10 причин невдачі Quant стратегій Крипто

Хесус Родрігес є генеральним директором IntoTheBlock, платформи ринкової інформації для Крипто . Він займав керівні посади у великих Технології компаніях і хедж-фондах. Він є активним інвестором, спікером, автором і запрошеним лектором у Колумбійському університеті в Нью-Йорку.

Терміни «Крипто» і «Quant», здається, ідеально поєднуються. Bitcoin та Крипто народилися в ONE із найцікавіших часів на Ринки капіталу, який збігся із золотою ерою кількісних Фінанси. Технологічне прискорення, спричинене такими рухами, як хмарні обчислення та великі дані, разом із ренесансом машинного навчання спричинили ідеальний шторм на користь Quant революції. Мільярди доларів щороку переходять із дискреційних фондів у Quant інструменти, і Уолл-стріт не може досить швидко найняти математиків і експертів з машинного навчання.

Будучи повністю цифровим класом активів, Крипто здається ідеальною мішенню для Quant моделей. І все ж, Quant стратегії залишаються обмеженими відносно простими методами, такими як статистичний арбітраж (стратегія парної торгівлі, яка LOOKS використовувати неефективність ринку в парі цінних паперів), і ми все ще T бачили появи великих домінуючих Quant столів на ринку. Незважаючи на привабливі характеристики Крипто для Quant стратегій, Крипто створює унікальні виклики для Quant моделей, і реальність така, що більшість Quant стратегій у Крипто зазнають невдачі. У цій статті я хотів би вивчити деякі фундаментальні, але неочевидні причини, які можуть спричинити провал більшості Quant стратегій у Крипто .

Дивіться також: Хесус Родрігес - Крипто T варто боятися GPT-3. Це повинно прийняти це

Стверджуючи, що більшість Quant стратегій у Крипто зазнають невдачі, я маю на увазі переважно стратегії машинного навчання. Статистичний арбітраж довів, що він є ефективним механізмом для розробки алгоритмічних стратегій, але ми повинні очікувати, що ці можливості зникнуть у міру збільшення розміру та ефективності ринку. На традиційних Ринки капіталу ми спостерігаємо вибух у впровадженні Quant моделей на основі машинного навчання, а кількість досліджень у цьому просторі зростає експоненціально.

Однак більшість Quant стратегій, які довели свою ефективність на традиційних Ринки капіталу, швидше за все, не працюватимуть так добре, якщо застосовувати їх до Крипто . Грунтуючись на нашому недавньому досвіді роботи в IntoTheBlock над прогнозними моделями та Quant стратегіями, я перерахував деякі фактори, які, на мою думку, можуть спричинити невдачу Quant моделей для Крипто .

1. Невеликі набори даних

Багато Quant стратегій на основі машинного навчання, які ви знайдете в дослідницьких статтях, розроблені на основі десятиліть даних з Ринки капіталу. Історія торгівлі більшістю Крипто може обчислюватися місяцями, і навіть для таких транспортних засобів, як Bitcoin та Ethereum, набори даних залишаються відносно невеликими. Багатьом моделям машинного навчання буде важко узагальнити будь-які знання з таких невеликих наборів даних. Скажімо, ви намагаєтеся побудувати прогнозну модель для ціни такого активу, як Chainlink (LINK), який розжарюється останніми днями. Виявляється, LINK має дуже невелику торгову історію, якої недостатньо для навчання більшості моделей машинного навчання Quant Фінанси.

2. Звичайні «викидні» Заходи

Хоча терміни «звичайний» і «випадковий» не слід використовувати в одному реченні, я T можу придумати кращого терміна для опису того, що ми відчуваємо з Крипто . Значні падіння цін або раптові стрибки, які протягом кількох годин змінюють імпульс будь-якого Крипто . Ці «виключні» Заходи трапляються досить часто з багатьма Крипто .

З точки зору машинного навчання, більшість моделей будуть такими спантеличений з цими рухами цін, оскільки вони T бачили нічого подібного під час навчання. Не дивно, що багато Quant моделей машинного навчання були знищені під час різкого збою в середині березня або не змогли отримати вигоду від раптового зростання волатильності за останні кілька тижнів. Важко отримати знання про такі типи Заходи під час навчання моделі.

3. Схильність до оверфіту

Побічним ефектом невеликих ринкових наборів даних у Крипто є схильність більшості Quant моделей машинного навчання переобладнати або «оптимізувати для навчального набору даних». Ми постійно бачимо, як Quant моделі, які працюють неймовірно добре під час ретестування, просто зазнають невдачі у застосуванні до реальних ринкових умов.

4. Регулярна дилема перепідготовки

Подумайте про такий сценарій: ви створили прогностичну модель, навчену на основі кількох років історії торгівлі Bitcoin , а потім відчуваєте тижні майже повної відсутності коливань, а потім кілька божевільних волатильних днів (такого не траплялося раніше). Ви б хотіли перенавчити модель, щоб отримати ці знання, але як? Якщо ви просто перенавчите модель на основі найновіших даних, існує велика ймовірність переобладнання, а якщо почекати, то знання можуть більше не бути актуальними.

Талант — це дуже важливий, але часто забутий аспект для зростання Quant інвестицій як дисципліни в Крипто .

Ця дилема перепідготовки є прямим наслідком феномену «звичайних Заходи». Якщо ви навчаєте модель на наборі даних за останні 10 років індексу S&P 500, ви можете розробити стратегію регулярного перенавчання моделі, оскільки малоймовірно, що індекс буде надто сильно відхилятися від своєї традиційної поведінки за короткий проміжок часу. Це регулярне перепідготовка моделей, які були добре прийняті в традиційних Quant стратегіях, виходить з вікна, коли мова йде про Крипто.

