10 причин провала Quant стратегий в Криптo

Jesus Rodriguez — генеральный директор IntoTheBlock, платформы рыночной аналитики для Криптo . Он занимал руководящие должности в крупных Технологии компаниях и хедж-фондах. Он активный инвестор, спикер, автор и приглашенный лектор в Колумбийском университете в Нью-Йорке.

Термины «Криптo» и «Quant», кажется, идеально сочетаются друг с другом. Bitcoin и Криптo родились в ONE из самых захватывающих периодов на Рынки капитала, совпадающий с золотой эрой количественных Финансы. Технологическое ускорение, вызванное такими движениями, как облачные вычисления и большие данные, вместе с возрождением машинного обучения столкнулись, чтобы вызвать идеальный шторм в пользу Quant революции. Миллиарды долларов каждый год переходят из рук дискреционных фондов в Quant инструменты, и Уолл-стрит не может достаточно быстро нанимать математиков и экспертов по машинному обучению.

Будучи полностью цифровым классом активов, Криптo кажется идеальной целью для Quant моделей. И все же Quant стратегии остаются ограниченными относительно простыми методами, такими как статистический арбитраж (стратегия парной торговли, которая LOOKS использовать неэффективность рынка в паре ценных бумаг), и мы до сих пор T увидели появления крупных доминирующих Quant отделов на рынке. Несмотря на привлекательные характеристики Криптo для Quant стратегий, Криптo представляет уникальные проблемы для Quant моделей, и реальность такова, что большинство Quant стратегий в Криптo терпят неудачу. В этой статье я хотел бы рассмотреть некоторые фундаментальные, но не очевидные причины, которые могут привести к неудаче большинства Quant стратегий в Криптo .

См. также: Хесус Родригес -Криптo T нужно бояться GPT-3. Она должна принять ее

Утверждая, что большинство Quant стратегий в Криптo терпят неудачу, я в основном имею в виду стратегии машинного обучения. Статистический арбитраж оказался эффективным механизмом для разработки алгоритмических стратегий, но мы должны ожидать, что эти возможности исчезнут по мере увеличения размера и эффективности рынка. На традиционных Рынки капитала мы увидели взрыв внедрения Quant моделей на основе машинного обучения, и объем исследований в этой области растет экспоненциально.

Однако большинство Quant стратегий, доказавших свою эффективность на традиционных Рынки капитала, скорее всего, не будут работать так же хорошо при применении к Криптo . Основываясь на нашем недавнем опыте работы в IntoTheBlock над предиктивными моделями и Quant стратегиями, я перечислил некоторые факторы, которые, по моему мнению, могут привести к провалу Quant моделей для Криптo .

1. Небольшие наборы данных

Многие из Quant стратегий на основе машинного обучения, которые вы найдете в исследовательских работах, обучаются на десятилетиях данных с Рынки капитала. История торговли большинства Криптo может исчисляться месяцами, и даже для таких транспортных средств, как Bitcoin и Ethereum, наборы данных остаются относительно небольшими. Многим моделям машинного обучения будет сложно обобщить какие-либо знания из таких небольших наборов данных. Предположим, что вы пытаетесь построить прогностическую модель для цены актива, такого как Chainlink (LINK), который в последние дни на пике популярности. Оказывается, у LINK очень маленькая торговая история, которой недостаточно для обучения большинства моделей машинного обучения в Quant Финансы.

2. Регулярные «аномальные» Мероприятия

Хотя термины «обычный» и «выброс» не следует использовать в одном предложении, я T могу придумать лучшего термина для описания того, что мы испытываем в Криптo . Массовые падения цен или внезапные скачки, которые за несколько часов меняют динамику любого Криптo . Эти « Мероприятия » случаются довольно часто со многими Криптo .

С точки зрения машинного обучения большинство моделей будутозадаченный с этими ценовыми движениями, поскольку они T видели ничего подобного во время обучения. Неудивительно, что многие модели Quant обучения были уничтожены во время внезапного обвала в середине марта или не смогли извлечь выгоду из внезапного увеличения волатильности последних нескольких недель. Трудно получить знания для таких типов Мероприятия во время обучения модели.

3. Склонность к переобучению

Побочным эффектом небольших наборов рыночных данных в Криптo является склонность большинства Quant моделей машинного обучения к переобучению или «оптимизации для обучающего набора данных». Мы постоянно видим, как Quant модели, которые показывают невероятные результаты во время бэктестинга, терпят неудачу при применении к реальным рыночным условиям.

4. Дилемма регулярной переподготовки

Подумайте о таком сценарии: вы создали предиктивную модель, обученную на нескольких годах истории торговли Bitcoin , затем вы испытываете недели почти нулевой волатильности, за которыми следует несколько безумных волатильных дней (не то чтобы это когда-либо случалось раньше). Вы хотели бы переобучить модель, чтобы зафиксировать эти знания, но как? Если вы просто переобучите модель на самых последних данных, есть большая вероятность переобучения, а если вы подождете, то знания могут уже не быть актуальными.

Талант — очень важный и часто упускаемый из виду аспект для развития Quant инвестиций как дисциплины в Криптo .

Эта дилемма переобучения является прямым следствием феномена «регулярных Мероприятия выбросов». Если вы обучаете модель на наборе данных за последние 10 лет S&P 500, вы можете разработать стратегию для регулярного переобучения модели, поскольку маловероятно, что индекс будет слишком сильно отклоняться от своего традиционного поведения за короткие периоды времени. Эта регулярная переобучение моделей, которая была хорошо принята в традиционных Quant стратегиях, выбрасывается в окно, когда дело доходит до Криптo.

