Wie man lineare Regression zur Erstellung von Alpha-Signalen nutzt (Quant-Framework)

Ich werde Ihnen zeigen, wie Sie mit linearer Regression jeden Trade gewinnen, ein echtes Alpha-Signal aufbauen und den exakten Gewinner-Code teilen.

Kommen wir direkt zur Sache.

Setzen Sie ein Lesezeichen

- Ich bin Roan, Backend-Entwickler mit Schwerpunkt auf Systemdesign, HFT-Ausführung und quantitativen Handelssystemen. Meine Arbeit konzentriert sich darauf, wie sich Vorhersagemärkte unter Last tatsächlich verhalten. Für Anregungen, durchdachte Kooperationen und Partnerschaften sind meine DMs offen.

Jeder Quant hat eine Version dieser Geschichte.

Sie arbeiten eine Woche an einem Modell. Der Backtest sieht perfekt aus, die Eigenkapitalkurve zeigt steil nach oben, und Sie denken, Sie haben es endlich gefunden. Sie gehen live. Zwei Wochen später macht es Verluste, und Sie haben keine Ahnung warum.

Ich habe diesen einen Zyklus mehr Quant-Karrieren beenden sehen als jeden Marktcrash. Das Modell war nie echt. Es war Rauschen, das sich als Signal verkleidet hat. Und die wertvollste Fähigkeit in diesem gesamten Bereich ist es, diese beiden zu unterscheiden, bevor Sie einen einzigen Dollar riskieren.

Diese Fähigkeit beginnt mit dem am meisten unterschätzten Werkzeug der quantitativen Finanzwelt.

Lineare Regression.

Ich weiß, wie sich das anhört. Lineare Regression ist das Ding, von dem jeder denkt, er hätte es an einem Nachmittag gelernt und dann hinter sich gelassen. Aber hier ist, was mich Jahre und echte Verluste gekostet hat, um zu verstehen. Die Leute, die bei den Top-Firmen Milliarden bewegen, benutzen für die meisten ihrer Kernsignale keine exotischen Deep-Learning-Monster. Sie verwenden lineare Regression, verstanden weit tiefer, als die meisten Menschen je gehen, angewandt mit einer Disziplin, die die meisten Menschen nie aufbauen.

Schauen Sie sich den erfolgreichsten Handelsbetrieb der Geschichte an.

Jim Simons hat Renaissance Technologies auf genau diesem Fundament aufgebaut. Sein Medallion Fund erzielte von 1988 bis 2018 durchschnittlich etwa 66 Prozent Bruttojahresrenditen, die beste jemals verzeichnete Bilanz. Und nach Aussage seines eigenen Teams lag der Fonds bei nur etwa 50,75 Prozent seiner Trades richtig. Über Millionen von Trades hinweg hat sich diese hauchdünne Kante zu mehr als 100 Milliarden Dollar verzinst. Sie haben nicht die Zukunft vorhergesagt. Sie haben ein winziges, echtes, wiederholbares Signal aus einem Ozean von Rauschen gezogen – genau das, wofür Regression gemacht ist.

AQR, das heute rund 179 Milliarden Dollar verwaltet, hat sein Imperium auf regressionsbasierten Faktormodellen aufgebaut.

PDT Partners betrieb jahrelang statistische Arbitrage ohne ein einziges Verlustjahr.

Das ist die Version der linearen Regression, die Ihnen niemand beigebracht hat.

Am Ende dieses Artikels werden Sie verstehen, was lineare Regression wirklich ist, was Alpha tatsächlich bedeutet, wie Sie ein Einfach- und Mehrfaktorsignal von Grund auf mit echtem Code aufbauen, wie Sie eine Regressionsausgabe wie ein institutioneller Forscher lesen, die genauen Tests, die ein echtes Signal von einem Zufall trennen, und warum selbst ein echtes Signal irgendwann stirbt.

