O homem AHL adiciona quatro estratégias de Quant dos UCITS à programação.
22 de abril de 2015 | 12:22 pm ET.
A AHL do Man Group, gerente de investimentos globais, adicionou quatro novas estratégias de UCITS às suas ofertas de produtos.
As estratégias estão sendo executadas através do Man AHL, a divisão de investimentos quantitativos da empresa, de acordo com relatos da mídia. Foram lançados no final de 2014 e são UCITS domiciliados em Dublin.
O fundo Man AHL Multi Strategy Alternative, administrado por Philipp Kauer, é um produto multiestratégico diversificado que segue abordagens sistemáticas como negociação técnica, equidade sistemática, fundamentos sistemáticos, volatilidade e dinâmica.
O fundo homem / mulher AHL Directional Equities Alternative, gerido por Paul Chambers, utiliza uma estratégia quantitativa de investimento para assumir posições direccionais em sectores de acções em mercados desenvolvidos, visando um retorno de 10% ao ano.
O fundo Alternative da AHL Volatility Man, gerido por Jean-François Bacmann, é uma carteira de volatilidade multi-activo, longa / curta, que investe em mercados de derivados numa vasta gama de classes de activos.
O fundo Man AHL TargetRisk, administrado por Russell Korgaonkar e Che Hang Yiu, é um fundo de longo prazo que investe em ações, títulos, ativos indexados à inflação e crédito para oferecer um nível estável de volatilidade de retorno, independentemente das condições do mercado.
"Estamos muito satisfeitos em expandir nossa oferta de negociação quântica estabelecida com esses fundos UCITS", disse Sandy Rattray, CEO da Man AHL em um comunicado. “As estratégias foram desenvolvidas para atender às necessidades específicas dos investidores e mostrar nosso forte fluxo de pesquisa.
Originalmente fundada em 1783, a Man Plc é a maior administradora de fundos de hedge de capital aberto do mundo, com US $ 72,9 bilhões em AUM no final do ano passado.
Um dos maiores fundos de hedge do mundo lançou um vídeo para desmistificar & # 039; como isso faz dinheiro.
O Man AHL, um fundo de hedge quant de Londres que administra cerca de US $ 19 bilhões, está tentando "desmistificar" como ganha dinheiro.
O novo vídeo, que você pode assistir abaixo, explica "comércio de fuga", uma das estratégias de negociação sistemática mais populares. Anthony Ledford, cientista-chefe do Man AHL, diz no vídeo que a estratégia é usada para negociar ações, futuros e mercados de câmbio.
O lançamento segue um conjunto anterior de vídeos disponibilizados no ano passado e é o primeiro de vários outros vídeos que serão lançados ainda este ano. Esses vídeos são parte de uma tendência mais ampla, na qual os fundos de hedge secretos procuram explicar aos potenciais recrutas o que eles fazem.
A Bridgewater lançou recentemente uma série de vídeos que se parece com algo que o Facebook ou o Google produziriam, enquanto o fundo gigante da quantia Two Sigma lançou um vídeo mostrando sua competição anual de inteligência artificial.
"Esperamos que o nosso novo conjunto de vídeos, que aborda conceitos fundamentais de forma acessível e envolvente, desmistifique ainda mais o investimento quantitativo e forneça uma visão do que fazemos no AHL Homem", afirmou Sandy Rattray, CEO do AHL e CIO do Man. Group, disse em um comunicado.
Quanting investing se tornou uma das áreas mais quentes da indústria de fundos de hedge, e aqueles que têm o conjunto de habilidades certas estão em alta demanda.
Estratégia de negociação Ahl
Junte-se a nós em abril no AHL Hackathon Man, onde, juntos, melhoraremos o ecossistema Python Data Science.
Investigamos duas estratégias dinâmicas que, em contraste com esses investimentos passivos, parecem ter gerado desempenho positivo tanto no longo prazo quanto particularmente durante as crises históricas.
A tecnologia no Man AHL é mais do que computação rápida. Acreditamos que a boa tecnologia fortalece novas formas de pensar.
Apenas um exemplo de nossa abordagem holística para investir; permitindo-nos identificar oportunidades que outros possam ignorar.
Assim como os arquitetos usam matemática para seus cálculos, usamos a matemática para criar ferramentas preditivas.
Pioneiro no comércio sistemático por mais de 30 anos 100% sistemático alternativo e apenas estratégias de longo alcance Institucionalmente orientado Colaboração exclusiva com a Universidade de Oxford Membro do Man Group plc com sede em Londres.
Pesquisa Baseada na Ciência.
Acreditamos que a melhor maneira de extrair valor das principais mentes é incentivar uma troca de ideias cuidadosa em um ambiente aberto.
O aprendizado de máquina é um termo amplo e abrangente para uma grande variedade de algoritmos de computador projetados para identificar estruturas e relacionamentos repetíveis em dados sem precisar de instruções explícitas sobre o que procurar.
