Прежде чем перейти к статье, хочу вам представить, экономическую онлайн игру Brave Knights, в которой вы можете играть и зарабатывать. Регистируйтесь, играйте и зарабатывайте!
Статья - интервью, в котором рассказывается об исследовании влияния количества доступных данных для финансовых прогнозов на опытных и неопытных квантитативных исследователей.
Целевая аудитория: люди интересующиеся созданием торговых стратегий.
Цель статьи: осветить интересный материал.
Ахмед Гесиор — кандидат наук в INSEAD, ведущей бизнес-школе последипломного образования. В своих исследованиях он использовал платформу Quantiacs. Мы встретились с ним для интервью.
Здравствуйте, Ахмед, можете ли вы рассказать нам что-нибудь о себе и своей учебе?
Здравствуйте, я научный сотрудник, интересующийся поведением участников финансового рынка. Я считаю, что трейдинг (и финансы в целом) — отличная среда для изучения человеческого поведения, потому что у трейдеров есть очень сильные стимулы максимизировать свою прибыль, контролируя риск в рамках ограничений, в которых они работают.
Тем не менее, исследования показывают, что решения, принимаемые отдельными людьми, могут быть подвержены поведенческим предубеждениям, которые могут привести к неоптимальным решениям. Ведь мы люди! Например, Ричард Талер получил Нобелевскую премию в 2017 году за свою работу в области психологии и принятия экономических решений.
Как вы использовали Quantiacs для анализа?
В недавней исследовательской работе я использовал таблицу лидеров прошлых соревнований по торговле фьючерсами Quantiacs, чтобы исследовать конкретный элемент поведения трейдеров: как трейдеры используют данные, которые им доступны? В мире, где данных становится все больше и больше, этот вопрос имеет огромное значение, выходящее за рамки соревнований Quantiacs.
В моем основном статистическом анализе используется тот факт, что между 7-м и 8-м конкурсами фьючерсов платформа Quantiacs добавила набор макроэкономических данных для прогнозирования в торговый API. Поэтому я сравнил коэффициенты Шарпа стратегий участников до этого события с коэффициентами после него. Я измерил производительность, используя коэффициент Шарпа вне выборки (то есть в реальном времени) для лучшей стратегии каждого участника, а также измерил, насколько опытен каждый участник, подсчитав количество соревнований, в которых они принимали участие на настоящий момент.
В целом, структура Quantiacs оказалась полезной для моего исследования, потому что все трейдеры находятся в равных условиях : у них одна и та же цель, одна и та же торговая среда и горизонт, один и тот же доступ к набору данных для прогнозирования и так далее. Quantiacs предоставляет набор честных правил для всех; но для такого исследователя, как я, такой контроль потенциально искажающих эффектов (состязание, когда макроэкономические данные недоступны, за которым следует состязание, когда макроэкономические данные доступны) был очень полезным.
Каковы ваши выводы?
То, что я обнаружил, было с одной стороны ожидаемым, но с другой стороны удивительным. Я обнаружил, что, как правило, участники добиваются тем большего успеха, чем чаще они участвуют в торговых конкурсах: в среднем коэффициент Шарпа участника увеличивается в зависимости от количества конкурсов, в которых он/она принимает участие.
Этого следовало ожидать, так как предыдущие научные исследования с использованием брокерских или биржевых данных показали, что трейдеры фондового рынка также добиваются большего успеха с опытом; см., например, статью Серу, Шамуэя и Стоффмана 2010 года. Кстати, я провел статистический анализ для учета эффектов отбора, и кажется, что этот результат — не просто какой-то артефакт, связанный с присоединением или уходом трейдеров с платформы, что обнадеживает.
Таким образом, результаты улучшаются с опытом. Вы обнаружили, что использование большего количества данных также улучшает результаты?
Я обнаружил, что опытные трейдеры получали лучшие результаты, когда новые переменные были доступны им на платформе (контроль за рыночными условиями). Эти трейдеры, кажется, выиграли от доступа к новым прогностическим переменным, которые Quantiacs добавила в платформу. Логично, что разумные инвесторы должны использовать все имеющиеся в их распоряжении инструменты, в том числе и большие данные, для достижения своих целей.
В статье я провел ряд регрессионных анализов, которые проверяют статистическую значимость, но этот факт также можно наблюдать визуально на следующей диаграмме, где показаны средние значения на уровне группы.
По оси Y отложен средний коэффициент Шарпа (SR) за текущий период с учетом рыночных условий путем вычитания SR эталонного портфеля, а по оси X — количество конкурсов, в которых принял участие пользователь. Сравнение проводится между трейдерами, у которых не было доступа к новым прогностическим переменным, и теми, кто имел доступ (торгуя после того, как они были введены) с одинаковым уровнем опыта. Вы можете наблюдать закрутку в динамике производительности:
Что меня немного больше удивило, так это отсутствие влияния больших данных на неопытных инвесторов, таких как те, кто принимает участие впервые. Похоже, что они не выиграли от того, что эти переменные были им доступны: изменение торговой эффективности их стратегий статистически не отличалось от нуля при проведении регрессионного анализа. И все же, если опытные инвесторы могли воспользоваться большими данными, почему неопытные инвесторы не сделали того же?
Это интересный вопрос. Как вы считаете? Какие у вас предположения?
Я предлагаю следующую теорию: Неопытные трейдеры мало уверены в том, какие переменные будут предсказывать будущие цены активов. Это приводит к тому, что они игнорируют некоторые переменные, которые они могли бы использовать для более точных прогнозов. По мере накопления опыта они становятся увереннее и с большей вероятностью будут использовать больше данных, которые находятся в их распоряжении. Как следствие, большие данные не всегда полезны для инвесторов (хотя и не обязательно вредны).
Согласно формальной теории, инвесторы решают задачу формирования устойчивого портфеля, используя исторические данные, но руководствуясь субъективным порогом неопределенности модели, который заставляет их отбрасывать определенные прогностические переменные, и этот порог уменьшается с опытом.
Как вы проверяли свою идею, используя только общедоступную информацию от Quantiacs?
Проверить мою теорию было непросто, поскольку Quantiacs защищает интеллектуальную собственность пользователей. Что я делаю, так это численно оцениваю свою модель формирования устойчивого портфеля, используя данные о доходности портфеля, которые доступны на веб-странице Quantiacs. Данные согласуются с моей теорией: кажется, что в среднем опытные инвесторы используют больше прогностических переменных, чем неопытные инвесторы.
Каков вывод этой теории для трейдеров? Большие данные могут помочь трейдерам работать лучше, если они не боятся их использовать.
Задать вопрос автору можно на форуме.
