Alpha Predator ™: elemzési teljesítmény

Amikor az Alpha Predator ™ -ot utoljára megfigyelték az APM II-ben, megvizsgáltuk, hogyan alkalmazza a gépi tanulást algoritmusainak a piaci feltételeknek megfelelő optimalizálására - megállapítva, hogy körülbelül 10 billió paraméter-kombinációra van szükség az alapjául szolgáló szisztematikus modellek optimalizálásához, ami 54 milliárd évet igényel a futtatáshoz ezeket a lehetőségeket manuálisan végezheti el. Az Alfa ragadozó lehet kozmológiai entitás, de mivel ez hosszabb, mint az univerzum kora, és lehetetlen manuálisan elvégezni egyetlen emberi életben, Bayes-féle optimalizálási módszereket alkalmaznak ezeknek a különféle paramétereknek néhány órán belül történő optimalizálására.

Néhány hónapos élő tesztelés mellett az Alpha Predator teljesítményét övünk alatt, ideális alkalom, hogy megvitassuk ezt a teljesítményt, a két évvel ezelőtt visszatesztelt előadásunkkal együtt. Mivel 2017 és 2018 rendkívül eltérő évek voltak a digitális eszköz világában, érdekes megnézni, mit tudhatunk meg az Alpha Predator viselkedéséről e két látszólag eltérő időszakban.

Teljesítmény-összefoglaló

Ha a kriptovalutákkal kapcsolatos információk egységes formát öltenek 2017-ben és 2018-ban, akkor egy gyönyörű parabola lenne az ég felé, amikor 2017-ben egészen a hold felé lőn, csak 2018-ban esik vissza a Földre. Mind a bitcoin, mind az ethereum 72 %, ill. 80% parabolikus csúcsukból. A Hedge Fund Research szerint a HFR Cryptocurrency Hedge Fund index 69,8% -kal csökkent, ami azt jelzi, hogy az ezen a téren lévő alapok többsége nem tűnik megfelelően összpontosítva a kockázatkezelés fedezésére.

Mint ilyen, óriási lehetőséget látunk a digitális eszköz világában, hogy hagyományosabb kockázatkezelési megközelítést alkalmazzunk erre a zavaróan ingatag helyre. A folyamatos kiválóság iránti törekvésünk során nemrégiben elértünk egy magasabb elemzési szintet, kombinálva a részvények kockázatkezelésének hagyományos módszereit a mesterséges intelligenciával és a gépi tanulással, hogy modern kvantitatív stratégiákat dolgozzunk ki a portfólió kockázatának fedezésére az új digitális eszköz világában. Ideális esetben olyan parabolikus mozdulatok során, mint amilyeneket 2017-ben láttunk, stratégiáink arra törekszenek, hogy a piac 80% -át fejjel felfelé és 40% -át lefelé tartsák. Míg a legtöbb alap 2018-ban jelentős mennyiségű tőkét veszített el, stratégiáink hátterei kitűnő munkát végeztek a lefelé mutató kockázat kezelésében, és örömmel jelentjük be, hogy három stratégiánk hátralévő részei mind 2018-ra készültek.

A stratégia áttekintése

Az Alpha Predator kozmológiai függönye mögött kvantitatív csapatunk számos kiegészítő stratégiát fejlesztett ki - mindegyiket a digitális eszköz világában a kockázatok kezelésére építettük. Jelenleg három kvantitatív modellünk van a gyártásban, számosukkal a fejlesztés különböző szakaszaiban. A jelenleg gyártott modellek a következők:

• Szisztematikus - Bitcoin

• Szisztematikus - Ethereum

• A token elforgatása

Stratégiáinkat a kezdetektől kezdve úgy alakítottuk ki, hogy kihasználjuk azokat a jelentős alfa lehetőségeket, amelyeket a digitális eszközpiacokon látunk. Úgy gondoljuk, hogy a jelenlegi piaci környezet a kialakuló infrastruktúra, a törött tőzsdei piacok és a nem likviditás mindenütt jelenléte miatt érett az alfa-betakarítás.

