10 razões pelas quais as estratégias Quant para Cripto falham

Jesus Rodriguez é o CEO da IntoTheBlock, uma plataforma de inteligência de mercado para Cripto . Ele ocupou cargos de liderança em grandes empresas de Tecnologia e fundos de hedge. Ele é um investidor ativo, palestrante, autor e palestrante convidado na Universidade de Columbia em Nova York.

Os termos "Cripto" e "Quant" parecem combinar perfeitamente. Bitcoin e Cripto nasceram durante um dos momentos mais emocionantes nos Mercados de capital, coincidindo com a era de ouro das Finanças quantitativas. A aceleração tecnológica causada por movimentos como computação em nuvem e big data, juntamente com o renascimento do aprendizado de máquina, colidiram para causar a tempestade perfeita em favor da revolução Quant . Bilhões de dólares estão mudando de mãos todos os anos de fundos discricionários para veículos Quant , e Wall Street não consegue contratar matemáticos e especialistas em aprendizado de máquina rápido o suficiente.

Sendo uma classe de ativos completamente digital, a Cripto parece ser o alvo perfeito para modelos Quant . E, ainda assim, as estratégias Quant permanecem restritas a técnicas relativamente simples, como arbitragem estatística (uma estratégia de negociação de pares que LOOKS explorar ineficiências de mercado em um par de títulos) e ainda T vimos o surgimento de grandes mesas Quant dominantes no mercado. Apesar das características atraentes dos ativos Cripto para estratégias Quant , a Cripto apresenta desafios únicos para modelos Quant e a realidade é que a maioria das estratégias Quant em Cripto falha. Neste artigo, gostaria de explorar algumas das razões fundamentais, mas não óbvias, que podem causar o fracasso da maioria das estratégias Quant no espaço Cripto .

Veja também: Jesus Rodriguez -A Cripto T Precisa Temer o GPT-3. Ela Deve Abraçá-lo

Ao afirmar que a maioria das estratégias Quant em Cripto falham, estou me referindo principalmente a estratégias de aprendizado de máquina. A arbitragem estatística provou ser um mecanismo eficaz para desenvolver estratégias algorítmicas, mas devemos esperar que essas oportunidades desapareçam à medida que o mercado aumenta em tamanho e eficiência. Nos Mercados de capital tradicionais, vimos uma explosão na implementação de modelos Quant baseados em aprendizado de máquina e o corpo de pesquisa no espaço está crescendo exponencialmente.

No entanto, a maioria das estratégias Quant comprovadamente eficazes em Mercados de capital tradicionais provavelmente não funcionarão tão bem quando aplicadas a Cripto . Com base em algumas de nossas experiências recentes na IntoTheBlock trabalhando em modelos preditivos e estratégias Quant , listei alguns dos fatores que acredito que podem causar a falha de modelos Quant para Cripto .

1. Pequenos conjuntos de dados

Muitas das estratégias Quant baseadas em aprendizado de máquina que você encontra em artigos de pesquisa são treinadas em décadas de dados de Mercados de capital. O histórico de negociação da maioria dos Cripto pode ser contado em meses e, mesmo para veículos como Bitcoin e Ethereum, os conjuntos de dados permanecem relativamente pequenos. Muitos modelos de aprendizado de máquina terão dificuldade em generalizar qualquer conhecimento de conjuntos de dados tão pequenos. Digamos que você esteja tentando construir um modelo preditivo para o preço de um ativo como Chainlink (LINK), que está em alta nos últimos dias. Acontece que o LINK tem um histórico de negociação muito pequeno, o que é insuficiente para treinar a maioria dos modelos de aprendizado de máquina em Finanças Quant .

2. Eventos 'outliers' regulares

Embora os termos "regular" e "outlier" não devam ser usados ​​na mesma frase, T consigo pensar em um termo melhor para descrever o que vivenciamos em Cripto . Grandes quedas de preço ou picos repentinos que, em um lapso de algumas horas, mudam o momentum em qualquer Cripto . Esses Eventos "outlier" acontecem com bastante frequência com muitos Cripto .

