Alfa Sinyalleri Oluşturmak İçin Doğrusal Regresyon Nasıl Kullanılır (Kantitatif Çerçeve)

Lineer regresyonu kullanarak her işlemi nasıl kazanacağınızı, gerçek bir alfa sinyali oluşturmayı ve kazanan kodu tam olarak nasıl paylaşacağınızı adım adım anlatacağım.

Hemen konuya geçelim.

Bunu Kaydet

- Ben Roan, sistem tasarımı, HFT tarzı işlem yürütme ve niceliksel ticaret sistemleri üzerinde çalışan bir backend geliştiricisiyim. Çalışmalarım, tahmin piyasalarının yük altında nasıl davrandığına odaklanıyor. Herhangi bir öneri, düşünceli iş birliği veya ortaklık için DM'ler açık.

Her niceliksel analistin bu hikayenin bir versiyonu vardır.

Bir model üzerinde bir hafta harcarsınız. Geriye dönük test mükemmel görünür, öz sermaye eğrisi dimdik yukarıyı gösterir ve sonunda onu bulduğunuzu düşünürsünüz. Canlıya geçersiniz. İki hafta sonra para kaybediyordur ve nedenini bilmiyorsunuzdur.

Bu döngünün, herhangi bir piyasa çöküşünden daha fazla niceliksel analistin kariyerini bitirdiğini gördüm. Model hiçbir zaman gerçek değildi. Gürültü, sinyal kılığına girmişti. Ve tüm bu alandaki en değerli beceri, tek bir dolar riske atmadan önce bu ikisini birbirinden ayırmayı öğrenmektir.

Bu beceri, niceliksel finansta en hafife alınan araçla başlar.

Lineer regresyon.

Kulağa nasıl geldiğini biliyorum. Lineer regresyon, herkesin bir öğleden sonra öğrendiğini ve geçip gittiğini düşündüğü şeydir. Ama işte yıllarımı ve gerçek kayıplarımı alan şey, bunu anlamamdı. En üst düzey firmalarda milyarları yöneten insanlar, temel sinyallerinin çoğu için egzotik derin öğrenme canavarları kullanmıyorlar. Lineer regresyonu, çoğu insanın asla gitmediği kadar derinlemesine anlayarak ve çoğu insanın asla inşa etmediği bir disiplinle uygulayarak kullanıyorlar.

Tarihin en başarılı ticaret operasyonuna bakın.

Jim Simons, Renaissance Technologies'i tam da bu temel üzerine inşa etti. Medallion Fonu, 1988'den 2018'e kadar kabaca yıllık yüzde 66 brüt getiri ortalamasıyla, şimdiye kadar kaydedilen en iyi rekoru elde etti. Ve kendi ekibinin ifadesine göre, fon işlemlerinin yalnızca yaklaşık yüzde 50,75'inde haklıydı. Milyonlarca işlem boyunca bu jilet gibi ince kenar, 100 milyar dolardan fazla bir servete dönüştü. Geleceği tahmin etmiyorlardı. Bir gürültü okyanusundan küçük, gerçek, tekrarlanabilir bir sinyal çekiyorlardı; bu, regresyonun tam olarak yapmak için inşa edildiği şeydir.

Şu anda yaklaşık 179 milyar doları yöneten AQR, imparatorluğunu regresyon tabanlı faktör modelleri üzerine kurdu.

PDT Partners, tek bir kayıp yılı olmadan yıllarca istatistiksel arbitraj yürüttü.

Bu, size kimsenin öğretmediği lineer regresyon versiyonudur.

Bu makalenin sonunda, lineer regresyonun gerçekte ne olduğunu, alfanın gerçekte ne anlama geldiğini, sıfırdan gerçek kodla tek ve çok faktörlü bir sinyalin nasıl oluşturulacağını, bir kurumsal araştırmacı gibi regresyon çıktısının nasıl okunacağını, gerçek bir sinyali tesadüften ayıran kesin testleri ve gerçek bir sinyalin neden sonunda öldüğünü anlayacaksınız.

Not: Bu makale kasıtlı olarak uzundur ve her bölüm bir öncekinin üzerine inşa edilir. Canlı piyasalarda hayatta kalacak sinyaller oluşturma konusunda ciddiyseniz, her kelimeyi okuyun. Sihirli bir gösterge istiyorsanız, bu size göre değil.

