Transcription
[Zene] Rendben, itt az ideje. Itt az ideje kinyitni Pandora szelencéjét. Az idősor-elemzésről fogunk beszélgetni. Nos, az idősor-elemzés a leginkább félreértett és félrevezető téma az összes kvantitatív pénzügyben. És ezt mind akadémikusként, mind szakemberként mondom. Valaki, aki elvégzett alapképzést, mesterképzést, PhD szintű kurzusokat, kutatási szemináriumokat és idősor-elemzést, ekonometriát, de valaki, aki termelési rendszereket is bevezetett ezekkel a technikákkal az árazáshoz és a piacalkotáshoz. Látom a szakadékot. Látom a szakadékot az osztályteremben. Látom azokat az előfeltevéseket, amelyeket a professzorok tesznek, és amelyeket a gyakorlatban azonnal megsértenek. És nagyrészt ennek a félreértésnek és szakadéknak az oka az, hogy ami triviális, az nem mindig az, amit hangosan kimondanak. Senki sem akarja feltenni ezeket a kérdéseket, hogy jobb értelmezést kapjon belőle. De konkrét példákra van szükségünk ahhoz, hogy megértsük ezeket a technikákat, ha reménykedünk abban, hogy a gyakorlatban is alkalmazhatjuk őket. Tehát ebben a videóban azt szeretném tenni, hogy korrigálom az idősor-elemzéssel kapcsolatos sok félreértést és félreértést. Beszélni fogunk a fő feladatokról, mint a szűrés, simítás és előrejelzés. Tovább szeretnék lépni erre az ötletre a jóslat. Az a tény, hogy nincs olyan, hogy jóslat, és nagyrészt ez a gépi tanulásnak és a mesterséges intelligenciának köszönhető. Aztán szeretném megvitatni ezt az ötletet az alternatív adatokról, és arról, hogyan használhatjuk az alternatív adatokat az előrejelzések javítására bizonyos esetekben, túlmutatva az egyszerű idősor-modelleken. És a "Nagy dobás"-t fogjuk példaként használni. Mint várható volt, van egy idősor-szójáték az Ön számára. Ez a Jupyter notebook a leírásban lesz linkelve. Felteszem a Quanield könyvtárba is a GitHubon, ahol megtalálhatja az összes Jupyter notebookomat és a hozzá tartozó YouTube videókat. A Jupyter notebook tetején talál néhány kapcsolódó Quanield videót olyan ötletekről, mint a statisztika alkalmazása a piacon. Az az elképzelés, hogy még akkor is, ha a modellünk helytelen, ez nem akadályoz meg minket abban, hogy vagyonokat szerezzünk kereskedések sorozatán keresztül az idő múlásával, ha van élünk valamilyen kereskedési modellben, és ha megfelelően méretezik a fogadásainkat. Tehát, ha nem ismeri ezeket az ötleteket, mindenképpen bátorítom, hogy nézze meg ezeket a videókat. Továbbá, ha szeretné támogatni a csatornát, hogy továbbra is készíthessek ilyen videókat. És ha szeretné elsajátítani a kvantitatív készségeit, nézze meg a quankill.com oldalt. A kvantitatív pénzügy egy olyan interdiszciplináris terület, amely ötvözi a statisztika, számítástechnika, pénzügy, matematika ötleteit, a lista folytatódik. Annyi hely van, ahová nézni lehet, annyi mindent meg lehet tanulni. Itt jön a képbe a quankgill.com. Több mint 90 kvant leckét kínálunk matematikából, valószínűségből, pénzügyből, egy adaptív gyakorló motort, amely a készségszintedhez igazodik, így egyre nehezebb témákra haladhatsz. Interjúkérdések teljes kidolgozott megoldásokkal. Hamarosan matematikából, statisztikából, kódolásból származó kurzusok, mindent az alapoktól, mind benne van a Quankon tagságban. Tehát, ha szeretné támogatni a csatornát és elsajátítani a kvantitatív készségeit, nézze meg a quankild.com oldalt. Minden további nélkül kezdjük ezzel az ötlettel, hogy idősor. Min elemzést végzünk? Nos, minden idősor csak megfigyelések gyűjteménye az idő sorozatában. És általában ezek a megfigyelések egyenlő időközönként történnek. Tehát gondolhatsz valamire, mint egy részvény záróárfolyama. Minden egyes nap megfigyeljük, és megrajzoljuk azt a diagramot, és megkapjuk a részvény árát az idő múlásával. Oké, ez általában az, amit látunk, amikor megnézünk egy részvénydiagramot. Látjuk ezeket a rendszeres időközöket, egyenletesen elosztva. Nos, ez nem feltétlenül van így, igaz? Lehet szabálytalan idősorunk is. Gondolhatsz valamire, ahol hiányzó adatok vannak. Talán valamilyen illikvid terméket nézünk, amely csak alkalmanként kereskedik. Nem feltétlenül fogunk tudni információt szerezni ezeken az egyenlően elosztott lépésekben. És ez fog létrehozni egy szabálytalan idősort, ahol az időköz nem egyenletes. Ez attól függ, mikor látjuk ezeket a megfigyeléseket. Tehát mindkettő előfordulhat. És az idősor másik kulcsfontosságú eleme ez a fajta darabonkénti lineáris interpoláció. Amit valójában csinálunk, az a pontok összekötése. Ezt jobban láthatod ebben a szabálytalan idősor példában itt, de valahogy csak elhagyjuk mindazt, ami a két időpont között történt. Nem tudjuk, mi történt a két időpont között. Csak összekötjük a pontokat ezen interpoláció révén. Tehát, az idősor másik fontos eleme. Ugyanez a zárásról zárásra. ha megnéznénk valamilyen részvényárfolyamot, még akkor is, ha ez egy szabályos idősor két