10 Dahilan ng Quant ng Istratehiya para sa Crypto Fail

Si Jesus Rodriguez ay ang CEO ng IntoTheBlock, isang market intelligence platform para sa mga Crypto asset. Siya ay humawak ng mga tungkulin sa pamumuno sa mga pangunahing kumpanya ng Technology at mga pondo ng hedge. Siya ay isang aktibong mamumuhunan, tagapagsalita, may-akda at panauhing lektor sa Columbia University sa New York.

Ang mga terminong "Crypto" at "Quant" ay mukhang perpektong magkakasama. Ang mga asset ng Bitcoin at Crypto ay ipinanganak sa panahon ng ONE sa mga pinakakapana-panabik na panahon sa mga capital Markets kasabay ng ginintuang panahon ng quantitative Finance. Ang teknolohikal na acceleration na dulot ng mga paggalaw tulad ng cloud computing at malaking data kasama ang renaissance ng machine learning ay nagbanggaan upang maging sanhi ng perpektong bagyo na pabor sa Quant revolution. Bilyun-bilyong dolyar ang nagpapalipat-lipat ng mga kamay bawat taon mula sa mga discretionary na pondo tungo sa Quant ng sasakyan, at ang Wall Street ay hindi makakapag-hire ng mga mathematician at mga eksperto sa machine learning nang mabilis.

Bilang isang ganap na digital asset class, ang Crypto ay tila ang perpektong target para sa mga Quant model. Gayunpaman, ang mga diskarte sa Quant ay nananatiling napipilitan sa medyo simpleng mga diskarte tulad ng statistical arbitrage (isang pares na diskarte sa kalakalan na LOOKS pagsasamantalahan ang mga inefficiencies sa merkado sa isang pares ng mga securities) at T pa rin namin nakikita ang paglitaw ng malalaking nangingibabaw na mga Quant desk sa merkado. Sa kabila ng mga kaakit-akit na katangian ng mga asset ng Crypto para sa mga diskarte sa Quant , ang Crypto ay nagdudulot ng mga natatanging hamon para sa mga modelo ng Quant at ang katotohanan ay nabigo ang karamihan sa mga diskarte sa Quant sa Crypto . Sa artikulong ito, nais kong tuklasin ang ilan sa mga pangunahing ngunit hindi malinaw na mga dahilan na maaaring magdulot ng pagkabigo ng karamihan sa mga diskarte sa Quant sa espasyo ng Crypto .

Tingnan din: Jesus Rodriguez - Ang Crypto ay T Kailangang Matakot GPT-3. Dapat Nito Yakapin Ito

Sa pagsasabing nabigo ang karamihan sa mga Quant na diskarte sa Crypto , kadalasang tinutukoy ko ang mga diskarte sa machine learning. Ang statistic arbitrage ay napatunayang isang epektibong mekanismo para bumuo ng mga algorithmic na diskarte, ngunit dapat nating asahan na mawawala ang mga pagkakataong iyon habang lumalaki ang merkado sa laki at kahusayan. Sa mga tradisyunal na capital Markets, nakita namin ang isang pagsabog sa pagpapatupad ng mga modelo ng Quant na nakabatay sa machine learning at ang katawan ng pananaliksik sa espasyo ay lumalaki nang husto.

Gayunpaman, ang karamihan sa mga diskarte sa Quant na napatunayang epektibo sa mga tradisyonal na capital Markets ay malamang na hindi gagana nang maayos kapag inilapat sa mga asset ng Crypto . Batay sa ilan sa aming kamakailang karanasan sa IntoTheBlock na nagtatrabaho sa mga predictive na modelo at mga diskarte sa Quant , inilista ko ang ilan sa mga salik na pinaniniwalaan kong maaaring maging sanhi ng pagkabigo ng mga Quant model para sa mga Crypto asset.