Bölüm 1: Lineer Regresyon Gerçekte Nedir?

Lineer regresyon, tüm veri noktalarına aynı anda en yakın olan tek düz çizgiyi bulur.

Bir an için finansı unutun.

Lineer regresyon, bir nokta bulutu içinden en iyi düz çizgiyi çizmenin matematiğidir.

Ev büyüklüğünü ev fiyatına karşı grafiğe döktüğünüzü hayal edin. Daha büyük evler daha pahalıdır, bu nedenle noktalar yukarı doğru kayar. Lineer regresyon, tüm bu noktalara aynı anda en yakın olan tek düz çizgiyi bulur. Yeni bir evin büyüklüğünü girin ve tahmini fiyatını okuyun. Bütün fikir budur. Bir girdi ile bir çıktı arasındaki ilişkiyi öğrenen ve ardından bunu tahmin etmek için kullanan bir makinedir.

Andrew Ng, ünlü Stanford makine öğrenimi kursuna tam olarak bu ev fiyatı örneğiyle başlar, çünkü bu, var olan en basit öğrenme algoritmasıdır ve diğer her şeyin üzerine inşa edildiği temeldir.

Çizgi, okuldan bildiğiniz formüle sahiptir:

y = a + b x

Burada y tahmin ettiğiniz şey, x girdiniz, b eğim (y, x arttıkça ne kadar dik yükselir) ve a kesişim noktasıdır (x sıfır olduğunda y'nin değeri). En iyi a ve b'yi bulan yöntem, Sıradan En Küçük Kareler veya OLS'dir. OLS, olası her çizgi arasından, çizgi ile gerçek noktalar arasındaki karesel boşlukların toplamını mümkün olduğunca küçük yapanı seçer. Kareli olduğu için, yukarı ve aşağıdaki kaçırmaların ikisi de sayılır ve büyük kaçırmalar, küçük olanlardan çok daha fazla cezalandırılır.

Her şeyi birkaç satırda görebilirsiniz:

1import numpy as np
2import statsmodels.api as sm
3
4x = np.array([1400, 1600, 1700, 1875, 2350, 2450])   # ev büyüklüğü
5y = np.array([245, 312, 279, 308, 405, 324])          # bin cinsinden fiyat
6
7X = sm.add_constant(x)            # 'a' kesişim terimini ekler
8model = sm.OLS(y, X).fit()
9print(model.params)               # size a ve b'yi verir

Şimdi bunu piyasalara taşıyın. Ticarette, y'niz bir varlığın getirisi haline gelir ve x'iniz, bu getiriyi tahmin ettiğine inandığınız bir faktör haline gelir. Eğim, bu faktöre olan duyarlılığınız olur. Ve bu mütevazı kesişim noktası, a, niceliksel finansta en önemli sayı haline gelir. İşte nedeni.

Bölüm 2: Alfa Gerçekte Nedir?

Toplam getiri, piyasanın açıkladığı kısım olan beta ve piyasanın açıklayamadığı kısım olan alfa olarak ikiye ayrılır.

Çoğu yatırımcı alfa kelimesini kâr anlamında kullanır. Bu yanlıştır ve bu hata pahalıya mal olur.

Alfa, stratejinizin bilinen risk faktörlerine maruz kalma ile açıklanamayan kısmıdır. Bir yılda yüzde 20 kazandıysanız ancak piyasa da yüzde 20 kazandıysa, alfanız sıfırdır. Sadece beta tutuyordunuz, piyasa riskini üstlendiğiniz için topladığınız getiri. Dalgayı sürmek için ödeme aldınız, beceri için değil.

Bu ayrım tüm oyundur ve regresyon, bu ikisini ayıran bıçaktır. Temel model. t zamanındaki stratejinizin getirisi rₜ, bir taban çizgisi artı bir Xₜ faktörüne maruz kalma artı gürültüdür:

rₜ = α + β Xₜ + εₜ

Yavaşça okuyun. β, faktöre olan duyarlılığınızdır. Faktör piyasa ise beta, piyasa hareket ettiğinde ne kadar sert hareket ettiğinizi söyler. εₜ rastgele gürültüdür, hiçbir faktörün açıklamadığı kısımdır. Ve α, kesişim noktası, faktör hiçbir şeye katkıda bulunmadığında ortalama olarak kazandığınız getiridir.