Rendszeres áttekintés

Az AlphaPredator ™ szisztematikus kvantitatív modellek (először az APM I-ben tanulmányoztak) mérik a piaci irányt, a sebességet, a volatilitást és az árfelosztást az algoritmusok kategorizálásához és testreszabásához a jelenlegi piaci környezethez. Részleteket arról, hogy modelljeink hogyan működnek kódszinten, a Tech Corner-ben találhat. Az algoritmusok expozíciót kívánnak hozzáadni, amikor a piac megerősíti a növekvő tendenciát. Hasonlóképpen, amikor a trend fennsík vagy megfordul, a modell célja az expozíció csökkentése. A modellek a pozíciók megadására koncentrálnak, amikor kiszámítják az átlag feletti profit valószínűségét, és az expozíció eltávolítására, amikor az algoritmusok szerint a nyereség valószínűsége csökken vagy nem létezik. Rendszeres stratégiáink általános célja, hogy a piac 70–80% -át fejjel, a lefelé mutató érték 40–50% -át, és körülbelül a mögöttes eszköz volatilitásának felét biztosítsák. A modellek célja a kockázat / haszon arány maximalizálása a Sharpe, a Sortino és a negatív kockázati mutatók mérésével - mindezt valós időben.

Rendszeres Bitcoin teljesítmény

Az alább bemutatott szisztematikus Bitcoin teljesítménymutatók a 2018. október 15-től2018. December 31-ig tartó élő tesztek eredményeit képviselik, és adott esetben a legfrissebb eredményeket 2017. január 1. és 2018. október 15. között.

Rendszeres Bitcoin teljesítmény

Szisztematikus Ethereum teljesítmény

A szisztematikus-ETH teljesítménymérő mutatóink az élő teszt eredményeit képviselik 2018. december 13-tól2018. December 31-ig, és a legfrissebb eredményeket 2017. január 1. és 2018. december 13. között, adott esetben.

Szisztematikus Ethereum teljesítmény

A token elforgatásának áttekintése és teljesítménye

Az AlphaPredator Token Rotation stratégia célja az expozíció növelése, ha a piac felfelé mutató tendenciájú környezetben van. A modell elemzi a 15 legjobb digitális eszközt piaci kapitalizáció alapján, és a négy legjobban teljesítő eszközbe fektet be, az ezen eszközök egymással szembeni sebessége és teljesítménye alapján mérve. Ha azonban úgy tűnik, hogy egyes digitális eszközök negatívan visszafordítják tendenciájukat, a modell célja, hogy megvédje a lefelé mutató kockázatot azáltal, hogy ezeket az eszközöket készpénzre forgatja. A modell bármikor 0–100% -ot fektethet be.

Míg a szisztematikus stratégiák a kockázat korlátozására koncentrálnak a mögöttes eszköz alapján, a token-rotációs stratégia kockázatkeresõ, ha a modell úgy számolja, hogy nagy valószínûséggel lehet felfelé tendenciáló piac. A Token Rotation modell hosszú távú célja az, hogy a HFR kriptovaluta-indexe felfelé mutató értékének 120% -át, a lefelé mutató érték 60% -át, a volatilitás körülbelül 60% -át megcélozza.

Rövid megjegyzés a token elforgatásáról: Tekintettel az altcoinok gyenge mennyiségére, összehasonlítva a nagy sapkás kriptovalutákkal, például a Bitcoin, az Ethereum és az XRP, a stratégiához kiosztható tőkemennyiség súlyos korlátozásokkal jár.

Token Rotation Performance

Az alsó korreláció diverzifikálása

Amint az a fenti backtest statisztikákból kitűnik, stratégiáink 2017-ben felfelé tartottak, és 2018-ban megvédték a lefelé mutató kockázatokat. Az egyes stratégiákat jelenleg a teljesítmény nyomon követése érdekében külön-külön futtatják, ám ezek a stratégiák kiegészítik egymást, ezért egyidejű futtatásukkor egyensúlyba kell hozniuk a kockázatot és alacsonyabb korreláció az általános piacokkal. A modern portfólióelmélet felhasználásával testreszabhatjuk a kockázatcsökkentő stratégiák (piaci semlegesség) és a hozamfokozó stratégiák (szisztematikus és token-rotáció) optimális kombinációját. Az eredményül kapott optimálisan kevert stratégiának maximalizálnia kell a Sharpe és a Sortino arányokat, korlátoznia kell a lefelé mutató kockázatot, és olyan visszatérési áramot kell tartalmaznia, amely kevésbé ingadozik, mint amelyet a hagyományos piaci stratégiákkal lehetne elérni.

