Tôi sẽ phân tích cách sử dụng hồi quy tuyến tính để thắng mọi giao dịch, xây dựng một tín hiệu alpha thực sự và chia sẻ mã chiến thắng chính xác.
Hãy đi thẳng vào vấn đề.
Đánh dấu bài viết này
- Tôi là Roan, một lập trình viên backend làm việc về thiết kế hệ thống, thực thi theo phong cách HFT và hệ thống giao dịch định lượng. Công việc của tôi tập trung vào cách thị trường dự đoán hoạt động dưới tải. Với bất kỳ đề xuất nào, sự hợp tác chu đáo, quan hệ đối tác, các DM đều mở.
Mọi nhà định lượng đều có một phiên bản của câu chuyện này.
Bạn dành một tuần cho một mô hình. Kết quả backtest trông hoàn hảo, đường cong vốn chủ sở hữu chỉ thẳng lên và bạn nghĩ cuối cùng mình đã tìm ra nó. Bạn đưa nó vào thực tế. Hai tuần sau, nó thua lỗ và bạn không biết tại sao.
Tôi đã thấy chu kỳ này kết thúc nhiều sự nghiệp định lượng hơn bất kỳ vụ sụp đổ thị trường nào. Mô hình chưa bao giờ là thật. Nó chỉ là nhiễu được ngụy trang thành tín hiệu. Và kỹ năng có giá trị nhất trong toàn bộ lĩnh vực này là học cách phân biệt hai thứ đó trước khi bạn mạo hiểm một đồng nào.
Kỹ năng đó bắt đầu với công cụ bị đánh giá thấp nhất trong tài chính định lượng.
Hồi quy tuyến tính.
Tôi biết điều đó nghe như thế nào. Hồi quy tuyến tính là thứ mà mọi người nghĩ rằng họ đã học trong một buổi chiều và bỏ qua. Nhưng đây là điều đã khiến tôi mất nhiều năm và những mất mát thực sự để hiểu. Những người quản lý hàng tỷ đô la tại các công ty hàng đầu không sử dụng những quái vật học sâu kỳ lạ cho hầu hết các tín hiệu cốt lõi của họ. Họ sử dụng hồi quy tuyến tính, được hiểu sâu hơn nhiều so với hầu hết mọi người từng đi, được áp dụng với một kỷ luật mà hầu hết mọi người không bao giờ xây dựng được.
Hãy nhìn vào hoạt động giao dịch thành công nhất trong lịch sử.
Jim Simons đã xây dựng Renaissance Technologies trên nền tảng chính xác này. Quỹ Medallion của ông đạt lợi nhuận gộp trung bình hàng năm khoảng 66% từ năm 1988 đến năm 2018, thành tích tốt nhất từng được ghi nhận. Và theo lời kể của chính nhóm của ông, quỹ này chỉ đúng trong khoảng 50,75% các giao dịch. Qua hàng triệu giao dịch, lợi thế mỏng như dao cạo đó đã nhân lên thành hơn 100 tỷ đô la. Họ không dự đoán tương lai. Họ đang kéo một tín hiệu nhỏ, thực sự, có thể lặp lại ra khỏi một đại dương nhiễu, chính xác là những gì hồi quy được xây dựng để làm.
AQR, hiện đang quản lý khoảng 179 tỷ đô la, đã xây dựng đế chế của mình dựa trên các mô hình yếu tố dựa trên hồi quy.
PDT Partners đã chạy chênh lệch thống kê trong nhiều năm mà không có một năm thua lỗ nào.
Đây là phiên bản của hồi quy tuyến tính mà không ai dạy bạn.
Đến cuối bài viết này, bạn sẽ hiểu hồi quy tuyến tính thực sự là gì, alpha thực sự có nghĩa là gì, cách xây dựng tín hiệu đơn yếu tố và đa yếu tố từ đầu với mã thực tế, cách đọc đầu ra hồi quy như một nhà nghiên cứu tổ chức, các bài kiểm tra chính xác để phân biệt tín hiệu thực với sự trùng hợp ngẫu nhiên và tại sao ngay cả một tín hiệu thực cuối cùng cũng chết.
