양적 거래 전략을 세울 때, 더 고급한 방법을 사용하는 것이 더 좋습니까, 아니면 간단한 아이디어에 충실하는 것이 더 좋습니까?
정량화 커뮤니티의 오래된 문제 중 하나는 시스템 거래자가 간단한 정량화 전략을 고수해야 하는가, 아니면 더 고급한 방법을 실행하기 위해 노력해야 하는가이다.
일반적으로 소매 알고리즘 트레이더는 보다 간단한 전략을 사용하지만, 양적 헤지펀드는 매우 복잡하고 수학적으로 복잡한 방법을 사용한다고 생각됩니다. 그러나 최근에는 상황이 바뀌었습니다.
소매 알고리즘 거래자는 이제 비교적 저렴한 클라우드 컴퓨팅, 합리적이고 사용하기 쉬운 데이터 세트를 제공하는 대안 데이터 공급자 및 오픈 소스 연구 프레임워크를 통해 복잡한 분석을 수행 할 수 있습니다.
이 기사에서는 소매량 분석가가 이러한 고급 전략을 실행하는 데 시간을 투자해야하는지, 아니면 더 간단한 아이디어를 고수해야하는지 논의 할 것입니다.
투자자의 선호도
간단한 전략과 복잡한 전략의 여러 장단점을 나열하기 전에, 각 방법의 상대적 장단점을 어떻게 판단할 것인가에 대한 개요가 필요하다.
한 가지 중요한 문제는 각 투자자가 자신의 특정 선호도를 가지고 있기 때문에 시스템 거래를 통해 달성하려고하는 목표에 대한 목표 함수 을 가지고 있다는 것입니다.
예를 들어, 투자자는 막대한 자본 기반을 가질 수 있지만, 이러한 자본에서 얻은 모든 거래 수익을 주기적으로 추출해야 할 수도 있다. 손실을 최소화하기 위한 자금보험은 그러한 투자자에게 중요합니다.
또 다른 투자자는 상대적으로 작은 자본 기반을 가지고 있고, 전체 부의 증대에만 관심이 있을 수 있다. 더 큰 수익을 얻을 수 있다면, 전체 손익계획의 변동성은 덜 우려될 수 있다.
일부 양적 거래자는 효과적인 시스템 거래 전략을 개발함으로써 얻을 수 있는 지적 자극을 더 중요하게 생각합니다. 그들은 실제로 긍정적인 수익을 얻을 수 있습니다.
분명히, 투자자는 많은 다른 선호도를 가지고 있다. 이러한 측면들은 더 고급한 방법을 사용할지 여부를 결정하고 있는 소매량 분석가들에게 간단한 시스템 거래 전략과 복잡한 시스템 거래 전략을 구성하는 논의 프레임워크를 구축하는 데 도움이 된다.
간단한 전략은 연구하고 시장에 배치하는 것이 더 쉽습니다. 그것들은 덜 복잡한 데이터와 인프라를 필요로 합니다. 신호 자체는 자동으로 생성되더라도, 일부는 수동으로 실행될 수도 있습니다.
반면, 고급 전략은 지능적으로 더 많은 수익을 내고 있으며, 그들은 종종 더 유리한 샤프 비율을 가지고 있습니다. 즉, 그들은 유닛 변동률에 대한 더 나은 예상 수익을 제공합니다. 손실과 변동성을 최대한 줄이는 방법에 관심이있는 투자자에게는 샤프 비율이 고려해야 할 중요한 지표가 될 것입니다.
이 글에서는 단순한 요리가 복잡한 요리에 비해 더 좋은지 자세히 살펴볼 것입니다. 우리는 위의 동기부여와 다른 장단점을 염두에 두고 있습니다.
간단한 거래 전략
거래 전략이 단순화 된 것으로 간주되는지는 투자자의 교육 배경과 기술 능력에 크게 달려 있습니다. 무작위 미적분학 박사 학위를 가진 사람은 자율적으로 배운 재량 분석가와 비교할 때 단순화 된 것에 대한 정의가 매우 다를 수 있습니다.
이 문헌을 위해, 트레이딩 전략이 선진 시장에서, 큰 유명 자산 범주에서, 기본적인 수학 또는 통계적 복잡성을 가진 간단한 도구를 사용하는 경우에 적용되면, 우리는 이를 대략적으로 단순화라고 정의한다.
이러한 전략의 예는 기술 분석, 포트폴리오 구조 또는 위험 관리 구성 요소가 명확하지 않은, 미국 주식, ETF 또는 외환과 같은 유동성 높은 시장에 적합합니다.
더 간단한 전략의 장점은 다음과 같습니다.
- 데이터- 모든 시스템 거래 전략은 데이터를 필요로 한다. 간단한 전략은 일반적으로 선진 자산 범주에서 잘 거래되는 도구의 준비된 가격/거래량 데이터를 활용한다. 이 같은 데이터를 얻는 비용은 매우 저렴하거나 심지어 무료이다. 일반적으로 크기가 작아서 사용하기 쉬운 API를 통해 많은 공급자로부터 직접 다운로드할 수 있다.
