квантовые фонды что это
Чем обусловлен повышенный интерес к квантовым инвестициям
Квантовые фонды – это инвестиционные фонды, которые используют законы высшей математики и предиктивный метод анализа для прогнозирования цен на биржевые инструменты. Искусственный интеллект, компьютерные программы, значительные счетные мощности, наукоемкий инвестиционный процесс, ученые и разработчики вместо управляющих – то, что отличает квантовые фонды от традиционных хедж-фондов и инвестиционных компаний.
Ниже на графике демонстрируется рост индустрии квантовых фондов за последние десять лет.
Еще один крупный квантовый фонд, Bridgewater, применяет методы количественного анализа даже в системе управления персоналом – алгоритм анализирует эффективность работы сотрудников и дает рекомендации о распорядке дня.
Другой интересный пример – фонд Medallion управляющей компании Renaissance Technologies, где внедрена необычная система поощрения сотрудников. Возможность инвестировать средства в Medallion доступна только представителям Renaissance Technologies, причем от эффективности их работы напрямую зависит объем средств, который им разрешено перевести в фонд. Благосостояние «квантов» из Renaissance, средствами которых управляет Medallion, превышает ВВП многих стран. Среднегодовая доходность фонда с момента основания в 1988 г. превышает 40%.
Взрывной рост количественных инвестиций, будь то высокочастотный трейдинг, квантовые инвестиции или генетические алгоритмы, навсегда изменил рынок. Но несмотря на растущую популярность, у направления находится немало критиков. Многие аналитики уверены, что хедж-фонды, специализирующиеся на количественных методах анализа рынка, привлекают больше средств, чем «весят» сами.
Здесь стоит упомянуть и знаменитый получасовой обвал котировок на американских площадках 6 мая 2010 г., названный flash crash. Индекс Dow Jones тогда обрушился на 8,6% из-за идентичных действий торговых систем — массового закрытия позиций на фоне падения рынка. И ситуация сегодня, по мнению экспертов, становится всe больше похожа на предшествующую тому кризису. В этот раз последствия могут быть куда более масштабными, учитывая рост популярности количественного инвестирования.
По мнению противников квантовой торговли, количественные модели инвестирования изначально несовершенны, так как не могут учитывать все возможные рыночные факторы. Но ведь другие, более традиционные стратегии инвестирования не меньше подвержены влиянию «черных лебедей» и менее масштабных событий. Цены на американскую недвижимость были стабильны на протяжении десятилетий до коллапса 2006-2007 гг., который послужил началом глобального экономического кризиса.
Представители квантовых фондов не отрицают возможности нового обвала рынка. Никто на бирже не может быть застрахован от него на 100%. Для предотвращения негативных последствий «кванты» внедряют все более сложные программы риск-менеджмента, в которых совмещаются ручной и автоматический контроль. Электронная система риск-менеджмента проверяет каждую заявку, выставляемую торговыми роботами. Процесс занимает доли секунды. Одновременно в круглосуточном режиме за работой систем наблюдают сотрудники департамента рисков. Отдельное внимание уделяется корреляции торговых алгоритмов: в фондах следят за тем, чтобы у роботов была принципиально разная логика поведения. «Кванты» из JPMorgan научили торговые алгоритмы анализировать аудиовыступления финансовых аналитиков. Роботы фонда Medallion нашли связь между прогнозом погоды и котировками на биржах от Нью-Йорка до Токио. Разнообразие алгоритмов необходимо для диверсификации рисков.
В России, по данным Московской биржи, алготрейдинг генерирует 30-40% операций на торговых площадках. На срочном рынке доля транзакций, связанных с алгоритмической торговлей, может достигать 60-70%. В это число входят сделки алготрейдеров, высокочастотная торговля и квантовые инвестиции. Технически это принципиально разные подходы к систематизированной торговле, однако многие участники рынка не делают различия между этими понятиями.
Инвестиционных компаний, применяющих квантовый подход в России, пока единицы. В США это направление развивается с 1970-х гг., в России – с начала 2000-х гг. Сложность в том, что этот продукт нельзя скопировать. Поиск и построение эффективной системы возможны только при соблюдении определенных условий. Нужна команда физиков и математиков (профессии «кванта» в России не обучают, их необходимо взращивать внутри компании), огромные инвестиции в технологии, торговые серверные мощности для обработки огромного массива данных и, самое главное, – время на тестирование, поиск эффективных моделей и запуск стратегии. На все это уходит не менее пяти лет и миллионы долларов инвестиций.
