Начало здесь.
Это третья часть интервью со старшим менеджером алгоритмических стратегий большого хедж-фонда. В первой части мы обсуждали теоретическую стадию создания алгоритмической стратегии. Во второй части говорили о передаче стратегии «в производство». Это интервью вызвало много вопросов у наших читателей, ответы на которые были выделены в отдельный пост.
1.Как вы отслеживаете и управляете вашими моделями в боевых условиях? Какие дополнительные проверки и процедуры используются?
Я верю в ручное отслеживание прибыли/убытков в качестве инструмента диагностики. Мне нужно знать, каждый день, точный источник моих прибылей/убытков. Что подорожало, что подешевело, насколько и почему. Это дает мне уверенность, что модель работает, как должна, и это действует как система предупреждения плохих новостей.
Начали торговать. Первые убытки мы получили по техническим причинам: не исполнилась заявка, не вовремя снялась заявка и т.п.
Наш депозит спасало то, что Developer, очень правильно отработал систему выключения робота. Т.е. как только случались непонятные ситуации, например, мы остались в позиции только по одному контракту, робот сразу закрывал все позиции, перепроверял, все ли закрыто, дозыкрывался (если надо) и выключался.
Таким образом, на торговле спредом мы отлаживали наш execution. Execution отладили. Дальше проблем с технической частью не было.
Начались проблемы с самой стратегией. Несколько дней подряд мы вообще не делали сделок, хотя робот работал. Перенастроили параметры, робот начал делать 1-2 круга (купил-продал или продал-купил спред) в день.
Начали разбираться… Разобрались: эффективно получалось, что из-за низкой ликвидности по второму фьючерсу мы не торговали стандартное отклонение, фактически мы просто хватали хорошую котировку по нему, если такая заявка в стакане появлялась, а когда появлялась хорошая котировка в другую сторону, то позицию закрывали.
На курсере появился курс анализа статистических данных от Московского Физико-Технического Института. Подойдут для алготрейдеров.
Специализация покрывает основные темы, необходимые специалисту в науке о данных: современные методы классификации и регрессии, поиска структуры в данных, проведения экспериментов, построения выводов, базовую фундаментальную математику, благодаря которой они работают, а также основы программирования на Python.
В центре внимания — типовые задачи машинного обучения и анализа данных: мы разберём, как построить рекомендательную систему, оценить эмоциональную окраску текста, спрогнозировать спрос на товар, оценить вероятность клика по рекламе, предсказать победителя битвы в онлайн-игре, оценить кредитоспособность клиента банка, поставить диагноз по данным генетических анализов пациента. Мы покажем, как проходит полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Вы научитесь пользоваться современными аналитическими инструментами и адаптировать их под особенности конкретных задач. В конце обучения вас ждет финальный проект, в рамках которого вы построите свою собственную систему, решающую один из важных для бизнеса типов задач. Результатом будет наглядная работающая модель, которую вы сможете использовать в вашей повседневной работе или продемонстрировать на собеседовании. Мы уверены, что наша специализация поможет вам стать специалистом в науке о данных — одной из самых востребованных и активно развивающихся областей знаний!
https://www.coursera.org/courses?query=mipt&_facet_changed_=true
ES — c 10.09.1997 по текущий момент
CL – с 02.01.1987 по текущий момент
GC — c 03.01.1984 по текущий момент
NQ - c 01.07.1999 по текущий момент
NG — с 04.01.1993 по текущий момент
HG – с 12.01.1989 по текущий момент
Обращайтесь в личку