1. Maliit na mga dataset

Marami sa mga diskarte sa Quant na nakabatay sa machine learning na makikita mo sa mga research paper ay sinanay sa mga dekada ng data mula sa mga capital Markets. Ang kasaysayan ng kalakalan ng karamihan sa mga asset ng Crypto ay mabibilang sa mga buwan, at, kahit para sa mga sasakyan tulad ng Bitcoin at Ethereum, ang mga dataset ay nananatiling medyo maliit. Maraming mga modelo ng machine learning ang mahihirapang i-generalize ang anumang kaalaman mula sa maliliit na dataset. Sabihin nating sinusubukan mong bumuo ng predictive na modelo para sa presyo ng isang asset tulad ng Chainlink (LINK), na napakainit nitong mga nakaraang araw. Lumalabas na ang LINK ay may napakaliit na kasaysayan ng kalakalan, na hindi sapat upang sanayin ang karamihan sa mga modelo ng machine learning sa Quant Finance.

2. Mga regular na 'outlier' Events

Bagama't ang mga terminong "regular" at "outlier" ay hindi dapat gamitin sa parehong pangungusap, T akong maisip na mas magandang termino para ilarawan kung ano ang nararanasan namin sa mga Crypto asset. Napakalaking pag-crash ng presyo o biglaang pagtaas na, sa paglipas ng ilang oras, baguhin ang momentum sa anumang Crypto asset. Ang mga "outlier" Events ito ay madalas na nangyayari sa maraming Crypto asset.

Mula sa pananaw ng machine learning, karamihan sa mga modelo ay magiging naguguluhan sa mga paggalaw ng presyo na ito dahil T silang nakitang katulad sa panahon ng pagsasanay. Hindi nakakagulat na maraming machine learning Quant model ang nabawasan sa panahon ng flash crash noong kalagitnaan ng Marso o nabigong mapakinabangan ang biglaang pagtaas ng volatility nitong nakaraang ilang linggo. Mahirap kumuha ng kaalaman para sa mga ganitong uri ng Events sa panahon ng pagsasanay ng modelo.

3. Pagkahilig mag-overfit

Ang isang side effect ng maliliit na dataset ng market sa mga Crypto asset ay ang propensidad ng karamihan sa mga modelo ng Quant ng machine learning na mag-overfit o "mag-optimize para sa dataset ng pagsasanay." Palagi kaming nakakakita ng mga Quant model na mahusay na gumaganap sa panahon ng backtesting para lang mabigo kapag inilapat sa mga tunay na kondisyon ng market.

4. Ang regular na retraining dilemma

Pag-isipan ang sitwasyong ito: Nakagawa ka ng predictive na modelo na sinanay sa ilang taon ng kasaysayan ng kalakalan ng Bitcoin , pagkatapos ay nakakaranas ka ng mga linggo na halos walang pagkasumpungin na sinusundan ng ilang nakatutuwang pabagu-bagong araw (hindi na ito ay nangyari na dati ). Gusto mong sanayin muli ang modelo upang makuha ang kaalamang iyon, ngunit paano? Kung sanayin mo lang ang modelo sa pinakabagong data, malaki ang posibilidad na mag-overfitting habang kung maghihintay ka, maaaring hindi na nauugnay ang kaalaman.

Ang talento ay isang napakahalaga, at madalas na hindi pinapansin na aspeto, upang mapalago ang Quant ng pamumuhunan bilang isang disiplina sa espasyo ng Crypto .

Ang dilemma sa pag-retraining na ito ay isang direktang resulta ng mga Events"regular outlier" phenomena. Kung sanayin mo ang isang modelo sa isang dataset mula sa huling 10 taon ng S&P 500, maaari kang magdisenyo ng isang diskarte upang sanayin muli ang modelo nang regular dahil malamang na hindi masyadong malihis ang index mula sa tradisyonal na gawi nito sa maikling panahon. Ang regular na muling pagsasanay na ito ng mga modelo na mahusay na pinagtibay sa mga tradisyunal na diskarte sa Quant ay lumalabas pagdating sa Crypto.