pont között, nem tudjuk, mi történt. Tehát mindenképpen érdemes megemlíteni. Továbbá, ezekkel az idősorokkal a statisztikák általában nehezen megfoghatók. Ennek számos oka van, és ez az állandótlanság hiányából adódhat. Ez egységgyökkel rendelhet attól függően, hogy melyik sorozattal dolgozunk. Tehát, ami az idősort illeti, ez így néz ki. De fontos szem előtt tartani, hogy bármilyen elemzést is végzünk ezen a konkrét útvonalon, az valami és valamilyen mennyiség elemzése. Sok ember elfelejti ezt, amikor elkezdi elemezni az idősor útvonalát. Még mindig van valami alatta funkcionálisan, ami történik. Igaz? Tehát, ha ez egy részvényárfolyam, akkor van egy működő vállalat, amely befolyásolja a részvényárfolyam értékét, és ez teljesen külön információ attól, amit ebben az árfolyamban ábrázolnak. Nos, az árfolyam ennek a vállalat működésének a következménye. De vannak dolgok, amelyek történnek, és információk, amelyek ezen az árfolyam sorozaton kívül történhetnek, amelyek felhasználhatók annak tájékoztatására. Erről később beszélünk. De ez egy nagyon fontos megkülönböztetés, és nagyon fontos megjegyzés. Nem veszthetjük szem elől azokat az értékeket, amelyeket ezen a diagramon ábrázolnak. Tág értelemben véve egy idősor felbontható trendre, sokkra és szezonalitásra. Nos, ezeknek a dolgoknak nem feltétlenül kell jelen lenniük vagy stabilnak lenniük egy idősorban. Először beszéljük meg, mik ezek, majd megbeszéljük, mit értek jelen és stabil alatt. Tehát nézd meg ezt az idősor példát itt fent. Ez lehet eladás az idő múlásával. Ez lehet részvényárfolyam az idő múlásával. Bármi is legyen. És elvégeztem ezt az idősor felbontást, és azonosítottam egy trendkomponenst. Azonosítottam egy szezonális komponenst, és azonosítottam némi véletlenszerű sokkot vagy zajkomponenst. Tehát, amikor megnézünk egy idősort, és felbontjuk ezekre a különböző komponensekre, jeleznünk kell, mik ezek. Tehát a trend a hosszú távú, alapvető irányú mozgás. Ez az általános pálya. Oké. A szezonalitás egy minta, amely ezeken a rögzített időközökön belül történik. Aztán a sokk vagy a maradékok véletlenszerű ingadozások vagy váratlan események az adatokban. Nos, ez nem olyan kielégítő, mint kellene, de ezek a véletlenszerű sokk komponensek továbbra is elvárható módon vannak definiálva, és ez nyilvánvalóbbá válik, amikor konkrét modelleket nézünk. De egyelőre csak erről az ötletről beszélünk, a trendről és a szezonalitásról. Nincs semmi, ami biztosítaná, hogy ez a trend a jövőben is folytatódik. Nincs semmi, ami biztosítaná, hogy ez a szezonalitás a jövőben is folytatódik. Amikor egy idősort ebben a felbontott értelemben nézünk, azt mondjuk, hogy rendben, hajlamos ezt a trendkomponenst mutatni. Hajlamos ezt a szezonális komponenst mutatni. Ha ez folytatódik, akkor hasonló viselkedést várhatunk a jövőben. És ezért szeretem ezt az elvárás ötletét, nem pedig a jóslat ötletét, mert azt mondja, mi a várható viselkedés, ha a status quo folytatódik. Nos, ha ez valamilyen üzlet, igaz? Tegyük fel, hogy ez egy technológiai üzlet, és megjelenik egy új termék, talán egyfajta AI termék jelenik meg, és megöli ennek a terméknek az életképességét, akkor ez a trendkomponens eltűnik. Valójában negatív trendet mutathat. Ha megpróbálná ezt az ötletet egy részvényárfolyamra alkalmazni, akkor ezt folyamatosan látná. Ha rövid időtartományon végezné, akkor lenne ez a trendkomponens, és akkor végül a trendkomponens megfordul a másik irányba, és nem fog belőle semmilyen értelmes információt kapni. Tehát ez belekerül a stabilitás ötletébe. És ha ezek a komponensek stabilak az idő múlásával, és minden a status quo szerint folytatódik, ahogy várható, akkor hasznos információ lehet. És ha ez egy vállalati költségvetés lenne, ha ez eladás lenne, ez mindenképpen hasznos információ lehetne. De ahogy mondtam, ezek a nagy rendszerváltások nincsenek figyelembe véve ebben az információban. Tehát ez valahogy az a megkülönböztetés, amit megpróbálok behozni ebbe a térbe, hogy megnézzük ezt, látjuk ezeket a sokk komponenseket, igaz? Van ez a véletlenszerűség, amit figyelembe vesznek, nem? Ez az, amit látunk ezekben a véletlenszerű ingadozásokban. Látjuk ezt az általános trendet. Látjuk ezt a szezonalitást. De nem ezeket a váratlan eseményeket veszik figyelembe ebben a sokk komponensben? Nem teljesen. A sokkot és a véletlenszerűséget nagyon specifikus módon definiáljuk. Tehát sok mozgó alkatrész van itt ebben a térben. De láthatjuk, hogy ez a trendkomponens, ez a szezonális komponens, valójában a nagy ötlet itt az, hogy ha ezek stabilak az idő múlásával, akkor hasonló viselkedést várhatunk előretekintő értelemben. Ha nem, gondolj valamire, mint például az intraday részvényárfolyamok kereskedéshez való alkalmazása. Nem fogsz látni semmilyen stabilitást. Nem lesz hasznos információ a kereskedéshez. Nos, az idősorunkban lévő sokkokhoz képest, ez az