Investigamos duas estratégias dinâmicas que, em contraste com esses investimentos passivos, parecem ter gerado desempenho positivo tanto no longo prazo quanto particularmente durante as crises históricas.
Como o Oxford-Man Institute está conduzindo a pesquisa em aprendizado de máquina.
Pessoas, Liberdade e Colaboração.
Nós não somos teóricos acadêmicos; somos cientistas práticos usando nossas habilidades para caçar alfa. Não vemos os mercados por meio de uma lente financeira tradicional. Procuramos alfa sem restrições. Somos colaborativos e transparentes.
AHL explica.
A série de vídeos da AHL Explains foi criada para explicar os principais conceitos da tendência de futuros. Narrado pelo cientista chefe do homem AHL, Dr. Anthony Ledford, a intenção destes vídeos curtos é trazer cada conceito à vida focalizando princípios em vez de detalhe.
Programas AHL.
Somos apaixonados por nossos programas e como eles podem fornecer valor para nossos clientes a longo prazo. Por favor, selecione a partir dos nossos programas emblemáticos, setoriais e de longa duração abaixo, para obter mais informações.
Todo o setor Flagship baseado apenas em Long.
24,0 US $ BN ATIVOS SOB GESTÃO.
157 PROFISSIONAIS DE INVESTIMENTO.
Informação a 31 de dezembro de 2017.
Por favor, atualize seu navegador.
Infelizmente, não oferecemos mais suporte ao Internet Explorer 8, 7 ou mais por motivos de segurança.
Por favor, atualize seu navegador para uma versão posterior e tente acessar nosso site novamente.
Você está saindo agora do nosso site.
Por favor, esteja ciente de que você está saindo do site AHL Man. Links para sites de terceiros são fornecidos apenas como referência e cortesia aos nossos usuários. O Man AHL não tem controle sobre tais sites, não recomenda ou endossa quaisquer opiniões, informações ou conteúdo de tais sites e não dá nenhuma garantia quanto à exatidão, integridade, confiabilidade ou adequação de seu conteúdo. A AHL não assume nenhuma responsabilidade pelas informações contidas em sites de terceiros. Observe que os terceiros podem ter diferentes termos de uso, privacidade e / ou política de segurança da AHL do Homem.
Você está saindo agora do nosso site.
Por favor, esteja ciente de que você está saindo do site AHL Man. Links para nossas páginas de mídia social são fornecidos apenas como referência e cortesia para nossos usuários. O Man AHL não tem controle sobre tais páginas, não recomenda ou endossa quaisquer opiniões ou informações relacionadas ao AHL que não sejam do Homem ou conteúdo de tais sites e não dá garantias quanto ao seu conteúdo. A AHL não assume nenhuma responsabilidade por informações não relacionadas à AHL do Homem contidas em páginas de mídia social. Por favor, note que os sites de mídia social podem ter diferentes termos de uso, privacidade e / ou política de segurança do Homem AHL.
US Search Desktop.
Agradecemos seus comentários sobre como melhorar a Pesquisa do Yahoo. Este fórum é para você fazer sugestões de produtos e fornecer feedback atencioso. Estamos sempre tentando melhorar nossos produtos e podemos usar o feedback mais popular para fazer uma mudança positiva!
Se você precisar de assistência de qualquer tipo, visite nosso fórum de suporte à comunidade ou encontre ajuda individualizada em nosso site de ajuda. Este fórum não é monitorado por nenhum problema relacionado a suporte.
O fórum de comentários do produto do Yahoo agora exige um ID e uma senha válidos do Yahoo para participar.
Agora você precisa fazer login usando sua conta de e-mail do Yahoo para nos fornecer feedback e enviar votos e comentários para as ideias existentes. Se você não tiver um ID do Yahoo ou a senha do seu ID do Yahoo, inscreva-se para obter uma nova conta.
Se você tiver um ID e uma senha válidos do Yahoo, siga estas etapas se quiser remover suas postagens, comentários, votos e / ou perfil do fórum de comentários do produto do Yahoo.
Vote em uma ideia existente () ou publique uma nova ideia…
Idéias quentes Idéias superiores Novas ideias Categoria Status Meu feedback.
Trazer de volta o layout antigo com pesquisa de imagens.
Xnxx vedios.
Motor de busca no Yahoo Finance.
Um conteúdo que está no Yahoo Finance não aparece nos resultados de pesquisa do Yahoo ao pesquisar por título / título da matéria.
Existe uma razão para isso, ou uma maneira de reindexar?
Não consigo usar os idiomas ingleses no e-mail do Yahoo.
Por favor, me dê a sugestão sobre isso.
O que vocês pagam por boas sugestões que aumentam a receita porque eu tenho uma que é garantida para fazer $. Me avise se estiver interessado.
O que vocês pagam por boas sugestões que aumentam a receita porque eu tenho uma que é garantida para fazer $. Me avise se estiver interessado.