Квантовый подход к инвестированию – не Грааль, но, возможно, наиболее эффективный на сегодня метод управления активами. С помощью алгоритмов невозможно предсказать будущее, можно лишь дать прогноз с определенной вероятностью. Наш прогноз будущего – оно за «квантами».
Мнения экспертов банков, финансовых и инвестиционных компаний, представленные в этой рубрике, могут не совпадать с мнением редакции и не являются офертой или рекомендацией к покупке или продаже каких-либо активов.
Количественные фонды: что интересного для программистов?
С фондовыми рынками работают не только трейдеры, но и математики и программисты. С какими массивами данных работают сотрудники количественных хедж-фондов, на что обращают внимание и какие условия в таких компаниях, рассказывает Артем Сосульников, директор по разработке ПО в Luxoft.
Квантовые хедж-фонды отличаются от классических с точки зрения финансового анализа. Такие компании используют количественный (или квантовый — от англ. quantitative) инвестиционный подход с помощью data science, статистических методов и machine learning. В классических хедж-фондах трейдер анализирует факты, оценивает показатели, общается с представителями компаний, изучает публичную информацию. Почти то же самое делают и алгоритмы, они ищут неэффективности рынков путем обработки больших массивов данных за короткое время, мониторят любые упоминания компаний в СМИ, соцсетях, даже в публичных выступлениях. Еще один из плюсов количественного подхода: автоматизированные системы не азартны в торговле — они выполняют то, что заложено алгоритмом, у них отсутствует поведенческий фактор, что снижает риски. В квантовых фондах основная работа лежит на плечах ученых, математиков и разработчиков, а не управленцев и трейдеров.
Количественные фонды за последнее десятилетие двигались вверх, удерживая наивысшую долю объема торговли на фондовых биржах США.
По данным Barclay’s на 2017 год, поток капитала в количественные фонды составлял 29%, или 114 миллиардов долларов от общей суммы средств, переданных в хедж-фонды. Финансовые компании продолжают вкладываться в количественные способы инвестиций, некоторые создают отдельные квантовые подразделения.
Компании создают так называемые «сигналы» на основе разных источников для принятия решений о покупке или продаже акций.
Кроме классических рыночных данных: цен и объемов торгов, такими источниками могут быть:
Еще один пример: поиск всех танкеров с нефтью на снимках, где с помощью длины тени на воде и времени снимка можно определить усадку корабля и соответственно объем нефти внутри танкера, что позволяет получить данные о перевозке нефти морским путем во всем мире. Сейчас эта история закрыта, так как пустые танкеры стали заливать рандомным количеством воды, но определенный промежуток времени данный сигнал активно работал.
Таких сигналов для аналитики в фонде может быть более 10 миллионов и это терабайты входных данных ежедневно. Чаще всего такие сигналы разрабатывают ресечеры — специальные люди, квант-инженеры, которые экспертно разбираются в вопросе финансов и алгоритмов.
IT-специалисты нужны как для создания инфраструктуры для обработки, преобразования и загрузки этих данных, так и для разработки и тестирования приложений для непосредственно торговли. Поэтому в хедж-фонды ищут сениоров со знанием Python, Java, C++, обладающих опытом в data science, machine learning, cloud, data lakes, big data. Стек технологий: Kafka, Cassandra, Spark, Django, Tornado и др. Не последнее место занимает знание английского языка не ниже уровня upper intermediate.
В фонды нанимают суперпрофи, экспертов. Здесь работает много математиков, поэтому нужно быть подкованным в алгоритмах, теории вероятности, теории чисел.
Опытный программист в количественном фонде занимает место опытного трейдера: фонд может получить преимущество на рынке благодаря превосходно написанному алгоритму. По данным Wall Street Journal, за лучших из лучших математиков и программистов идет борьба с Кремниевой долиной. Хедж-фонды ищут различные варианты привлечения кандидатов, предлагают льготы лучше, чем в технологических компаниях: дают столько отпусков, сколько нужно, предлагают мгновенные выплаты тем, чья работа отразилась на прибыли, устраивают хакатоны, открывают лаборатории количественных исследований для студентов Оксфорда.
