10 motivi per cui le strategie Quant per le Cripto falliscono

Jesus Rodriguez è il CEO di IntoTheBlock, una piattaforma di market intelligence per Cripto . Ha ricoperto ruoli dirigenziali presso importanti aziende Tecnologie e hedge fund. È un investitore attivo, relatore, autore e docente ospite presso la Columbia University di New York.

I termini "Cripto" e "Quant" sembrano andare perfettamente insieme. Bitcoin e le Cripto sono nate durante ONE dei periodi più entusiasmanti nei Mercati dei capitali, coincidente con l'epoca d'oro della Finanza quantitativa. L'accelerazione tecnologica causata da movimenti come il cloud computing e i big data, insieme alla rinascita dell'apprendimento automatico, si sono scontrate per causare la tempesta perfetta a favore della rivoluzione Quant . Miliardi di dollari ogni anno passano di mano dai fondi discrezionali ai veicoli Quant e Wall Street non riesce ad assumere matematici ed esperti di apprendimento automatico abbastanza velocemente.

Essendo una classe di asset completamente digitale, le Cripto sembrano il bersaglio perfetto per i modelli Quant . Eppure, le strategie Quant rimangono limitate a tecniche relativamente semplici come l'arbitraggio statistico (una strategia di trading di coppia che LOOKS di sfruttare le inefficienze di mercato in una coppia di titoli) e T abbiamo ancora assistito all'emergere di grandi desk Quant dominanti sul mercato. Nonostante le caratteristiche interessanti delle Cripto per le strategie Quant , le Cripto pongono sfide uniche per i modelli Quant e la realtà è che la maggior parte delle strategie Quant nelle Cripto falliscono. In questo articolo, vorrei esplorare alcune delle ragioni fondamentali ma non ovvie che possono causare il fallimento della maggior parte delle strategie Quant nello spazio Cripto .

Vedi anche: Jesus Rodriguez -Le Cripto T devono temere GPT-3. Dovrebbero abbracciarlo

Affermando che la maggior parte delle strategie Quant in Cripto falliscono, mi riferisco principalmente alle strategie di apprendimento automatico. L'arbitraggio statistico ha dimostrato di essere un meccanismo efficace per sviluppare strategie algoritmiche, ma dovremmo aspettarci che tali opportunità scompaiano man mano che il mercato aumenta in termini di dimensioni ed efficienza. Nei Mercati dei capitali tradizionali, abbiamo assistito a un'esplosione nell'implementazione di modelli Quant basati sull'apprendimento automatico e il corpo di ricerca nello spazio sta crescendo in modo esponenziale.

Tuttavia, la maggior parte delle strategie Quant che si sono dimostrate efficaci nei Mercati dei capitali tradizionali probabilmente non funzioneranno altrettanto bene se applicate alle Cripto . Sulla base di alcune delle nostre recenti esperienze presso IntoTheBlock lavorando su modelli predittivi e strategie Quant , ho elencato alcuni dei fattori che ritengo possano causare il fallimento dei modelli Quant per le Cripto .

1. Piccoli set di dati

Molte delle strategie Quant basate sull'apprendimento automatico che trovi nei documenti di ricerca sono addestrate in decenni di dati dai Mercati dei capitali. La cronologia delle negoziazioni della maggior parte degli asset Cripto può essere conteggiata in mesi e, anche per veicoli come Bitcoin ed Ethereum, i set di dati rimangono relativamente piccoli. Molti modelli di apprendimento automatico avranno difficoltà a generalizzare qualsiasi conoscenza da set di dati così piccoli. Diciamo che stai cercando di costruire un modello predittivo per il prezzo di un asset come Chainlink (LINK), che è rovente negli ultimi giorni. Si scopre che LINK ha una cronologia di trading molto ridotta, il che è insufficiente per addestrare la maggior parte dei modelli di apprendimento automatico nella Finanza Quant .

2. Eventi 'anomali' regolari

Sebbene i termini "regolare" e "anomalo" non debbano essere usati nella stessa frase, T mi viene in mente un termine migliore per descrivere ciò che sperimentiamo nelle Cripto . Crolli massicci dei prezzi o picchi improvvisi che, nel giro di poche ore, cambiano lo slancio di qualsiasi Cripto . Questi Eventi "anomali" accadono abbastanza frequentemente con molte Cripto .