eltérések a stabil trend és a szezonális komponens körül. Van néhány különböző feladatunk. Nem feltétlenül tudjuk, mi okozza ezeket a tüskéket mindkét irányban. És általában egy modellben feltételezünk valamit ezekről a sokkokról. Feltételezünk valamit ezekről a hibákról. Talán normálisan elosztottak. Talán van egy variancia ezekben a sokkokban, amelyek az idő múlásával fejlődnek. Talán ez a variancia állandó a modelltől függően. De ami ezt a sorozatot illeti, a célunk az lesz, hogy megpróbáljuk megkülönböztetni az állapotát a zajkomponens nélkül. Ez a fajta elvárt átlagos szint. És ez vezet el minket a különböző feladatokhoz, amelyeket megpróbálunk elvégezni. Megpróbálunk szűrni, simítani vagy előrejelzést készíteni. Tehát a szűrés az aktuális állapot becslése múltbeli és jelenlegi adatok felhasználásával a zaj csökkentése érdekében. Tehát, ha megnézzük ezt az idősort itt, akkor egy szép sima szezonális komponenst és egy trendkomponenst kellene látnunk, de ez akadozó. Amit a szűréssel próbálunk tenni, az az, hogy megkülönböztessük a tényleges állapotot a zajtól, a sokkoktól mentesen. Nos, persze, ez nem teljesen kielégítő, mert ezek az eltérések, megpróbáljuk őket produktív módon definiálni, de ismét, ezek eltérések. Nem fogja még az összes megfigyelt eltérést sem figyelembe venni. Hatalmas rendszerváltásokat tapasztalhatunk, akárcsak egy új termék megjelenésekor, amely tönkreteszi cégünk eladásait. De ebben a példában itt, amit nézünk, az egy idősor. Ez az adatunk, ez a kék vonal. És alkalmazom ezt a szűrési technikát. Ez egy mozgó átlag. És mindössze annyit fog tenni, hogy vesz egy ablakot ezekből a pontokból, és veszi az átlagot. És folytatja az ablak előre tolását. És láthatod ezt a konfidencia intervallum sávot. Ez lényegében a bizalom, hogy az adatok e két határon belül vannak. Ez egy szűrési technika. Megpróbáljuk előállítani az aktuális állapotot. Megpróbáljuk a múltbeli és a jelenlegi adatokat használni, hogy kitaláljuk, mi az aktuális állapot a zajtól mentesen. Ez nem jósló. Tehát, ha egy mozgó átlagot dob egy diagramra a TradingView-n vagy bármilyen kereskedési programon, akkor csak annyit csinál, hogy megpróbálja eltávolítani ezt a zajt az aktuális állapot megkülönböztetése érdekében. Ez semmit sem mond arról, hogy mi lesz a jövőbeli állapot. A simítás a másik irány. Valójában visszatekintünk. Megpróbáljuk kitalálni, mi volt az állapot. Tehát a jelenlegi és a jövőbeli adatokat használjuk, hogy visszatekintsünk és kitaláljuk, mi volt az állapot a zajtól mentesen. Ez érdekes, mert globális útvonal ismeretet igényel. Ezt előre tolhatod, ami szűrésnek kezd hasonlítani. De itt még a fenti értékeket is használjuk a fenti értékek tájékoztatására. És ez hozza létre ezt a lila vonalat. Ez egy exponenciális simítási technika. És amit ez csinál, az az, hogy megpróbálja kitalálni, hol volt az idősor tényleges állapota a rendelkezésünkre álló globális útvonal alapján. És persze, van ez az ötletünk a jóslatról. És a jóslat lényegében egy elvárás előállítása lesz, egy legjobb becslés arról, hogy mi következik, a megfigyeltek és az aktuális állapot alapján. A jóslás nagy zavarforrás a diákok, kereskedők, nem technikai emberek számára, mert nagyon könnyű megnézni a YouTube-on, hogyan kell részvényárfolyamokat jósolni, vagy a Medium-on, hogyan kell részvényárfolyamokat jósolni. kapsz egy cikket, kapsz minden kódot, megmutat egy modellt, amely azt mondja, hogy illeszd be és jósolj, és hirtelen jóslatokat állítasz elő, ezeket a jóslatokat, ezeket a jóslatokat nagyon lazán, amelyek mindig biztosan helytelenek lesznek. És nagyon nehéz megérteni, miért, mert ezeknek a technikáknak a burkolata olyan szót használ, mint a jóslat, és te semmit sem jósol. Elvárást állítasz elő. Ha a status quo, akkor az elvárás ésszerű lehet. Ha nem status quo, akkor szörnyen ésszerűtlen. És ezt hosszan tárgyaltam az egyik korábbi videómban, a "Mit tanul valójában az AI?" címűben. az elvárás a véletlenszerűség tekintetében, függetlenül attól, hogy véletlenszerű eseményt nézel, mint egy kocka dobása, vagy véletlenszerű eseményt, mint az Apple holnapi záróárfolyama, az elvárás a legjobb, amit tehetsz. Ha fejlettebb technikákat használsz, az egy nemlineáris feltételes elvárás. Nézd meg azt a videót a "Mit tanul valójában az AI?"