Книга Advanced Algorithmic Trading представляет собой учебное пособие по применению байесовской статистики, анализа временных рядов и машинного обучения в количественном трейдинге. Она ориентирована на читателей, уже имеющих базовые знания в области количественного трейдинга и желающих освоить более продвинутые методы анализа данных для поиска альфа-стратегий.
Пособие не предлагает готовых торговых стратегий, а фокусируется на предоставлении математического и программного инструментария для самостоятельной разработки и тестирования таких стратегий, используя свободно доступные программные средства (Python, R, QSTrader).
Рис. 1: Обложка книги Advanced Algorithmic Trading: Bayesian Statistics, Time Series Analysis and Machine Learning for Profitable Trading Strategies by Michael L. Halls-Moore
Предметом исследования являются три основных направления математического моделирования: байесовская статистика, анализ временных рядов и машинное обучение. Пособие решает проблему недостатка доступных и понятных материалов по применению этих методов в количественном трейдинге, предоставляя практические примеры и код на Python и R. Временные рамки исследования не указаны явно, но примеры и обсуждения охватывают широкий период, включая данные с 1950-х годов до 2016 года.
Ключевые аспекты
Книга описывает байесовский подход к статистике как альтернативу частотному подходу, акцентируя внимание на применении правила Байеса для обновления убеждений в свете новых данных. Подробно рассматривается байесовский вывод биномиальной пропорции, включая использование бета-распределения как априорного и сопряженного априорного распределения, а также применение метода Марковских цепей Монте-Карло (MCMC) с использованием библиотеки PyMC3 для приближенного вычисления апостериорного распределения.
Автором излагается байесовский подход к линейной регрессии и его реализация с помощью PyMC3, включая сравнение с частотным подходом и симуляцию данных для проверки модели. Представлена байесовская модель стохастической волатильности, позволяющая оценивать волатильность финансовых активов с учетом неопределенности параметров, с использованием библиотеки PyMC3 и алгоритма No-U-Turn Sampler (NUTS).
В книге рассматриваются основные понятия анализа временных рядов, включая сериальную корреляцию, стационарность и автокорреляционную функцию. Подробно анализируются модели белого шума и случайного блуждания. Описаны авторегрессионные (AR), скользящего среднего (MA) и авторегрессионные модели скользящего среднего (ARMA), включая их свойства второго порядка, симуляцию и применение к реальным финансовым данным. Используются критерии AIC и BIC для выбора наилучшей модели.
Автором рассмотрены модели ARIMA и GARCH, включая симуляцию и применение к реальным данным, для моделирования временных рядов с нестационарностью и гетероскедастичностью. Обсуждается понятие коинтеграции и методы ее проверки с помощью тестов на единичный корень (Augmented Dickey-Fuller, Phillips-Perron) и теста Иохансена. Приводятся примеры применения этих тестов к смоделированным и реальным данным.
В книге описаны модели состояний и фильтр Калмана, включая их применение для динамической оценки коэффициентов регрессии между парами ETF. Рассмотрены скрытые марковские модели (HMM) и их применение для обнаружения рыночных режимов. Приводятся примеры применения HMM к смоделированным и реальным данным (S&P500).
В книге также представлены основные методы машинного обучения (линейная регрессия, деревья решений, SVM, случайные леса), включая их применение к прогнозированию цен активов и анализу текстовых данных (обработка естественного языка). Подробно обсуждается проблема выбора модели и компромисс смещение-дисперсия, а также методы перекрестной проверки (validation set, k-fold cross-validation) для оценки обобщающей способности моделей.
Также автор представил открытый программный пакет QSTrader для бэктестинга торговых стратегий, включая описание его архитектуры и модулей. Приведены примеры реализации и бэктестинга нескольких торговых стратегий в QSTrader, включая стратегии на основе ребалансировки портфеля ETF, парного трейдинга с использованием фильтра Калмана и анализа настроений.
Полезность
Что хорошо раскрыто:
- Подробное описание байесовского подхода к статистике и его применение к финансовым данным;
- Практическое руководство по использованию PyMC3 и R для реализации байесовских моделей и анализа временных рядов;
- Описание и реализация различных методов машинного обучения и их применение к прогнозированию цен активов.
Что плохо раскрыто:
- Недостаточно внимания уделено вопросам выбора оптимальных параметров моделей и методам оптимизации;
- Отсутствует детальное сравнение различных методов анализа временных рядов и машинного обучения;
- Недостаточно внимания уделено вопросам управления рисками и построения торговых портфелей.
Вердикт
Данная книга представляет собой ценное руководство для практикующих количественных трейдеров, желающих расширить свои знания и навыки в области анализа данных. Она предоставляет систематическое изложение основных методов байесовской статистики, анализа временных рядов и машинного обучения, а также практические примеры их применения в разработке торговых стратегий. Использование свободно доступных программных пакетов PyMC3, R и QSTrader делает пособие доступным для широкого круга читателей.
Практическая ценность книги заключается в предоставлении инструментов для самостоятельной разработки и тестирования торговых стратегий, учитывающих неопределенность и нестационарность рыночных данных. Однако, пособие не дает исчерпывающих ответов на все вопросы, связанные с выбором моделей, оптимизацией параметров и управлением рисками. Это оставляет пространство для дальнейших исследований и самостоятельной работы читателей.
Приобрести книгу можно здесь: https://www.goodreads.com/book/show/29005550-advanced-algorithmic-trading