Por favor, envie para desindexação.
Por favor, envie o link '410' para desindexação. Obrigado.
diga trump a tempo de imposto todo o mundo doa 1 dólar como patos ilimitado e.
como eles fazem para patos ilimitados e os fundos quando eles correm para o escritório?
Pare de ser um traidor para o nosso país. Whoo nomeou você para ser Juiz e Júri re Trump.
Quem nomeou você como juiz e jurado do presidente Trump?
Não é fácil dar um comentário.
Mantenha a verdadeira notícia que é muito importante. Trunfos *** a vida antes de ele ser presidente não é importante hoje, quando ele nem estava no cargo. Rússia, China, militares, comércio, protegendo a fronteira que eu vivo precisando da parede etc é o que é importante. A mídia não achava que era importante quando outros presidentes estavam fazendo negócios enquanto estavam no cargo, como os Kennedy, Clinton e outros. Ele mostra que você está alvejando Trump, que não é isso que os relatórios devem fazer. Também você sabe que eu pareço lembrar quando Obama disse que ele usou o Facebook etc a máquina eletrônica para ajudá-lo a ser eleito e como eles eram espertos e eu pensei a mesma coisa, mas agora, quando é Trumps campanha usando isso que está errado. Você não consegue ver porque está perdendo os espectadores? Você não está sendo tarifa. Como sobre as coisas importantes nas notícias que afetam nossa segurança (defesa, proteção de nossas fronteiras, negócios para empregos, dinheiro em nossos livros de bolso, quem no congresso estava por trás deles recebendo um aumento, etc.) O que é coisas que queremos saber.
Mantenha a verdadeira notícia que é muito importante. Trunfos *** a vida antes de ele ser presidente não é importante hoje, quando ele nem estava no cargo. Rússia, China, militares, comércio, protegendo a fronteira que eu vivo precisando da parede etc é o que é importante. A mídia não achava que era importante quando outros presidentes estavam fazendo negócios enquanto estavam no cargo, como os Kennedy, Clinton e outros. Ele mostra que você está alvejando Trump, que não é isso que os relatórios devem fazer. Além disso, você sabe que eu me lembro quando Obama disse que ele usou o Facebook, etc o eletrônico ... mais.
Estratégia de negociação Ahl
O aprendizado de máquina é um termo amplo e abrangente para uma grande variedade de algoritmos de computador projetados para identificar estruturas e relacionamentos repetíveis em dados sem precisar de instruções explícitas sobre o que procurar. Nós escrevemos anteriormente sobre o desenvolvimento deste campo em disciplinas como engenharia, ciência da computação, estatística e matemática, e sua aplicação em evolução dentro de estratégias quantitativas de investimento. De fato, a maioria das técnicas de aprendizado de máquina tem sido e estão sendo desenvolvidas fora das finanças, mas acreditamos que suas aplicações para investimento continuarão a crescer com o tempo. Na AHL Man, aplicamos aprendizado de máquina em várias áreas, e não apenas em nossas estratégias de negociação quantitativa. Este artigo descreve algumas de suas amplas aplicações para investimento.
Graham Robertson é o chefe de gerenciamento de portfólio de clientes da Man AHL ("AHL") com responsabilidade principal pela comunicação com o cliente.
Antes de ingressar na AHL em 2011, o Dr. Robertson desenvolveu estratégias de arbitragem de estrutura de capital na KBC Alternative Investment Management e modelos de valor relativo de derivativos de ações da Vicis Capital. Ele iniciou sua carreira no Credit Suisse em mercados de renda fixa antes de se mudar para o Commerzbank, onde estabeleceu a equipe de valor relativo e, posteriormente, tornou-se chefe de estratégia de crédito.
Graham é detentor de um DPhil pela Universidade de Oxford em Sismologia e é bacharel em Geofísica pela Universidade de Edimburgo.
Mark Refermat é gerente de portfólio de clientes para o homem AHL ('AHL') no Man Group ('Man'). Ele é responsável por trabalhar de perto com os clientes para melhorar sua compreensão das estratégias de investimento da AHL, além de trabalhar de perto com a equipe de pesquisa.
Mark ingressou na empresa em 2009. Antes de ingressar na Man, ele trabalhou na área de renda fixa no Dresdner Kleinwort.
Mark possui bacharelado em Ciência da Computação na Universidade de Wisconsin-Madison, MBA pela Cass Business School, em Londres, e está cursando PhD em Finanças na L'École des Hautes Études Commerciales (EDHEC).
