मैं यह समझाने जा रहा हूँ कि कैसे लीनियर रिग्रेशन का उपयोग करके हर ट्रेड में जीत हासिल करें, एक वास्तविक अल्फा सिग्नल बनाएँ और सटीक विनिंग कोड साझा करें।
चलिए सीधे मुद्दे पर आते हैं।
इसे बुकमार्क करें
- मैं रोन हूँ, एक बैकएंड डेवलपर जो सिस्टम डिज़ाइन, HFT-स्टाइल एक्सीक्यूशन और क्वांटिटेटिव ट्रेडिंग सिस्टम पर काम करता है। मेरा काम इस बात पर केंद्रित है कि प्रेडिक्शन मार्केट लोड के तहत वास्तव में कैसे व्यवहार करते हैं। किसी भी सुझाव, विचारशील सहयोग, या पार्टनरशिप के लिए DM खुले हैं।
हर क्वांट के पास इस कहानी का एक संस्करण है।
आप एक मॉडल पर एक सप्ताह बिताते हैं। बैकटेस्ट परफेक्ट लगता है, इक्विटी कर्व सीधा ऊपर जाता है और आपको लगता है कि आपको आखिरकार मिल गया। आप लाइव हो जाते हैं। दो हफ्ते बाद वह पैसे खो रहा होता है और आपको पता नहीं होता कि क्यों।
मैंने इस एक चक्र को किसी भी बाजार क्रैश से अधिक क्वांट करियर को खत्म करते देखा है। वह मॉडल कभी वास्तविक नहीं था। यह शोर था जो सिग्नल का भेष धारण किया हुआ था। और इस पूरे क्षेत्र में सबसे मूल्यवान कौशल यह सीखना है कि एक डॉलर भी जोखिम में डालने से पहले उन दोनों को कैसे अलग किया जाए।
वह कौशल क्वांटिटेटिव फाइनेंस में सबसे कम आंके गए टूल से शुरू होता है।
लीनियर रिग्रेशन।
मुझे पता है कि यह कैसा लगता है। लीनियर रिग्रेशन वह चीज़ है जो हर कोई सोचता है कि उन्होंने एक दोपहर में सीख लिया और आगे बढ़ गए। लेकिन यहाँ वह है जिसे समझने में मुझे वर्षों और वास्तविक नुकसान लगे। शीर्ष फर्मों में अरबों रुपये चलाने वाले लोग अपने अधिकांश कोर सिग्नल के लिए विदेशी डीप लर्निंग राक्षसों का उपयोग नहीं कर रहे हैं। वे लीनियर रिग्रेशन का उपयोग करते हैं, जिसे अधिकांश लोगों की तुलना में कहीं अधिक गहराई से समझा जाता है, और जिस अनुशासन के साथ अधिकांश लोग कभी निर्माण नहीं करते, उसे लागू किया जाता है।
इतिहास के सबसे सफल ट्रेडिंग ऑपरेशन को देखें।
जिम साइमन्स ने रेनेसां टेक्नोलॉजीज को इसी नींव पर बनाया। उनके मेडलियन फंड ने 1988 से 2018 तक औसतन लगभग 66 प्रतिशत सकल वार्षिक रिटर्न दिया, जो अब तक का सबसे अच्छा रिकॉर्ड है। और उनकी अपनी टीम के अनुसार, फंड अपने केवल लगभग 50.75 प्रतिशत ट्रेडों पर सही था। लाखों ट्रेडों में, उस पतले धार ने 100 बिलियन डॉलर से अधिक में कंपाउंड किया। वे भविष्य की भविष्यवाणी नहीं कर रहे थे। वे शोर के समुद्र से एक छोटा, वास्तविक, दोहराने योग्य सिग्नल खींच रहे थे, जो कि रिग्रेशन वास्तव में करने के लिए बनाया गया है।
AQR, जो अब लगभग 179 बिलियन डॉलर का प्रबंधन करता है, ने अपना साम्राज्य रिग्रेशन-आधारित फैक्टर मॉडल पर बनाया।
PDT Partners ने वर्षों तक सांख्यिकीय आर्बिट्रेज चलाया, बिना एक भी घाटे के साल के।
यह लीनियर रिग्रेशन का वह संस्करण है जो किसी ने आपको नहीं सिखाया।