Hinweis: Dieser Artikel ist bewusst lang, und jeder Teil baut auf dem vorherigen auf. Wenn Sie es ernst meinen mit dem Aufbau von Signalen, die an Live-Märkten bestehen, lesen Sie jedes einzelne Wort. Wenn Sie einen magischen Indikator wollen, ist das nichts für Sie.

Teil 1: Was lineare Regression tatsächlich ist

Die lineare Regression findet die einzelne gerade Linie, die allen Datenpunkten gleichzeitig am nächsten liegt.

Vergessen Sie für einen Moment die Finanzwelt.

Lineare Regression ist einfach die Mathematik, die beste gerade Linie durch eine Punktwolke zu ziehen.

Stellen Sie sich vor, Sie zeichnen die Hausgröße gegen den Hauspreis auf. Größere Häuser kosten mehr, also wandern die Punkte nach oben. Die lineare Regression findet die eine gerade Linie, die allen diesen Punkten gleichzeitig am nächsten liegt. Setzen Sie die Größe eines neuen Hauses ein, und Sie lesen den vorhergesagten Preis ab. Das ist die ganze Idee. Es ist eine Maschine, die die Beziehung zwischen einer Eingabe und einer Ausgabe lernt und sie dann zur Vorhersage nutzt.

Andrew Ng eröffnet seinen berühmten Stanford-Kurs zum maschinellen Lernen mit genau diesem Beispiel der Hauspreise, weil es der einfachste Lernalgorithmus ist, den es gibt, und das Fundament, auf dem alles andere aufbaut.

Die Linie hat die Formel, die Sie bereits aus der Schule kennen:

y = a + b x

Hier ist y das, was Sie vorhersagen, x ist Ihre Eingabe, b ist die Steigung, wie stark y mit steigendem x ansteigt, und a ist der Achsenabschnitt, der Wert von y, wenn x null ist. Die Methode, die das beste a und b findet, ist die gewöhnliche Kleinst-Quadrate-Schätzung, oder OLS. Von allen möglichen Linien wählt OLS diejenige aus, die die Summe der quadrierten Abstände zwischen der Linie und den tatsächlichen Punkten so klein wie möglich macht. Quadriert, damit Abweichungen nach oben und unten gleichermaßen zählen und große Abweichungen weitaus stärker bestraft werden als kleine.

Sie können das Ganze in wenigen Zeilen sehen:

1import numpy as np
2import statsmodels.api as sm
3
4x = np.array([1400, 1600, 1700, 1875, 2350, 2450])   # Hausgröße
5y = np.array([245, 312, 279, 308, 405, 324])          # Preis in Tausend
6
7X = sm.add_constant(x)            # fügt den Achsenabschnitt 'a' hinzu
8model = sm.OLS(y, X).fit()
9print(model.params)               # gibt Ihnen a und b

Übertragen Sie es nun auf die Märkte. Im Handel wird Ihr y zur Rendite eines Vermögenswerts und Ihr x zu einem Faktor, von dem Sie glauben, dass er diese Rendite vorhersagt. Die Steigung wird zu Ihrer Sensitivität gegenüber diesem Faktor. Und dieser bescheidene Achsenabschnitt, a, wird zur wichtigsten Zahl in der quantitativen Finanzwelt. Hier ist der Grund.

Teil 2: Was Alpha tatsächlich ist

Die Gesamtrendite teilt sich in Beta, den Teil, den der Markt erklärt, und Alpha, den Teil, den er nicht erklären kann.

Die meisten Händler verwenden das Wort Alpha, um Gewinn zu bedeuten. Das ist falsch, und der Fehler ist teuer.

Alpha ist die Rendite, die Ihre Strategie erzielt, die nicht durch das Engagement in bekannten Risikofaktoren erklärt werden kann. Wenn Sie in einem Jahr 20 Prozent verdient haben, der Markt aber ebenfalls 20 Prozent verdient hat, ist Ihr Alpha null. Sie haben nur Beta gehalten, die Rendite, die Sie für die Übernahme von Marktrisiko erhalten. Sie wurden dafür bezahlt, die Welle zu reiten, nicht für Ihr Können.