O aprendizado de máquina é um termo amplo e abrangente para uma grande variedade de algoritmos de computador projetados para identificar estruturas e relacionamentos repetíveis em dados sem precisar de instruções explícitas sobre o que procurar. Já escrevemos antes1 sobre o desenvolvimento desse campo em disciplinas como engenharia, ciência da computação, estatística e matemática, e sua aplicação em evolução dentro de estratégias quantitativas de investimento. De fato, a maioria das técnicas de aprendizado de máquina tem sido e estão sendo desenvolvidas fora das finanças, mas acreditamos que suas aplicações para investimento continuarão a crescer com o tempo. Na AHL Man, aplicamos aprendizado de máquina em várias áreas, e não apenas em nossas estratégias de negociação quantitativa. Este artigo descreve algumas de suas amplas aplicações para investimento.
Aprendendo diretamente dos dados.
Durante a maior parte dos nossos 30 anos de história em investimento quantitativo, nossos pesquisadores têm "dito" aos computadores como são as tendências e, em seguida, pedindo que encontrem esses padrões em tantos mercados quanto puderem. No entanto, o aprendizado de máquina permite que os computadores adotem uma abordagem de forma mais livre, com o objetivo de identificar padrões previsíveis nos dados de preços sem receber orientação específica sobre como os relacionamentos subjacentes podem parecer. Este é um desvio significativo do investimento quantitativo tradicional, e começamos a ver seu potencial para agregar valor, ajudando-nos a identificar oportunidades mais diversificadas nos mercados. O que exatamente isso poderia significar para os investidores no longo prazo? Nossa indústria está nos estágios iniciais de responder a essa pergunta, mas sentimos que uma coisa é clara: o aprendizado de máquina nos ajuda a ver o mundo através de uma lente diferente, e nem sempre linear.
Alguns exemplos de técnicas de aprendizado de máquina.
Aprendizagem profunda - Algoritmos usando redes neurais artificiais, projetados para imitar as redes biológicas de um cérebro humano, são treinados em grandes conjuntos de dados para "reconhecer" uma série de estímulos. Essas redes foram usadas em áreas como reconhecimento de imagem e jogos como Go and Chess. Eles também podem ser usados para aprender padrões preditivos em conjuntos de dados financeiros.
Processamento de linguagem natural - Interpretação de linguagem escrita ou falada ou diálogo. As técnicas podem ser usadas para atribuir pontuações numéricas que medem o sentimento positivo ou negativo dos relatórios financeiros da empresa de maneira repetitiva e imparcial. Essas pontuações podem ajudar a fornecer sinais dentro dos modelos de negociação.
O homem AHL vem realizando pesquisas nessa área há décadas. No entanto, até bem recentemente, os resultados da pesquisa, que trazia palavras-chave na década de 1990, como "algoritmos genéticos" e "redes neurais", afundaram-se contra os requisitos de potência computacional bruta e densidade de dados. Com avanços significativos nessas áreas, bem como melhorias na teoria subjacente, agora estamos aplicando ativamente o aprendizado de máquina, de várias formas, dentro de alguns de nossos programas clientes menos voltados para tendências desde 2014. Este ano, um conjunto de algoritmos de aprendizado de máquina , constrangido a comportar-se de maneira predominantemente dinâmica, foi incorporado nas estratégias de acompanhamento de tendências da Man AHL.
Descoberta de tendências não lineares nos dados de mercado.
A pesquisa quantitativa foi tipicamente baseada na descoberta de relações lineares entre dados de entrada (como movimentos históricos de preços, taxas de juros ou ganhos da empresa) e movimentos futuros nos preços dos ativos. O acompanhamento de tendências, em particular, é frequentemente visto como uma relação linear simples entre movimentos de preços passados e futuros. Se o mercado subiu em algum período de tempo recente, é mais provável que continue subindo do que baixando e vice-versa. Se estiver descendo em uma descida íngreme, é mais provável que continue descendo abruptamente do que se estivesse descendo apenas gradualmente.
Como esse relacionamento tem sido tão forte no passado, não é de surpreender que, quando deixados à própria sorte, muitos algoritmos de aprendizado de máquina "descubram" a tendência como a primeira forma de prever preços futuros quando dados, como insumos, históricos do mercado. preços. Inicialmente, nossos objetivos sempre foram verificar se, e como, essa forma "descoberta" de acompanhamento de tendências diferia do comportamento comercial existente que compreendemos há tantos anos. Os primeiros modelos verdadeiros de aprendizado de máquina que desenvolvemos e continuamos a usar nos programas de multi-estratégia foram construídos para serem ortogonais - ou seja, estatisticamente independentes - para nossos sinais existentes e, portanto, não dobram as exposições de momentum dos programas; não há valor em negociar um modelo mais complexo se um mais simples for tão bom quanto.
O que esses primeiros algoritmos de aprendizado de máquina revelaram ser bom é a obtenção de relacionamentos mais sutis e não lineares nos dados. Ou seja, dentro dos dados de preços, não é apenas importante que os preços subiram um certo valor no último ano, é importante o caminho que eles tomaram para chegar lá. Após três anos de negociações, e com pesquisas em andamento, acreditamos que esses tipos de modelos, quando não limitados, podem ajudar a identificar o comportamento direcional do mercado, incluindo tendências, de uma maneira que pode ser complementar aos modelos existentes. Dessa forma, acreditamos que eles são claramente aplicáveis a todas as nossas estratégias que buscam se beneficiar da previsibilidade das direções do mercado.
