10 razones por las que las estrategias Quant para las Cripto fracasan

Jesús Rodríguez es el CEO de IntoTheBlock, una plataforma de inteligencia de mercado para Cripto . Ha ocupado puestos de liderazgo en importantes empresas Tecnología y fondos de cobertura. Es un inversor activo, orador, autor y profesor invitado en la Universidad de Columbia en Nueva York.

Los términos "Cripto" y "Quant" parecen combinar a la perfección. Bitcoin y los Cripto surgieron durante ONE de los momentos más emocionantes de los Mercados de capitales, coincidiendo con la era dorada de las Finanzas cuantitativas. La aceleración tecnológica causada por movimientos como la computación en la nube y el big data, junto con el renacimiento del aprendizaje automático, han colisionado para provocar la tormenta perfecta a favor de la revolución Quant . Miles de millones de dólares se transfieren cada año de fondos discrecionales a vehículos Quant , y Wall Street no puede contratar matemáticos y expertos en aprendizaje automático con la suficiente rapidez.

Al ser una clase de activo completamente digital, las Cripto parecen ser el objetivo perfecto para los modelos Quant . Sin embargo, las estrategias Quant siguen limitadas a técnicas relativamente simples como el arbitraje estadístico (una estrategia de trading de pares que LOOKS explotar las ineficiencias del mercado en un par de valores), y aún no hemos visto el surgimiento de grandes mesas Quant dominantes en el mercado. A pesar de las características atractivas de los Cripto para las estrategias Quant , Cripto desafíos únicos para los modelos Quant , y la realidad es que la mayoría de las estrategias Quant en Cripto fracasan. En este artículo, me gustaría explorar algunas de las razones fundamentales, aunque no obvias, que pueden provocar el fracaso de la mayoría de las estrategias Quant en el sector de las Cripto .

Ver también: Jesús Rodríguez -Las Cripto no deben temerle a GPT-3. Deberían aceptarlo.

Al afirmar que la mayoría de las estrategias Quant en Cripto fracasan, me refiero principalmente a las estrategias de aprendizaje automático. El arbitraje estadístico ha demostrado ser un mecanismo eficaz para desarrollar estrategias algorítmicas, pero cabe esperar que estas oportunidades desaparezcan a medida que el mercado crece en tamaño y eficiencia. En los Mercados de capitales tradicionales, hemos presenciado un auge en la implementación de modelos Quant basados ​​en aprendizaje automático, y el volumen de investigación en este ámbito crece exponencialmente.

Sin embargo, es probable que la mayoría de las estrategias Quant que han demostrado ser eficaces en los Mercados de capital tradicionales no funcionen tan bien al aplicarlas a los Cripto . Basándome en nuestra experiencia reciente en IntoTheBlock trabajando con modelos predictivos y estrategias Quant , he enumerado algunos de los factores que, en mi opinión, pueden provocar el fracaso de los modelos Quant para los Cripto .

1. Pequeños conjuntos de datos

Muchas de las estrategias Quant basadas en aprendizaje automático que se encuentran en artículos de investigación se basan en décadas de datos de los Mercados de capitales. El historial de operaciones de la mayoría de los Cripto se puede contar en meses, e incluso para vehículos como Bitcoin y Ethereum, los conjuntos de datos son relativamente pequeños. Muchos modelos de aprendizaje automático tendrán dificultades para generalizar cualquier conocimiento a partir de conjuntos de datos tan pequeños. Supongamos que intenta construir un modelo predictivo para el precio de un activo como Chainlink (LINK), que está en auge en los últimos días. Resulta que LINK tiene un historial de trading muy limitado, insuficiente para entrenar la mayoría de los modelos de aprendizaje automático en Finanzas Quant .

2. Eventos regulares 'atípicos'

Aunque los términos "regular" y "atípico" no deberían usarse en la misma oración, no se me ocurre un término mejor para describir lo que experimentamos con los Cripto : caídas masivas de precios o picos repentinos que, en cuestión de horas, cambian el impulso de cualquier Cripto . Estos Eventos "atípicos" ocurren con bastante frecuencia con muchos Cripto .