Разные команды работают над разными проектами. К примеру, это может быть:
Хедж-фонды активно ищут программистов (кто сейчас не ищет), поэтому география не ограничена страной присутствия. Помимо США, где находится большинство фондов, таланты ищут и в Азии, и в России, и в Европе.
Из-за особенностей информационной и финансовой безопасности, специалистов на удалёнке в проектах количественных фондов долгое время практически не было. Пандемия внесла свои коррективы: в вакансиях иногда можно найти remote или temporary remote предложения. В некоторых компаниях предпочитают гибридный формат flexible sharedesk (часть дней сотрудник работает из дома, часть — из офиса).
Senior-инженер в квантовом фонде может заработать суммы, сопоставимые с европейскими зарплатами. Бывают дополнительные бонусы от самой компании. К примеру, мы работаем с одним из крупных американских хедж-фондов — они ввели призовой фонд для наших сотрудников и полностью его оплачивают. Это около 100 тыс. долларов в год для шести чемпионов и шести топ-перформеров, которые получат по 10 и по 5 тыс. долларов соответственно.
Самый простой вариант — мониторить вакансии конкретных компаний, второй — устроиться в компанию-партнера квантового фонда. Но нужно быть готовыми, что они отбирают минимальный процент от присланных CV.
Если вы заинтересованы в работе в квантовых фондах, но еще не слишком опытны — можно попробовать себя в формате стажировок. Они чаще всего оплачиваемы, но для этого нужно приехать в другую страну. Такие предложения, например, есть у фондов Two Sigma и Citadel с обучением в США и Китае. Можно пройти обучение и в онлайн-формате на data science модуле.
Что такое квантовые фонды и почему в них уходят лучшие разработчики?
Финтех остается одним из самых популярных и востребованных индустрий для разработчиков. И это не только блокчейн, платежные системы, личные финансы, кредитование, это и фондовые рынки. Что такое квантовые хедж-фонды, чем там занимаются программисты и почему они на вес золота, рассказывает Артем Сосульников, директор по разработке ПО в Luxoft.
Что такое квантовые хедж-фонды?
Квантовые хедж-фонды отличаются от обычных хедж-фондов с точки зрения финансового анализа. Такие компании используют количественный (или квантовый — от англ. quantitative) инвестиционный подход с помощью Data Science, статистических методов и ML. В классических хедж-фондах трейдер анализирует факты, оценивает показатели, общается с представителями компаний, изучает публичную информацию — он может управлять портфелем из десятков бумаг. Почти то же самое делают и алгоритмы, они ищут неэффективности рынков путем обработки больших массивов данных за короткое время, мониторят любые упоминания компаний в СМИ, соцсетях, даже в публичных выступлениях. Еще один из плюсов количественного подхода: автоматизированные системы не азартны в торговле — они выполняют то, что заложено алгоритмом, у них отсутствует поведенческий фактор, что снижает риски. В квантовых фондах основная работа лежит на плечах ученых, математиков и разработчиков, а не управленцев и трейдеров.
Количественные фонды за последнее десятилетие двигались вверх, удерживая наивысшую долю объема торговли на фондовых биржах США.
По данным Barclay’s на 2017 год, поток капитала в количественные фонды составлял 29%, или 114 миллиардов долларов от общей суммы средств, переданных в хедж-фонды. Финансовые компании продолжают вкладываться в количественные способы инвестиций, некоторые создают отдельные квантовые подразделения.
Как работают квантовые фонды?
Компании создают так называемые «сигналы» на основе разных источников для принятия решений о покупке или продаже акций.
Кроме классических рыночных данных: цен и объемов торгов, такими источниками могут быть:
Данные геолокации телефонов — на основе которых осуществляется мониторинг посещаемости сетевых кофеен и кафе быстрого питания для прогнозирования увеличения или уменьшения доходов и впоследствии прогнозирования цены на акции этих компаний.
Спутниковые изображения — наблюдение за количеством автомобилей, припаркованных возле сетевых универмагов или кафе позволяет прогнозировать объем продаж, соответственно и цены на акции.