Bu kesişim noktası tüm ödüldür. Bilinen her risk faktörünü ayıkladıktan sonra stratejiniz hala pozitif, istatistiksel olarak anlamlı bir alfa gösteriyorsa, gerçek bir şey buldunuz. Faktörleri hesaba kattığınız anda alfa kayboluyorsa, hiçbir zaman avantajınız olmamıştı. Dahi kılığına girmiş gizli betaydı.

Michael Jensen, 1968'de yatırım fonu yöneticilerinin gerçekten piyasayı yenip yenemeyeceğini test ettiğinde beceriyi ilk kez bu şekilde çerçeveledi. Bu tam regresyonu çalıştırdı ve tek bir soru sordu. Kesişim noktası sıfırdan farklı mı? Neredeyse altmış yıl sonra, kurumsal performans hala bu şekilde değerlendiriliyor. Buna Jensen'in alfası denir ve disiplinin temel taşıdır.

**Bu nedenle, bir sinyal oluştururken işiniz asla ham getiriyi maksimize etmek değildir.

İşiniz, bilinen faktörler ortadan kalktıktan sonra hayatta kalan pozitif bir kesişim noktası üretmektir. Bunu aklınızda tutun. Geri kalan her şey buna hizmet eder.**

Bölüm 3: İlk Sinyalinizi Sıfırdan Oluşturmak

Gerçek bir sinyal, alfayı yalnızca bilinen her faktör ayıklandıktan sonra ölçer.

En basit gerçek modeli oluşturalım, ardından onu kurumsal sınıfa yükseltelim. Bir varlığın getirisinin kısmen bir faktör tarafından tahmin edilebileceğini varsayalım. İlgili bir varlığın önceki getirisi, bir momentum ölçüsü, bir değer metriği. Tek faktörlü regresyon şudur:

rₜ = α + β Xₜ + εₜ

Python'da bu bir avuç satırdır ve kesişim noktası asla atlamamanız gereken kısımdır:

1import statsmodels.api as sm
2
3# X sizin faktör seriniz, y açıklamak istediğiniz varlık getirisi
4X = sm.add_constant(X)        # BU satır alfa kesişiminizi oluşturur
5model = sm.OLS(y, X).fit()
6print(model.summary())

Bu add_constant satırı bir formalite değildir. Alfa teriminizi oluşturan satırdır. Unutursanız, çizgiyi sıfırdan geçmeye zorlar ve tüm çıktıdaki en önemli sayıyı çöpe atarsınız.

Ancak gerçek dünya asla tek faktörlü değildir. Ciddi bir sinyal, aynı anda birçok etkiyi hesaba katar. Bu, çok faktörlü modeldir:

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

Her beta artık diğer tüm faktörleri sabit tutarken kendi faktörünün etkisini ölçer. Diğerlerini sabit tutmak ifadesi, regresyonun sessiz süper gücüdür. Her faktörün benzersiz katkısını izole eder ve örtüşmeyi ortadan kaldırır. Strateji getirilerinizi yerleşik faktörlere (piyasa, büyüklük, değer, momentum) karşı regrese ettiğinizde, bu kesişim noktasında kalan alfa, avantajınızın bilinen faktörlerin hiçbirinin açıklayamadığı dilimdir.

1import statsmodels.api as sm
2
3# factors bir DataFrame, her sütun bir faktör, getiriler y ile hizalanmış
4X = sm.add_constant(factors)
5model = sm.OLS(y, X).fit()
6
7alpha   = model.params['const']     # aday avantajınız
8p_alpha = model.pvalues['const']    # ne kadar güveneceğiniz
9print("Alfa:", round(alpha, 5))
10print("Alfa p-değeri:", round(p_alpha, 4))

Bu artık kesişim noktası, aday sinyalinizdir. Buradan itibaren her şey, bunun gerçek olup olmadığını kanıtlamakla ilgilidir.

Çoğu kamuya açık eğitimin tam olarak burada durduğu ve kurumsal çalışmanın aslında başladığı yer burasıdır. Faktör oluşturma, nötralizasyon, ham bir sinyali işlem yapılabilir bir portföye dönüştüren ağırlıklandırma şemaları. AQR gibi bir firmanın bu regresyonları tam olarak nasıl canlı bir faktör portföyüne dönüştürdüğünü görmek istiyorsanız, işte bu dökümü sonuna kadar götürdüğüm yer.