Lưu ý: Bài viết này cố tình dài và mọi phần đều xây dựng dựa trên phần trước đó. Nếu bạn nghiêm túc về việc xây dựng các tín hiệu tồn tại trên thị trường thực, hãy đọc từng chữ một. Nếu bạn muốn một chỉ báo thần kỳ, bài viết này không dành cho bạn.
Phần 1: Hồi Quy Tuyến Tính Thực Sự Là Gì
Hồi quy tuyến tính tìm ra một đường thẳng duy nhất nằm gần nhất với tất cả các điểm dữ liệu cùng một lúc.
Hãy tạm quên tài chính một chút.
Hồi quy tuyến tính chỉ là phép toán vẽ đường thẳng tốt nhất qua một đám mây các chấm.
Hãy tưởng tượng vẽ biểu đồ kích thước nhà so với giá nhà. Nhà càng lớn thì càng đắt, vì vậy các chấm di chuyển lên trên. Hồi quy tuyến tính tìm ra một đường thẳng duy nhất nằm gần nhất với tất cả các chấm đó cùng một lúc. Nhập vào kích thước của một ngôi nhà mới và bạn đọc được giá dự đoán của nó. Đó là toàn bộ ý tưởng. Nó là một cỗ máy học mối quan hệ giữa đầu vào và đầu ra, sau đó sử dụng nó để dự đoán.
Andrew Ng mở đầu khóa học học máy nổi tiếng của mình tại Stanford với ví dụ về giá nhà chính xác này, bởi vì nó là thuật toán học đơn giản nhất và là nền tảng mà mọi thứ khác xây dựng dựa trên.
Đường thẳng có công thức mà bạn đã biết từ thời đi học:
y = a + b x
Ở đây y là những gì bạn dự đoán, x là đầu vào của bạn, b là độ dốc, mức độ dốc của y khi x tăng lên, và a là điểm chặn, giá trị của y khi x bằng không. Phương pháp tìm ra a và b tốt nhất là Bình phương Tối thiểu Thông thường, hay OLS. Trong số mọi đường thẳng có thể, OLS chọn đường thẳng làm cho tổng bình phương khoảng cách giữa đường thẳng và các chấm thực tế là nhỏ nhất. Bình phương, vì vậy các sai lệch ở trên và dưới đều được tính, và các sai lệch lớn bị phạt nặng hơn nhiều so với các sai lệch nhỏ.
Bạn có thể thấy toàn bộ điều này trong một vài dòng:
1import numpy as np2import statsmodels.api as sm34x = np.array([1400, 1600, 1700, 1875, 2350, 2450]) # kích thước nhà5y = np.array([245, 312, 279, 308, 405, 324]) # giá tính bằng nghìn67X = sm.add_constant(x) # thêm số hạng chặn 'a'8model = sm.OLS(y, X).fit()9print(model.params) # trả về a và b
Bây giờ hãy đưa nó vào thị trường. Trong giao dịch, y của bạn trở thành lợi nhuận của một tài sản, và x của bạn trở thành một yếu tố mà bạn tin là dự đoán được lợi nhuận đó. Độ dốc trở thành độ nhạy của bạn với yếu tố đó. Và điểm chặn khiêm tốn đó, a, trở thành con số quan trọng nhất trong tài chính định lượng. Đây là lý do tại sao.
Phần 2: Alpha Thực Sự Là Gì
Tổng lợi nhuận được chia thành beta, phần mà thị trường giải thích, và alpha, phần mà nó không thể giải thích.
Hầu hết các nhà giao dịch sử dụng từ alpha để chỉ lợi nhuận. Điều đó là sai, và sai lầm đó rất đắt giá.
Alpha là lợi nhuận mà chiến lược của bạn tạo ra mà không thể giải thích được bằng mức độ tiếp xúc với các yếu tố rủi ro đã biết. Nếu bạn kiếm được 20% trong một năm nhưng thị trường cũng kiếm được 20%, alpha của bạn bằng không. Bạn chỉ đang nắm giữ beta, lợi nhuận bạn thu được khi chấp nhận rủi ro thị trường. Bạn được trả tiền cho việc cưỡi sóng, chứ không phải cho kỹ năng.