इस लेख के अंत तक आप समझ जाएँगे कि लीनियर रिग्रेशन वास्तव में क्या है, अल्फा का वास्तव में क्या मतलब है, वास्तविक कोड के साथ शुरुआत से सिंगल और मल्टी-फैक्टर सिग्नल कैसे बनाया जाए, एक संस्थागत शोधकर्ता की तरह रिग्रेशन आउटपुट कैसे पढ़ा जाए, वे सटीक परीक्षण जो एक वास्तविक सिग्नल को संयोग से अलग करते हैं, और क्यों एक वास्तविक सिग्नल भी अंततः मर जाता है।
नोट: यह लेख जानबूझकर लंबा है और प्रत्येक भाग पिछले भाग पर आधारित है। यदि आप लाइव बाजारों में टिकने वाले सिग्नल बनाने के बारे में गंभीर हैं, तो हर एक शब्द पढ़ें। यदि आप एक जादुई संकेतक चाहते हैं, तो यह आपके लिए नहीं है।
भाग 1: लीनियर रिग्रेशन वास्तव में क्या है
लीनियर रिग्रेशन एक सीधी रेखा ढूँढता है जो एक साथ सभी डेटा बिंदुओं के सबसे करीब हो।
एक सेकंड के लिए फाइनेंस को भूल जाइए।
लीनियर रिग्रेशन सिर्फ डॉट्स के एक बादल के माध्यम से सबसे अच्छी सीधी रेखा खींचने का गणित है।
घर के आकार को घर की कीमत के खिलाफ प्लॉट करने की कल्पना करें। बड़े घरों की कीमत अधिक होती है, इसलिए डॉट्स ऊपर की ओर बढ़ते हैं। लीनियर रिग्रेशन एक सीधी रेखा ढूँढता है जो एक साथ उन सभी डॉट्स के सबसे करीब होती है। एक नए घर का आकार डालें और आप इसकी अनुमानित कीमत पढ़ सकते हैं। यह पूरा विचार है। यह एक मशीन है जो इनपुट और आउटपुट के बीच संबंध सीखती है, फिर इसका उपयोग भविष्यवाणी करने के लिए करती है।
एंड्रयू एनजी अपने प्रसिद्ध स्टैनफोर्ड मशीन लर्निंग कोर्स की शुरुआत इसी हाउस प्राइस उदाहरण से करते हैं, क्योंकि यह सबसे सरल लर्निंग एल्गोरिदम है और वह नींव है जिस पर बाकी सब कुछ बनता है।
रेखा का सूत्र वही है जो आप स्कूल से पहले से जानते हैं:
y = a + b x
यहाँ y वह है जिसकी आप भविष्यवाणी करते हैं, x आपका इनपुट है, b ढलान है, जितनी तेजी से x बढ़ने पर y बढ़ता है, और a अवरोधन है, x के शून्य होने पर y का मान। जो विधि सबसे अच्छा a और b ढूँढती है वह है ऑर्डिनरी लीस्ट स्क्वेयर, या OLS। हर संभावित रेखा में से, OLS वह चुनता है जो रेखा और वास्तविक डॉट्स के बीच के वर्ग अंतराल के योग को यथासंभव छोटा बनाता है। वर्गित, इसलिए ऊपर और नीचे दोनों के चूक गिने जाते हैं, और बड़े चूक को छोटे चूक की तुलना में कहीं अधिक दंडित किया जाता है।
आप पूरी चीज़ कुछ पंक्तियों में देख सकते हैं:
1import numpy as np2import statsmodels.api as sm34x = np.array([1400, 1600, 1700, 1875, 2350, 2450]) # house size5y = np.array([245, 312, 279, 308, 405, 324]) # price in thousands67X = sm.add_constant(x) # adds the intercept term 'a'8model = sm.OLS(y, X).fit()9print(model.params) # gives you a and b