Outras formas de aprendizado de máquina podem suportar estratégias de investimento sistemáticas.
É interessante notar, no entanto, que não é apenas na previsão de movimentos potenciais do mercado, ou alfa, que encontramos um valor prático nas abordagens de aprendizado de máquina. Outra área importante tem sido no domínio da execução do comércio, onde o foco é sempre em alcançar o menor custo de acesso ao mercado para os nossos clientes, causando o mínimo impacto no mercado. Talvez o benefício potencial mais amplo do aprendizado de máquina para os investidores derive de sua capacidade de lidar com grandes volumes de dados. A Figura 1 dá um exemplo da quantidade significativa de dados que estão sendo gerados no mercado, onde o AHL Man capturou quase 2,7 bilhões de atualizações de preços em apenas um dia em novembro passado, após o anúncio do resultado das eleições nos EUA.
Figura 1: Atualizações dos preços do AHL em 9 de novembro de 2016.
Fonte: banco de dados do Man Group. A parte superior mostra os dados recebidos pelo Man AHL no dia em que os resultados das eleições nos EUA foram anunciados. Linhas coloridas diferentes referem-se a feeds de dados, como a Bloomberg, e provedores individuais, como bancos.
Se esta é a idade da inundação de dados, então os algoritmos de aprendizado de máquina têm o potencial de aumentar drasticamente a capacidade dos investidores de processar e analisar informações sobre os mercados.
Mais especificamente, há algoritmos de aprendizado de máquina que também podem ajudar na tomada de decisões em torno do encaminhamento entre diferentes caminhos para o mercado. O homem AHL investiu pesadamente no desenvolvimento de algoritmos internos para execução nos mercados futuros e de câmbio. Para negociar ações individuais, no entanto, normalmente usamos algoritmos de terceiros, dos quais há uma abundância em oferta de bancos e corretoras. Os investidores estarão cientes dos nomes coloridos como Sniper, Guerilla, TWAP e VWAP, e cada provedor normalmente oferece uma variedade de controles para permitir maior ou menor autonomia para os algoritmos em áreas como velocidade e agressividade ou acesso aos chamados piscinas escuras de liquidez.
Acreditamos que, para que possamos fornecer a melhor execução com confiança em nome de nossos fundos, precisamos "aprender" os custos de negociação de todas as várias permutações desses diferentes algoritmos, que podem variar ao longo do tempo e em diferentes regiões ou tamanhos de mercado. . Historicamente, isso pode ter sido administrado como uma série de experimentos complexos com avaliações feitas após os experimentos terem sido realizados. No entanto, isso é ineficiente como uma abordagem e não se adapta rapidamente a alterações no ambiente ou nos dados.
Felizmente, o problema que estamos tentando resolver é um exemplo do que é conhecido na teoria da probabilidade como um problema "Bandido Multi-Armado", assim chamado por uma fileira imaginária de máquinas caça-níqueis, cada uma das quais pode ter pagamentos diferentes. O desafio para o jogador no problema é descobrir quais máquinas jogar e com que frequência, para maximizar seu pagamento. Durante a Segunda Guerra Mundial, os Aliados quiseram resolver essa classe de problemas na esperança de que isso pudesse ajudar na alocação de recursos; provou-se tão difícil de resolver, em um quadro analítico tradicional, que o matemático Peter Whittle sugeriu que fosse descartado na Alemanha para os cientistas de lá desperdiçarem seu tempo! Foi apenas mais recentemente que o aprendizado de máquina desenvolveu abordagens algorítmicas práticas que o AHL do Homem está adotando agora para tentar oferecer suporte à alocação eficiente de execução para transações com clientes.
As relações acadêmicas e setoriais desempenham um papel importante.
Como o aprendizado de máquina permanece nos estágios iniciais de aplicação ao investimento, é essencial que os profissionais financeiros trabalhem de perto com a comunidade acadêmica no desenvolvimento dessas abordagens. Na Man AHL, nossa equipe experiente é formada por cientistas, especialistas em computação e profissionais de investimento, oferecendo liderança e infraestrutura de ponta em toda a empresa. Trabalhamos em estreita colaboração com o Oxford-Man Institute (OMI), parte do Departamento de Ciências de Engenharia da Universidade de Oxford, para apoiar pesquisas acadêmicas de ponta em aprendizado de máquina.