Sự khác biệt này là toàn bộ trò chơi, và hồi quy là lưỡi dao phân tách hai thứ đó. Mô hình nền tảng. Lợi nhuận của chiến lược của bạn tại thời điểm t, được viết là rₜ, là một đường cơ sở cộng với mức độ tiếp xúc của nó với một yếu tố Xₜ cộng với nhiễu:
rₜ = α + β Xₜ + εₜ
Đọc nó một cách chậm rãi. β là độ nhạy của bạn với yếu tố. Nếu yếu tố là thị trường, beta cho biết bạn di chuyển mạnh như thế nào khi thị trường di chuyển. εₜ là nhiễu ngẫu nhiên, phần mà không yếu tố nào giải thích được. Và α, điểm chặn, là lợi nhuận bạn kiếm được trung bình khi yếu tố đó không đóng góp gì.
Điểm chặn đó là toàn bộ giải thưởng. Nếu sau khi loại bỏ mọi yếu tố rủi ro đã biết, chiến lược của bạn vẫn cho thấy alpha dương và có ý nghĩa thống kê, bạn đã tìm ra thứ gì đó thực sự. Nếu alpha biến mất ngay khi bạn tính đến các yếu tố, bạn chưa bao giờ có lợi thế. Bạn đã có beta được ngụy trang thành thiên tài.
Michael Jensen lần đầu tiên đóng khung kỹ năng theo cách này vào năm 1968 khi ông kiểm tra xem các nhà quản lý quỹ tương hỗ có thực sự đánh bại thị trường hay không. Ông đã chạy hồi quy chính xác này và đặt một câu hỏi. Điểm chặn có khác không không? Gần sáu mươi năm sau, đây vẫn là cách mà hiệu suất của tổ chức được đánh giá. Nó được gọi là alpha của Jensen, và nó là nền tảng của kỷ luật này.
**Vì vậy, khi bạn xây dựng một tín hiệu, công việc của bạn không bao giờ là tối đa hóa lợi nhuận thô.
Đó là tạo ra một điểm chặn dương tồn tại sau khi các yếu tố đã biết biến mất. Hãy giữ điều đó. Mọi thứ khác đều phục vụ nó.**
Phần 3: Xây Dựng Tín Hiệu Đầu Tiên Của Bạn Từ Đầu
Một tín hiệu thực sự chỉ đo lường alpha sau khi mọi yếu tố đã biết đã được loại bỏ.
Hãy xây dựng mô hình thực tế đơn giản nhất, sau đó nâng cấp lên cấp độ tổ chức. Giả sử bạn tin rằng lợi nhuận của một tài sản có thể được dự đoán một phần bởi một yếu tố. Lợi nhuận trước đó của một tài sản liên quan, một thước đo động lượng, một thước đo giá trị. Hồi quy đơn yếu tố là:
rₜ = α + β Xₜ + εₜ
Trong Python, nó chỉ là một vài dòng, và điểm chặn là phần bạn không bao giờ được bỏ qua:
1import statsmodels.api as sm23# X là chuỗi yếu tố của bạn, y là lợi nhuận tài sản bạn muốn giải thích4X = sm.add_constant(X) # Dòng này tạo ra điểm chặn alpha của bạn5model = sm.OLS(y, X).fit()6print(model.summary())
Dòng add_constant đó không phải là một hình thức. Nó là dòng tạo ra số hạng alpha của bạn. Quên nó đi và bạn buộc đường thẳng đi qua điểm không, vứt bỏ con số quan trọng nhất trong toàn bộ đầu ra.
Nhưng thế giới thực không bao giờ chỉ có một yếu tố. Một tín hiệu nghiêm túc phải tính đến nhiều ảnh hưởng cùng một lúc. Đó là mô hình đa yếu tố:
rₜ = α + β₁X₁ₜ + β₂X₂ₜ + ... + βₖXₖₜ + εₜ
Mỗi beta bây giờ đo lường tác động của yếu tố riêng của nó trong khi giữ tất cả các yếu tố khác không đổi. Cụm từ đó, giữ các yếu tố khác không đổi, là siêu năng lực thầm lặng của hồi quy. Nó cô lập đóng góp duy nhất của mỗi yếu tố và loại bỏ sự chồng chéo. Khi bạn hồi quy lợi nhuận chiến lược của mình dựa trên các yếu tố đã được thiết lập, thị trường, quy mô, giá trị, động lượng, bất kỳ alpha nào còn lại trong điểm chặn đó là phần lợi thế của bạn mà không yếu tố đã biết nào có thể giải thích được.