Diese Unterscheidung ist das gesamte Spiel, und die Regression ist das Messer, das die beiden trennt. Das grundlegende Modell. Die Rendite Ihrer Strategie zum Zeitpunkt t, geschrieben als rₜ, ist ein Basiswert zuzüglich seines Engagements in einem Faktor Xₜ plus Rauschen:

rₜ = α + β Xₜ + εₜ

Lesen Sie es langsam. Das β ist Ihre Sensitivität gegenüber dem Faktor. Wenn der Faktor der Markt ist, sagt Beta, wie stark Sie sich bewegen, wenn der Markt sich bewegt. Das εₜ ist zufälliges Rauschen, der Teil, den kein Faktor erklärt. Und α, der Achsenabschnitt, ist die Rendite, die Sie im Durchschnitt erzielen, wenn der Faktor nichts beiträgt.

Dieser Achsenabschnitt ist der gesamte Preis. Wenn Ihre Strategie, nachdem alle bekannten Risikofaktoren herausgerechnet wurden, immer noch ein positives, statistisch signifikantes Alpha zeigt, haben Sie etwas Echtes gefunden. Wenn das Alpha verschwindet, sobald Sie die Faktoren berücksichtigen, hatten Sie nie einen Vorteil. Sie hatten getarntes Beta, das sich als Genie verkleidet hat.

Michael Jensen hat Können 1968 zum ersten Mal auf diese Weise definiert, als er testete, ob Fondsmanager den Markt tatsächlich schlagen können. Er führte diese exakte Regression durch und stellte eine Frage: Ist der Achsenabschnitt von null verschieden? Fast sechzig Jahre später wird die institutionelle Performance immer noch so beurteilt. Es wird Jensens Alpha genannt und ist der Grundpfeiler der Disziplin.

**Wenn Sie also ein Signal aufbauen, besteht Ihre Aufgabe nie darin, die Rohrendite zu maximieren.

Es geht darum, einen positiven Achsenabschnitt zu erzeugen, der bestehen bleibt, nachdem die bekannten Faktoren entfernt wurden. Behalten Sie das im Hinterkopf. Alles andere dient diesem Ziel.**

Teil 3: Aufbau Ihres ersten Signals von Grund auf

Ein echtes Signal misst Alpha erst, nachdem jeder bekannte Faktor herausgerechnet wurde.

Lassen Sie uns das einfachste reale Modell bauen und es dann auf institutionelles Niveau heben. Angenommen, Sie glauben, dass die Rendite eines Vermögenswerts teilweise durch einen Faktor vorhergesagt werden kann. Die vorherige Rendite eines verwandten Vermögenswerts, ein Momentum-Maß, eine Wertkennzahl. Die Einzelfaktor-Regression ist:

rₜ = α + β Xₜ + εₜ

In Python sind es eine Handvoll Zeilen, und der Achsenabschnitt ist der Teil, den Sie niemals überspringen dürfen:

1import statsmodels.api as sm
2
3# X ist Ihre Faktorreihe, y ist die zu erklärende Vermögensrendite
4X = sm.add_constant(X)        # DIESE Zeile erzeugt Ihren Alpha-Achsenabschnitt
5model = sm.OLS(y, X).fit()
6print(model.summary())

Diese add_constant-Zeile ist keine Formalität. Es ist die Zeile, die Ihren Alpha-Term erzeugt. Vergessen Sie sie, und Sie zwingen die Linie durch den Nullpunkt und werfen die wichtigste Zahl in der gesamten Ausgabe weg.