Os acadêmicos do grupo de pesquisa de aprendizado de máquina da OMI têm uma longa história de sucesso no desenvolvimento de aplicações do mundo real, por exemplo, em redes de sensores remotos e monitoramento de motores a jato em vôo. Nosso profundo relacionamento com a OMI - que celebra seu 10º aniversário no verão de 2017 - permite que o AHL para o Homem possa se beneficiar de áreas onde a metodologia de aprendizado de máquina de disciplinas não financeiras pode ser transferida para investimentos quantitativos. É claro que o gerenciamento e a governança eficazes são fundamentais, e a seleção dos dados certos, os algoritmos mais apropriados e a execução ideal do comércio podem fazer ou quebrar a capacidade de um algoritmo agregar valor para os investidores.
As aplicações de aprendizado de máquina para financiar continuarão crescendo com o tempo, e seu papel nas estratégias já está estabelecido. Estamos entrando em uma era de rápido crescimento da informação: é provável que a disponibilidade de dados continue a crescer em magnitude e um vasto poder computacional seja mais rotineiramente disponível em nossa visão. De fato, alguns diriam que já estamos lá, e as oportunidades para novos domínios de pesquisa orientada por dados são legiões. À medida que o campo continua a se desenvolver, acreditamos firmemente que a aplicação inteligente do aprendizado de máquina tem o potencial real de ajudar os investidores a capturar oportunidades novas e diversificadas nos mercados.
O aprendizado de máquina é um termo amplo e abrangente para uma grande variedade de algoritmos de computador projetados para identificar estruturas e relacionamentos repetíveis em dados sem precisar de instruções explícitas sobre o que procurar. Nós escrevemos anteriormente sobre o desenvolvimento deste campo em disciplinas como engenharia, ciência da computação, estatística e matemática, e sua aplicação em evolução dentro de estratégias quantitativas de investimento. De fato, a maioria das técnicas de aprendizado de máquina tem sido e estão sendo desenvolvidas fora das finanças, mas acreditamos que suas aplicações para investimento continuarão a crescer com o tempo. Na AHL Man, aplicamos aprendizado de máquina em várias áreas, e não apenas em nossas estratégias de negociação quantitativa. Este artigo descreve algumas de suas amplas aplicações para investimento.
Graham Robertson é o chefe de gerenciamento de portfólio de clientes da Man AHL ("AHL") com responsabilidade principal pela comunicação com o cliente.
Antes de ingressar na AHL em 2011, o Dr. Robertson desenvolveu estratégias de arbitragem de estrutura de capital na KBC Alternative Investment Management e modelos de valor relativo de derivativos de ações da Vicis Capital. Ele iniciou sua carreira no Credit Suisse em mercados de renda fixa antes de se mudar para o Commerzbank, onde estabeleceu a equipe de valor relativo e, posteriormente, tornou-se chefe de estratégia de crédito.
Graham é detentor de um DPhil pela Universidade de Oxford em Sismologia e é bacharel em Geofísica pela Universidade de Edimburgo.
Mark Refermat é gerente de portfólio de clientes para o homem AHL ('AHL') no Man Group ('Man'). Ele é responsável por trabalhar de perto com os clientes para melhorar sua compreensão das estratégias de investimento da AHL, além de trabalhar de perto com a equipe de pesquisa.
Mark ingressou na empresa em 2009. Antes de ingressar na Man, ele trabalhou na área de renda fixa no Dresdner Kleinwort.
Mark possui bacharelado em Ciência da Computação na Universidade de Wisconsin-Madison, MBA pela Cass Business School, em Londres, e está cursando PhD em Finanças na L'École des Hautes Études Commerciales (EDHEC).
O aprendizado de máquina é um termo amplo e abrangente para uma grande variedade de algoritmos de computador projetados para identificar estruturas e relacionamentos repetíveis em dados sem precisar de instruções explícitas sobre o que procurar. Já escrevemos antes1 sobre o desenvolvimento desse campo em disciplinas como engenharia, ciência da computação, estatística e matemática, e sua aplicação em evolução dentro de estratégias quantitativas de investimento. De fato, a maioria das técnicas de aprendizado de máquina tem sido e estão sendo desenvolvidas fora das finanças, mas acreditamos que suas aplicações para investimento continuarão a crescer com o tempo. Na AHL Man, aplicamos aprendizado de máquina em várias áreas, e não apenas em nossas estratégias de negociação quantitativa. Este artigo descreve algumas de suas amplas aplicações para investimento.
Aprendendo diretamente dos dados.
Durante a maior parte dos nossos 30 anos de história em investimento quantitativo, nossos pesquisadores têm "dito" aos computadores como são as tendências e, em seguida, pedindo que encontrem esses padrões em tantos mercados quanto puderem. No entanto, o aprendizado de máquina permite que os computadores adotem uma abordagem de forma mais livre, com o objetivo de identificar padrões previsíveis nos dados de preços sem receber orientação específica sobre como os relacionamentos subjacentes podem parecer. Este é um desvio significativo do investimento quantitativo tradicional, e começamos a ver seu potencial para agregar valor, ajudando-nos a identificar oportunidades mais diversificadas nos mercados. O que exatamente isso poderia significar para os investidores no longo prazo? Nossa indústria está nos estágios iniciais de responder a essa pergunta, mas sentimos que uma coisa é clara: o aprendizado de máquina nos ajuda a ver o mundo através de uma lente diferente, e nem sempre linear.