Еще одни пример: поиск всех танкеров с нефтью на снимках, где с помощью длины тени на воде и времени снимка можно определить усадку корабля и соответственно объем нефти внутри танкера, что позволяет получить данные о перевозке нефти морским путем во всем мире. Сейчас эта история закрыта, так как пустые танкеры стали заливать рандомным количеством воды, но определенный промежуток времени данный сигнал активно работал.
Календарь национальных праздников во всех странах, где в конкретные дни традиционно дарят определенные драгоценные металлы — с учётом этого можно спекулировать на их стоимости.
Транзакции карт-провайдеров (VISA, MasterCard, etc.) — это триллионы операций (если не больше), которые парсятся с помощью machine learning для суммирования транзакций по всем компаниям, представленным на биржах. Благодаря этому фонд получает доступ к примерной аккумулированной выручке и может раньше публикации квартальных отчетов понимать ситуацию в каждой конкретной компании.
Таких сигналов для аналитики в фонде может быть более 10 миллионов и это терабайты входных данных ежедневно. Чаще всего такие сигналы разрабатывают ресечеры — специальные люди, квант-инженеры, которые экспертно разбираются в вопросе финансов и алгоритмов.
А что же программисты?
IT-специалисты нужны как для создания инфраструктуры для обработки, преобразования и загрузки этих данных, так и для разработки и тестирования приложений для непосредственно торговли. Поэтому в хедж-фонды нужны специалисты со знанием языков Python, Java, C++, React и обладающие опытом в data analysis, big data, data quality, data science, ETL, machine learning и др.
Звездный программист в квантовом фонде занимает место звездного трейдера: фонд может получить преимущество на рынке благодаря превосходно написанному алгоритму. По данным Wall Street Journal, за лучших из лучших математиков и программистов идет борьба с Кремниевой долиной. Хедж-фонды ищут различные варианты привлечения кандидатов, предлагают льготы лучше, чем в технологических компаниях: дают столько отпусков, сколько нужно, предлагают мгновенные выплаты тем, чья работа отразилась на прибыли, устраивают хакатоны, открывают лаборатории количественных исследований для студентов Оксфорда.
Что делает Luxoft для хедж-фондов?
Мы работаем с одним из крупных американских квантовых хедж-фондов. Непосредственно наши команды участвуют в 90% проектов заказчика, таких как:
построение систем Data Lakes и Big Data Storages с использованием HDFS, Spark и Java;
написание Data Managers на С++, которые объединяют данные в один формат, а также разработка плагинов для преобразования данных из разных форматов в единый;
написание системы симуляции поведения рынков на исторических данных — специального программного комплекса, который симулирует весь рынок. В него можно загрузить любую стратегию. К примеру, мы же знаем, как закончился прошлый год, а для стратегии это неизвестно. Она как бы будет в ускоренном темпе проходить рынок, а сотрудники фонда будут анализировать результаты — верно ли стратегия советует что-то приобрести или продать.
настройка инфраструктуры с использованием виртуализации и кластеризации AWS, K8S и Docker;
создание распределенных систем на основе Kafka и Cassandra;
решение задач DataScience c использованием NLP (natural language processing), numPy, Pandas, NLTK и Pyhton;
разработка на Atlassian стеке;
инфраструктурные проекты, связанные с подсчетом выручки, с репортингом в регулирующие органы, внутренним репортингом на Django, Tornado и Flask/
Чуть-чуть про условия работы
Мы работаем с коллегами по всему миру, у хедж-фонда 18 локаций, где находятся сотрудники — от США до Сингапура. Сотрудники Luxoft располагаются в Санкт-Петербурге и в Гвадалахаре (Мексика). Глобальность компании позволяет создавать общие решения нон-стоп. К примеру, в Азии открывается тикет, его подхватывают европейские города, далее США и Мексика и опять эстафетная палочка передается азиатским коллегам. Разница во времени не ощущается, т.к. американские коллеги митинги ставят уже в 7 утра.
Из-за особенностей с информационной и финансовой безопасностью, удаленщиков в проектах квантовых фондов долгое время практически не было. Сейчас ситуация изменилась: мы перешли к комбинированному формату flexible sharedesk (часть дней сотрудник будет работать из дома, часть — из офиса), но всё-таки предпочитаем видеть коллег и нанимать специалистов в Петербургский офис.