5. Качество и надежность данных

ONE из самых больших недостатков проектирования Quant моделей машинного обучения для Криптo является низкое качество и надежность наборов данных. Не Secret , что многие наборы данных биржевых книг ордеров полны записей, которые указывают на поддельные объемы, фиктивные сделки или спуфинговое поведение. Очевидно, что обучение модели машинного обучения с использованием этих наборов данных T даст никаких релевантных результатов. Кроме того, почти каждую неделю мы слышим о сбоях и отключениях API бирж на несколько часов. Когда вы в последний раз слышали о сбое API Nasdaq? Это определенно происходит, но не так часто. Такое отсутствие надежности может убить точность самых надежных Quant моделей.

6. Анонимные записи блокчейна

Наборы данных блокчейна остаются ONE из самых богатых источников альфа для Quant стратегий в Криптo . Но анонимность записей блокчейна делает разработку осмысленных Quant моделей действительно сложной. Допустим, например, что ONE из функций Quant стратегии использует количество адресов в блокчейне Ethereum . Что ж, адреса, которые являются частью бирж, принципиально отличаются от адресов отдельных кошельков, а те отличаются от адресов майнеров. Маркировка записей блокчейна имеет важное значение для разработки осмысленных Quant моделей на основе наборов данных блокчейна, и, к сожалению, эти усилия все еще находятся на самых ранних стадиях.

7. Отбросьте стратегии факторинга

Факторные модели были в центре некоторых из самых успешных Quant стратегий за последние два десятилетия. Целые мегафонды, такие как АКРбыли построены на обещаниифактор инвестирования Quant стратегии. Из первоначальных факторов, таких как стоимость, импульс или качество, факторные стратегии выросли до сотен факторов, которые моделируют соответствующее поведение в классах финансовых активов.

По крайней мере до сегодняшнего дня большинство факторных стратегий оказались неэффективными в контексте Криптo . Когда дело доходит до Криптo , такие факторы, как ценность и качество, четко не определены, а поведение других, таких как импульс, бросает вызов традиционным моделям. Это заставляет многие Quant Криптo тратить многочисленные часы, пытаясь воссоздать факторные стратегии, которые вряд ли будут работать в Криптo .

8. Ошибка простой модели

Область количественных Финансы стремительно тяготеет к большим и сложным моделям, которые регулярно превосходят более простые и специализированные модели. Эта тенденция отражает то, что происходит во всем пространстве машинного обучения. Появление глубокого обучения показало нам, что можно создавать очень сложные нейронные сети, которые приобретают знания самыми немыслимыми способами.

Такие фонды, как TwoSigma и WorldQuant, активно продвигают исследования глубокого обучения и внедряют идеи, исходящие из лабораторий ИИ таких технологических гигантов, как Google, Microsoft или Facebook. Тем не менее, в мире Криптo большинство Quant стратегий по-прежнему опираются на очень базовые парадигмы машинного обучения, такие как линейная регрессия или деревья решений.

Более простые модели, несомненно, привлекательны, учитывая, что их легко понять, но им может быть трудно обобщать знания из сложной среды, такой как Рынки Криптo . Как среда машинного обучения, Криптo сочетает в себе сложность финансового рынка с неэффективностью и неопределенностью нового класса активов. Определенно не лучший вариант для простых Quant стратегий.

9. Базовые Quant инфраструктуры

Дополняя предыдущий пункт, большинство Quant инфраструктур в Криптo находятся на относительно ранней стадии развития. Надежная Quant инфраструктура выходит за рамки хороших стратегий и включает такие элементы, как управление рисками, бэктестинг, управление портфелем, выполнение стратегии, восстановление после ошибок и многие другие. В Криптo Quant инфраструктура большинства хедж-фондов остается относительно простой, что затрудняет использование определенных типов стратегий.

См. также: Хесус Родригес -Мифы и реальность: анализ настроений относительно Криптo

Например, предположим, что вы разработали прекрасную стратегию глубокого Quant , которая прогнозирует цену Bitcoin на основе наборов данных блокчейна. Для работы этой стратегии фонду понадобится инфраструктура, которая регулярно собирает записи блокчейна, имеет компьютерную инфраструктуру для запуска моделей глубокого обучения, соответствующий инструмент переобучения и т. д.

Современные Технологии , безусловно, сократили время и затраты, необходимые для создания Quant инфраструктуры для запуска моделей машинного обучения, однако Quant отделы остаются относительно простыми по сравнению с теми, которые работают на традиционных Рынки капитала.

10. Наличие талантов

Я оставил самый спорный момент на конец. Как финансовый рынок, Криптo все еще не может привлечь лучших Quant талантов с соответствующим опытом работы на традиционных Рынки капитала. Мы все еще решаем невероятно сложные проблемы, такие как прогнозирование поведения класса активов с относительно простыми моделями, базовой инфраструктурой и плохими процессами. Талант является очень важным и часто упускаемым из виду аспектом для развития Quant инвестиций как дисциплины в Криптo . В Криптo есть невероятно талантливые Quant команды, но они являются исключением, а не правилом.

Вот некоторые моменты, которые могут заставить нас задуматься о текущем состоянии Quant инвестиций в Криптo . Криптo — идеальный класс активов для Quant стратегий, и в долгосрочной перспективе Quant фонды должны стать доминирующим инвестиционным инструментом в Криптo. Путь включает в себя множество проблем, но также и захватывающие возможности.