Da una prospettiva di apprendimento automatico, la maggior parte dei modelli saràperplesso con questi movimenti di prezzo, poiché T hanno visto nulla di simile durante l'addestramento. Non sorprende che molti modelli Quant di apprendimento automatico siano stati decimati durante il crollo lampo di metà marzo o non siano riusciti a capitalizzare l'improvviso aumento della volatilità delle ultime settimane. È difficile acquisire conoscenze per quei tipi di Eventi durante l'addestramento del modello.

3. Propensione al sovraadattamento

Un effetto collaterale dei piccoli set di dati di mercato nelle Cripto è la propensione della maggior parte dei modelli Quant di apprendimento automatico a sovra-adattarsi o a "ottimizzare per il set di dati di training". Vediamo costantemente modelli Quant che funzionano incredibilmente bene durante il backtesting solo per fallire quando applicati a condizioni di mercato reali.

4. Il dilemma della riqualificazione regolare

Pensa a questo scenario: hai creato un modello predittivo addestrato su alcuni anni di cronologia di trading Bitcoin , poi sperimenti settimane di quasi nessuna volatilità seguite da alcuni giorni di folle volatilità (non che sia mai successo prima). Vorresti riaddestrare il modello per catturare quella conoscenza, ma come? Se riaddestrassi semplicemente il modello nei dati più recenti, c'è una forte possibilità di overfitting mentre se aspetti allora la conoscenza potrebbe non essere più rilevante.

Il talento è un aspetto molto importante, e spesso trascurato, per far crescere l'investimento Quant come disciplina nel settore Cripto .

Questo dilemma di riqualificazione è una conseguenza diretta del fenomeno degli " Eventi anomali regolari". Se si addestra un modello in un set di dati degli ultimi 10 anni dell'S&P 500, è possibile progettare una strategia per riqualificare il modello regolarmente, poiché è improbabile che l'indice si discosti troppo dal suo comportamento tradizionale in brevi periodi di tempo. Questa riqualificazione regolare dei modelli, che è stata ben adottata nelle strategie Quant tradizionali, va a farsi benedire quando si tratta di Cripto.

5. Qualità e affidabilità dei dati

ONE dei maggiori svantaggi della progettazione di modelli Quant di apprendimento automatico per Cripto è la scarsa qualità e affidabilità dei set di dati. Non è un Secret che molti set di dati di exchange order book siano pieni di record che indicano volumi falsi, wash trade o comportamenti di spoofing. Ovviamente, addestrare un modello di apprendimento automatico utilizzando quei set di dati T produrrà risultati rilevanti. Inoltre, quasi ogni settimana sentiamo parlare di API di exchange che hanno interruzioni e chiusure per ore. Quando è stata l'ultima volta che hai sentito parlare di un crash dell'API Nasdaq? Succede sicuramente, ma non così frequentemente. Questa mancanza di affidabilità può uccidere l'accuratezza dei modelli Quant più robusti.

6. Record blockchain anonimi

I set di dati blockchain rimangono ONE delle fonti più ricche di alpha per le strategie Quant nello spazio Cripto . Ma l'anonimato dei record blockchain rende davvero difficile progettare modelli Quant significativi. Diciamo, ad esempio, che ONE delle funzionalità di una strategia Quant sfrutta il conteggio degli indirizzi nella blockchain Ethereum . Bene, gli indirizzi che fanno parte degli exchange sono fondamentalmente diversi dagli indirizzi dei singoli wallet e questi sono diversi dagli indirizzi dei miner. L'etichettatura dei record blockchain è essenziale per progettare modelli Quant significativi basati sui set di dati blockchain e, sfortunatamente, questi sforzi sono ancora nelle primissime fasi.

7. Eliminare le strategie dei fattori

I modelli fattoriali sono stati al centro di alcune delle strategie Quant di maggior successo negli ultimi due decenni. Interi mega fondi come AQRsono stati costruiti sulla promessa diinvestimento fattoriale strategie Quant . Dai fattori originali come valore, momentum o qualità, le strategie basate sui fattori sono cresciute fino a centinaia di fattori che modellano comportamenti rilevanti nelle classi di attività finanziarie.