Senior-инженер в квантовом фонде может заработать большие суммы, сопоставимые с европейскими зарплатами. Так что в финтех-проектах с компенсацией не обижают. Есть дополнительные бонусы от самого хедж-фонда — они ввели призовой фонд для наших сотрудников и полностью его оплачивают. Это около 100 тыс. долларов в год для шести чемпионов и шести топ-перформеров, которые получат по 10 и по 5 тыс. долларов соответственно. Каждый квартал компания выделяет чемпионов, они набирают баллы. Но тут важно постоянство — если просел в одном квартале, то в рейтинг чемпионов уже навряд ли попадешь.
Кого обычно ищут в хедж-фонды?
Нанимают суперпрофи, экспертов, уникумов. В хедж-фонде в команду попадает около 1% от поступивших CV, эта индустрия очень популярна, соответственно, тут большая конкуренция за место.
Ищут сеньоров в Java, C++ и Python, также DevOps-инженеров. Стек технологий: Kafka, Cassandra, Spark, Django, Tornado и др.
Как уже говорил в начале, здесь работает очень много ученых и математиков, поэтому нужно быть подкованным в алгоритмах, теории вероятности, теории чисел, для некоторых специалистов желателен опыт в data science, machine learning, cloud, data lakes, big data.
При собеседовании на позиции Python и Java мы даём тестовые задания. Для других позиций есть внутреннее интервью и обязательное интервью с заказчиком, иногда даже два. Фонд очень тщательно отбирает кандидатов и готов работать только с лучшими из лучших. Если хотите отправить резюме, детально распишите опыт, что и когда делали, какие технологии использовали — это важно, как и знание английского языка не ниже уровня upper intermediate.
Все еще сомневаетесь? Вот 5 причин, почему работать в квантовом фонде интересно:
Современные технологии и атмосфера стартапа. Фонд сразу же применяет новые стандарты языков, никакого легаси; использует виртуализацию и кластеризацию, запускает проекты Grid computing на базе Slurm и HTC Kondor;
Уникальная fintech-область. Квантовые алгоритмы и использование data science и machine learning в реальной продакшн торговле, настоящая BigData — до 10 петабайт новых данных в день;
Лучшие специалисты senior уровня во всех командах. Нет джунов, очень мало регуляров. В самом фонде работают сотни ученых мирового уровня, более 50 бывших сотрудников Google, Microsoft и Apple топового уровня. В Luxoft-команде собраны сливки IT-сообщества Санкт-Петербурга;
Высокие зарплаты, на 20-25% превышающие средние по рынку;
Перспективы роста внутри проектов. Трое ребят стали тим лидами, один стал деливери менеджером, многие перешли с уровня senior на expert за полтора-два года.
Узнайте еще больше о работе в квантовом фонде в Luxoft и присоединяйтесь к нашей команде!
«Мыслить финансовыми моделями»: Кто такие кванты и как ими стать
Редактор блога Turing Finance и, по совместительству, финансовый аналитик хедж-фонда Стюарт Рид опубликовал практическое руководство для тех, кто видит свое будущее на финансовом рынке, исходя из своего опыта работы в профессии. Он обещает рассказать не о том, как стать квантом, а как быть им в любом из секторов финансовой индустрии, в котором вы сейчас работаете. По его мнению, это даже не вопрос выучки, но, скорее, вопрос идеологии. Представляем вашему вниманию адаптированный перевод этого материала.
Количественные методы или количественный анализ в индустрии финансов – это наука, но никак не профессия, считает Рид. Это значит, что знание того, как стать квантом ничего не прибавляет к вашим умениям. Нужно знать, как быть им. Во втором случае мы говорим о принципах и идеологии, лежащей в основе количественного анализа. В первом варианте – речь о том, чтобы проявлять некие практические активности, чтобы получить работу, где в описании стоит слово «квант».
На базовом уровне быть квантом – еще не означает умения выводить изощренные формулы для оценки возможностей диковиной стохастической модели. Это еще не означает создавать, обучать и тестировать стратегии трейдинга, использующие модель статистической регрессии. Быть квантом – значит, верить, что научные модели годятся для общего анализа финансовых рынков.