Aber die reale Welt ist nie eindimensional. Ein ernsthaftes Signal berücksichtigt viele Einflüsse gleichzeitig. Das ist das Mehrfaktormodell:

rₜ = α + β₁X₁ₜ + β₂X₂ₜ + ... + βₖXₖₜ + εₜ

Jedes Beta misst nun die Wirkung seines eigenen Faktors, während alle anderen konstant gehalten werden. Dieser Satz, „während alle anderen konstant gehalten werden", ist die stille Superkraft der Regression. Er isoliert den einzigartigen Beitrag jedes Faktors und entfernt die Überlappungen. Wenn Sie Ihre Strategierenditen gegen die etablierten Faktoren regressieren – Markt, Größe, Wert, Momentum –, dann ist das Alpha, das in diesem Achsenabschnitt übrig bleibt, der Teil Ihres Vorteils, den keiner der bekannten Faktoren erklären kann.

1import statsmodels.api as sm
2
3# factors ist ein DataFrame, jede Spalte ein Faktor, abgestimmt auf die Renditen y
4X = sm.add_constant(factors)
5model = sm.OLS(y, X).fit()
6
7alpha   = model.params['const']     # Ihr Kandidaten-Vorteil
8p_alpha = model.pvalues['const']    # Wie sehr Sie ihm vertrauen können
9print("Alpha:", round(alpha, 5))
10print("Alpha p-value:", round(p_alpha, 4))

Dieser residuale Achsenabschnitt ist Ihr Kandidatensignal. Alles von hier an dreht sich darum, zu beweisen, ob es real ist.

Genau hier hören die meisten öffentlichen Tutorials auf, und hier beginnt die institutionelle Arbeit. Die Faktorkonstruktion, die Neutralisation, die Gewichtungsschemata, die aus einem rohen Signal ein handelbares Buch machen. Wenn Sie genau sehen wollen, wie eine Firma wie AQR diese Regressionen in ein lebendes Faktorportfolio verwandelt, dann ist diese Aufschlüsselung der Punkt, an dem ich alles bis zum Ende durchdeklinieren werde.

Teil 4: Die Ausgabe lesen wie ein institutioneller Forscher

Der Profi fragt nicht, wie groß die Rendite ist. Er fragt, wie sicher er sein kann, dass es kein Zufall ist.

Wenn Sie diese Zusammenfassung laufen lassen, werfen die meisten Menschen einen Blick auf eine Zahl und machen weiter. Ein ausgebildeter Forscher liest sie wie einen Diagnosebericht. Hier ist, was wirklich zählt.

Der Koeffizient und sein Vorzeichen. Jedes Beta gibt Richtung und Stärke an. Bevor Sie einer Zahl vertrauen, fragen Sie, ob das Vorzeichen überhaupt wirtschaftlich sinnvoll ist. Wenn Ihr Modell sagt, kaufen Sie, wenn etwas teurer ist, und Sie können nicht erklären, warum, haben Sie einen Zufallsfund entdeckt, keinen Faktor.

Der p-Wert. Das ist das Herz von allem. Er beantwortet eine Frage: Wenn dieser Faktor wirklich keinen Effekt hätte, wie wahrscheinlich wäre es, dass ich einen so starken Zusammenhang allein durch Zufall sehe? Ein p-Wert von 0,62 bedeutet eine 62-prozentige Wahrscheinlichkeit, dass Sie auf reinen Zufall starren. Unter 0,05 ist die konventionelle Hürde, um ein Ergebnis ernst zu nehmen. Ein Quant, der ein gescheitertes Modell mit einem p-Wert von 0,62 betrachtet, sieht kein schwaches Signal. Er sieht reines Rauschen.

R-Quadrat. Der Anteil der Renditevariation, den Ihr Modell erklärt, und hier ist der Teil, der Anfänger auf den Kopf stellt. Bei der Renditevorhersage ist ein hohes R-Quadrat normalerweise eine Warnung, keine Trophäe. Echte Renditesignale sind schwach. Ein R-Quadrat von 0,01 oder 0,02 kann enorm profitabel sein, wenn es beständig und echt ist. Wenn Sie bei einer Renditevorhersage 0,9 sehen, haben Sie mit ziemlicher Sicherheit einen Look-Ahead-Bias oder Sie regressieren versehentlich etwas auf sich selbst.