Almeno fino a oggi, la maggior parte delle strategie basate sui fattori si è dimostrata inefficace nel contesto delle Cripto . Quando si tratta di Cripto, fattori come valore e qualità non sono chiaramente definiti e il comportamento di altri come momentum sfida i modelli convenzionali. Ciò fa sì che molti Cripto Quant desk trascorrano numerose ore cercando di ricreare strategie basate sui fattori che hanno scarse probabilità di funzionare nello spazio Cripto .

8. Semplice errore del modello

Il campo della Finanza quantitativa sta rapidamente gravitando verso modelli grandi e complessi che regolarmente superano modelli più semplici e specializzati. Questa tendenza è un riflesso di ciò che sta accadendo nell'intero spazio del machine learning. L'avvento del deep learning ci ha mostrato che è possibile creare reti neurali altamente complesse che acquisiscono conoscenza nei modi più impensabili.

Fondi come TwoSigma e WorldQuant stanno attivamente promuovendo la ricerca sul deep learning e incorporando idee provenienti dai laboratori di intelligenza artificiale di giganti della tecnologia come Google, Microsoft o Facebook. Tuttavia, nel mondo delle Cripto, la maggior parte delle strategie Quant si basa ancora su paradigmi di apprendimento automatico molto basilari come la regressione lineare o gli alberi decisionali.

I modelli più semplici sono senza dubbio attraenti, dato che sono facili da capire, ma possono avere difficoltà a generalizzare la conoscenza da un ambiente complesso come i Mercati Cripto . Come ambiente di apprendimento automatico, le Cripto combinano la complessità di un mercato finanziario con le inefficienze e l'incertezza di una nuova classe di attività. Sicuramente non sono la soluzione migliore per semplici strategie Quant .

9. Infrastrutture Quant di base

A complemento del punto precedente, la maggior parte delle infrastrutture Quant nello spazio Cripto sono relativamente nascenti. Una solida infrastruttura Quant va oltre le buone strategie e include elementi quali gestione del rischio, backtesting, gestione del portafoglio, esecuzione della strategia, recupero degli errori e molti altri. Nello spazio Cripto , l'infrastruttura Quant della maggior parte degli hedge fund rimane relativamente semplice, il che rende difficile gestire determinati tipi di strategie.

Vedi anche: Jesus Rodriguez -Miti e realtà: analisi del sentiment per le criptovalute

Ad esempio, supponiamo di aver progettato una splendida strategia di apprendimento profondo Quant che prevede il prezzo di Bitcoin in base a set di dati blockchain. Per gestire tale strategia, un fondo avrebbe bisogno di un'infrastruttura che raccolga regolarmente record blockchain, abbia l'infrastruttura informatica per eseguire modelli di apprendimento profondo, lo strumento di riqualificazione appropriato e così via.

La Tecnologie odierna ha certamente ridotto i tempi e i costi necessari per costruire un'infrastruttura Quant per eseguire modelli di apprendimento automatico, ma i Quant desk rimangono relativamente basilari rispetto a quelli che operano nei Mercati dei capitali tradizionali.

10. Disponibilità dei talenti

Ho lasciato il punto più controverso alla fine. Come mercato finanziario, le Cripto non riescono ancora ad attrarre i migliori talenti Quant con esperienza rilevante nei Mercati dei capitali tradizionali. Stiamo ancora affrontando problemi incredibilmente complessi come la previsione del comportamento di una classe di attività con modelli relativamente semplici, infrastrutture di base e processi scadenti. Il talento è un aspetto molto importante, e spesso trascurato, per far crescere gli investimenti Quant come disciplina nello spazio Cripto . Ci sono team Quant incredibilmente talentuosi nelle Cripto, ma sono l'eccezione, non la regola.

Questi sono alcuni punti che potrebbero farci riflettere sullo stato attuale degli investimenti Quant nello spazio delle Cripto . Le Cripto sono una classe di asset ideale per le strategie Quant e, a lungo termine, i fondi Quant dovrebbero essere il veicolo di investimento dominante nelle Cripto. Il percorso include molte sfide, ma anche affascinanti opportunità.