Подобная идеология набрала вес при оценке деривативов, потом перешла на риск-менеджмент, управление активами и биржевую торговлю. Вероятно, в ближайшее десятилетие мы сможем наблюдать распространение этого подхода в сфере корпоративных финансов, в венчурных и банковских инвестициях.
Философия науки
На последнем курсе по компьютерным наукам автор вместе с остальными студентами потратил год на создание модуля под названием «методологии исследования». В его основе лежали два учебника: «Философия науки: от проблем к теории» и «Философия науки: от объяснения к обоснованию». Обе написаны Марио Бунге. Несмотря на все попытки преподавателя сделать этот предмет скучным, насколько это возможно, автору нравилось изучать философию. Многие идеи модуля оказались востребованы в дальнейшей практике.
Собственно, сам предмет «философия науки» повествует о логических основаниях, методах и выводах науки. Проще говоря, он пытается ответить на вопросы: что такое наука? Как это работает? Каковы пределы научного знания? В истории было дано множество ответов на эти вопросы. Нередко противоположных. Их можно свести к нескольким направлениям: реализм, эмпиризм, инструментализм и индукция, логический позитивизм и фальсифицируемость.
Реализм против эмпиризма
Реализм уверен в том, что наука занимается в своих исследованиях реальным миром, а не той его конструкцией, которая дана лишь в ощущениях. Напротив, эмпиризм, исходит из положения о том, что все, что мы знаем, мы знаем через органы чувств. Значит, наше знание является временным и ограниченным.
Главным аргументом в пользу реализма может стать точность научных теорий. Если мы имеем теорию достаточно точную, чтобы с ее помощью быть способными предсказывать будущее состояние системы, значит, мы описываем реальный мир. В большей степени это справедливо для физических наук. В финансовом мире любая теория будет ограниченной в своих возможностях предсказания и подчиненной искажениям.
Дедукция, индукция и абдукция
В философии науки мы различаем несколько форм логических рассуждений.
Количественные теории рынка построены на индукции через эмпирические наблюдения. Подобные теории легко опровергаются при наличии противоречащих друг другу данных. Они могут быть стройными на бумаге, но на практике чаще всего являются предметом веры своих приверженцев, которые упускают факты, не вписывающиеся в модель.
Читатель, наверняка, уже задается вопросом, как философия науки помогает стать квантом? Ее идеология важна для понимания ограничений возможностей нашего знания о финансовых рынках. Как бы глубоко финансовые теории не были укоренены в эмпирических данных, не казались непогрешимыми, они хрупки по своей природе. К ним относятся все популярные предпосылки количественных моделей: возвраты нормального распределения, линейность, стационарность, гипотезы случайных блужданий и эффективности рынка.
Научный метод
Научный метод помогает сделать мышление более четким и строгим и увеличить тестируемость модели и проверяемость, лежащих в ее основе гипотез.
Научный метод – это непрерывный процесс, включающий систематические наблюдения, количественные измерения, эксперимент, получения гипотез, проверку гипотез и их совершенствование. Автор предлагает пройти весь путь научного метода на примере теории случайных блужданий.
Наблюдения
В контексте финансовых рынков мы обычно извлекаем полезную информацию из книг, статей, средств массовой информации и даже иногда, почитывая хорошие (или не очень) блоги на заданную тематику. Что мы в них находим? Во многих академических изданиях имеется утверждение о том, что рынок ведет себя случайным образом, в нем действуют стохастические процессы.
Здесь важно начать задавать вопросы. Первые вопросы, которые помогут нам как-то оценить данное предположение могут быть самыми простыми: кто, что, когда и зачем? Попробуем посмотреть с этой точки зрения на гипотезу случайных блужданий.
Формирование гипотезы
Гипотеза – это декларативное утверждение, которое обосновывает взаимоотношения между набором переменных. Хорошая гипотеза должна быть лаконичная, проверяемая, учитывающая весь предыдущий накопленный опыт исследований. Возьмем, для примера, следующие интересные идею, которую прислал автору один из постоянных читателей его блога.
Возвраты рынка демонстрируют случайность, поскольку рынок способен быстро адаптироваться, чтобы избавиться от любых слабых мест.