Die t-Statistik. Der Koeffizient geteilt durch seinen Standardfehler. Eine Faustregel besagt, dass eine t-Statistik über 2 im Absolutwert der 0,05-Schwelle entspricht. Ernsthafte Forscher verlangen bei einem brandneuen Signal 3 oder mehr, genau weil sie wissen, wie viele Signale sie vor diesem stillschweigend getestet haben.

Sie können diese Werte direkt herausziehen, anstatt die gesamte Tabelle zu lesen:

1print("t-stats:\n", model.tvalues)
2print("p-values:\n", model.pvalues)
3print("R-squared:", round(model.rsquared, 4))

Verinnerlichen Sie den Wechsel. Der Anfänger fragt, wie groß die Rendite ist. Der Profi fragt, wie sicher ich bin, dass diese Rendite kein Zufall ist. Diese einzige Änderung in der Frage macht den ganzen Unterschied aus.

Teil 5: Die Tests, die echtes Signal von Rauschen trennen, und warum Signale sterben

Jedes Kandidatensignal durchläuft denselben Parcours. Fast nichts überlebt, und das ist der Sinn der Sache.

Hier ist die brutale Wahrheit. Wenn Sie genügend zufällige Signale testen, werden einige allein durch Zufall profitabel aussehen. Testen Sie 100 nutzlose Signale auf dem 0,05-Niveau, und etwa 5 werden allein durch Glück bestehen. Dies ist das Problem des multiplen Testens, und es ist der Hauptgrund, warum Backtests lügen. Hier ist, wie ernsthafte Desks sich dagegen schützen.

Out-of-Sample-Testing. Beurteilen Sie ein Signal niemals anhand der Daten, mit denen Sie es gebaut haben. Teilen Sie Ihre Historie auf. Bauen Sie auf dem ersten Teil auf, testen Sie auf einem Teil, den das Modell noch nie gesehen hat. Ein echtes Signal überlebt die Kreuzung. Eine angepasste Fantasie bricht in dem Moment zusammen, in dem sie auf frische Daten trifft. Nicht verhandelbar.

1split = int(len(y) * 0.8)
2X_train, X_test = X[:split], X[split:]
3y_train, y_test = y[:split], y[split:]
4
5model = sm.OLS(y_train, X_train).fit()
6oos_pred = model.predict(X_test)          # test auf ungesehenen Daten

Informationskoeffizient (IC). Institutionelle Faktorforscher leben oder sterben selten mit einer einzigen Regression. Sie berechnen den IC, die Korrelation zwischen dem Wert eines Faktors und der tatsächlichen zukünftigen Rendite, immer wieder über die Zeit hinweg. Ein Faktor mit einem mittleren IC von etwa über 0,03 bis 0,05, der über viele Perioden stabil bleibt, schlägt jedes Mal einen mit einem einzigen glänzenden Backtest. Stabilität über verschiedene Marktregime hinweg ist das eigentliche Unterscheidungsmerkmal.

Newey-West-Standardfehler. Finanzdaten verletzen eine grundlegende OLS-Annahme, da sich Renditen und Volatilität im Zeitverlauf häufen. Rohe p-Werte werden lügen, meist zu Gunsten Ihres Signals. Newey-West korrigiert Ihre Standardfehler dafür. Die Verwendung zeichnet stillschweigend jemanden aus, der weiß, was er tut.

1# Newey-West-korrigierte Signifikanz, der institutionelle Standard
2model = sm.OLS(y, X).fit(cov_type='HAC', cov_kwds={'maxlags': 5})
3print(model.summary())

Mehrfachtestkorrektur. Wenn Sie 50 Signale ausprobiert haben, können Sie den Gewinner nicht an der normalen Hürde messen. Die einfache Verteidigung ist Bonferroni: Teilen Sie Ihren Schwellenwert durch die Anzahl der getesteten Dinge. 50 Signale ausprobiert? Verlangen Sie einen p-Wert unter 0,001, nicht 0,05. Es ist brutal, und das ist der Sinn. Es erzwingt Ehrlichkeit darüber, wie oft Sie auf Fischzug gegangen sind.

