Загрузка...
На сайте chatwithtraders.com опубликована аудио-версия интервью с Dr Ernie Chan: Как создаются, тестируются и выводятся на рынок алгостратегии.
Эрни Чан начинал свою деятельность в исследовательской программе IBM, где работал с алгоритмами машинного обучения, над искусственным интеллектом и обучением компьютеров пониманию языков, перед тем, как присоединиться к проп-трейдинговой команде.
На сегодняшний день Эрни имеет 15-летний опыт в применении указанных технологий в области финансов и трейдинга, проработав с множеством трейдинговых компаний и хэдж фондов в течение своей карьеры. В настоящее время Эрни является управляющим партнером в QTS Capital Menegement.
Эрни Чан написал известные книги "Quantitative Trading" и "Algorithmic Trading", а также постоянно выступает на конференциях.
Основные тезисы интервью:
Эрни объясняет, почему необходима некоторая степень интуиции при применении машинного обучения и техник искусственного интеллекта к финансовым данным;
Причины, по которым Эрни применяет индивидуальные стратегии на каждом рынке, где он торгует, и чем различны подходы в каждой стратегии;
Диверсификация: понимание того, что каждая стратегия имеет области, где она становится уязвимой, и получение преимущества из торговли многими стратегиями одновременно;
Что Эрни думает о размещении капитала и разработке новых стратегий ( когда истинное воздействие на рынок неизвестно);
Преимущества и недостатки алгоритмического трейдинга в сравнении с дискретным трейдингом;
Где Эрни берет свои торговые идеи и предостережения насчет чтения и использования опубликованных академических исследований;
Как стать алгоритмическим трейдером: использование Excel и куда двигаться дальше. Также Эрни высказывает свое мнение об использовании различных языков программирования;
И еще много больше....
Ссылка на интервью: https://soundcloud.com/chat-with-traders/052-ernie-chan/s-mdP3W
Вот признаться с учетом творческих статей на вашем сайте удивляет ссылка на этого я бы сказал "чмо". Читал обе книги - ни одной стратегии, ни одного действия. Вода на киселе. Читая материалы тренингов Lehman Brothers для трейдеров и портфельных управляющих этак 1998 г., которые конечно в основном по типу учебника Шарпа "Инвестиции", этот Эрни - "чмо" и детский сад.
Есть глубокое сомнение, что этот трудящийся вообще чего-либо достиг. Там есть у него пара кодов про машинное обучение. Но, признаться, я так и не понял, что он имеет в виду. Где признаки, где модели? 8 примеров по 10 строчек под матлаб. Никаких созданий словарей, если речь идет об анализе текста, ни тем более понятия обучения в смысле сходимости частот слов и словосочетаний или других численных признаков к вероятностям откликов. Бл. удивляют такие говно-авторы.
В качестве альтернативы - девушка Ирен Алдридж, есть она у вас на сайте. Чистый прикладной математик. На сайте у нее выложено несколько элементарных исходников. Несмотря на элементарность идей, заложенных у нее и, конечно, также далеких до адекватных моделей (упрощенные версии стат.арбитража и идей тов. Аваленеды/Стоикова о диффузионных процессах при маркет-мэкинге), это вполне себе маленькие законченные идеи. Обзор алгоритмов и методик более чем конечен.
Но этот китаец - полнейшее "чмо".
Нет ничего лучше тов. Вапника и Червоненскиса - создателей "Теории обучения машин". Читаем материалы кубка мира по машинному обучению в Париже и др. местах - начало с минуты памяти названным русским профессорам.
Так вот названные профессора четко вывели, что быстрая оценка - это гребневая регрессия, самая производительная - машины опорных векторов. Читаем кубок машинного обучения - только машины опорных векторов (неважно регрессия или классификация - немного целевые функции ошибки отличаются, но разделяющая плоскость ищетсяяя в обоих случаях) и жуткие требования к вычислениям. Вот если и можно найти ответы, как и что, то только не у этого Чана.
Кстати, имел счастье задать пару вопросов профессору по статистике Массачусеткого технологического института, также состоящей на кафедре искусственного интеллекта там же. Девушка вела теоретическую часть курса Мелкософта "машинное обучение на платформе Azure". Как раз мы столкнулись случайно на этой же самой теме. "Мне достаточно гребневной линейной регрессии либо дерева линейных регрессий",- сказала она. Встречный вопрос: "А как вы приблизите улитку или функцию повеселее и прокомментируйте? Берем разделение нелинейным ядром машины опорных векторов и считаем ошибку. Ну, наверное, не зря же на кубке мира других алгоритмов нет в принципе, особенно, когда характер процесса вообще неизвестен." Причем сама же начитывала функцию потерь, согласно которой у машин опорных векторов исключен фактор переобучения.
Это я к тому, что излишние теоретики оказываются так далеки от простых прикладных задач.
И только по маленькому кирпичику собственными руками.
Как-то уж очень скептически. Вы сами-то на рынке зарабатываете? Чан вот зарабатывает: http://www.epchan.com/accounts/
В двух его книгах я не увидел ни одного слова про машинное обучение, которое при этом далеко не панацея в трейдинге. Вторая книга вся построена на примерах, что не устраивает? Или Вам нужно чтобы на блюдике готовые стратегии подали?
Тебе, дятел, сказано, что устраивает.