-ról, ha érdekel. De ezért a jóslatok tévesek, és mindig is tévesek lesznek. Ha kockát dobsz, a szó szerinti legjobb becslés, amit adhatsz, az az elvárás. Ha végtelen számú kockát dobnám, az a mennyiség, amely minimalizálja a négyzetes hiba átlagát az összes dobásnál, 3,5. Ez a szó szerinti legjobb becslésem. Egy kocka nem eshet 3,5-re. Nem eshet 3,5-re, de ez még mindig a legjobb becslésem. Tehát kristálygömb nélkül nincs olyan, hogy jóslat. Rendben, nagyon fontos megérteni ezt az ötletet. Az elvárás sokkal jobb karakterizációja a térnek, mert ha a dolgok a vártnak megfelelően fejlődnek, akkor ez a legjobb, amit a jövő kinézhet a status quo mellett. De a legrosszabb esetben iszonyatosan tévedünk. És ez megtörténhet hatalmas rendszerváltásokkal. Rendben, alig van mérőszámunk arra, hogy mi is az a jó elvárás. Ezt is tárgyaltam már a múltban. Nincs olyan, hogy elvárt részvényhozam, és így tovább. Megnézheted ezeket a videókat, ha bele akarsz merülni ezekbe az ötletekbe. De szilárdítsuk meg egy csomó példával, és találjunk ki néhány nagyon intuitív értelmezést. Azt hiszem, ez lesz a legjobb módja ennek. Érdemes megjegyezni, mielőtt megnéznénk ezeket az intuitív példákat, hogy még akkor is, ha ezek a jóslatok, elvárások, ezek a szintek nehezen becsülhetők meg és helytelenek, ez nem akadályoz meg minket abban, hogy optimális döntéseket hozzunk a bizonytalanság közepette. Ha a modelljeink átlagosan helyesek, és ez értelmes, igaz? Ha van egy sor döntés, amelyet meghoznak, a modell birtoklása minden bizonnyal jobb, mint a modell hiánya. Véletlenszerűséggel, bizonytalan kimenetellel foglalkozunk, és a célunk az, hogy valamilyen előnyt találjunk ebben a döntéshozatalban a bizonytalanság közepette. És egy modell minden bizonnyal tájékoztathatja ezt. Tehát látni fogunk egy példát erre egy piacalkotó szerepben. És még akkor is, ha ezeket az előfeltevéseket a gyakorlatban megsértik, ezek a modellek továbbra is hatékonyak a vagyon felhalmozásában idővel, kereskedések sorozatán keresztül. Tehát akkor válik nyilvánvalóbbá. De egyelőre tartsd velem. Beszélni fogunk ezekről az előfeltevésekről, és megbeszéljük a gyakorlati következményeket. Ami a modelljóslatokat és a hozzájuk kapcsolódó modellelőfeltevéseket illeti, némelyik sértőbb, mint mások. Ha megnézünk valamit, mint egy arbitrázsmentes előfeltevés, az nem igazán őrült előfeltevés, igaz? Ha van egy statikus árhibás piaci helyzet, nem őrült ötlet, hogy egy alacsony késleltetésű intézmény azonnal kereskedni fog vele, igaz? uh ez nem őrült előfeltevés. Ezek az árhibák, persze, léteznek, de nagyon gyorsan kihasználják őket. Tehát ez az ötlet nem túl őrült előfeltevés. És a hatás a modellünkben utána nem lesz olyan őrült. Ha megnézünk valamit, mint egy állandó volatilitási előfeltevés, igen, ez egy elég őrült előfeltevés, igaz? Valami olyasmivel, mint a Black-Scholes, és ezt hosszan tárgyaltam a speciális opciók árazásában, igen, nem tudunk következetesen árazni a Black-Scholes modellel. Ha állandó volatilitást feltételezünk, az egy szörnyen téves előfeltevés. De ha állandó volatilitást feltételezünk, ki tudjuk vezetni ezt az implikált volatilitás fogalmát, és megfigyelhetjük az implikált volatilitás felületét. Ez egy meglehetősen jelentős felhasználása a modellnek, ha más nem, mint ennek a mennyiségnek a megtalálása, hogy a kereskedők milyen áron árazzák a bizonytalanságot. Tehát a modelleknek különböző felhasználásai, különböző előfeltevései és következményei vannak, és a modelleknek különböző hatásai vannak arra, hogyan használod őket. um, de ami az idősor-elemzést illeti, tudod, az első dolog, amit a professzorod meg fog tenni, az az, hogy azt fogja mondani, hogy feltételezzük az állandótlanságot, hogy a statisztikai momentumok determinisztikusan fejlődnek. Ez egy statikus kapacitásban az idő múlásával. Átlag, variancia, autokorreláció, autokovariancia. És ez nem így van. Ez nem így van a gyakorlatban. Tudod, adtam egy példát egy pillanattal ezelőtt az Apple hozamokkal kapcsolatban. um, de ez sokféle okból igaz. A rendszerek változnak. A 20 évvel ezelőtti vállalatok nem ugyanazok a vállalatok most, és az adataikat generáló eloszlásaik az idő múlásával véletlenszerű módon fejlődnek. És mi mindent megteszünk, hogy modellezzük őket. De ez egy nagyon fontos megkülönböztetés, mert az osztályteremben az állandótlanságot fogod feltételezni. A gyakorlatban nem fogsz állandótlanságot tapasztalni, és ezzel foglalkoznod kell. És sokféleképpen foglalkozhatunk vele. De meg kell értenünk, tudod, miért van ez így a gyakorlatban először, és aztán megérthetjük a különböző modelleket ennek az előfeltevésnek a megsértésének korrigálására. Kezdjük el felépíteni ezt az intuíciót. És ehhez megnézünk néhány példát, és alkalmazzuk ezt az ötletet a jóslatra, megfigyelünk valamilyen nagy rendszerváltást vagy eseményt, majd megnézzük a kimenetet és a következményt az új modellben. Itt lehet érvelni. Tudod, a részvényárfolyamok egységgyökkel rendelkeznek, tehát hozamokat kellene használnunk. A hozamok állandóak. Ha megpróbálod tesztelni az állandótlanságot, az egy kicsit nevetséges. Nincsenek megbízható tesztek az állandótlanságra. Ez valószínűleg egy külön videó lesz. Ha bele akarunk merülni ebbe az ötletbe, tudod, egységgyökök, bele akarunk merülni ebbe az ötletbe, állandótlanság és állandótlansági tesztek. Ha ezt szeretnéd látni a jövőben, tudasd velem. Ez minden bizonnyal egy technikai videó. De