- 연구- 많은 재검토 환경이 있습니다. 상업 제품 (TradeStation 또는 MetaTrader 5와 같은) 에서 QSTrader, Backtrader 및 Zipline와 같은 오픈 소스 리포트, 심지어 Pandas과 같은 리포트까지 리포트 스타일의 전략을 테스트 할 수 있습니다. 더 간단한 전략은 일반적으로 이러한 프레임워크에서 쉽게 구현 할 수 있습니다.
- 거래 비용- 선진, 유동성 높은 시장에서 간단한 도구를 사용하기 때문에 거래 비용을 추정하는 것이 비교적 쉽습니다. 이것은 또한 전략이 샘플 외에서 수익성이 가능할지 여부를 결정하는 것을 더 쉽게 만듭니다.
- 인프라- 낮은 빈도로 실행되는 기술 분석 유형의 전략은 비교적 간단한 인프라를 통해 자동화 될 수 있습니다. 필요한 안정성 수준에 따라 cron 작업을 설정하여 원하는 거래 목록을 생성할 수 있으며 동시에 수동으로 실행할 수 있습니다.
- 용량- 또한, 유동성이 높은 시장에서 간단한 도구를 사용하기 때문에 용량 제한 문제는 거의 발생하지 않습니다.
하지만, 더 간단한 전략은 단점도 있습니다.
- 알파- 기술 분석 지표 전략은 금융 시장에서 매우 잘 알려져 있으며 보편적입니다. 현재 가장 간단한 전략이 기본 구매와 보유 또는 동력에 기반한 전략적 자산 편리보다 더 가치가 있는지 여부는 분명하지 않습니다. 즉, 전략은 자체적으로 알파를 생성하지 않고 시장 자체 또는 다른 알려진 학문적 위험 요소로부터 베타를 얻을 수 있습니다.
- 수익성- 이러한 방법이 보편적이기 때문에, 실제 거래 비용을 고려했을 때, 샘플 외에서의 지속적인 수익은 도전적일 수 있다.
- 통계 테스트- 단순한 거래 전략의 문제가 아니더라도, 일반적으로 간단한 전략에 대한 탄탄한 통계적 분석이 거의 또는 전혀 이루어지지 않습니다. 따라서, 많은 이러한 전략들이 복제에서 높은 성능을 보이는 것은 단순히 샘플 내 데이터에 대한 과도한 적합성 때문일 수 있습니다.
- 자유의지- 수동으로 실행되는 간단한 전략은 이 과정에 독단적 요소를 적용하는 결과를 초래할 수 있다. 예를 들어, 의 바쁜 오프닝 시간으로 인해 거래의 출입을 늦추거나, 의 직관적 을 사용하여 거래를 뒤집는 것. 이는 전략의 실제 성능을 결정하는 것을 도전적으로 만든다.
- 투자 포트폴리오 구축- 간단한 전략은 일반적으로 어떤 견고한 포트폴리오 구축이나 위험 관리 기술을 사용하지 않는 것이다. 종종 손해배출을 억제하는 방법들이 사용되지만, 유동률 목표, 평형 유동률 중량 (이하 유동률 유동률) 또는 시장을 넘나들며 다양화를 하는 것은 위험 조정 후 수익을 높이는 잠재적 메커니즘으로 거의 사용되지 않는다.
- 지적 보상- 간단한 전략은 일반적으로 복잡한 수학이나 고급 분석을 사용하지 않습니다. 투자자의 목표는 지능적 수익이라면 간단한 전략은 이 목표를 달성할 가능성이 거의 없습니다.
따라서, 보다 간단한 거래 전략이 실행, 테스트 및 거래에 더 쉽지만, 이러한 단순성은 통계적 안정성 및 장기적인 수익성의 희생으로 발생할 수 있습니다.
고급 거래 전략
고급 전략은 통계적 가설 검사를 기반으로, 광범위한 자산 범주 분야 지식, 엄격한 포트폴리오 구축 방법, 그리고 유동성이 낮은, 틈새 자산 범주 또는 도구, 예를 들어, 신흥 시장, 상품 및 파생상품에 대한 전략이 포함됩니다.
이러한 전략은 일반적으로 기관적인 헤지펀드 계층의 양적화 영역이지만, 데이터의 사용성과 더 나은 시뮬레이션 도구의 보편화로 인해 이러한 전략은 이제 소매량 거래에서 점점 더 보편화되고 있다.
복잡한 전략의 장점은 다음과 같습니다.
- 관련성- 설계에 따라, 고급 전략은 디자인적으로 전체 시장과 다른 거래 전략으로 구성된 기존 포트폴리오의 연관성이 낮아진다. 이것은 종종 전체 포트폴리오의 더 높은 샤프 비율로 이어진다.