Мысль хорошая. Но сама по себе гипотеза так себе. Многие термины не определены, слишком много всего намешано в одну кучу, и ее не так-то просто проверить. Попробуем разбить эту гипотезу на несколько отдельных.
Гипотеза 1. Движения рынка (вверх или вниз) неотличимы от бинарных случайных последовательностей Мартина-Лёфа.
Разбор автором гипотезы случайного блуждания, привел его к выводу, что рынок не является случайным, по крайней мере, в таких жестких терминах. Вслед за этим появляется множество других вопросов, требующих дополнительных исследований. Следовательно, эту новую гипотезу можно разбить еще на две части.
Гипотеза 2. Эффективность рынка, временная доступность всем участникам любой информации, вынуждает рынок развиваться случайно.
В одном из следующих материалов автор обещает рассказать, как проверить эту гипотезу на истинность. Пока же, тем, кто интересуется, можно почитать две статьи на эту тему: «Неприятие рисков и мартингальное свойство рыночных цен», Ле Рой, 1973 год, и «Цены на активы в экономике обмена», Лукас, 1978 год. (по ссылке оба материала почему-то недоступны – прим. переводчика). В них исследователи пытаются выяснить, как влияет доступ к информации рациональных агентов рынка на случайное распределение цен. В общих чертах вывод таков: свободный доступ к данным может вести к случайному движению рынка, а может и не вести. То есть эффективность еще не означает случайность.
Далее все это нас приводит к третьей гипотезе, которую исследуют относительно редко, по причине того, что ее сложно проверить.
Гипотеза 3. Вне зависимости от того, развивается ли рынок случайно или нет, все возможности заработать на нем вымываются слишком быстро, чтобы инвесторы успели построить постоянную эффективную стратегию.
Эта гипотеза не слишком лаконична и декларативна. Ее довольно сложно опровергнуть или подтвердить. То есть по всем параметрам она не так изящна, как предыдущие. Поэтому на данном этапе ей можно пренебречь.
Разработка тестируемых прогнозов
Для того чтобы построить прогноз, нужно для начала определиться, верна ли ваша гипотеза. Затем следует понять, какие величины включать в прогноз. Например, если мы за базовую берем первую гипотезу, то возвраты рынка (вверх или вниз) можно проверить и рассчитать с помощью набора статистических тестов NIST. Их поведение должно соответствовать бинарной последовательности Мартина-Лёфа. В одном из прошлых постов автор уже проделывал эту операцию, используя генератор псевдослучайных чисел под названием «Вихрь Мерсенна». Выяснилось, что данная гипотеза неверна.
Многие люди совершают одну и ту же ошибку: они уверены, что в исследовании все дело в одной объективности. На самом деле, не так уж важно, верна гипотеза или ложна. Важно, что при любом раскладе мы приносим новую информацию в научное знание по конкретной проблеме.
Для того чтобы проверить вторую гипотезу, придется пойти на шаг дальше: создать модель базового агента, в которой эффективность будет гарантирована. Из этой модели мы затем извлечем последовательности возврата и протестируем их на предмет случайности. О моделях будет рассказано чуть ниже.
Сбор данных для проверки предсказания
Название этого этапа говорит само за себя. Единственная вещь, о которой стоит предупредить: данные для проверки нужно брать из реального мира (эмпирические данные). На крайний случай, они могут происходить из модели, соответствующей гипотезе. Оба подхода имеют свои плюсы и минусы. С эмпирическими данными многое зависит от того, как вы их измеряете, собираете и храните. Имитирующие данные предполагают, что выполнение модели было сделано корректно.
Уточнение или опровержение гипотезы
Опираясь на собранные данные, мы можем ответить на вопрос, были ли предсказания верны, и подтвердили ли доказательства нашу гипотезу. Важно отметить, что при положительном варианте, речь идет лишь о поддержке гипотезы. Доказать, что она верна мы не можем. Во втором случае, гипотеза считается ложной.
Создание общей теории
Итак, мы собрали достаточное число гипотез, тщательно их протестировали. Теперь мы можем собрать из них одну общую теорию. Например, для теории портфельного выбора потребовались десятки лет исследований взаимоотношений между риском и прибылью, прежде чем она была принята научным сообществом. На момент публикации докторской диссертации Марковицем, в теорию портфеля практически никто не верил. Ему даже хотели отказать в присуждении степени доктора экономических наук.