egyelőre beszéljünk erről az ötletről valamilyen bevételi eseménnyel kapcsolatban. Tehát van ez a részvényárfolyam útvonal, igaz? És ez a részvényárfolyam útvonal status quo egészen addig a bevételi eseményig. E bevételi esemény után láthatod, hogy a részvényárfolyam egészen ide ugrik, és új szintet hoz létre. Jobb? A naiv idősor jóslatunk csak ezt a szintet fogja előállítani itt. Jobb? Nyilvánvalóan ez szörnyen téves. És hatalmas változás történt a következő részvényárfolyamban. Mondhatod, hogy a részvényárfolyam útvonal dinamikája teljesen megváltozott. Mondhatod, hogy a hozameloszlás teljesen megváltozott. Modellezned és tesztelned kellene. Ez egy kutatási kérdés. Ez egy nyitott vita. Valószínűleg ésszerűbb ezt a jóslatot két világállapotban modellezni az opciós piac használatával, a straddle-lel, és hogy a kereskedők mit áraznak ennek az eseménynek a bizonytalanságát, és mit áraznak a felfelé vagy lefelé irányuló ugrást. Ez valószínűleg jobb jóslat. Nos, ez megmondja, hogy melyik irányba kell kereskedni? Nem, abszolút nem. Ha bennfentes információval rendelkezett volna, igen, képes lenne megjósolni. De bennfentes információ vagy alternatív adatokból származó információ nélkül, amely tájékoztatja az esemény kimenetelét, egyetlen idősor-modell sem lesz képes megragadni ezt a hatást. Folytassuk az intuíció építését további példákkal. A hőmérséklet messze a kedvenc példám, mert ez példázza az elvárás ötletét. Mit értek ez alatt? Nos, ha december közepén megkérdeznélek, mit gondolsz, mi lesz a hőmérséklet New York Cityben? Azt mondanád, hogy 100 fok Fahrenheit? Nem. Igaz? Valószínűleg azt mondanád, hogy fagyos, 20 fok Fahrenheit. És vegyük még egy lépéssel tovább. Tegyük fel, hogy azt mondtad: "Rendben, tudod, Roman, azt hiszem, 20° F lesz december közepén New York Cityben." Azt mondom: "Rendben, tegyük fel, hogy azon a napon 20° F volt. Mit gondolsz, mi lesz holnap?" Azt mondanád, hogy 100° Fahrenheit? Ha tegnap 20 fok volt, nem, maradnál annál, ami? Valami nagyjából 20 fok Fahrenheit körül. És ez az idősor-elemzés ötlete. Nem tud semmit, amit mi nem tudunk, vagy nem tudunk minőségileg megérteni. Megpróbálja modellezni a trend, a szezonalitás és a sokkok ezen komponenseit mindkettőre, és nem fog varázslatos módon ekstrapolálni. Ahogy az ebben a bevételi példában láttuk, nem fogja tudni megmondani, hogy felfelé vagy lefelé fog-e ugrani. Nem erre használják ezeket a modelleket. A status quo elemzésére és az általános pálya és a szezonális komponens kinyerésére használják őket. Ha szerkezeti törés következik be, és a dolgok megváltoznak, az teljesen megváltoztatja a rendszer dinamikáját. Teljesen megváltoztathatja a modellhez kapcsolódó kilátásokat és elvárásokat. És ez pontosan az, amit itt látunk, igaz? Nagyobb vitává válik, ha az állandótlanság mellett vagy ellene érvelsz, ha úgy gondolod, hogy az adatok generáló eloszlása itt megváltozott vagy nem változott. De ez az intuíció, tudod, mi ezt valamilyen elvárás szempontjából nézzük. Csak gondolj arra a hőmérsékletre New York Cityben példaként. Tökéletes módja annak megértésére, nem csak a szűrés és a simítás, hanem a jóslás, a világ várható állapota is. Beszéljünk egy másik példáról az idősor-elemzésről, és hozzuk be ezt az alternatív adatok ötletét az előrejelzésünk tájékoztatására. Tehát, amit itt van, az az én fekvenyomás fejlődésem 2024. január 24-től 2025. január 24-ig. És amit látni fogsz, az az, hogy a szintem nagyjából 350 körül volt. Tehát kissé oszcilláltam. Tudod, néha felmegy, néha lemegy. Van ez a változékonyság a teljesítményemben. Aztán hirtelen leesett. 2024. december 9-én leesett erre az új tengelyre. Iker tengelyt kellett létrehoznom. Olyan alacsonyra esett, 45 fontra. Mi a fenéért történt? Nos, elszakadt a mellem. Tehát már nem nyomok 350 fontot. Az a szint eltűnt. Az a szint nincs közel sem ahhoz, ami a jelenlegi szintem most van, és 2025-ben jelen van. Ez egy szerkezeti törés a rendszerben. Az adatok, amelyeket a pontok generálásához használnak ehhez az idősorhoz, teljesen más eloszlásból származnak, mint korábban. És ez az, amit igazán próbálok elérni a status quo és a jóslat tekintetében. Az az idősor-modell nem rendelkezik ezzel az információval. Nincs meg ez az információ, igaz? Amíg nem figyeljük meg az idősorban. Itt a dolog érdekessége. Kaphatnánk meg ezt az információt, mielőtt az megjelenik az idősorban? Az orvosom rendelkezett ezzel az információval. Bárki a váróteremben, aki beszélgetett velem, rendelkezett ezzel az információval. Tehát van mód arra, hogy jobb jóslatot találjunk ki, mint a tiszta idősor-elemzés, alternatív adatok felhasználásával. Így juthatunk információhoz. Szerintem ez egy igazán klassz módja a tér megfigyelésének, mert most már nem csak az én fekvenyomásommal és a szörnyű fekvenyomásommal foglalkozhatsz, hanem részvényárfolyamokkal is, igaz, ugrások