- 수익성- 고급 분야 지식으로 거래 비용을 합리적으로 추정할 수 있다. 이것은 전략이 표본 외부에서 수익성이 있을 수 있는지 여부를 일반적으로 더 쉽게 결정한다는 것을 의미한다. 따라서 실시간 테스트 기간 전에 많은 비영리적인 리테스트 아이디어를 거부할 수 있다.
- 통계 테스트- 엄격한 거래 전략의 통계 분석은 일반적으로 더 고급한 방법과 함께 이루어집니다. 즉, 통계 분석은 일반적으로 더 고급한 방법과 함께 이루어집니다. 즉, 배치된 전략은 샘플 외부에서 수행되는 데 작은 저하를 나타냅니다.
- 알파- 저개발 시장에서 틈새 도구가 사용되기 때문에 이러한 전략들 중 알파의 잠재력이 더 크다. 전략 지식의 시장 전체의 확산 속도가 느려지기 때문에 이러한 알파는 더 느리게 쇠퇴하는 경향이 있다.
- 투자 포트폴리오 구축- 포트폴리오 구축과 위험 관리가 더 고급한 방법과 함께 이루어집니다. 이것은 투자자의 목표와 전략적 성과를 일치시키는 데 도움이 됩니다.
- 지적 보상- 고급 전략은 더 복잡한 분석, 더 정교한 수학 지식, 더 광범위한 소프트웨어 개발을 필요로 한다. 일부 아마추어 투자자에게는 이것은 부 창출보다는 목표와 더 가깝다. 따라서 그들은 종종 더 복잡한 체계적인 거래 방식에 매료된다.
간단한 전략과 마찬가지로 고급 전략에는 몇 가지 단점이 있습니다.
- 수학의 복잡성- 보통 통계 분석, 시간 계열 분석, 무작위 계산 또는 기계 학습의 배경이 필요한 더 고급 시스템 거래 방법을 처리합니다. 물론 이러한 지식은 스스로 배울 수 있지만 학위, MFE 및 / 또는 박사 학위로 관련 지식을 얻는 것이 훨씬 쉽습니다.
- 전문 지식- 여러 개의 대학원 학위를 가지고 있더라도, 유리한 기반 자산 범주 또는 도구 유형에 대한 합리적인 분야의 지식이 여전히 필요하며, 이러한 전문 지식은 일반적으로 은행이나 펀드의 특정 카운터 턱에서 일한 수 년의 경험으로 얻습니다.
- 데이터- 일반적으로 데이터 비용은 샘플링 빈도, 범위 폭, 역사 길이, 데이터 품질 및 자산 범주/기구 특성에 따라 달라집니다. 고급 전략은 틈새 시장에 의존하여 알파를 생성합니다. 따라서 데이터는 매우 비싸질 수 있습니다. 이 비용을 고려해야 전략이 수익을 창출 할 수 있습니다.
- 연구- 전략이 더 복잡한 도구를 거래하는 경우, 특화된 재검토 환경이 필요합니다. 일반적으로 이것은 처음부터 완전히 사용자 정의 코드를 개발하는 것을 의미합니다. 이것은 엄청난 시간 투자입니다. 또한 오류를 도입하지 않도록 광범위한 소프트웨어 엔지니어링 기술이 필요합니다.
- 인프라- 고급 전략을 연구하기 위해 강력한 재검토 프레임워크가 구축되어 있더라도 거래를 수행하기 위해 복잡한 인프라가 필요합니다. 그것은 완전히 자동화 될 수 있습니다. 복잡한 배포, 테스트 및 모니터링이 필요합니다.
- 용량- 일부 고급 전략 방법은 용량이 제한되어 있기 때문에 효율적으로 거래되지 않습니다. 큰 펀드는 이러한 전략을 거래 할 수 없습니다. 시간 투자가 그들이 생성 할 수있는 절대적 수익에 가치가 없기 때문에. 이것은 고급 방법에 적용 할 수있는 자본 금액에 한계가 있다는 것을 의미합니다.
이렇게 보면, 고급 거래 전략이 더 많은 알파 기회와 잠재적으로 높은 수익을 제공하지만, 이것은 더 복잡한 수학 지식과 필요한 전문 지식과 더 복잡한 자동 거래 인프라를 필요로 합니다.
요약
요약하자면, 간단한 거래 전략이 훨씬 더 빨리 시장에 진입할 수 있다는 것이 분명하다. 그것들은 훨씬 적은 전문성을 필요로 하며, 신호가 자동으로 생성된 경우에도 수동으로 실행될 수 있다. 그러나, 그들은 고급 방법들에 비해 지나치게 적합하고 수익률이 낮을 가능성이 높다.
복잡한 전략은 무관한 알파, 합리적인 수익성, 그리고 지적 보상을 제공합니다. 그러나 이것은 더 높은 데이터 비용, 개발 연구와 거래 인프라에 더 많은 시간이 소요되고 더 깊은 교육 배경이 필요합니다.
이 글의 링크는:https://www.quantstart.com/articles/simple-versus-advanced-systematic-trading-strategies-which-is-better/