Desde una perspectiva de aprendizaje automático, la mayoría de los modelos seránperplejo Con estos movimientos de precios, no han observado nada similar durante el entrenamiento. No sorprende que muchos modelos Quant de aprendizaje automático se vieran afectados durante el desplome repentino de mediados de marzo o no lograran capitalizar el repentino aumento de volatilidad de las últimas semanas. Es difícil obtener información sobre este tipo de Eventos durante el entrenamiento del modelo.

3. Propensión al sobreajuste

Un efecto secundario de los pequeños conjuntos de datos de mercado en Cripto es la propensión de la mayoría de los modelos Quant de aprendizaje automático a sobreajustarse o a optimizarse para el conjunto de datos de entrenamiento. Constantemente vemos modelos Quant que funcionan increíblemente bien durante las pruebas retrospectivas, pero fallan al aplicarlos a condiciones reales de mercado.

4. El dilema del reentrenamiento regular

Imagine este escenario: Ha creado un modelo predictivo entrenado con varios años de historial de trading de Bitcoin , y luego experimenta semanas de volatilidad casi nula, seguidas de algunos días de volatilidad extrema (aunque esto nunca ha sucedido). Le gustaría reentrenar el modelo para que capture esa información, pero ¿cómo? Si simplemente reentrena el modelo con los datos más recientes, existe una alta probabilidad de sobreajuste, mientras que si espera, la información podría perder su relevancia.

El talento es un aspecto muy importante, y a menudo pasado por alto, para hacer crecer la inversión Quant como disciplina en el espacio Cripto .

Este dilema del reentrenamiento es una consecuencia directa del fenómeno de los " Eventos atípicos regulares". Si se entrena un modelo con un conjunto de datos de los últimos 10 años del S&P 500, se puede diseñar una estrategia para reentrenarlo regularmente, ya que es improbable que el índice se desvíe demasiado de su comportamiento tradicional en períodos cortos. Este reentrenamiento regular de modelos, que se ha adoptado con éxito en las estrategias Quant tradicionales, se desvanece en el caso de las Cripto.

5. Calidad y fiabilidad de los datos

Una de las mayores desventajas del diseño de modelos Quant de aprendizaje automático para Cripto es la baja calidad y fiabilidad de los conjuntos de datos. Es bien Secret que muchos conjuntos de datos de libros de órdenes de exchanges están repletos de registros que indican volúmenes falsos, operaciones de lavado o suplantación de identidad. Obviamente, entrenar un modelo de aprendizaje automático con esos conjuntos de datos no producirá resultados relevantes. Además, casi todas las semanas nos enteramos de que las API de exchanges sufren interrupciones y se detienen durante horas. ¿Cuándo fue la última vez que oíste hablar de una caída de la API del Nasdaq? Sin duda ocurre, pero no con tanta frecuencia. Esta falta de fiabilidad puede afectar la precisión de los modelos Quant más robustos.

6. Registros anónimos de blockchain

Los conjuntos de datos de blockchain siguen siendo una de las fuentes más ricas de alfa para las estrategias Quant en el ámbito de las Cripto . Sin embargo, el anonimato de los registros de blockchain dificulta enormemente el diseño de modelos Quant significativos. Supongamos, por ejemplo, que una de las características de una estrategia Quant aprovecha el recuento de direcciones en la blockchain de Ethereum . Las direcciones que forman parte de los exchanges son fundamentalmente diferentes de las direcciones de las billeteras individuales, y estas a su vez son diferentes de las direcciones de los mineros. Etiquetar los registros de blockchain es esencial para diseñar modelos Quant significativos basados ​​en conjuntos de datos de blockchain y, lamentablemente, estos esfuerzos aún se encuentran en sus primeras etapas.

7. Estrategias de factorización por la ventana

Los modelos factoriales han estado en el centro de algunas de las estrategias Quant más exitosas de las últimas dos décadas. Fondos mega completos como AQRSe construyeron sobre la promesa deinversión factorial Estrategias Quant . A partir de factores originales como el valor, el momentum o la calidad, las estrategias factoriales han evolucionado hasta convertirse en cientos de factores que modelan comportamientos relevantes en las clases de activos financieros.