történnek, de van-e más információ, amit felhasználhatunk és kihasználhatunk? Van-e előnyünk, mielőtt ez az ugrás realizálódik? Nem kizárólag bennfentes információkra gondolok, hanem olyan dolgokra, mint a Walmart parkolók képei, a vezérigazgató arckifejezése, a hangulat. Van-e ott bármilyen információs előny? Tehát ez egy nagyon érdekes módja a tér megfigyelésének alternatív adatok felhasználásával. Ezt az ötletet folytatjuk egy pillanat múlva, de egyelőre továbbmegyünk a jóslatok ötletére, és arra, hogyan használhatjuk a jóslatokat, még akkor is, ha helytelenek, és a modelljeink tévesek, vagyonok generálására. Már van egy elég jó elképzelésünk arról, mi is az a jóslat, igaz? Nem jóslat. Elvárás. És a különböző típusú modellek, a különböző előfeltevések és a különböző típusú adatok eltérő elvárásokat adnak. De ez nem lesz helyes, igaz? Nincs egy szint. Nem tudjuk közvetlenül megfigyelni azt a paramétert. Tehát mit tehetünk? Rendben van, ha nagyrészt helyesek vagyunk? Kiderül, hogy igen, rendben van, ha nagyrészt helyesek vagyunk. És van egy elég klassz animáció sorozatom, amely megmutatja, hogyan van ez. Tehát itt van egy kockadobás eredménye, igaz? A kockadobás eredménye nem változik az idő múlásával. Mindennek 1/6 esélye van 1-től 6-ig. És a kockadobás elvárása, az átlagos érték csak 3,5. Oké, ez van itt. Van egy sor eredményem, és van ez az elvárásom. Nos, ha piacalkotók vagyunk, és piacot akarunk teremteni ezekre a kockadobási eredményekre, amit tehetek, az az, hogy ezt az elvárást használom egy rés körül idézni, és lesz ez a vételi-eladási ajánlatom, és lényegében az ajánlaton fogok vásárolni, az ajánlaton fogok eladni, és gyűjtöm a rést ezen elvárás körül. Nos, a kockadobások nem változnak az idő múlásával. Ez az elvárás sem változik az idő múlásával. Tehát valóban nem kell módosítanom az árajánlataimat. Ha futtatom ezt az animációt, látni fogsz egy piacalkotási animációt ebben a kapacitásban itt. Ezek a kockadobások különböző realizációi. Egy vételi-eladási ajánlatot idézek az elvárt szint körül. Érkezések vannak egy Poisson eloszlás szerint, és vannak vevők és eladók mindkét oldalon, és felhalmozom ezt a P&L-t kereskedések sorozatán keresztül. Tehát ez egy elég klassz animáció. De mit mutat? Nos, azt mutatja, hogy még akkor is, ha az eredmény véletlenszerű, mégis képes voltam vagyont felhalmozni az elméleti rés alapján, mert tudom, mi az elvárt érték. Emlékezz, az elvárás a legjobb, amit tehetünk a véletlenszerűség közepette, igaz? Oké. Nos, ez egy nagyon egyszerű probléma, igaz? Miért nem tehetem meg ezt, ha intézményi keretek között piacot akarok teremteni? Nos, a középárfolyamod változik az idő múlásával, igaz? A részvényárfolyamok változnak az idő múlásával. Tehát a középárfolyamod elvárása változni fog az idő múlásával. Tehát mit csinálok? Itt jöhetnek jól az idősor-modellek. Ez az egyik hely, ahol, ha ezeket az ötleteket helyesen alkalmazod, az ötlet a jóslatról, erről az elvárásról, erről az elvárt szintről, és átlagosan helyesek, akkor realizálhatsz P&L-t. Realizálhatsz vagyont az idő múlásával. És ez a cél. Optimális döntéseket hozol a bizonytalanság közepette. Gyűjtöd a rést. Különböző kockázataid vannak. Ezt a kiskereskedelmi és intézményi kereskedésben is tárgyaltam. Nézd meg azt a videót, ha érdekel. De amit most meg fogok mutatni, az pontosan ugyanaz a piac, ahol vevők és eladók lépnek kapcsolatba a vételi-eladási résemmel, az ajánlatommal. És úgy fogom beállítani, hogy a kocka súlya véletlenszerűen fejlődjön az idő múlásával. Tehát elméletileg tudom ebben a piacon, hogy az elvárt érték 3,5. Tehát ha ez egy részvény lenne, az elvárt érték nem változna, és sok különböző árat realizálnánk az elvárt érték körül. A valós életben változni fog, és ez van itt lent ebben a piacalkotási példában. Idősor-modellt fogok használni az elvárás jóslására. Lássuk, hogyan teljesítek a P&L-t illetően. De csak egy mozgó átlagot fogunk használni, hogy megpróbáljuk megkülönböztetni a szintet. Lásd, mozogni fog, akárcsak egy részvény árfolyama. És most kereskedni fogok ezen az elméleti szint körül. A részem ezen az elméleti középárfolyamon lesz idézve. És nézd meg. Még mindig képes voltam P&L-t felhalmozni, még akkor is, ha nem tudtam, mi az aktuális elvárt szint. Véletlenszerűen változott az idő múlásával, de átlagosan helyes voltam. Képes voltam begyűjteni ezt a rést, és profitot tudtam realizálni. Ez a tökéletes példa arra, hogy még akkor is, ha a modellem téves, és biztos vagyok benne, hogy téves, képes voltam pénzt keresni. Tehát most már egy nagyon teljes képet kapunk erről a térről, igaz? A jóslatok nem jóslatok, elvárások. Ha ezek a jóslatok vagy elvárások átlagosan helyesek, akkor vagyont generálhatunk, amint azt ebben a piacalkotási példában láttuk. De mi van azzal a minőségi példával, amiről korábban beszéltem a fekvenyomásommal és az