अब इसे बाजारों में लाएँ। ट्रेडिंग में आपका y किसी परिसंपत्ति का रिटर्न बन जाता है, और आपका x एक कारक बन जाता है जिसके बारे में आप मानते हैं कि वह उस रिटर्न की भविष्यवाणी करता है। ढलान उस कारक के प्रति आपकी संवेदनशीलता बन जाती है। और वह विनम्र अवरोधन, a, क्वांटिटेटिव फाइनेंस में सबसे महत्वपूर्ण संख्या बन जाता है। यहाँ बताया गया है क्यों।
भाग 2: अल्फा वास्तव में क्या है
कुल रिटर्न दो भागों में विभाजित होता है: बीटा, वह हिस्सा जो बाजार समझाता है, और अल्फा, वह हिस्सा जो वह नहीं समझा सकता।
अधिकांश व्यापारी अल्फा शब्द का उपयोग लाभ के लिए करते हैं। यह गलत है, और यह गलती महंगी है।
अल्फा वह रिटर्न है जो आपकी रणनीति कमाती है जिसे ज्ञात जोखिम कारकों के संपर्क में आने से समझाया नहीं जा सकता। यदि आपने एक वर्ष में 20 प्रतिशत कमाया, लेकिन बाजार ने भी 20 प्रतिशत कमाया, तो आपका अल्फा शून्य है। आप सिर्फ बीटा होल्ड कर रहे थे, वह रिटर्न जो आप बाजार जोखिम लेने के लिए प्राप्त करते हैं। आपको लहर की सवारी करने के लिए भुगतान किया गया, कौशल के लिए नहीं।
यह अंतर पूरा खेल है, और रिग्रेशन वह ब्लेड है जो दोनों को अलग करता है। मौलिक मॉडल। समय t पर आपकी रणनीति का रिटर्न, rₜ लिखा जाता है, एक आधार रेखा है और एक कारक Xₜ के संपर्क में आने के साथ-साथ शोर है:
rₜ = α + β Xₜ + εₜ
इसे धीरे-धीरे पढ़ें। β आपकी कारक के प्रति संवेदनशीलता है। यदि कारक बाजार है, तो बीटा कहता है कि जब बाजार चलता है तो आप कितनी मेहनत से चलते हैं। εₜ यादृच्छिक शोर है, वह हिस्सा जो कोई कारक नहीं बताता। और α, अवरोधन, वह रिटर्न है जो आप औसतन कमाते हैं जब कारक कुछ भी योगदान नहीं देता है।
वह अवरोधन पूरा पुरस्कार है। यदि प्रत्येक ज्ञात जोखिम कारक को हटाने के बाद भी आपकी रणनीति एक सकारात्मक, सांख्यिकीय रूप से महत्वपूर्ण अल्फा दिखाती है, तो आपको कुछ वास्तविक मिला है। यदि कारकों के लिए जिम्मेदार होते ही अल्फा गायब हो जाता है, तो आपके पास कभी एज नहीं थी। आपके पास प्रतिरूपित बीटा था जो प्रतिभा का भेष धारण किए हुए था।
माइकल जेन्सेन ने पहली बार 1968 में इस तरह से कौशल को परिभाषित किया जब उन्होंने परीक्षण किया कि क्या म्यूचुअल फंड मैनेजर वास्तव में बाजार को हरा सकते हैं। उन्होंने यह सटीक रिग्रेशन चलाया और एक प्रश्न पूछा: क्या अवरोधन शून्य से अलग है? लगभग साठ साल बाद भी संस्थागत प्रदर्शन का मूल्यांकन इसी तरह किया जाता है। इसे जेन्सेन का अल्फा कहा जाता है, और यह अनुशासन की आधारशिला है।
इसलिए जब आप एक सिग्नल बनाते हैं, तो आपका काम कभी भी कच्चे रिटर्न को अधिकतम करना नहीं है।
यह एक सकारात्मक अवरोधन उत्पन्न करना है जो ज्ञात कारकों के गायब होने के बाद बच जाता है। इसे धारण करें। बाकी सब कुछ इसकी सेवा करता है।
भाग 3: शुरुआत से अपना पहला सिग्नल बनाना
एक वास्तविक सिग्नल प्रत्येक ज्ञात कारक को हटाने के बाद ही अल्फा को मापता है।