Alguns exemplos de técnicas de aprendizado de máquina.
Aprendizagem profunda - Algoritmos usando redes neurais artificiais, projetados para imitar as redes biológicas de um cérebro humano, são treinados em grandes conjuntos de dados para "reconhecer" uma série de estímulos. Essas redes foram usadas em áreas como reconhecimento de imagem e jogos como Go and Chess. Eles também podem ser usados para aprender padrões preditivos em conjuntos de dados financeiros.
Processamento de linguagem natural - Interpretação de linguagem escrita ou falada ou diálogo. As técnicas podem ser usadas para atribuir pontuações numéricas que medem o sentimento positivo ou negativo dos relatórios financeiros da empresa de maneira repetitiva e imparcial. Essas pontuações podem ajudar a fornecer sinais dentro dos modelos de negociação.
O homem AHL vem realizando pesquisas nessa área há décadas. No entanto, até bem recentemente, os resultados da pesquisa, que trazia palavras-chave na década de 1990, como "algoritmos genéticos" e "redes neurais", afundaram-se contra os requisitos de potência computacional bruta e densidade de dados. Com avanços significativos nessas áreas, bem como melhorias na teoria subjacente, agora estamos aplicando ativamente o aprendizado de máquina, de várias formas, dentro de alguns de nossos programas clientes menos voltados para tendências desde 2014. Este ano, um conjunto de algoritmos de aprendizado de máquina , constrangido a comportar-se de maneira predominantemente dinâmica, foi incorporado nas estratégias de acompanhamento de tendências da Man AHL.
Descoberta de tendências não lineares nos dados de mercado.
A pesquisa quantitativa foi tipicamente baseada na descoberta de relações lineares entre dados de entrada (como movimentos históricos de preços, taxas de juros ou ganhos da empresa) e movimentos futuros nos preços dos ativos. O acompanhamento de tendências, em particular, é frequentemente visto como uma relação linear simples entre movimentos de preços passados e futuros. Se o mercado subiu em algum período de tempo recente, é mais provável que continue subindo do que baixando e vice-versa. Se estiver descendo em uma descida íngreme, é mais provável que continue descendo abruptamente do que se estivesse descendo apenas gradualmente.
Como esse relacionamento tem sido tão forte no passado, não é de surpreender que, quando deixados à própria sorte, muitos algoritmos de aprendizado de máquina "descubram" a tendência como a primeira forma de prever preços futuros quando dados, como insumos, históricos do mercado. preços. Inicialmente, nossos objetivos sempre foram verificar se, e como, essa forma "descoberta" de acompanhamento de tendências diferia do comportamento comercial existente que compreendemos há tantos anos. Os primeiros modelos verdadeiros de aprendizado de máquina que desenvolvemos e continuamos a usar nos programas de multi-estratégia foram construídos para serem ortogonais - ou seja, estatisticamente independentes - para nossos sinais existentes e, portanto, não dobram as exposições de momentum dos programas; não há valor em negociar um modelo mais complexo se um mais simples for tão bom quanto.
O que esses primeiros algoritmos de aprendizado de máquina revelaram ser bom é a obtenção de relacionamentos mais sutis e não lineares nos dados. Ou seja, dentro dos dados de preços, não é apenas importante que os preços subiram um certo valor no último ano, é importante o caminho que eles tomaram para chegar lá. Após três anos de negociações, e com pesquisas em andamento, acreditamos que esses tipos de modelos, quando não limitados, podem ajudar a identificar o comportamento direcional do mercado, incluindo tendências, de uma maneira que pode ser complementar aos modelos existentes. Dessa forma, acreditamos que eles são claramente aplicáveis a todas as nossas estratégias que buscam se beneficiar da previsibilidade das direções do mercado.
Outras formas de aprendizado de máquina podem suportar estratégias de investimento sistemáticas.
É interessante notar, no entanto, que não é apenas na previsão de movimentos potenciais do mercado, ou alfa, que encontramos um valor prático nas abordagens de aprendizado de máquina. Outra área importante tem sido no domínio da execução do comércio, onde o foco é sempre em alcançar o menor custo de acesso ao mercado para os nossos clientes, causando o mínimo impacto no mercado. Talvez o benefício potencial mais amplo do aprendizado de máquina para os investidores derive de sua capacidade de lidar com grandes volumes de dados. A Figura 1 dá um exemplo da quantidade significativa de dados que estão sendo gerados no mercado, onde o AHL Man capturou quase 2,7 bilhões de atualizações de preços em apenas um dia em novembro passado, após o anúncio do resultado das eleições nos EUA.