információval? Nos, használjuk a 2008-as pénzügyi válságot példaként. Ha csak az idősor-megközelítést használnám ezeknek a hitel-default swapoknak a modellezésére, akkor hogyan nézne ki? Ezeknek a swapoknak az értéke csak tovább növekedett volna az idő múlásával? Nos, igen, igaz? Ha csak egy tiszta idősor-megközelítést használok, akkor valami ilyesmit fogok kapni, igaz? Kapok valamilyen jóslatot, ami olyan, mint: ó, ha a status quo fennmarad, akkor igen, ez csak tovább fog növekedni az értékben. De mi történt valójában, igaz? Nézd meg a Nagy Dobást. Ha nem nézted meg a Nagy Dobást, és be akarsz lépni a kvant pénzügybe, akkor mindenképpen meg kellett nézned a Nagy Dobást. Tudod, ez egy rövid listán van a filmekkel, mint a Wall Street, a Boiler Room. Mindenképpen nézd meg őket. De itt nézzük ezt az idősor-modellt, amely abszolút téves, igaz? Van ez a őrült default esemény, és ezek értéke a padlóra esett. De az emberek képesek voltak megjósolni ezt az eredményt, igaz? Ha megnézed a Nagy Dobást, sokan profitáltak ebből a kereskedésből. De miért volt ez így? Nem használtak valamilyen idősor-modellt, igaz? Képesek voltak megfigyelni, hogy valójában nincs érték. Alternatív adatokat használtak, igaz? Talán személyesen látogatták meg az otthonokat. Talán, tudod, nézték a jelzáloghitelek default rátáit, és valóban beleásták magukat az adatokba. Ez alternatív adat. Nem csak az adott instrumentum árfolyamának idősorát nézzük. Alternatív adatokat használunk annak tájékoztatására, hogy mit gondolunk, hogy fog történni, amit a piac még nem követett. Persze, talán a technológiával és az információ terjesztésével most már más, de ez ismét egy nagyszerű példa arra, hogy wow, mint az információ megelőzte ezt a mozgást, hogy tájékoztassa a kereskedési döntéseket a felületes idősor-jósláson túl. És ha megpróbáltad volna használni ezt az idősor-modellt arra, hogy megjósolj, mi fog történni, akkor szörnyen tévedtél volna. Tehát azt hiszem, ez egy nagyon klassz módja az idősor tér megfigyelésének, mert jobb képet kapsz arról, hogy mivel is dolgozol valójában, igaz? Nem csak egy vonal egy diagramon. Tudod, van valamilyen adatok generáló eloszlás. Valami történik, hogy előállítsa ezeket a pontokat a diagramon. És ha a modell mellett, amit használsz a jóslatra, simításra, szűrésre, együtt gondolkodsz ezzel az alternatív adatokkal, akkor egy nagyon teljes képet kapsz a térről. Nos, ahogy a fenti piacalkotási példában láttuk, néha elegendő csak egy idősor-modellt használni. Tehát láttuk ezt egy piacalkotó szerepben. Láthatjuk ezt egy árazási szerepben is itt lent. Tehát, amit tettem, az egy közös szűrő implementálása. Ha érdekel egy videó erről a témáról, szívesen megteszem. Minden bizonnyal sokkal technikaibb. A záró gondolataimban fogunk eljutni ehhez a jövőbeli témákban. Mindazonáltal meg akartam mutatni, hogyan néz ki ez, ahol nincs szükségünk alternatív adatokra. Tehát, ami az eredmény jóslatát illeti, teljesen produktív lehet csak egy idősor-technikát figyelembe venni, akárcsak a piacalkotásban. Tehát itt a pénzügyi válsággal és ezekkel a hitel-default swapokkal, igen, az alternatív adatok szükségesek voltak a megfelelő jóslat elkészítéséhez ebben a piacalkotási értelemben. Ha meglenne ez az alternatív adatunk, hogy megelőzzünk valamilyen őrült, tudod, kereskedést egy vad árfolyammozgás körül, az minden bizonnyal segítene nekünk, de valószínűleg olyan nagy frekvencián kereskednénk, hogy ez nem feltétlenül számítana. Csak alkalmazkodnánk, és folytatnánk a mozgást az új töréstől, az új ugrástól, bármi is legyen az, és az árazás kontextusában nagyrészt az előbbi az eset, nem kell bevezetnünk ezt az alternatív adatot. Tehát itt illusztráltam egy példát az idősor-elemzésre az árazásban, ahol van valamilyen termékünk, amely rendkívül illikvid, és csak szabálytalan időközönként kereskedik, de vannak likvid proxy-k arra, hogy milyen lehet az adott instrumentum ára. Ez elég érdekes, igaz? Tehát megfigyeljük ezeket a piros pontokat, amelyek kereskedések, és aztán tájékoztatjuk az illikvid instrumentum árát attól függően, hogyan kereskednek ezek a többi instrumentumok. Tehát, amit láthatsz, ha bármelyik pontra ráközelítünk, igaz, ahogy ezek a többi termékek mozognak, ez tájékoztatja a jóslatot, az illikvid termék becslését. Tehát ez a kék vonal követi, hogy mit gondol, mi az illikvid termék értéke azokban az időpontokban anélkül, hogy ténylegesen megfigyelné. Más likvid instrumentumokat használ proxyként. És ez az idősor-elemzés tökéletes alkalmazása. És ez még kifinomultabb gépi tanulási megközelítések is lehetnek. Láttam a gyakorlatban. Tehát hangsúlyozni akartam, hogy vannak esetek, amikor az alternatív adatok hasznosak lehetnek a tájékoztatáshoz, de nem feltétlenül szükségesek. Tehát megnéztünk egy piacalkotási példát, ahol ez lehet a helyzet. Az idősor elegendő. Megnéztünk egy árazási példát, ahol