आइए सबसे सरल वास्तविक मॉडल बनाएँ, फिर इसे संस्थागत ग्रेड बनाएँ। मान लीजिए कि आप मानते हैं कि एक परिसंपत्ति के रिटर्न की आंशिक रूप से एक कारक द्वारा भविष्यवाणी की जा सकती है: एक संबंधित परिसंपत्ति का पिछला रिटर्न, एक मोमेंटम माप, एक वैल्यू मीट्रिक। सिंगल फैक्टर रिग्रेशन है:
rₜ = α + β Xₜ + εₜ
Python में यह कुछ पंक्तियाँ हैं, और अवरोधन वह हिस्सा है जिसे आपको कभी नहीं छोड़ना चाहिए:
1import statsmodels.api as sm23# X is your factor series, y is the asset return you want to explain4X = sm.add_constant(X) # THIS line creates your alpha intercept5model = sm.OLS(y, X).fit()6print(model.summary())
वह add_constant लाइन कोई औपचारिकता नहीं है। यह वह लाइन है जो आपका अल्फा टर्म बनाती है। इसे भूल जाएँ और आप रेखा को शून्य के माध्यम से मजबूर करते हैं, पूरे आउटपुट में सबसे महत्वपूर्ण संख्या को फेंक देते हैं।
लेकिन वास्तविक दुनिया कभी एक कारक नहीं है। एक गंभीर सिग्नल एक साथ कई प्रभावों के लिए जिम्मेदार होता है। वह मल्टी-फैक्टर मॉडल है:
rₜ = α + β₁X₁ₜ + β₂X₂ₜ + ... + βₖXₖₜ + εₜ
प्रत्येक बीटा अब अन्य सभी को स्थिर रखते हुए अपने स्वयं के कारक के प्रभाव को मापता है। वह वाक्यांश, "अन्य सभी को स्थिर रखते हुए", रिग्रेशन की शांत सुपरपावर है। यह प्रत्येक कारक के अद्वितीय योगदान को अलग करता है और ओवरलैप को हटा देता है। जब आप अपनी रणनीति के रिटर्न को स्थापित कारकों, बाजार, आकार, मूल्य, मोमेंटम के खिलाफ रिग्रेस करते हैं, तो उस अवरोधन में जो अल्फा बचता है, वह आपकी एज का वह टुकड़ा है जिसे कोई भी ज्ञात कारक समझा नहीं सकता है।
1import statsmodels.api as sm23# factors is a DataFrame, each column one factor, aligned to returns y4X = sm.add_constant(factors)5model = sm.OLS(y, X).fit()67alpha = model.params['const'] # your candidate edge8p_alpha = model.pvalues['const'] # how much to trust it9print("Alpha:", round(alpha, 5))10print("Alpha p-value:", round(p_alpha, 4))
वह अवशिष्ट अवरोधन आपका उम्मीदवार सिग्नल है। यहाँ से सब कुछ यह साबित करने के बारे में है कि यह वास्तविक है या नहीं।
यह ठीक वहीं है जहाँ अधिकांश सार्वजनिक ट्यूटोरियल रुक जाते हैं, और जहाँ संस्थागत कार्य वास्तव में शुरू होता है। कारक निर्माण, न्यूट्रलाइज़ेशन, वेटिंग योजनाएँ जो एक कच्चे सिग्नल को एक व्यापार योग्य पुस्तक में बदल देती हैं। यदि आप यह देखना चाहते हैं कि AQR जैसी फर्म इन रिग्रेशन को लाइव फैक्टर पोर्टफोलियो में कैसे बदलती है, तो वह विवरण वह है जहाँ मैं इसे पूरी तरह से ले जाता हूँ।
भाग 4: एक संस्थागत शोधकर्ता की तरह आउटपुट पढ़ना
पेशेवर यह नहीं पूछता कि रिटर्न कितना बड़ा है। वे पूछते हैं कि वे कितने आश्वस्त हैं कि यह कोई दुर्घटना नहीं है।