Bölüm 4: Çıktıyı Bir Kurumsal Araştırmacı Gibi Okumak

Profesyonel, getirinin ne kadar büyük olduğunu sormaz. Bunun bir kaza olmadığına ne kadar güvendiğini sorar.

Bu özeti çalıştırdığınızda, çoğu kişi bir sayıya bakar ve geçer. Eğitimli bir araştırmacı onu bir tanı raporu gibi okur. İşte gerçekten önemli olan şey.

Katsayı ve işareti. Her beta, yön ve güç verir. Herhangi bir sayıya güvenmeden önce, işaretin ekonomik olarak mantıklı olup olmadığını sorun. Modeliniz, bir şey daha pahalıyken satın almayı söylüyorsa ve nedenini açıklayamıyorsanız, bir faktör değil, bir tesadüf buldunuz.

P-değeri. Bu her şeyin kalbidir. Tek bir soruyu yanıtlar. Bu faktörün gerçekten hiçbir etkisi olmasaydı, bu kadar güçlü bir ilişkiyi tamamen şans eseri görme olasılığım ne olurdu? 0.62'lik bir p-değeri, rastgele şansa baktığınıza dair yüzde 62 olasılık anlamına gelir. 0.05'in altı, bir sonucu ciddiye almak için geleneksel çıtadır. 0.62 p-değeriyle başarısız bir modele bakan bir niceliksel analist, zayıf bir sinyale bakmıyordur. Saf gürültüye bakıyordur.

R-kare. Modelinizin açıkladığı getiri varyasyonunun oranı ve işte yeni başlayanları ters köşeye yatıran kısım. Getiri tahmininde yüksek bir R-kare genellikle bir kupa değil, bir uyarıdır. Gerçek getiri sinyalleri zayıftır. 0.01 veya 0.02'lik bir R-kare, kalıcı ve gerçekse inanılmaz derecede karlı olabilir. Bir getiri tahmininde 0.9 görüyorsanız, neredeyse kesinlikle ileriye dönük yanlılığınız vardır veya yanlışlıkla bir şeyi kendi üzerine regrese ediyorsunuzdur.

t-istatistiği. Katsayının standart hatasına bölümü. Kaba bir kural, mutlak değerde 2'nin üzerindeki bir t-istatistiğinin 0.05 eşiğine karşılık gelmesidir. Ciddi araştırmacılar, yeni bir sinyal için 3 veya daha yükseğini talep eder, çünkü bundan önce sessizce kaç tane sinyali test ettiklerini bilirler.

Tüm tabloyu okumak yerine bunları doğrudan çekebilirsiniz:

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

Değişimi içselleştirin. Acemi, getirinin ne kadar büyük olduğunu sorar. Profesyonel, bu getirinin bir kaza olmadığına ne kadar güvendiğimi sorar. Sorudaki bu tek değişiklik, tüm farktır.

Bölüm 5: Gerçek Sinyali Gürültüden Ayıran Testler ve Sinyaller Neden Ölür?

Her adayı aynı çileden geçirin. Neredeyse hiçbir şey hayatta kalmaz ve mesele de budur.

İşte acımasız gerçek. Yeterince rastgele sinyali test ederseniz, bazıları tamamen şans eseri karlı görünecektir. 0.05 seviyesinde 100 işe yaramaz sinyali test edin, yaklaşık 5'i sırf şans eseri geçecektir. Bu çoklu test sorunudur ve geriye dönük testlerin yalan söylemesinin bir numaralı nedenidir. İşte ciddi masaların buna karşı nasıl savunduğu.

Örneklem dışı test. Bir sinyali asla üzerinde inşa ettiğiniz verilerle yargılamayın. Geçmişinizi bölün. İlk kısımda inşa edin, modelin daha önce hiç görmediği bir kısımda test edin. Gerçek bir sinyal geçişten sağ çıkar. Uydurulmuş bir fantezi, taze verilerle karşılaştığı anda çöker. Tartışmasız.