5. Kalidad at pagiging maaasahan ng data

ONE sa mga pinakamalaking disbentaha ng pagdidisenyo ng machine learning Quant models para sa mga Crypto asset ay ang mahinang kalidad at pagiging maaasahan ng mga dataset. Hindi Secret na maraming mga database ng exchange order book ang puno ng mga tala na nagpapahiwatig ng mga pekeng volume, wash trade o pag-uugali ng panggagaya. Malinaw, ang pagsasanay ng isang machine learning model gamit ang mga dataset na iyon ay T magbubunga ng anumang nauugnay na resulta. Bukod pa rito, halos bawat linggo ay naririnig namin ang tungkol sa mga exchange API na nagkakaroon ng mga outage at nagsasara nang ilang oras. Kailan mo huling narinig ang tungkol sa pag-crash ng Nasdaq API? Tiyak na nangyayari ito, ngunit hindi ganoon kadalas. Ang kakulangan ng pagiging maaasahan ay maaaring pumatay sa katumpakan ng pinakamatatag na Quant model.

6. Anonymous blockchain records

Ang mga dataset ng Blockchain ay nananatiling ONE sa pinakamayamang mapagkukunan ng alpha para sa mga diskarte sa Quant sa espasyo ng Crypto . Ngunit ang hindi pagkakakilanlan ng mga rekord ng blockchain ay talagang nagiging mahirap na magdisenyo ng mga makabuluhang modelo ng Quant . Sabihin nating, halimbawa, na ang ONE sa mga feature sa isang Quant strategy ay gumagamit ng address count sa Ethereum blockchain. Well, ang mga address na bahagi ng mga palitan ay pangunahing naiiba sa mga address ng mga indibidwal na wallet at iba ang mga iyon sa mga address ng mga minero. Ang pag-label ng mga rekord ng blockchain ay mahalaga upang magdisenyo ng mga makabuluhang modelo ng Quant batay sa mga dataset ng blockchain at, sa kasamaang-palad, ang mga pagsisikap na iyon ay nasa mga unang yugto pa rin.

7. Mga diskarte sa salik sa labas ng bintana

Ang mga factor model ay nasa gitna ng ilan sa mga pinakamatagumpay na diskarte sa Quant sa nakalipas na dalawang dekada. Buong mega funds tulad ng AQR ay binuo sa pangako ng salik na pamumuhunan mga diskarte sa Quant . Mula sa orihinal na mga salik tulad ng halaga, momentum, o kalidad, ang mga diskarte sa salik ay lumago sa daan-daang mga salik na nagmomodelo ng mga nauugnay na gawi sa mga klase ng asset sa pananalapi.

Hindi bababa sa hanggang ngayon, ang karamihan sa mga diskarte sa kadahilanan ay napatunayang hindi epektibo sa konteksto ng mga asset ng Crypto . Pagdating sa Crypto, ang mga salik tulad ng halaga at kalidad ay hindi malinaw na tinukoy at ang pag-uugali ng iba tulad ng momentum ay sumasalungat sa mga karaniwang pattern. Nagiging sanhi ito ng maraming mga Crypto Quant desk na gumugol ng maraming oras sa pagsubok na muling likhain ang mga diskarte na nakabatay sa kadahilanan na malamang na hindi gumanap sa espasyo ng Crypto .

8. Simpleng pagkakamali ng modelo

Ang larangan ng quantitative Finance ay mabilis na umaakit sa malaki at kumplikadong mga modelo na regular na lumalampas sa mas simple at mas espesyal na mga modelo. Ang trend na ito ay salamin ng kung ano ang nangyayari sa buong machine learning space. Ang pagdating ng malalim na pag-aaral ay nagpakita sa amin na posible na lumikha ng napakasalimuot na mga neural network na nakakakuha ng kaalaman sa mga hindi maiisip na paraan.

Ang mga pondo tulad ng TwoSigma at WorldQuant ay aktibong nagtutulak ng malalim na pananaliksik sa pag-aaral at nagsasama ng mga ideyang lumalabas sa mga AI lab ng mga tech giant tulad ng Google, Microsoft, o Facebook. Gayunpaman, sa mundo ng Crypto, ang karamihan sa mga diskarte sa Quant ay umaasa pa rin sa mga pinakapangunahing paradigma sa pag-aaral ng machine tulad ng linear regression o decision tree.

