilitású rezsimem, egy közepes volatilitású rezsimem és egy magas volatilitású rezsimem. És amit itt megfigyelsz, az az, hogy ezek az időben változó eloszlások hogyan járulnak hozzá a tényleges hozamokhoz, amelyeket csak egy hisztogramba tömörítünk. Ez valószínűleg a legfontosabb ötlet, amit a tanteremből ki kell javítani, mert az esetek 9-szer 10-szer csak ezt a hozameloszlást fogod vizualizálni, és csak a farkakat fogod statikus tömörítésként kezelni. De a valóságban ez dinamikus. És ha tudod modellezni, mikor vagy különböző rezsimekben, akkor pontosabb valószínűségeket és statisztikákat fogsz kapni a döntéseidhez. És ez a valós világban a valószínűség és a statisztika teljes célja, hogy megalapozott döntéseket hozzunk. De a megalapozott döntéseid csak annyira jók, amennyire a modelljeink, a paraméterezéseink és az értelmezéseink. Teljesen elhagytuk a tantermet. Most valós adatokról beszélünk. És fontosnak tartom még mindig megérteni, hogy ezek az eloszlások csak modellek. Nem képviselik valójában azt, ami az adatokat generálja. Emlékezz vissza, hogy ez a tényleges hozamot előállító, felfoghatatlanul megszámlálhatatlan döntésekből származik, amit a piacon látunk. Ez nem csak a piaci kereskedésből, hanem a vállalat működéséből, makro tényezőkből, politikai tényezőkből is származik, mindez egyszerűen bele van tömörítve ebbe a kis sávba ezen a diagramon. Tehát bármikor, amikor rezsim-alapú modelleket, időben változó modelleket fejlesztünk, csak tartsd ezt szem előtt. Olyan keretet próbálunk fejleszteni a bizonytalanság modellezésére, és természetesen az állandótlanság fogalmának megértése lehetővé teszi számunkra, hogy jobb modelleket fejlesszünk ki, jobb valószínűségeket és statisztikákat állítsunk elő, és ez jobb döntéshozatalt fog eredményezni a bizonytalanság közepette. Tehát remélhetőleg most már világos, miért nehéz a piac időzítése. Ha a célunk az, hogy a lehető legjobb kapacitással modellezzük a populáció adatgeneráló eloszlását, mikor változik? Itt van ugyanaz az animáció, amit korábban láttál a kockadobásokkal, amelyek d6-ról d10-re váltanak, de most hozamokkal. Ez az, amit valójában a hozam idősoraként látunk. De nem tudjuk, mi a jelenlegi populáció adatgeneráló eloszlás állapota. Magas, közepes vagy alacsony állapotban van? Trendel? Visszafordul? Fogalmunk sincs. Valószínűbb, hogy magasról közepesre vagy magasról alacsonyra vált? Ez a Markov-lánc modellek, a rejtett Markov-modellek és még a Gauss-keverék modellek fogalmához vezet, amelyek gépi tanulási módszertanokat kezdenek megközelíteni erre a problémára. Vannak videóim ezen a csatornán a Markov-láncokról és a rejtett Markov-modellekről, amelyek már tárgyalják a latens eloszlások modellezésének fogalmát, és lényegében megpróbálják modellezni ezeket az időben változó eloszlásokat. Szeretnék a jövőben egy videót készíteni a Gauss-keverék modellekről. Ha van rá érdeklődés, kérlek, jelezd a kommentekben. Túl hosszú, nem olvastam. Itt van az összefoglaló. Vagyont termelhetünk anélkül, hogy ismernénk egy véletlen változó kimenetelét a valószínűség és a statisztika révén. És valójában nem kell önkényesen pontosnak lennünk. Csak nagyjából átlagosan kell helyesnek lennünk, ahogy láttuk, amikor egy lépést tettünk ki a tanteremből a valós világba, ahol meg kellett közelítenünk az átlagot, a várakozást, az átlagot, a legjobb becslésünket a nagy számok törvénye segítségével. Nos, természetesen a valós világban nincs meg a nagy számok törvénye és a centrális határeloszlás-tétel, mert ezekhez állandó eloszlásokra van szükség. Nos, az állandóság az akadémián gyakran úgy van leírva, mint az eloszlások, amelyek invariánsak az újra mintavételezés során, és az állandótlanság ennek az ellenkezője. De a valóságban az állandótlanság a valós világ. Nem csak az invariancia hiányának fogalma az újra mintavételezés során. Nem, ez az a fogalom, hogy az eloszlás