История, по правде говоря, весьма поучительная. Если ваша идея непопулярна, это еще не значит, что она неверна. Сообщество финансистов очень консервативно. Устаревшие идеи и подходы здесь отстаиваются с почти религиозным пафосом и серьезностью. В навыки кванта как раз и входит умение смотреть на этот мир объективно и постоянно бороться с мифами о финансовых рынках. Забудьте о консенсусе, занимайтесь поиском истины.
Мыслить моделями
Как стать квантом? Оформляйте свои идеи в модели. Затем пользуйтесь этими моделями, чтобы упорядочить свое мышление, проверить и обосновать свои идеи, выявить скрытые паттерны.
Модель – это репрезентация отдельных объектов или процессов, существующих в реальном мире. Для построения моделей кванты используют методы математики и компьютерных наук. Квант, например, может собрать модель рисков, сопряженных с конкретных портфелем активов. Почему на первый план выдвинуты именно модели? Тем более что некоторые полагают, что такой тип мышления лежал в основе финансового кризиса 2008 года.
Модели помогают нам более ясно мыслить
Развивая идею до уровня подходящей модели, сделанной в коде или прописанной в математических формулах, не важно, заставляет более четко видеть смысл, достоинства и недостатки самой идеи. Мы смотрим на умозрительные вещи в терминах инпутов, аутпутов и технологических процессов. Через модель и процессы можно обнаружить недостающие части и исправить неточности.
Модели проверяемы, интуиция нет
Как только идея была систематизирована и закодирована в модель, она становится проверяемой. В конечном итоге, мы можем увидеть, насколько идея соответствует реальному раскладу вещей. Возьмем, для примера, стохастическую модель броуновского движения в применении к рынку ценных бумаг. Как она соотносится с реальным миром? Учитывает ли они падения рынков? Учитывает ли она периоды высокой и низкой волатильности? Ответ, разумеется, отрицательный. Все это заставляет нас заняться разработкой более качественной стохастической модели: модели диффузионных скачков Мертона и модели стохастической волатильности Хестона.
Другой, общий вариант проверки модели – посмотреть, как она ведет себя на исторических данных. Возьмем обычную инвестиционную стратегию смещенного значения. Пока она зиждется на интуиции брокера, нельзя проверить, могла ли она приносить хорошую отдачу в прошлом. Можно лишь верить словам финансового управляющего, что он хорош в своем деле.
Модели помогают находить скрытые паттерны
Забудьте на время про поиск паттернов с помощью машинного обучения и нейронных сетей. Даже отжившие простые модели могут находить скрытые паттерны и открывать новое понимание привычных вещей.
Возьмем пример из другой области. Сколько, по вашему мнению, человек в отдельном городе должны быть расистами, чтобы уровень расовой сегрегации достиг 80%? Ученые выяснили, что достаточно, чтобы 30% людей были расистами для возникновения расовой сегрегации в относительно изолированном обществе. Все это можно просчитать с помощью старой модели сегрегации Шеллинга. И таких примеров, когда модель открывает нам новое знание о привычных вещах, масса. Тем, кто интересуется, автор советует пройти курс понимания моделей на Coursera.
Математические или компьютерные модели помогают нам отойти от умозрительных построений и снять когнитивную нагрузку на отдельного человека. Проще говоря, они делают нас умнее. Гораздо умнее.
Заключение
Количественные финансы – это идеология, и быть квантом – значит намного больше, чем быть просто математиком или знать, как писать код. Это история о приверженности научному методу и способности его применять для изучения финансовых рынков в целом. Учитывая это, автор дает единственный совет тем, кто намеревается стать квантом: просто будьте им, вне зависимости от названия своей должности. Нет причин для того, чтобы фундаментальные принципы и количественные методы нельзя было бы применить для других сфер финансовых услуг или даже для нефинансовых компаний. Вполне вероятно, что через десяток лет станет привычным и количественное банковское инвестирование и количественный венчурный капитализм. Даже если вы сможете просто грамотно расписать принципы этой идеологии на своем собеседовании, это уже будет большим плюсом.