5. Якість і надійність даних

ONE із найбільших недоліків розробки Quant моделей машинного навчання для Крипто є низька якість і надійність наборів даних. Ні для кого не Secret , що багато наборів даних книги заявок на біржі повні записів, які вказують на фальшиві обсяги, угоди або підробку. Очевидно, що навчання моделі машинного навчання з використанням цих наборів даних T дасть відповідних результатів. Крім того, майже щотижня ми чуємо про перебої в роботі API біржі та зупиняються на години. Коли ви востаннє чули про збій API Nasdaq? Це точно буває, але не так часто. Цей брак надійності може вбити точність найбільш надійних Quant моделей.

6. Анонімні блокчейн записи

Набори даних блокчейну залишаються ONE із найбагатших джерел альфа-версії для Quant стратегій у Крипто . Але анонімність блокчейн-записів ускладнює розробку значущих Quant моделей. Скажімо, наприклад, що ONE з функцій Quant стратегії використовує кількість адрес у блокчейні Ethereum . Що ж, адреси, які є частиною бірж, принципово відрізняються від адрес індивідуальних гаманців, а також від адрес майнерів. Позначення записів блокчейну має важливе значення для розробки значущих Quant моделей на основі наборів даних блокчейну, і, на жаль, ці зусилля все ще знаходяться на дуже ранніх стадіях.

7. Факторні стратегії поза вікном

Факторні моделі були в центрі деяких з найуспішніших Quant стратегій за останні два десятиліття. Цілі мегафонди як AQR були побудовані на обіцянці фактор інвестування Quant стратегії. Від початкових факторів, таких як вартість, імпульс або якість, факторні стратегії розрослися до сотень факторів, які моделюють відповідну поведінку в класах фінансових активів.

Принаймні до сьогодні більшість факторних стратегій виявилися неефективними в контексті Крипто . Коли мова заходить про Крипто, такі фактори, як вартість і якість, чітко не визначені, а поведінка інших, таких як імпульс, суперечить загальноприйнятим шаблонам. Це змушує багатьох Крипто Quant витрачати багато годин, намагаючись відтворити факторні стратегії, які навряд чи будуть ефективними в Крипто .

8. Помилка простої моделі

Сфера кількісних Фінанси швидко тяжіє до великих і складних моделей, які регулярно перевершують простіші та більш спеціалізовані моделі. Ця тенденція є відображенням того, що відбувається в усьому просторі машинного навчання. Поява глибокого навчання показала нам, що можна створювати надзвичайно складні нейронні мережі, які отримують знання найнеймовірнішими способами.

Такі фонди, як TwoSigma та WorldQuant, активно просувають дослідження глибокого навчання та впроваджують ідеї, що надходять із лабораторій штучного інтелекту таких технічних гігантів, як Google, Microsoft або Facebook. Проте у світі Крипто більшість Quant стратегій все ще покладаються на базові парадигми машинного навчання, такі як лінійна регресія або дерева рішень.

Простіші моделі, безсумнівно, привабливі, оскільки їх легко зрозуміти, але їм може бути важко узагальнити знання зі складного середовища , Ринки . Будучи середовищем машинного навчання, Крипто поєднує в собі складність фінансового ринку з неефективністю та невизначеністю нового класу активів. Безумовно, не найкраще підходить для простих Quant стратегій.

9. Базові Quant інфраструктури

Доповнюючи попередній пункт, більшість Quant інфраструктур у Крипто просторі відносно зароджуються. Надійна Quant інфраструктура виходить за рамки хороших стратегій і включає такі елементи, як управління ризиками, ретестування, управління портфелем, виконання стратегії, відновлення помилок та багато інших. У Крипто Quant інфраструктура більшості хедж-фондів залишається відносно простою, що ускладнює використання певних типів стратегій.

Дивіться також: Хесус Родрігес - Міфи та реальність: аналіз настроїв для Крипто

Наприклад, припустімо, що ви розробили чудову Quant стратегію глибокого навчання, яка прогнозує ціну Bitcoin на основі наборів даних блокчейну. Щоб керувати цією стратегією, фонду знадобиться інфраструктура, яка регулярно збирає записи блокчейну, має комп’ютерну інфраструктуру для запуску моделей глибокого навчання, відповідний інструмент перенавчання тощо.

Сучасні Технології, безумовно, скоротили час і витрати, необхідні для створення Quant інфраструктури для запуску моделей машинного навчання, але Quant робочі столи залишаються відносно простими порівняно з тими, що працюють на традиційних Ринки капіталу.

10. Наявність таланту

Найбільш спірне я залишив на кінець. Як фінансовий ринок, Крипто все ще не в змозі залучити найкращі Quant з досвідом роботи на традиційних Ринки капіталу. Ми все ще вирішуємо неймовірно складні проблеми, такі як прогнозування поведінки класу активів за допомогою відносно простих моделей, базової інфраструктури та поганих процесів. Талант — це дуже важливий, але часто забутий аспект для зростання Quant інвестицій як дисципліни в Крипто . У Крипто є неймовірно талановиті Quant команди, але вони є винятком, а не правилом.

Ось деякі моменти, які можуть змусити нас задуматися про поточний стан Quant інвестицій у Крипто . Крипто є ідеальним класом активів для Quant стратегій, і в довгостроковій перспективі Quant фонди повинні бути домінуючим засобом інвестування в Крипто. Шлях містить багато викликів, але також і захоплюючі можливості.