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)          # görülmemiş veriler üzerinde test

Bilgi Katsayısı (IC). Kurumsal faktör araştırmacıları nadiren tek bir regresyona bağlı kalır veya ölür. IC'yi, bir faktörün değeri ile gerçek ileriye dönük getiri arasındaki korelasyonu, zaman içinde tekrar tekrar hesaplarlar. Ortalama IC'si kabaca 0.03 ila 0.05'in üzerinde olan ve birçok dönem boyunca istikrarlı kalan bir faktör, tek bir muhteşem geriye dönük teste sahip olandan her zaman daha iyidir. Rejimler arası istikrar, gerçek ipucudur.

Newey-West standart hataları. Finansal veriler, temel bir OLS varsayımını bozar çünkü getiriler ve oynaklık zaman içinde kümelenir. Ham p-değerleri yalan söyler, genellikle sinyalinizi pohpohlar. Newey-West, standart hatalarınızı bunun için düzeltir. Bunu kullanmak, ne yaptığını bilen birini sessizce işaretler.

1# Newey-West düzeltilmiş anlamlılık, kurumsal varsayılan
2model = sm.OLS(y, X).fit(cov_type='HAC', cov_kwds={'maxlags': 5})
3print(model.summary())

Çoklu test düzeltmesi. 50 sinyal denediyseniz, kazananı normal çıtaya karşı yargılayamazsınız. Basit savunma Bonferroni'dir, eşiğinizi test ettiğiniz şeylerin sayısına bölmek. 50 sinyal mi denediniz? 0.05 değil, 0.001'in altında bir p-değeri talep edin. Acımasızdır ve mesele de budur. Kaç kez balığa çıktığınız konusunda dürüst olmaya zorlar.

Bir adayı örneklem dışı doğrulama, istikrarlı bir IC, Newey-West anlamlılığı ve bir çoklu test düzeltmesinden geçirin ve hala ayaktaysa, çoğu perakende yatırımcının hayatında asla üretmediği bir şeye sahipsiniz. Güvenmeyi gerçekten hak ettiğiniz bir sinyal.

Ancak nihai gerçeği anlayın. Gerçek bir sinyal bile bozulur. Alfa, piyasa verimsizliğinde yaşar ve bir sinyal bilinir ve işlem görür görmez, işlemin kendisi verimsizliği uzaklaştırır. Faktör kalabalıklaşması üzerine yapılan son araştırmalar, basit momentum gibi mekanik, kolayca kopyalanabilir sinyallerin, sermaye biriktikçe keskin, tahmin edilebilir bir eğri boyunca bozulduğunu ve bu kalabalıklaşmanın, faktör yatırımı ETF'ler aracılığıyla ucuz hale geldiğinde keskin bir şekilde hızlandığını gösteriyor. En basit sinyaller en kalabalık olanlardır ve en hızlı ölürler. Dayanıklı avantaj, inşa edilmesi gerçek iş gerektiren sinyallerde ve eskileri aşındığından daha hızlı yenilerini üreten bir araştırma sürecinde yaşar. Bu nedenle Renaissance, otuz yıl boyunca tek bir gün bile araştırmayı bırakmadı.

Ödev: Şu anda inandığınız bir sinyali alın. Verilerinizin en son yüzde 20'sinde (daha önce hiç görmediğinizi varsayacağınız) çalıştırın. Alfa kaybolursa, az önce gerçek para kurtardınız. Bu, şimdiye kadar yapacağınız en değerli testtir.

Bölüm 6: Az Önce Ne İnşa Ettiniz, Baştan Sona

Kalabalıklaştıkça her gerçek sinyal aşınır. Onların yerini alan araştırma motoru, asıl avantajdır.

Geri adım atın ve şimdi sahip olduğunuz tam makineye bakın, çünkü parçalar tek bir temiz boru hattına bağlanır.

Bir faktörle başlarsınız, gelecekteki getiriler hakkında bilgi taşıdığına inandığınız herhangi bir şey. Varlığınızın getirilerini OLS ile bu faktöre karşı regrese edersiniz, her zaman kesişim noktasını dahil edersiniz ve bu kesişim noktası aday alfanızdır. Çok faktörlü bir regresyona genişletirsiniz, böylece alfanız yalnızca bilinen risk faktörleri (piyasa, büyüklük, değer, momentum) ayıklandıktan sonra ölçülür. Kesişim noktasında kalan saf, açıklanamayan avantajdır.