Optimális keverékteljesítmény és elosztás

Mi a következő lépés?

Kvantitatív csapatunk folyamatosan optimalizálja algoritmusainkat - új jeleket épít be és fejleszti az infrastruktúrát - mindezt azzal a céllal, hogy skálázható megoldásokat hozzon létre, amelyek megfelelően kezelik a kockázatokat.

Az alábbiakban bemutatunk egy kis mintát arról, hogy mi a csapatunk jelenleg dolgozik:

1. Szisztematikus stratégia - Frissítés a v1-ről v1.5-re: A jelenlegi modell (v1.0) 100% hosszú vagy 100% készpénzt különít el. A közelgő korszerűsítés számos jelet fog tartalmazni, a pozíciókba lépve és kívül helyezkedve el, hangsúlyt fektetve a fejjel lefelé mutató felfogás fokozására és a hátrányos kockázatok korlátozására.

2. Token-rotációs stratégia - Skála létrehozása: A jelenlegi Token Rotation-modell korlátozott tőkével rendelkezik, mivel a kisebb piaci kapitalizációjú digitális eszközökhöz való allokáció rotációs aspektusa miatt. A tıkekezelést úgy méretezzük, hogy beépítjük a hosszú és rövid távú jelek alapján allokálható többtényezıs modellt azzal a céllal, hogy lelassítsuk a portfólió forgalmát és növeljük a stratégia számára elosztható tıkemennyiséget.

3. Piaci semleges stratégia - jövedelmezőség és méretezhetőség: Noha a frissítésben még sokat nem beszéltünk a piaci semlegességű stratégiáinkról vagy a stratégia számáról, a csapatunk jelenleg a rendszer teljesítményének fejlesztésén és fejlesztésén dolgozik, szemben a teljes hozammal. . Számos stratégiánk van a fejlõdés különbözõ szakaszaiban, ideértve az árfolyam arbitrázsot, a statisztikai arbitrázsot, a stabil érme arbitrázsot és a piaci kialakítást. Az elkövetkező néhány hónapban ezeket a stratégiákat vezetjük be, miután átjutottak a szigorú tesztelési környezetünkön.

4. Rövidzárlat: Jelenlegi modellünk a hosszú pozíciók elfoglalására vagy a készpénz bevezetésére összpontosít. Ez szándékos volt, mivel prioritásként kezeltük a volatilitás csökkentését és az expozíció hosszú pozíciókon keresztüli hozzáadását. A legtöbb forgatókönyvben a rövidítést pozíciónak, nem pedig fedezeti ügyletnek tekintjük, amely volatilitást adna a portfóliónak, ellentmond a célunknak. Miután véglegesítettük hosszú torzítású pozícióinkat, megvizsgáljuk azokat az algoritmusokat, amelyek célja a teljesítmény rögzítése a negatív mozdulatok révén a rövid pozíciókon keresztül.

Következtetés

Ahogy a nap újabb Alpha Predator papírra nyugszik, a folyamatos önoptimalizálás folytatódik. Mivel a gépi tanulási algoritmusok szorgalmasan működnek a ragadozó csontok között, stratégiáink sokkal szigorúbbak és hatékonyabbak lesznek - jóak azokba az alfa-hasadékokba való bejutáshoz, amelyek a legtöbb számára nem elérhetőek. Folytatjuk az optimalizálást, és reméljük, hogy folytatja az olvasást.

