10 raisons pour lesquelles les stratégies Quant pour les Crypto échouent

Jesus Rodriguez est le PDG d'IntoTheBlock, une plateforme d'analyse de marché pour les Crypto . Il a occupé des postes de direction au sein de grandes entreprises Technologies et de fonds spéculatifs. Investisseur actif, il est également conférencier, auteur et maître de conférences invité à l'Université Columbia de New York.

Les termes « Crypto» et « Quant» semblent parfaitement aller de pair. Le Bitcoin et les Crypto actifs sont nés à l' une des périodes les plus prometteuses des Marchés financiers, coïncidant avec l'âge d'or de la Finance quantitative. L'accélération technologique induite par des mouvements tels que le cloud computing et le big data, ainsi que la renaissance de l'apprentissage automatique, se sont conjuguées pour créer une véritable tempête en faveur de la révolution Quant . Des milliards de dollars passent chaque année des fonds discrétionnaires aux instruments Quant , et Wall Street peine à recruter suffisamment vite des mathématiciens et des experts en apprentissage automatique.

En tant que classe d'actifs entièrement numérique, les Crypto semblent être la cible idéale pour les modèles Quant . Pourtant, les stratégies Quant restent limitées à des techniques relativement simples comme l'arbitrage statistique (une stratégie de pair trading LOOKS à exploiter les inefficiences du marché d'une paire de titres) et nous n'avons toujours T assisté à l'émergence de grands bureaux Quant dominants sur le marché. Malgré les caractéristiques attrayantes des Crypto pour les stratégies Quant , Crypto posent des défis uniques aux modèles Quant et, en réalité, la plupart des stratégies Quant échouent. Dans cet article, j'aimerais explorer certaines des raisons fondamentales, mais peu évidentes, qui peuvent entraîner l'échec de la plupart des stratégies Quant dans le secteur des Crypto .

Voir aussi : Jesus Rodriguez -Les Crypto n'ont pas à craindre GPT-3. Elles devraient l'adopter.

En affirmant que la plupart des stratégies Quant en Crypto échouent, je fais principalement référence aux stratégies d'apprentissage automatique. L'arbitrage statistique s'est avéré efficace pour développer des stratégies algorithmiques, mais il faut s'attendre à ce que ces opportunités disparaissent à mesure que le marché gagne en taille et en efficacité. Sur les Marchés financiers traditionnels, nous avons assisté à une explosion de la mise en œuvre de modèles Quant basés sur l'apprentissage automatique, et le corpus de recherche dans ce domaine connaît une croissance exponentielle.

Cependant, la plupart des stratégies Quant qui ont fait leurs preuves sur les Marchés financiers traditionnels risquent de ne pas fonctionner aussi bien lorsqu'elles sont appliquées aux Crypto . Fort de notre expérience récente chez IntoTheBlock, en travaillant sur les modèles prédictifs et les stratégies Quant , j'ai répertorié certains facteurs susceptibles, selon moi, de provoquer l'échec des modèles Quant pour les Crypto .

1. Petits ensembles de données

De nombreuses stratégies Quant basées sur l'apprentissage automatique, que l'on retrouve dans les articles de recherche, sont entraînées à partir de décennies de données issues des Marchés financiers. L'historique de négociation de la plupart des Crypto se compte en mois, et même pour des instruments comme le Bitcoin et Ethereum, les ensembles de données restent relativement restreints. De nombreux modèles d'apprentissage automatique auront du mal à généraliser des connaissances à partir de données aussi réduites. Imaginons que vous essayiez de construire un modèle prédictif du prix d'un actif comme Chainlink .LINK), qui est en plein essor ces derniers jours. Il s'avère que LINK possède un historique de trading très court, insuffisant pour entraîner la plupart des modèles d'apprentissage automatique en Finance Quant .

2. Événements « aberrants » réguliers

Bien que les termes « normal » et « exceptionnel » ne devraient pas être utilisés dans la même phrase, je T de terme plus approprié pour décrire ce que nous observons avec les Crypto . Des chutes de prix massives ou des pics soudains qui, en quelques heures, modifient la dynamique de n'importe quel actif Crypto . Ces Événements « exceptionnels » se produisent assez fréquemment avec de nombreux actifs Crypto .