जब आप वह सारांश चलाते हैं, तो अधिकांश लोग एक नंबर पर नज़र डालते हैं और आगे बढ़ जाते हैं। एक प्रशिक्षित शोधकर्ता इसे एक निदान रिपोर्ट की तरह पढ़ता है। यहाँ वह है जो वास्तव में मायने रखता है।
गुणांक और उसका चिह्न। प्रत्येक बीटा दिशा और ताकत देता है। किसी भी संख्या पर भरोसा करने से पहले, पूछें कि क्या चिह्न आर्थिक रूप से भी समझ में आता है। यदि आपका मॉडल कहता है कि खरीदें जब कोई चीज़ अधिक महंगी हो और आप समझा नहीं सकते कि क्यों, तो आपको एक संयोग मिला है, कोई कारक नहीं।
p-मान। यह सब कुछ का दिल है। यह एक प्रश्न का उत्तर देता है: यदि इस कारक का वास्तव में कोई प्रभाव नहीं था, तो इससे अधिक मजबूत संबंध पूरी तरह से संयोग से देखने की संभावना कितनी है? 0.62 का p-मान मतलब है 62 प्रतिशत संभावना है कि आप यादृच्छिक भाग्य को घूर रहे हैं। 0.05 से नीचे परिणाम को गंभीरता से लेने की पारंपरिक सीमा है। एक क्वांट जो 0.62 के p-मान के साथ एक विफल मॉडल को देख रहा है, वह कमजोर सिग्नल नहीं देख रहा है। वह शुद्ध शोर देख रहा है।
R-स्क्वेर्ड। आपके मॉडल द्वारा समझाए गए रिटर्न भिन्नता का अंश, और यहाँ वह हिस्सा है जो शुरुआती लोगों को उल्टा कर देता है। रिटर्न भविष्यवाणी में एक उच्च R-स्क्वेर्ड आमतौर पर एक चेतावनी है, ट्रॉफी नहीं। वास्तविक रिटर्न सिग्नल कमजोर होते हैं। 0.01 या 0.02 का R-स्क्वेर्ड अत्यधिक लाभदायक हो सकता है यदि यह लगातार और वास्तविक है। यदि आप रिटर्न भविष्यवाणी पर 0.9 देखते हैं, तो लगभग निश्चित रूप से आपको लुक-अहेड बायस है या आप गलती से किसी चीज़ को खुद पर रिग्रेस कर रहे हैं।
t-सांख्यिकी। गुणांक को उसकी मानक त्रुटि से विभाजित किया जाता है। एक मोटा नियम यह है कि 2 से ऊपर का t-स्टेट निरपेक्ष मान में 0.05 सीमा से मेल खाता है। गंभीर शोधकर्ता एक नए सिग्नल पर 3 या उससे अधिक की मांग करते हैं, ठीक इसलिए क्योंकि वे जानते हैं कि इससे पहले उन्होंने कितने सिग्नलों का चुपचाप परीक्षण किया।
आप पूरी तालिका पढ़ने के बजाय इन्हें सीधे निकाल सकते हैं:
1print("t-stats:\n", model.tvalues)2print("p-values:\n", model.pvalues)3print("R-squared:", round(model.rsquared, 4))
बदलाव को आत्मसात करें। शुरुआती पूछता है कि रिटर्न कितना बड़ा है। पेशेवर पूछता है कि मैं कितना आश्वस्त हूँ कि यह रिटर्न कोई दुर्घटना नहीं है। प्रश्न में वह एक बदलाव पूरा अंतर है।
भाग 5: वे परीक्षण जो वास्तविक सिग्नल को शोर से अलग करते हैं, और सिग्नल क्यों मर जाते हैं
प्रत्येक उम्मीदवार को उसी चुनौती के माध्यम से चलाएँ। लगभग कुछ भी नहीं बचता, और यही मुद्दा है।
यहाँ क्रूर सच्चाई है। यदि आप पर्याप्त यादृच्छिक सिग्नलों का परीक्षण करते हैं, तो कुछ शुद्ध संयोग से लाभदायक दिखाई देंगे। 0.05 स्तर पर 100 बेकार सिग्नलों का परीक्षण करें और लगभग 5 अकेले भाग्य से पास हो जाएँगे। यह मल्टीपल टेस्टिंग समस्या है और यह नंबर एक कारण है कि बैकटेस्ट झूठ बोलते हैं। यहाँ बताया गया है कि गंभीर डेस्क इसके खिलाफ कैसे बचाव करते हैं।