Al menos hasta la fecha, la mayoría de las estrategias factoriales han demostrado ser ineficaces en el contexto de los Cripto . En el ámbito de las Cripto , factores como el valor y la calidad no están claramente definidos, y el comportamiento de otros, como el momentum, desafía los patrones convencionales. Esto provoca que muchos analistas Quant de Cripto dediquen incontables horas a recrear estrategias basadas en factores que tienen muy pocas probabilidades de funcionar en el Cripto .

8. Falacia del modelo simple

El campo de las Finanzas cuantitativas está migrando rápidamente hacia modelos grandes y complejos que, con frecuencia, superan a los modelos más simples y especializados. Esta tendencia refleja lo que está sucediendo en todo el ámbito del aprendizaje automático. La llegada del aprendizaje profundo nos mostró que es posible crear redes neuronales altamente complejas que adquieren conocimiento de las maneras más impensables.

Fondos como TwoSigma y WorldQuant impulsan activamente la investigación en aprendizaje profundo e incorporan ideas provenientes de los laboratorios de inteligencia artificial de gigantes tecnológicos como Google, Microsoft o Facebook. Sin embargo, en el mundo de las Cripto, la mayoría de las estrategias Quant aún se basan en paradigmas de aprendizaje automático muy básicos, como la regresión lineal o los árboles de decisión.

Los modelos más simples son indudablemente atractivos, dado que son fáciles de entender, pero pueden tener dificultades para generalizar el conocimiento de un entorno complejo como el de los Mercados de Cripto . Como entorno de aprendizaje automático, las Cripto combinan la complejidad de un mercado financiero con las ineficiencias e incertidumbre de una nueva clase de activo. Definitivamente no son la mejor opción para estrategias Quant simples.

9. Infraestructuras Quant básicas

Como complemento al punto anterior, la mayoría de las infraestructuras Quant en el sector de las Cripto son relativamente incipientes. Una infraestructura Quant robusta va más allá de las buenas estrategias e incluye elementos como la gestión de riesgos, el backtesting, la gestión de carteras, la ejecución de estrategias, la recuperación de errores y muchos otros. En el sector de las Cripto , la infraestructura Quant de la mayoría de los fondos de cobertura es relativamente simple, lo que dificulta la implementación de ciertos tipos de estrategias.

Ver también: Jesús Rodríguez -Mitos y realidades: Análisis del sentimiento sobre los Cripto

Por ejemplo, supongamos que ha diseñado una atractiva estrategia Quant de aprendizaje profundo que pronostica el precio de Bitcoin basándose en conjuntos de datos de blockchain. Para implementar dicha estrategia, un fondo necesitaría una infraestructura que recopile registros de blockchain regularmente, cuente con la infraestructura informática para ejecutar modelos de aprendizaje profundo, la herramienta de reentrenamiento adecuada, etc.

La Tecnología actual ciertamente ha reducido el tiempo y el costo necesarios para construir una infraestructura Quant para ejecutar modelos de aprendizaje automático, pero las mesas Quant siguen siendo relativamente básicas en comparación con las que operan en los Mercados de capital tradicionales.

10. Disponibilidad de talento

Dejé el punto más controvertido para el final. Como mercado financiero, las Cripto siguen sin atraer a los mejores talentos Quant con experiencia relevante en los Mercados de capitales tradicionales. Seguimos abordando problemas increíblemente complejos, como predecir el comportamiento de una clase de activo con modelos relativamente simples, infraestructura básica y procesos deficientes. El talento es un aspecto muy importante, y a menudo pasado por alto, para el crecimiento de la inversión Quant como disciplina en el sector de las Cripto . Existen equipos Quant increíblemente talentosos en el Cripto, pero son la excepción, no la regla.

Estos son algunos puntos que podrían hacernos reflexionar sobre el estado actual de la inversión Quant en el sector de las Cripto . Las Cripto son una clase de activo ideal para las estrategias Quant y, a largo plazo, los fondos Quant deberían ser el vehículo de inversión dominante en Cripto. El camino presenta numerosos desafíos, pero también oportunidades fascinantes.