Du point de vue de l’apprentissage automatique, la plupart des modèles serontperplexe Ces fluctuations de prix sont dues à l' T de phénomène similaire observé lors de l'entraînement. Il n'est pas surprenant que de nombreux modèles Quant d'apprentissage automatique aient été anéantis lors du krach éclair de la mi-mars ou n'aient pas su tirer parti de la hausse soudaine de la volatilité de ces dernières semaines. Il est difficile d'acquérir des connaissances sur ce type d' Événements lors de l'entraînement du modèle.

3. Propension au surapprentissage

Un effet secondaire de la petite taille des ensembles de données de marché des Crypto est la propension de la plupart des modèles Quant d'apprentissage automatique à sur-adapter ou à « optimiser pour l'ensemble de données d'entraînement ». Nous voyons constamment des modèles Quant qui fonctionnent incroyablement bien lors des backtests, mais échouent lorsqu'ils sont appliqués aux conditions réelles du marché.

4. Le dilemme habituel de la reconversion

Imaginez ce scénario : vous avez créé un modèle prédictif entraîné sur quelques années d'historique de trading Bitcoin , puis vous subissez des semaines de volatilité quasi nulle, suivies de quelques jours de forte volatilité (ce qui n'est jamais arrivé auparavant). Vous souhaitez réentraîner le modèle pour capturer ces informations, mais comment ? Si vous vous contentez de réentraîner le modèle avec les données les plus récentes, le risque de surapprentissage est élevé, tandis qu'attendre pourrait rendre ces informations obsolètes.

Le talent est un aspect très important, et souvent négligé, pour développer l’investissement Quant en tant que discipline dans l’espace Crypto .

Ce dilemme de réentraînement est une conséquence directe du phénomène des « Événements aberrants réguliers ». En entraînant un modèle sur un ensemble de données des dix dernières années du S&P 500, vous pouvez concevoir une stratégie de réentraînement régulier du modèle, car il est peu probable que l'indice s'écarte trop de son comportement habituel sur de courtes périodes. Ce réentraînement régulier des modèles, bien adopté dans les stratégies Quant traditionnelles, est abandonné pour les Crypto.

5. Qualité et fiabilité des données

ONEun des principaux inconvénients de la conception de modèles Quant d'apprentissage automatique pour les Crypto est la faible qualité et la fiabilité des ensembles de données. Ce n'est un Secret que de nombreux carnets d'ordres de bourse regorgent d'enregistrements indiquant de faux volumes, des transactions fictives ou des comportements d'usurpation d'identité. Évidemment, entraîner un modèle d'apprentissage automatique à partir de ces ensembles de données T produira aucun résultat pertinent. De plus, presque chaque semaine, nous entendons parler de pannes d'API de bourse, parfois même de fermetures pendant des heures. À quand remonte la dernière fois où vous avez entendu parler d'un crash d'API du Nasdaq ? Cela arrive, certes, mais pas si fréquemment. Ce manque de fiabilité peut nuire à la précision des modèles Quant les plus robustes.

6. Enregistrements blockchain anonymes

Les ensembles de données blockchain restent ONEune des sources d'alpha les plus riches pour les stratégies Quant dans le secteur des Crypto . Cependant, l'anonymat des enregistrements blockchain rend la conception de modèles Quant pertinents particulièrement complexe. Imaginons, par exemple, ONE stratégie Quant exploite le nombre d'adresses dans la blockchain Ethereum . Or, les adresses des plateformes d'échange sont fondamentalement différentes des adresses des portefeuilles individuels, et celles-ci sont différentes des adresses des mineurs. L'étiquetage des enregistrements blockchain est essentiel pour concevoir des modèles Quant pertinents basés sur des ensembles de données blockchain, et malheureusement, ces efforts n'en sont qu'à leurs balbutiements.

7. Les stratégies factorielles sont abandonnées

Les modèles factoriels ont été au cœur de certaines des stratégies Quant les plus performantes des deux dernières décennies. Des fonds d'envergure comme AQRont été construits sur la promesse deinvestissement factoriel Stratégies Quant . À partir de facteurs initiaux comme la valeur, le momentum ou la qualité, les stratégies factorielles ont évolué vers des centaines de facteurs modélisant les comportements pertinents des classes d'actifs financiers.