1import statsmodels.api as sm23# factors là một DataFrame, mỗi cột một yếu tố, căn chỉnh với lợi nhuận y4X = sm.add_constant(factors)5model = sm.OLS(y, X).fit()67alpha = model.params['const'] # lợi thế ứng viên của bạn8p_alpha = model.pvalues['const'] # mức độ tin tưởng9print("Alpha:", round(alpha, 5))10print("Alpha p-value:", round(p_alpha, 4))
Phần dư thừa đó là tín hiệu ứng viên của bạn. Mọi thứ từ đây là về việc chứng minh nó có thật hay không.
Đây chính xác là nơi hầu hết các hướng dẫn công khai dừng lại, và là nơi công việc của tổ chức thực sự bắt đầu. Việc xây dựng yếu tố, trung hòa, các sơ đồ trọng số biến một tín hiệu thô thành một danh mục đầu tư có thể giao dịch. Nếu bạn muốn xem chính xác cách một công ty như AQR biến các hồi quy này thành một danh mục yếu tố trực tiếp, thì sự phân tích đó là nơi tôi đưa nó đi đến tận cùng.
Phần 4: Đọc Đầu Ra Như Một Nhà Nghiên Cứu Tổ Chức
Chuyên gia không hỏi lợi nhuận lớn như thế nào. Họ hỏi họ tự tin đến mức nào rằng nó không phải là một tai nạn.
Khi bạn chạy bản tóm tắt đó, hầu hết mọi người liếc nhìn một con số và bỏ qua. Một nhà nghiên cứu được đào tạo đọc nó như một báo cáo chẩn đoán. Đây là những gì thực sự quan trọng.
Hệ số và dấu của nó. Mỗi beta cho biết hướng và sức mạnh. Trước khi tin tưởng bất kỳ con số nào, hãy tự hỏi liệu dấu hiệu có ý nghĩa kinh tế hay không. Nếu mô hình của bạn nói mua khi một thứ gì đó đắt hơn và bạn không thể giải thích tại sao, bạn đã tìm thấy một sự trùng hợp ngẫu nhiên, không phải một yếu tố.
Giá trị p. Đây là trái tim của mọi thứ. Nó trả lời một câu hỏi. Nếu yếu tố này thực sự không có tác dụng, khả năng tôi thấy một mối quan hệ mạnh mẽ như thế này chỉ do ngẫu nhiên là bao nhiêu? Giá trị p là 0,62 có nghĩa là 62% khả năng bạn đang nhìn vào sự may mắn ngẫu nhiên. Dưới 0,05 là ngưỡng thông thường để xem xét một kết quả một cách nghiêm túc. Một nhà định lượng nhìn vào một mô hình thất bại với giá trị p là 0,62 không phải đang nhìn vào một tín hiệu yếu. Anh ta đang nhìn vào nhiễu thuần túy.
R bình phương. Phần biến động lợi nhuận mà mô hình của bạn giải thích, và đây là phần khiến người mới bắt đầu bối rối. Trong dự đoán lợi nhuận, R bình phương cao thường là một cảnh báo, không phải là một chiến tích. Các tín hiệu lợi nhuận thực sự là yếu. R bình phương 0,01 hoặc 0,02 có thể cực kỳ sinh lời nếu nó nhất quán và thực sự. Nếu bạn thấy 0,9 trong dự đoán lợi nhuận, bạn gần như chắc chắn có độ chệch nhìn về phía trước hoặc bạn đang vô tình hồi quy một thứ gì đó dựa trên chính nó.
Thống kê t. Hệ số chia cho sai số chuẩn của nó. Một quy tắc chung là thống kê t trên 2 về giá trị tuyệt đối khớp với ngưỡng 0,05. Các nhà nghiên cứu nghiêm túc yêu cầu 3 hoặc cao hơn cho một tín hiệu hoàn toàn mới, chính xác bởi vì họ biết có bao nhiêu tín hiệu họ đã âm thầm kiểm tra trước tín hiệu này.