Sonra onu sorgularsınız. Şans eseri olup olamayacağını sormak için p-değerini okursunuz. Ekonomik mantık için işareti kontrol edersiniz. Baştan çıkarıcı yüksek R-karesini görmezden gelir ve küçük, dürüst olanına saygı duyarsınız. Modelin daha önce hiç dokunmadığı veriler üzerinde örneklem dışı doğrulama yaparsınız. Bir kerelik tesadüf değil, istikrarlı olduğunu doğrulamak için Bilgi Katsayısını birçok dönem boyunca hesaplarsınız. Standart hatalarınızı Newey-West ile düzeltirsiniz, böylece piyasaların zaman yapısı sizi kandırmaz. Ve denediğiniz sinyallerin sayısının sahte bir kazanan üretememesi için çoklu test düzeltmesi uygularsınız.

Diğer taraftan çıkan şey bir tahmin değildir. Ölçülmüş bir avantaja, bilinen bir güven seviyesine, görülmemiş verilerde hayatta kaldığına dair kanıta ve gerçek olma olasılığının dürüst bir muhasebesine sahip bir sinyaldir. Modeli iki hafta içinde ölen kişi ile dayanan bir şey inşa eden kişi arasındaki fark budur.

Ve işte gerçekte nasıl para kazandırır. Küçük ama gerçek ve istikrarlı bir avantaja sahip, birçok bağımsız fırsat arasında işlem gören bir sinyal, bileşik getiri sağlar. Renaissance, zamanın yarısından biraz fazlasında haklıydı ve bunu piyasa tarihinin en büyük servetine dönüştürdü, çünkü avantaj gerçekti, tekrarlanabilirdi ve çok sayıda bahis arasında doğru şekilde boyutlandırmışlardı. Şimdi aynı plan üzerinde çalışıyorsunuz. Sinyali oluşturun, gerçek olduğunu kanıtlayın, mantıklı bir şekilde boyutlandırın ve IC'si solmaya başlar başlamaz değiştirin.

Bu değiştirme döngüsü, tüm kariyerdir. Bir sinyal bir işlemdir. Aşındıklarından daha hızlı bir şekilde gerçek sinyaller üretmeye devam eden bir araştırma süreci bir imtiyazdır.

Özet

Lineer regresyon, atladığınız sıkıcı araç değildir. Verilerinizdeki en iyi çizgiyi çizer, alfanın gerçekte ne olduğunu tanımlar, ilk gerçek sinyalinizi oluşturur, bu sinyalin gerçek mi yoksa gürültü mü olduğunu test eder ve sinyal ölmeye başladığında sizi uyarır.

Alfa, bilinen her risk faktörü kaldırıldıktan sonra hayatta kalan kesişim noktasıdır. Önce tek faktörlü, sonra çok faktörlü olmak üzere OLS ile bir aday oluşturursunuz. Çıktıyı bir araştırmacı gibi okursunuz, burada p-değeri ve istikrar, getirinin büyüklüğünden daha önemlidir. Örneklem dışı doğrulama, istikrarlı bir Bilgi Katsayısı, Newey-West hataları ve kaç tane sinyal denediğinize dair bir düzeltme ile çoklu test tuzağına karşı savunma yaparsınız. Ve her gerçek sinyalin bozulduğunu kabul edersiniz; bu, gerçek avantajın herhangi bir tek model değil, araştırma motoru olduğu anlamına gelir. Tarihin en büyük fonunu inşa eden aynı motor.

Sharpe'ı 0.03 ve p-değeri 0.62 olan bir niceliksel analiste bakan kişi şanssız değildir. Bu makaledeki disiplini atlamıştır. O olmayın.

İşte üzerinde düşünmenizi istediğim soru.

Gerçek alfa, yaygın olarak bilinir hale gelir gelmez bozuluyorsa, bir sinyali yayınlamak onu yok ederken, bir sinyali saklamak, başkaları bağımsız olarak keşfettikçe hala yavaşça öldüğü anlamına geliyorsa.

O halde dayanıklı avantaj aslında nereden gelir? Sinyallerin kendisinden mi, yoksa onların yerini alan araştırma sürecinin hızından mı?

Cevabınız, büyük bir kazancın peşinde koşan bir yatırımcı gibi mi yoksa onlarca yıl boyunca avantaj basan bir makine inşa eden bir niceliksel analist gibi mi düşündüğünüzü ortaya çıkarır.

Cevabınızı yorumlara bırakın. Yanlış cevap yoktur. Ancak çok açıklayıcı olanlar vardır.