आउट ऑफ सैंपल टेस्टिंग। कभी भी किसी सिग्नल को उस डेटा पर न आंकें जिस पर आपने इसे बनाया है। अपने इतिहास को विभाजित करें। पहले भाग पर निर्माण करें, एक ऐसे भाग पर परीक्षण करें जिसे मॉडल ने कभी नहीं देखा है। एक वास्तविक सिग्नल क्रॉसिंग से बच जाता है। एक फिट की गई कल्पना नए डेटा से मिलते ही ढह जाती है। अनिवार्य।
1split = int(len(y) * 0.8)2X_train, X_test = X[:split], X[split:]3y_train, y_test = y[:split], y[split:]45model = sm.OLS(y_train, X_train).fit()6oos_pred = model.predict(X_test) # test on unseen data
इन्फॉर्मेशन कोएफिशिएंट। संस्थागत कारक शोधकर्ता शायद ही कभी एक रिग्रेशन पर जीते या मरते हैं। वे IC की गणना करते हैं, एक कारक के मूल्य और वास्तविक फॉरवर्ड रिटर्न के बीच सहसंबंध, बार-बार समय के पार। लगभग 0.03 से 0.05 से ऊपर के माध्य IC वाला कारक जो कई अवधियों में स्थिर रहता है, एक एकल शानदार बैकटेस्ट वाले से हर बार बेहतर होता है। रेजिम के पार स्थिरता वास्तविक संकेत है।
न्यूवे-वेस्ट स्टैंडर्ड एरर्स। वित्तीय डेटा एक कोर OLS धारणा को तोड़ता है क्योंकि रिटर्न और अस्थिरता समय में क्लस्टर करते हैं। कच्चे p-मान झूठ बोलेंगे, आमतौर पर आपके सिग्नल की चापलूसी करते हुए। न्यूवे-वेस्ट इसके लिए आपकी मानक त्रुटियों को सही करता है। इसका उपयोग करना चुपचाप उस व्यक्ति को चिह्नित करता है जो जानता है कि वे क्या कर रहे हैं।
1# Newey-West corrected significance, the institutional default2model = sm.OLS(y, X).fit(cov_type='HAC', cov_kwds={'maxlags': 5})3print(model.summary())
मल्टीपल टेस्टिंग करेक्शन। यदि आपने 50 सिग्नल आज़माए हैं, तो आप विजेता को सामान्य सीमा के विरुद्ध नहीं आंक सकते। सरल बचाव बोनफेरोनी है, अपनी सीमा को उन चीज़ों की संख्या से विभाजित करना जिनका आपने परीक्षण किया। 50 सिग्नल आज़माए? 0.05 के बजाय 0.001 से नीचे p-मान की मांग करें। यह क्रूर है, और यही मुद्दा है। यह इस बारे में ईमानदारी को मजबूर करता है कि आप कितनी बार मछली पकड़ने गए।
एक उम्मीदवार को आउट ऑफ सैंपल वैलिडेशन, एक स्थिर IC, न्यूवे-वेस्ट महत्व और एक मल्टीपल टेस्टिंग करेक्शन के माध्यम से चलाएँ, और यदि यह अभी भी खड़ा है, तो आपके पास कुछ ऐसा है जो अधिकांश रिटेल ट्रेडर अपने जीवन में कभी नहीं बनाते हैं। एक सिग्नल जिस पर आपने वास्तव में भरोसा करने का अधिकार अर्जित किया है।