bármikor változhat, hihetetlenül sok okból. Mert a valóságban ezek a kimenetelek nem követnek eloszlást. Egy kombinációból, egy nagy kombinációból származnak, determinisztikus döntésekből, amelyeket valójában emberek hoznak. És attól függően, hogy mennyire akarsz filozófiai lenni, lehetnek sztochasztikus komponensek is, mert nem tudjuk mindezt modellezni, mindazokat a számtalan, felfoghatatlanul nagy számú bemenetet ebben a rendszerben, amelyek előállítják a kimenetet. Lényegében véletlenszerűnek, bizonytalannak tekintjük. És ezért van az, hogy amikor a valós világban modellezünk, mindig az állandótlanság fogalmával foglalkozunk. Ezért van az is, hogy nem tehetünk valamit, ami állandótlanság, állandóvá. Az egyik első dolog, amit a diákok, sőt a szakemberek is megpróbálnak csinálni, az az, hogy azt mondják: "Hé, tudod, van ez az állandótlanná eloszlásom. Hogyan tehetem állandóvá?" Nem, ezt nem teheted meg. Valójában nem egy eloszlással foglalkozol. A valósággal foglalkozol, és véletlen változóként kezeled, valami olyasmit, ami bizonytalan, hogy remélhetőleg tájékoztassa a döntéshozatalodat. De nem tehetsz valamit a valós világban állandóvá. Nem teheted eloszlássá. Ez megfelel annak a fogalomnak, hogy miért nehéz a modellezés és a paraméterezés. Ahogy itt láttuk, nehéz kiválasztani, honnan származtak ezek az adatok. Ebből az eloszlásból vagy ebből az eloszlásból származtak? Továbbá, ha folyamatosan változnak, és nem tudjuk megfigyelni őket, hogyan fogjuk meghatározni, mi következik, és honnan származott az eloszlás? Ezért nehéz probléma a piac időzítése, és ezért vall kudarcot gyakran a piac időzítése. Ezért az ódon mondás: az idő a piac időzítésénél fontosabb. A célunk nem az állandóság az eloszlásainkban a piacépítés, kereskedés, befektetés szempontjából. Nem, a stabilitás. Ha van egy jó, robusztus stratégiánk, akkor képesnek kell lennünk a paramétertér perturbálására. Képesnek kell lennünk az újra mintavételezésre a rezsimek során, és ésszerű stabilitást kell megfigyelnünk. Ha nem, akkor képesnek kell lennünk a törések modellezésére, majd a stabilitás helyreállítására. És ez pontosan az, hogyan néz ki a valós világ modellezése. Néhány jövőbeli téma, technikai videó és egyéb megbeszélés, amire számíthatunk. Szeretnék belemerülni a Poisson-folyamat, a Hawkes-folyamatok, a Merton és Bates ugró diffúziós modellek, még több piacépítési modell alkalmazásaiba, és kiterjeszteni nem csak a terjedés gyűjtésének fogalmára, hanem a készletgazdálkodásra, stb. További minőségi videók, mint az első évem kvantként, és miért titkosak a hedge fundok a velük való tanácsadási tapasztalataim alapján. Nem-Markovian modellek, mértékváltás, durva útvonalelmélet, sigole modellek, több sztochasztikus kalkulus és pénzügyi matematika. De természetesen a következő videók nagyrészt az érdeklődésetek alapján készülnek. Tehát, kérlek, jelezd a kommentekben, mit szeretnétek látni legközelebb. És ne aggódj, nem feledkeztem meg a kvant buildjeinkről. Nagyon szeretnék most, hogy már feldolgoztuk a Kalman-szűrőt, egy videót készíteni az élő implementálásáról az Interactive Brokers-szel Pythonban. Szerintem ez egy nagyon izgalmas kvant build lenne. De ismét, jelezd a kommentekben, mit szeretnél látni legközelebb. És ez lesz a vége ennek a videónak az állandótlanságról és arról, miért vall kudarcot a piac időzítése. Remélem, élvezted. Remélem, tanultál valamit. Ennek a videónak az elkészítése nyilvánvalóan hatalmas erőfeszítést igényelt. Tehát, ha élvezted, és szeretnél többet látni hasonlókat a jövőben, kérlek, lájkold, kommenteld, iratkozz fel, oszd meg. Ismétlem, ez rengeteget segít nekem. Mindig nagyra értékelem. Nézd meg a quankild.com oldalt, hogy elsajátítsd a kvantitatív készségeidet a kereskedéshez és a marketmaking szerepekhez. Ezen kívül nagyon szeretnék köszönetet mondani a nézésért, és a következő videóban találkozunk.