De uma perspectiva de aprendizagem de máquina, a maioria dos modelos seráconfuso com esses movimentos de preço, pois eles T viram nada semelhante durante o treinamento. Não é surpreendente que muitos modelos Quant de aprendizado de máquina tenham sido dizimados durante o flash crash de meados de março ou falharam em capitalizar no aumento repentino da volatilidade das últimas semanas. É difícil capturar conhecimento para esses tipos de Eventos durante o treinamento do modelo.

3. Propensão ao overfitting

Um efeito colateral dos pequenos conjuntos de dados de mercado em Cripto é a propensão da maioria dos modelos Quant de aprendizado de máquina a superajustar ou “otimizar para o conjunto de dados de treinamento”. Vemos constantemente modelos Quant que têm um desempenho incrivelmente bom durante o backtesting apenas para falhar quando aplicados a condições reais de mercado.

4. O dilema da reciclagem regular

Pense neste cenário: você criou um modelo preditivo treinado em alguns anos de histórico de negociação de Bitcoin , então você experimenta semanas de quase nenhuma volatilidade seguidas por alguns dias loucamente voláteis (não que isso já tenha acontecido antes). Você gostaria de treinar novamente o modelo para capturar esse conhecimento, mas como? Se você simplesmente treinar novamente o modelo nos dados mais recentes, há uma grande chance de overfitting, enquanto se você esperar, o conhecimento pode não ser mais relevante.

O talento é um aspecto muito importante, e muitas vezes esquecido, para o crescimento do investimento Quant como disciplina no espaço Cripto .

Este dilema de retreinamento é uma consequência direta do fenômeno dos “ Eventos outliers regulares”. Se você treinar um modelo em um conjunto de dados dos últimos 10 anos do S&P 500, você pode projetar uma estratégia para retreinar o modelo regularmente, pois é improvável que o índice se desvie muito de seu comportamento tradicional em curtos períodos de tempo. Este retreinamento regular de modelos que foi bem adotado em estratégias Quant tradicionais vai pela janela quando se trata de Cripto.

5. Qualidade e confiabilidade dos dados

Uma das maiores desvantagens de projetar modelos Quant de aprendizado de máquina para Cripto é a baixa qualidade e confiabilidade dos conjuntos de dados. Não é Secret que muitos conjuntos de dados de livros de ordens de câmbio estão cheios de registros que indicam volumes falsos, wash trades ou comportamento de spoofing. Obviamente, treinar um modelo de aprendizado de máquina usando esses conjuntos de dados T produzirá nenhum resultado relevante. Além disso, quase toda semana ouvimos sobre APIs de câmbio tendo interrupções e desligando por horas. Quando foi a última vez que você ouviu falar sobre uma falha na API da Nasdaq? Isso definitivamente acontece, mas não com tanta frequência. Essa falta de confiabilidade pode acabar com a precisão dos modelos Quant mais robustos.

6. Registros anônimos de blockchain

Os conjuntos de dados de blockchain continuam sendo uma das fontes mais ricas de alfa para estratégias Quant no espaço Cripto . Mas o anonimato dos registros de blockchain torna realmente desafiador projetar modelos Quant significativos. Digamos, por exemplo, que um dos recursos em uma estratégia Quant alavanca a contagem de endereços no blockchain Ethereum . Bem, endereços que fazem parte de exchanges são fundamentalmente diferentes de endereços de carteiras individuais e estes são diferentes de endereços de mineradores. Rotular registros de blockchain é essencial para projetar modelos Quant significativos com base em conjuntos de dados de blockchain e, infelizmente, esses esforços ainda estão em estágios iniciais.

7. Estratégias fatoriais fora da janela

Os modelos de fatores têm estado no centro de algumas das estratégias Quant mais bem-sucedidas nas últimas duas décadas. Fundos mega inteiros como AQRforam construídos com base na promessa defator de investimento estratégias Quant . Dos fatores originais como valor, momentum ou qualidade, as estratégias de fatores cresceram para centenas de fatores que modelam comportamentos relevantes em classes de ativos financeiros.