लेकिन अंतिम सत्य को समझें। एक वास्तविक सिग्नल भी क्षय होता है। अल्फा बाजार अक्षमता में रहता है, और जिस क्षण एक सिग्नल ज्ञात और व्यापार होता है, व्यापार स्वयं अक्षमता को दूर धकेलता है। फैक्टर क्राउडिंग पर हाल के शोध से पता चलता है कि साधारण मोमेंटम जैसे यांत्रिक, आसानी से कॉपी किए जाने वाले सिग्नल, पूंजी के ढेर लगने पर एक तेज पूर्वानुमानित वक्र के साथ क्षय होते हैं, और यह कि एक बार ETF के माध्यम से फैक्टर इन्वेस्टिंग सस्ती हो जाने के बाद यह क्राउडिंग तेजी से बढ़ गई। सबसे सरल सिग्नल सबसे अधिक भीड़ वाले होते हैं और सबसे तेजी से मरते हैं। टिकाऊ एज उन सिग्नलों में रहती है जिन्हें बनाने में वास्तविक काम लगता है, और एक शोध प्रक्रिया में जो पुराने सिग्नल के क्षय होने से तेजी से नए सिग्नल उत्पन्न करती है। यही कारण है कि रेनेसां ने तीस वर्षों में एक भी दिन शोध करना बंद नहीं किया।
होमवर्क: एक सिग्नल लें जिस पर आप वर्तमान में विश्वास करते हैं। इसे अपने डेटा के सबसे हाल के 20 प्रतिशत पर चलाएँ, जिसे आप दिखावा करेंगे कि आपने कभी नहीं देखा। यदि अल्फा गायब हो जाता है, तो आपने अभी-अभी अपने आप को वास्तविक पैसे बचाए। यह सबसे मूल्यवान परीक्षण है जो आप कभी करेंगे।
भाग 6: आपने अभी क्या बनाया, शुरू से अंत तक
हर वास्तविक सिग्नल भीड़ बढ़ने पर क्षय होता है। अनुसंधान इंजन जो उन्हें बदलता है, वह वास्तविक एज है।
एक कदम पीछे हटें और पूरी मशीन को देखें जो अब आपके पास है, क्योंकि टुकड़े एक स्वच्छ पाइपलाइन में जुड़ते हैं।
आप एक कारक से शुरू करते हैं, कुछ भी जिसके बारे में आप मानते हैं कि इसमें भविष्य के रिटर्न के बारे में जानकारी है। आप अपनी परिसंपत्ति के रिटर्न को OLS के साथ उस कारक पर रिग्रेस करते हैं, हमेशा अवरोधन शामिल करते हैं, और वह अवरोधन आपका उम्मीदवार अल्फा है। आप एक मल्टी-फैक्टर रिग्रेशन में विस्तार करते हैं, ताकि आपका अल्फा ज्ञात जोखिम कारकों, बाजार, आकार, मूल्य, मोमेंटम को हटाने के बाद ही मापा जाए। अवरोधन में जो बचता है वह शुद्ध, अस्पष्टीकृत एज है।
फिर आप इससे पूछताछ करते हैं। आप p-मान पढ़ते हैं यह पूछने के लिए कि क्या यह भाग्य हो सकता है। आप आर्थिक समझ के लिए चिह्न की जाँच करते हैं। आप मोहक उच्च R-स्क्वेर्ड को अनदेखा करते हैं और छोटे ईमानदार का सम्मान करते हैं। आप डेटा पर आउट ऑफ सैंपल मान्य करते हैं जिसे मॉडल ने कभी नहीं छुआ है। आप कई अवधियों में इन्फॉर्मेशन कोएफिशिएंट की गणना करते हैं ताकि पुष्टि हो सके कि यह स्थिर है, एक बार का संयोग नहीं। आप न्यूवे-वेस्ट के साथ अपनी मानक त्रुटियों को सही करते हैं ताकि बाजारों की समय संरचना आपको मूर्ख न बनाए। और आप मल्टीपल टेस्टिंग करेक्शन लागू करते हैं ताकि आपके द्वारा आज़माए गए सिग्नलों की संख्या एक झूठे विजेता का निर्माण न कर सके।
जो दूसरी तरफ निकलता है वह अनुमान नहीं है। यह एक मापी गई एज, एक ज्ञात आत्मविश्वास स्तर, अदृश्य डेटा पर जीवित रहने का प्रमाण और इस बात का एक ईमानदार लेखा-जोखा वाला सिग्नल है कि यह वास्तविक होने की कितनी संभावना है। यह उस व्यक्ति के बीच का अंतर है जिसका मॉडल दो हफ्तों में मर जाता है और उस व्यक्ति के बीच जो कुछ ऐसा बनाता है जो टिकता है।