Ezt a kiadványt a Blockforce Labs, LLC fejlesztette ki. A Blockforce Labs, LLC egy kutatóintézet, és nem regisztrált befektetési tanácsadója, és nem működik bróker-kereskedőként sem szövetségi, sem állami értékpapír-törvények szerint. Ez a kiadvány csak szemléltető célokat szolgál, és információkat tartalmaz a kereskedési stratégiák elméleti (utólagosan tesztelt és élőben tesztelt) teljesítményéről. A bemutatott elméleti eredmények nem valós eredmények, és a tényleges eredmények lényegesen eltérhetnek az itt bemutatottaktól. A múltbeli teljesítmény nem garantálja a jövőbeli eredményeket. Ez a kiadvány nem értékesítési ajánlat, vagy bármely befektetés iránti érdeklődés megvásárlására irányuló ajánlat kérése. Nem lehet közvetlenül befektetni egy stratégiába. A fentiekben tárgyalt stratégiák menedzseltek, és nem vetnek fel menedzsmentdíjat, tranzakciós költségeket, adókat vagy egyéb befektethető termékekkel kapcsolatos költségeket. Az itt bemutatott elméleti eredményeket „bruttó díjjal” mutatjuk be, anélkül hogy levonnánk azokat a potenciális díjakat, amelyeket a menedzser vagy a kereskedési stratégiát alkalmazó tanácsadó felszámítana. Az elméleti eredmények nem tükrözik a befektetési tanácsadók által felszámítandó külön tanácsadói díjat (például egy 10 éves időszakra felszámított 1% -os tanácsadói díj csökkentené a 10% -os éves hozamot 8,9% -os hozamhoz). Az eredmények tükrözik egy olyan stratégia teljesítményét, amelyet nem kínáltak a befektetőknek, és NEM jelentenek olyan megtérülést, amelyet bármely befektető ténylegesen elért.

Az elméleti teljesítmény eredményeinek lehetnek velejáró korlátai, és az élő befektetések tényleges hozama lényegesen eltérhet a bemutatott feltételezett hozamoktól. Noha ezt az információt jóhiszeműen készítették el, vannak benne rejlő korlátozások, amelyeket a címzetteknek gondosan mérlegelniük kell. Az elméleti teljesítmény eredmények nem mutatják be azt a hatást, amelyet a lényeges gazdasági és piaci tényezők befolyásolhatnak a kereskedési stratégiára vagy a befektetési tanácsadói döntéshozatali folyamatra, ha az tanácsadó ténylegesen kezeli a befektetői alapokat. Különböző piaci és / vagy gazdasági feltételek, eltérő elosztási méret, eltérő díjak vagy különböző feltevések eltérő eredményeket eredményezhetnek. Az utólagosan ellenőrzött teljesítményt utólagos látásmód fejlesztésével fejlesztették ki, és beépített korlátai vannak. Az utóteszt eredményeit egy modell visszamenőleges alkalmazásával számítják, amelyet a múltbéli adatok alapján állítottak elő, és a modellbe beépített feltételezések alapján, amelyek lehetnek vagy nem tesztelhetők, és veszteségeknek vannak kitéve. Az általános feltevések között szerepel: a modell által ajánlott eszközöket meg lehetne vásárolni, és a piacok elég likvidek voltak ahhoz, hogy minden kereskedelmet lehetővé tegyék. Ezen feltételezések változásai jelentős hatással lehetnek a bemutatott utólag ellenőrzött hozamokra. Bizonyos feltételezéseket modellezési célokra tettek, és valószínűtlen, hogy azok valósulnak meg. A feltételezések ésszerűségét illetően semmiféle nyilatkozatot és garanciát nem vállalunk. Ez az információ csak szemléltetés céljából szolgál.

Ez a kiadvány nem jelent befektetési stratégiát vagy terméket egy adott befektető számára, és nem veszi figyelembe az egyének egyedi pénzügyi körülményeit. A befektetőknek mindenképpen konzultálniuk kell egy pénzügyi szakemberrel, mielőtt bármilyen befektetési döntést hoznak. Minden befektetés bizonyos fokú kockázatot hordoz magában, ideértve a tőke teljes elvesztését.