Pelo menos até hoje, a maioria das estratégias de fatores provou ser ineficaz no contexto de Cripto . Quando se trata de Cripto , fatores como valor e qualidade não são claramente definidos e o comportamento de outros, como momentum, desafia os padrões convencionais. Isso faz com que muitas mesas Quant de Cripto gastem inúmeras horas tentando recriar estratégias baseadas em fatores que são altamente improváveis ​​de funcionar no espaço Cripto .

8. Falácia do modelo simples

O campo das Finanças quantitativas está rapidamente gravitando em direção a modelos grandes e complexos que regularmente superam modelos mais simples e especializados. Essa tendência é um reflexo do que está acontecendo em todo o espaço de aprendizado de máquina. O advento do aprendizado profundo nos mostrou que é possível criar redes neurais altamente complexas que adquirem conhecimento das formas mais impensáveis.

Fundos como TwoSigma e WorldQuant estão ativamente promovendo pesquisas de aprendizado profundo e incorporando ideias vindas dos laboratórios de IA de gigantes da tecnologia como Google, Microsoft ou Facebook. No entanto, no mundo das Cripto, a maioria das estratégias Quant ainda depende de paradigmas muito básicos de aprendizado de máquina, como regressão linear ou árvores de decisão.

Modelos mais simples são inquestionavelmente atraentes, dado que são fáceis de entender, mas podem ter dificuldade em generalizar conhecimento de um ambiente complexo como os Mercados de Cripto . Como um ambiente de aprendizado de máquina, a Cripto combina a complexidade de um mercado financeiro com as ineficiências e incertezas de uma nova classe de ativos. Definitivamente não é o melhor ajuste para estratégias Quant simples.

9. Infraestruturas Quant básicas

Complementando o ponto anterior, a maioria das infraestruturas Quant no espaço Cripto são relativamente incipientes. Uma infraestrutura Quant robusta vai além de boas estratégias e inclui elementos como gerenciamento de risco, backtesting, gerenciamento de portfólio, execução de estratégia, recuperação de erros e muitos outros. No espaço Cripto , a infraestrutura Quant da maioria dos fundos de hedge permanece relativamente simples, o que torna difícil operar certos tipos de estratégias.

Veja também: Jesus Rodriguez -Mitos e Realidades: Análise de Sentimentos para Cripto

Por exemplo, suponha que você tenha projetado uma bela estratégia Quant de deep learning que prevê o preço do Bitcoin com base em conjuntos de dados de blockchain. Para operar essa estratégia, um fundo precisaria de uma infraestrutura que coletasse registros de blockchain regularmente, tivesse a infraestrutura de computadores para executar modelos de deep learning, a ferramenta de retreinamento apropriada e assim por diante.

A Tecnologia atual certamente reduziu o tempo e o custo necessários para construir uma infraestrutura Quant para executar modelos de aprendizado de máquina, mas as mesas Quant continuam sendo relativamente básicas em comparação àquelas que operam em Mercados de capitais tradicionais.

10. Disponibilidade de talentos

Deixei o ponto mais controverso para o final. Como um mercado financeiro, a Cripto ainda não está conseguindo atrair os melhores talentos Quant com experiência relevante em Mercados de capital tradicionais. Ainda estamos lidando com problemas incrivelmente complexos, como prever o comportamento de uma classe de ativos com modelos relativamente simples, infraestrutura básica e processos precários. O talento é um aspecto muito importante, e frequentemente negligenciado, para desenvolver o investimento Quant como uma disciplina no espaço Cripto . Existem equipes Quant incrivelmente talentosas em Cripto, mas elas são a exceção, não a regra.

Esses são alguns pontos que podem nos fazer refletir sobre o estado atual do investimento Quant no espaço Cripto . Cripto é uma classe de ativos ideal para estratégias Quant e, a longo prazo, fundos Quant devem ser o veículo de investimento dominante em Cripto. O caminho inclui muitos desafios, mas também oportunidades fascinantes.