और यहाँ बताया गया है कि यह वास्तव में पैसे कैसे कमाता है। एक छोटी लेकिन वास्तविक और स्थिर एज वाला सिग्नल, जिसे कई स्वतंत्र अवसरों पर व्यापार किया जाता है, कंपाउंड होता है। रेनेसां बमुश्किल आधे से अधिक समय सही था और उसने इसे बाजार के इतिहास में सबसे बड़ी संपत्ति में बदल दिया, क्योंकि एज वास्तविक थी, यह दोहराने योग्य थी, और उन्होंने इसे भारी संख्या में दांव पर सही ढंग से आकार दिया। अब आप उसी ब्लूप्रिंट से काम कर रहे हैं। सिग्नल बनाएँ, साबित करें कि यह वास्तविक है, इसे समझदारी से आकार दें, और जैसे ही इसका IC कम होने लगे, इसे बदल दें।
वह प्रतिस्थापन लूप पूरा करियर है। एक सिग्नल एक ट्रेड है। एक शोध प्रक्रिया जो लगातार वास्तविक सिग्नल उत्पन्न करती है, उनके क्षय होने से तेजी से, एक फ्रैंचाइज़ी है।
सारांश
लीनियर रिग्रेशन वह उबाऊ उपकरण नहीं है जिसे आपने छोड़ दिया। यह आपके डेटा के माध्यम से सबसे अच्छी रेखा खींचता है, यह परिभाषित करता है कि अल्फा वास्तव में क्या है, यह आपका पहला वास्तविक सिग्नल बनाता है, यह परीक्षण करता है कि वह सिग्नल वास्तविक है या शोर, और यह आपको चेतावनी देता है जब सिग्नल मरना शुरू होता है।
अल्फा वह अवरोधन है जो प्रत्येक ज्ञात जोखिम कारक को हटाने के बाद बच जाता है। आप OLS के साथ एक उम्मीदवार बनाते हैं, पहले सिंगल फैक्टर, फिर मल्टी फैक्टर। आप एक शोधकर्ता की तरह आउटपुट पढ़ते हैं, जहाँ p-मान और स्थिरता रिटर्न के आकार से अधिक मायने रखती है। आप आउट ऑफ सैंपल वैलिडेशन, एक स्थिर इन्फॉर्मेशन कोएफिशिएंट, न्यूवे-वेस्ट एरर और आपके द्वारा आज़माए गए सिग्नलों की संख्या के लिए सुधार के साथ मल्टीपल टेस्टिंग ट्रैप से बचाव करते हैं। और आप स्वीकार करते हैं कि हर वास्तविक सिग्नल क्षय होता है, जिसका अर्थ है कि सच्ची एज शोध इंजन है, कोई एकल मॉडल नहीं। वही इंजन जिसने इतिहास का सबसे बड़ा फंड बनाया।
एक क्वांट जो 0.03 के शार्प और 0.62 के p-मान को घूर रहा है, वह बदकिस्मत नहीं है। उसने इस लेख में अनुशासन को छोड़ दिया। उसके जैसा मत बनो।
यहाँ वह प्रश्न है जिसके साथ मैं चाहता हूँ कि आप बैठें।
यदि वास्तविक अल्फा उस क्षण क्षय हो जाता है जब यह व्यापक रूप से ज्ञात हो जाता है, तो सिग्नल प्रकाशित करना इसे नष्ट कर देता है, जबकि सिग्नल को जमा करने का मतलब है कि यह अभी भी धीरे-धीरे मरता है क्योंकि अन्य इसे स्वतंत्र रूप से खोज लेते हैं।
तो टिकाऊ एज वास्तव में कहाँ से आती है? सिग्नल स्वयं, या शोध प्रक्रिया की गति जो उन्हें बदलती है?
आपका उत्तर बताता है कि क्या आप एक व्यापारी की तरह सोचते हैं जो एक बड़ी जीत का पीछा कर रहा है, या एक क्वांट की तरह जो एक ऐसी मशीन बना रहा है जो दशकों तक एज प्रिंट करती है।
अपना उत्तर टिप्पणियों में डालें। कोई गलत उत्तर नहीं है। लेकिन बहुत ही प्रकट करने वाले उत्तर हैं।