Jusqu'à aujourd'hui au moins, la plupart des stratégies factorielles se sont révélées inefficaces dans le contexte des Crypto . En matière de Crypto , des facteurs comme la valeur et la qualité ne sont pas clairement définis, et le comportement d'autres facteurs, comme le momentum, défie les schémas conventionnels. De ce fait, de nombreux analystes Quant en Crypto passent des heures à essayer de recréer des stratégies factorielles dont la performance est très improbable dans ce Crypto .

8. Erreur de modèle simple

Le domaine de la Finance quantitative évolue rapidement vers des modèles volumineux et complexes, qui surpassent régulièrement les modèles plus simples et plus spécialisés. Cette tendance reflète l'évolution de l'apprentissage automatique dans son ensemble. L'avènement de l'apprentissage profond nous a montré qu'il est possible de créer des réseaux neuronaux extrêmement complexes, capables d'acquérir des connaissances de manières inimaginables.

Des fonds comme TwoSigma et WorldQuant encouragent activement la recherche en apprentissage profond et intègrent les idées issues des laboratoires d'IA de géants technologiques comme Google, Microsoft ou Facebook. Pourtant, dans le monde des Crypto, la plupart des stratégies Quant reposent encore sur des paradigmes d'apprentissage automatique très basiques, comme la régression linéaire ou les arbres de décision.

Les modèles plus simples sont incontestablement attrayants car faciles à comprendre, mais ils peuvent avoir du mal à généraliser les connaissances issues d'un environnement complexe comme Marchés des Crypto . En tant qu'environnement d'apprentissage automatique, les Crypto combinent la complexité d'un marché financier avec les inefficacités et l'incertitude d'une nouvelle classe d'actifs. Ils ne sont certainement pas la solution idéale pour les stratégies Quant simples.

9. Infrastructures Quant de base

En complément du point précédent, la plupart des infrastructures Quant du secteur des Crypto sont relativement embryonnaires. Une infrastructure Quant robuste va au-delà des stratégies efficaces et inclut des éléments tels que la gestion des risques, le backtesting, la gestion de portefeuille, l'exécution des stratégies, la récupération des erreurs et bien d'autres. Dans le secteur des Crypto , l'infrastructure Quant de la plupart des hedge funds reste relativement simple, ce qui complique la mise en œuvre de certains types de stratégies.

Voir aussi : Jesus Rodriguez -Mythes et réalités : analyse des sentiments concernant les Crypto actifs

Par exemple, supposons que vous ayez conçu une stratégie Quant d'apprentissage profond performante qui prédit le prix du Bitcoin à partir d'ensembles de données blockchain. Pour mettre en œuvre cette stratégie, un fonds aurait besoin d'une infrastructure collectant régulièrement des données blockchain, d'une infrastructure informatique permettant d'exécuter des modèles d'apprentissage profond, d'un outil de recyclage approprié, etc.

La Technologies actuelle a certainement réduit le temps et le coût nécessaires à la construction d’une infrastructure Quant pour exécuter des modèles d’apprentissage automatique, mais les bureaux Quant restent relativement basiques par rapport à ceux opérant sur les Marchés financiers traditionnels.

10. Disponibilité des talents

J'ai laissé le point le plus controversé pour la fin. En tant que marché financier, les Crypto peinent encore à attirer les meilleurs talents Quant possédant une expérience pertinente des Marchés de capitaux traditionnels. Nous abordons encore des problèmes incroyablement complexes, comme la prévision du comportement d'une classe d'actifs, avec des modèles relativement simples, une infrastructure rudimentaire et des processus médiocres. Le talent est un aspect essentiel, et souvent négligé, pour développer l'investissement Quant en tant que discipline dans le secteur des Crypto . Il existe des équipes Quant incroyablement talentueuses dans le Crypto, mais elles constituent l'exception et non la règle.

Voici quelques points qui pourraient nous amener à réfléchir à l'état actuel de l'investissement Quant dans le secteur des Crypto . Les Crypto constituent une classe d'actifs idéale pour les stratégies Quant et, à long terme, les fonds Quant devraient être le principal véhicule d'investissement en Crypto. Ce parcours comporte de nombreux défis, mais aussi des opportunités fascinantes.