Schicken Sie einen Kandidaten durch die Out-of-Sample-Validierung, einen stabilen IC, Newey-West-Signifikanz und eine Mehrfachtestkorrektur, und wenn er immer noch steht, haben Sie etwas, das die meisten Privathändler in ihrem Leben nie hervorbringen: Ein Signal, dem Sie wirklich das Recht erworben haben, zu vertrauen.

Aber verstehen Sie die endgültige Wahrheit. Selbst ein echtes Signal verfällt. Alpha lebt von Marktineffizienz, und in dem Moment, in dem ein Signal bekannt ist und gehandelt wird, drückt der Handel selbst die Ineffizienz weg. Aktuelle Forschung zur Faktorüberfüllung zeigt, dass mechanische, leicht kopierbare Signale wie einfaches Momentum entlang einer scharfen, vorhersagbaren Kurve verfallen, wenn Kapital hineinfließt, und dass diese Überfüllung sich stark beschleunigt hat, seit Faktorinvesting durch ETFs billig geworden ist. Die einfachsten Signale sind die am stärksten überfüllten und sterben am schnellsten. Ein dauerhafter Vorteil lebt in Signalen, die echte Arbeit beim Aufbau erfordern, und in einem Forschungsprozess, der schneller neue hervorbringt, als die alten erodieren. Deshalb hat Renaissance dreißig Jahre lang keinen einzigen Tag aufgehört zu forschen.

Hausaufgabe: Nehmen Sie ein Signal, an das Sie derzeit glauben. Lassen Sie es auf den letzten 20 Prozent Ihrer Daten laufen, die Sie so tun, als hätten Sie sie noch nie gesehen. Wenn das Alpha verschwindet, haben Sie gerade echtes Geld gespart. Es ist der wertvollste Test, den Sie je durchführen werden.

Teil 6: Was Sie gerade gebaut haben, Ende-zu-Ende

Jedes echte Signal erodiert, wenn es überfüllt wird. Die Forschungsmaschine, die sie ersetzt, ist der eigentliche Vorteil.

Treten Sie einen Schritt zurück und betrachten Sie die vollständige Maschine, die Sie jetzt haben, denn die Teile fügen sich zu einer sauberen Pipeline zusammen.

Sie beginnen mit einem Faktor, von dem Sie glauben, dass er Informationen über zukünftige Renditen enthält. Sie regressieren die Renditen Ihres Vermögenswerts auf diesen Faktor mit OLS, wobei Sie immer den Achsenabschnitt einbeziehen, und dieser Achsenabschnitt ist Ihr Kandidaten-Alpha. Sie erweitern zu einer Mehrfaktorregression, sodass Ihr Alpha nur gemessen wird, nachdem die bekannten Risikofaktoren – Markt, Größe, Wert, Momentum – herausgerechnet wurden. Was im Achsenabschnitt übrig bleibt, ist der reine, unerklärte Vorteil.

Dann stellen Sie es auf die Probe. Sie lesen den p-Wert, um zu fragen, ob es Zufall sein könnte. Sie überprüfen das Vorzeichen auf wirtschaftlichen Sinn. Sie ignorieren das verführerisch hohe R-Quadrat und respektieren das kleine, ehrliche. Sie validieren Out-of-Sample auf Daten, die das Modell nie berührt hat. Sie berechnen den Informationskoeffizienten über viele Perioden, um zu bestätigen, dass er stabil ist und kein einmaliger Glücksfall. Sie korrigieren Ihre Standardfehler mit Newey-West, damit die Zeitstruktur der Märkte Sie nicht täuscht. Und Sie wenden eine Mehrfachtestkorrektur an, damit die Anzahl der von Ihnen getesteten Signale keinen falschen Gewinner produzieren kann.