ez lehet a helyzet, hogy elegendő lehet. Megnéztünk néhány más példát is a 2008-as pénzügyi válság, a banki nyomás kontextusában, ahol van valamilyen hatalmas szerkezeti törés, és az alternatív információ hasznos lehet jóslati kapacitásban. Nagyrészt a problémádtól függ, de azt hiszem, amíg figyelembe vesszük ezt az alternatív információt, amely szerepel az elemzésedben valamilyen jóslat vagy annak hiánya érdekében, akkor tudod, hogy ez minden bizonnyal elegendő. Összefoglalva, az idősor-modelleknek minden bizonnyal megvan a helyük, és több mint elegendőek számos alkalmazáshoz, még akkor is, ha természetesen helytelenek, még az alternatív adatok ötlete nélkül is. Nos, maga a tér erősen problémafüggő. Tehát a modellünk megválasztása, az előfeltevéseink, az előfeltevések következményei, hogy megsértik-e őket, vagy sem, minden bizonnyal a feladattól függ. Továbbá, ami a jóslást illeti, legyen szó erről a konkrét térről, amelyben érdekeltek vagyunk az idősor-modellek alkalmazásában, vagy csak általában a vak jóslatokról, azok legfeljebb elvárások. Az alternatív adatok valójában jobb döntéshozatalhoz vezethetnek, mint egy nyers elvárás ezekből a különböző típusú modellekből. ez lényegében egy új modell felépítése, és talán realizálhatunk valamilyen információs előnyt, valamilyen élt a kapcsolódó idősorban bekövetkezett realizáció előtt. Néhány jövőbeli téma, amelyet meg szeretnék vitatni, szeretnék mélyebben belemenni a technikai részletekbe ebben a térben. AR, MA, ARMA, ARMAX modellek, minden bizonnyal technikai megbeszélés. És fel kell mérnem az érdeklődést ebben, ha valóban technikai kapacitásban szeretnénk ülni ezek mögött a modellek mögött, definiálni őket, az elvárásaikat, jóslást végezni velük, és így tovább. Szeretnék beszélni piacalkotási modellekről is. Azt hiszem, ez egy nagyon érdekes téma. Dala és Stokov rendelkezik egy piacalkotási modellel, amely nagyon elismert, és még piaci versenyeken is használják, amelyeket tudod, mint a Citadel a diákjaival végez. um, szeretnék beszélni a Kalman-szűrőről. Minden bizonnyal népszerű a nem állandó rendszerekhez. Termelési rendszereket vezettem be ezzel a technikával. um, talán algoritmusos rendszerek a Kalman-szűrő használatával, mint egy Kalman-minieries. Talán építsük meg Pythonban, és vezessük be az interaktív brókerekkel, néhány élő adattal. Ha van ott érdeklődés, szívesen építenék valamit. Tudom, hogy az Arch és a Garch kéréseket kaptak, tehát ez minden bizonnyal a sorban van. um, és akkor talán egy érdekesebb téma lenne valamilyen vol felület arbitrázs. Nagyon gyakori, hogy tudod, illesztesz valamilyen modellt egy piaci implikált vol felülethez, majd végezz valamilyen felület arbitrázsot. um, természetesen e videó előtt beszélnem kell a modell kalibrálásáról, és tudod, ez már régóta napirenden van. És ez lesz mindent ebben a videóban az idősor-elemzésről a Quant Finance számára. Remélem, élvezted. Remélem, tanultál valamit. Ez egy trükkös tér, és azt mondtam, hogy a videó elején kinyitottuk Pandora szelencéjét, és ez nagyrészt azért van, mert megtettük. Mindenkinek van véleménye az idősor-elemzésről, az idősor-elemzés hatékonyságáról. Inkább az intuitív megértésére gondolok. Ami triviális, az nem mindig az, amit kimondanak. Tehát össze akartam kapcsolni ezeket az ötleteket, tudod, amit egy diagramon megfigyelünk, a valós eseményekkel. Megnézzük az olyan dolgokat, mint egy bevételi esemény. Megnézzük a hőmérsékletet az idő múlásával. Megnézzük, ahogy fekvenyomok és megsérülök. Megnézzük a piacalkotást és az elvárás, egy ár fejlődését az idő múlásával. És azonnal, tudod, azokkal a példákkal, az összes modellünk téves. És különböző esetekben, a világ különböző állapotaiban, a modellünk még mindig hasznos a tájékozott döntéshozatalhoz a bizonytalanság közepette. És máskor nem. Tudod, amikor ezek a nagy szerkezeti változások történnek, megnézzük az olyan dolgokat, mint egy bevételi hívás, és hatalmas ugrás történik mindkét irányban, a modellünk nem fogja tájékoztatni ezt. Megnézzük a piacalkotást, ahol ez az elvárt szintünk van, akkor igen, minden bizonnyal elegendő lehet ebben a kapacitásban. Tehát érdekes. És aztán, amikor behozod az alternatív adatok ötletét, valóban tájékoztathatod a döntéshozatalt, valamilyen módon az idősor ötletével párhuzamosan. És aztán persze, ha csak behozod a gépi tanulást, akkor nemlineáris feltételes elvárásokról beszélünk. Megnézheted azt a videót. Mit tanul valójában az AI? És tudod, ez valóban szépen összekapcsolja mindezeket az ötleteket. Ezt mondva, nagyon köszönöm a figyelmet. Ha szeretnél több ilyen videót látni a jövőben, kérlek, lájkold, kommenteld, iratkozz fel. Tudasd velem, ha látni szeretnéd a jövőbeli témákat. Nézd meg a quanild-ot Discordon. Nézd meg a quankild.com oldalt. Sajátítsd el a kvantitatív készségeidet. Ezen kívül a következő videóban találkozunk.