Figura 1: Atualizações dos preços do AHL em 9 de novembro de 2016.
Fonte: banco de dados do Man Group. A parte superior mostra os dados recebidos pelo Man AHL no dia em que os resultados das eleições nos EUA foram anunciados. Linhas coloridas diferentes referem-se a feeds de dados, como a Bloomberg, e provedores individuais, como bancos.
Se esta é a idade da inundação de dados, então os algoritmos de aprendizado de máquina têm o potencial de aumentar drasticamente a capacidade dos investidores de processar e analisar informações sobre os mercados.
Mais especificamente, há algoritmos de aprendizado de máquina que também podem ajudar na tomada de decisões em torno do encaminhamento entre diferentes caminhos para o mercado. O homem AHL investiu pesadamente no desenvolvimento de algoritmos internos para execução nos mercados futuros e de câmbio. Para negociar ações individuais, no entanto, normalmente usamos algoritmos de terceiros, dos quais há uma abundância em oferta de bancos e corretoras. Os investidores estarão cientes dos nomes coloridos como Sniper, Guerilla, TWAP e VWAP, e cada provedor normalmente oferece uma variedade de controles para permitir maior ou menor autonomia para os algoritmos em áreas como velocidade e agressividade ou acesso aos chamados piscinas escuras de liquidez.
Acreditamos que, para que possamos fornecer a melhor execução com confiança em nome de nossos fundos, precisamos "aprender" os custos de negociação de todas as várias permutações desses diferentes algoritmos, que podem variar ao longo do tempo e em diferentes regiões ou tamanhos de mercado. . Historicamente, isso pode ter sido administrado como uma série de experimentos complexos com avaliações feitas após os experimentos terem sido realizados. No entanto, isso é ineficiente como uma abordagem e não se adapta rapidamente a alterações no ambiente ou nos dados.
Felizmente, o problema que estamos tentando resolver é um exemplo do que é conhecido na teoria da probabilidade como um problema "Bandido Multi-Armado", assim chamado por uma fileira imaginária de máquinas caça-níqueis, cada uma das quais pode ter pagamentos diferentes. O desafio para o jogador no problema é descobrir quais máquinas jogar e com que frequência, para maximizar seu pagamento. Durante a Segunda Guerra Mundial, os Aliados quiseram resolver essa classe de problemas na esperança de que isso pudesse ajudar na alocação de recursos; provou-se tão difícil de resolver, em um quadro analítico tradicional, que o matemático Peter Whittle sugeriu que fosse descartado na Alemanha para os cientistas de lá desperdiçarem seu tempo! Foi apenas mais recentemente que o aprendizado de máquina desenvolveu abordagens algorítmicas práticas que o AHL do Homem está adotando agora para tentar oferecer suporte à alocação eficiente de execução para transações com clientes.
As relações acadêmicas e setoriais desempenham um papel importante.
Como o aprendizado de máquina permanece nos estágios iniciais de aplicação ao investimento, é essencial que os profissionais financeiros trabalhem de perto com a comunidade acadêmica no desenvolvimento dessas abordagens. Na Man AHL, nossa equipe experiente é formada por cientistas, especialistas em computação e profissionais de investimento, oferecendo liderança e infraestrutura de ponta em toda a empresa. Trabalhamos em estreita colaboração com o Oxford-Man Institute (OMI), parte do Departamento de Ciências de Engenharia da Universidade de Oxford, para apoiar pesquisas acadêmicas de ponta em aprendizado de máquina.
Os acadêmicos do grupo de pesquisa de aprendizado de máquina da OMI têm uma longa história de sucesso no desenvolvimento de aplicações do mundo real, por exemplo, em redes de sensores remotos e monitoramento de motores a jato em vôo. Nosso profundo relacionamento com a OMI - que celebra seu 10º aniversário no verão de 2017 - permite que o AHL para o Homem possa se beneficiar de áreas onde a metodologia de aprendizado de máquina de disciplinas não financeiras pode ser transferida para investimentos quantitativos. É claro que o gerenciamento e a governança eficazes são fundamentais, e a seleção dos dados certos, os algoritmos mais apropriados e a execução ideal do comércio podem fazer ou quebrar a capacidade de um algoritmo agregar valor para os investidores.
As aplicações de aprendizado de máquina para financiar continuarão crescendo com o tempo, e seu papel nas estratégias já está estabelecido. Estamos entrando em uma era de rápido crescimento da informação: é provável que a disponibilidade de dados continue a crescer em magnitude e um vasto poder computacional seja mais rotineiramente disponível em nossa visão. De fato, alguns diriam que já estamos lá, e as oportunidades para novos domínios de pesquisa orientada por dados são legiões. À medida que o campo continua a se desenvolver, acreditamos firmemente que a aplicação inteligente do aprendizado de máquina tem o potencial real de ajudar os investidores a capturar oportunidades novas e diversificadas nos mercados.
No comments:
Post a Comment