Was auf der anderen Seite herauskommt, ist keine Schätzung. Es ist ein Signal mit einem gemessenen Vorteil, einem bekannten Konfidenzniveau, einem Beweis, dass es auf ungesehenen Daten überlebt, und einer ehrlichen Einschätzung, wie wahrscheinlich es ist, echt zu sein. Das ist der Unterschied zwischen der Person, deren Modell in zwei Wochen stirbt, und der Person, die etwas baut, das hält.

Und so wird tatsächlich Geld verdient. Ein Signal mit einem kleinen, aber echten und stabilen Vorteil, gehandelt über viele unabhängige Gelegenheiten hinweg, verzinst sich. Renaissance hatte nur knapp mehr als die Hälfte der Trades richtig und verwandelte das in das größte Vermögen der Marktgeschichte, weil der Vorteil echt war, er wiederholbar war und sie ihn korrekt über eine enorme Anzahl von Wetten dimensioniert haben. Sie arbeiten jetzt nach derselben Blaupause. Bauen Sie das Signal, beweisen Sie, dass es echt ist, dimensionieren Sie es sinnvoll, und ersetzen Sie es in dem Moment, in dem sein IC nachlässt.

Diese Ersetzungsschleife ist die gesamte Karriere. Ein Signal ist ein Trade. Ein Forschungsprozess, der kontinuierlich echte Signale produziert, schneller als sie verfallen, ist ein Franchise.

Die Zusammenfassung

Die lineare Regression ist nicht das langweilige Werkzeug, das Sie übersprungen haben. Sie zeichnet die beste Linie durch Ihre Daten, sie definiert, was Alpha tatsächlich ist, sie baut Ihr erstes echtes Signal auf, sie testet, ob dieses Signal echt oder Rauschen ist, und sie warnt Sie, wenn das Signal zu sterben beginnt.

Alpha ist der Achsenabschnitt, der bestehen bleibt, nachdem jeder bekannte Risikofaktor entfernt wurde. Sie bauen einen Kandidaten mit OLS auf, zuerst einfaktoriell, dann mehrfaktoriell. Sie lesen die Ausgabe wie ein Forscher, bei dem der p-Wert und die Stabilität wichtiger sind als die Höhe der Rendite. Sie verteidigen sich gegen die Mehrfachtestfalle mit Out-of-Sample-Validierung, einem stabilen Informationskoeffizienten, Newey-West-Fehlern und einer Korrektur für die Anzahl der von Ihnen getesteten Signale. Und Sie akzeptieren, dass jedes echte Signal verfällt, was bedeutet, dass der wahre Vorteil die Forschungsmaschine ist, nicht ein einzelnes Modell. Dieselbe Maschine, die den größten Fonds der Geschichte gebaut hat.

Der Quant, der auf eine Sharpe von 0,03 und einen p-Wert von 0,62 starrt, hat kein Pech. Er hat die Disziplin in diesem Artikel übersprungen. Seien Sie nicht er.

Hier ist die Frage, über die ich möchte, dass Sie nachdenken.

Wenn echtes Alpha in dem Moment verfällt, in dem es allgemein bekannt wird, dann zerstört das Veröffentlichen eines Signals es, während das Horten eines Signals bedeutet, dass es trotzdem langsam stirbt, während andere es unabhängig entdecken.

Woher kommt also der dauerhafte Vorteil wirklich? Von den Signalen selbst oder von der Geschwindigkeit des Forschungsprozesses, der sie ersetzt?

Ihre Antwort verrät, ob Sie wie ein Händler denken, der einem großen Gewinn hinterherjagt, oder wie ein Quant, der eine Maschine baut, die jahrzehntelang Vorteile druckt.

Posten Sie Ihre Antwort in den Kommentaren. Es gibt keine falsche Antwort. Aber es gibt sehr aufschlussreiche.