Ang mga mas simpleng modelo ay walang alinlangan na kaakit-akit dahil madaling maunawaan ang mga ito, ngunit maaaring mahirapan silang i-generalize ang kaalaman mula sa isang kumplikadong kapaligiran tulad ng mga Crypto Markets. Bilang isang kapaligiran sa pag-aaral ng makina, pinagsasama ng Crypto ang pagiging kumplikado ng isang financial market sa mga inefficiencies at kawalan ng katiyakan ng isang bagong klase ng asset. Talagang hindi ang pinakamahusay na akma para sa mga simpleng diskarte sa Quant .

9. Basic Quant infrastructures

Bilang karagdagan sa nakaraang punto, ang karamihan sa mga imprastraktura sa Crypto space ay medyo nascent. Ang isang matatag Quant imprastraktura ay higit pa sa mahusay na mga diskarte at kasama ang mga elemento tulad ng pamamahala sa peligro, backtesting, pamamahala ng portfolio, pagpapatupad ng diskarte, pagbawi ng error at marami pang iba. Sa espasyo ng Crypto , ang Quant ng imprastraktura ng karamihan sa mga pondo ng hedge ay nananatiling medyo simple na nagpapahirap sa pagpapatakbo ng ilang uri ng mga diskarte.

Tingnan din: Jesus Rodriguez - Mga Mito at Realidad: Pagsusuri ng Sentimento para sa Mga Asset ng Crypto

Halimbawa, ipagpalagay na nagdisenyo ka ng magandang malalim na diskarte sa Quant ng pag-aaral na nagtataya ng presyo ng Bitcoin batay sa mga dataset ng blockchain. Upang patakbuhin ang diskarteng iyon, ang isang pondo ay mangangailangan ng isang imprastraktura na regular na nangongolekta ng mga rekord ng blockchain, mayroong imprastraktura ng computer na magpapatakbo ng mga modelo ng malalim na pag-aaral, ang naaangkop na tool sa muling pagsasanay, at iba pa.

Ang Technology ngayon ay tiyak na nabawasan ang oras at gastos na kinakailangan upang makabuo ng isang Quant infrastructure para magpatakbo ng mga modelo ng machine learning, ngunit ang mga Quant desk ay nananatiling medyo basic kumpara sa mga tumatakbo sa tradisyonal na capital Markets.

10. Ang pagkakaroon ng talento

Iniwan ko ang pinakakontrobersyal na punto hanggang sa dulo. Bilang isang merkado sa pananalapi, ang Crypto ay hindi pa rin nakakaakit ng pinakamataas Quant talento na may kaugnay na karanasan sa mga tradisyonal na capital Markets. Tatalakayin pa rin namin ang hindi kapani-paniwalang kumplikadong mga problema tulad ng pagtataya sa gawi ng isang klase ng asset na may medyo simpleng mga modelo, pangunahing imprastraktura at mahihirap na proseso. Ang talento ay isang napakahalaga, at madalas na hindi pinapansin na aspeto, upang mapalago ang Quant ng pamumuhunan bilang isang disiplina sa espasyo ng Crypto . May mga hindi kapani-paniwalang mahuhusay Quant team sa Crypto, ngunit sila ang eksepsiyon, hindi ang panuntunan.

Ito ang ilang mga punto na maaaring magdulot sa atin na mag-isip tungkol sa kasalukuyang estado ng Quant ng pamumuhunan sa espasyo ng Crypto . Ang Crypto ay isang perpektong uri ng asset para sa mga diskarte sa Quant at, sa katagalan, ang mga pondo ng Quant ay dapat ang nangingibabaw na sasakyan sa pamumuhunan sa Crypto. Kasama sa landas ang maraming hamon, ngunit kaakit-akit ding mga pagkakataon.