Bạn có thể trích xuất trực tiếp những giá trị này thay vì đọc toàn bộ bảng:
1print("t-stats:\n", model.tvalues)2print("p-values:\n", model.pvalues)3print("R-squared:", round(model.rsquared, 4))
Hãy thấm nhuần sự thay đổi. Người mới hỏi lợi nhuận lớn như thế nào. Chuyên gia hỏi tôi tự tin đến mức nào rằng lợi nhuận này không phải là một tai nạn. Một thay đổi duy nhất trong câu hỏi đó là toàn bộ sự khác biệt.
Phần 5: Các Bài Kiểm Tra Phân Tách Tín Hiệu Thực Khỏi Nhiễu, và Tại Sao Tín Hiệu Chết
Chạy mọi ứng viên qua cùng một thử thách. Hầu như không có gì sống sót, và đó là vấn đề.
Đây là sự thật tàn bạo. Nếu bạn kiểm tra đủ các tín hiệu ngẫu nhiên, một số sẽ trông có lợi nhuận chỉ do ngẫu nhiên. Kiểm tra 100 tín hiệu vô dụng ở mức 0,05 và khoảng 5 sẽ vượt qua chỉ nhờ may mắn. Đây là vấn đề kiểm tra bội và nó là lý do số một khiến các backtest nói dối. Đây là cách các bàn giao dịch nghiêm túc bảo vệ chống lại nó.
Kiểm tra ngoài mẫu. Không bao giờ đánh giá một tín hiệu trên dữ liệu bạn đã xây dựng nó. Chia lịch sử của bạn. Xây dựng trên phần đầu tiên, kiểm tra trên một phần mà mô hình chưa từng thấy. Một tín hiệu thực sự tồn tại khi vượt qua ranh giới. Một tưởng tượng được khớp nối sụp đổ ngay khi nó gặp dữ liệu mới. Không thể thương lượng.
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) # kiểm tra trên dữ liệu chưa thấy
Hệ số Thông tin (IC). Các nhà nghiên cứu yếu tố của tổ chức hiếm khi sống hay chết chỉ dựa trên một hồi quy. Họ tính toán IC, mối tương quan giữa giá trị của một yếu tố và lợi nhuận thực tế trong tương lai, lặp đi lặp lại theo thời gian. Một yếu tố có IC trung bình trên khoảng 0,03 đến 0,05 và ổn định qua nhiều giai đoạn sẽ đánh bại một yếu tố có một backtest đẹp đẽ duy nhất mọi lúc. Sự ổn định qua các chế độ thị trường là dấu hiệu thực sự.
Sai số chuẩn Newey-West. Dữ liệu tài chính phá vỡ một giả định OLS cốt lõi vì lợi nhuận và biến động tập trung theo thời gian. Các giá trị p thô sẽ nói dối, thường là tô vẽ cho tín hiệu của bạn. Newey-West điều chỉnh sai số chuẩn của bạn cho điều này. Sử dụng nó một cách âm thầm đánh dấu một người biết họ đang làm gì.
1# Ý nghĩa thống kê được điều chỉnh Newey-West, mặc định của tổ chức2model = sm.OLS(y, X).fit(cov_type='HAC', cov_kwds={'maxlags': 5})3print(model.summary())
Hiệu chỉnh kiểm tra bội. Nếu bạn đã thử 50 tín hiệu, bạn không thể đánh giá người chiến thắng dựa trên ngưỡng thông thường. Biện pháp bảo vệ đơn giản là Bonferroni, chia ngưỡng của bạn cho số lượng thứ bạn đã thử. Đã thử 50 tín hiệu? Yêu cầu giá trị p dưới 0,001, không phải 0,05. Nó tàn bạo, và đó là vấn đề. Nó buộc sự trung thực về số lần bạn đã đi câu cá.
Chạy một ứng viên qua xác nhận ngoài mẫu, IC ổn định, ý nghĩa thống kê Newey-West và hiệu chỉnh kiểm tra bội, và nếu nó vẫn đứng vững, bạn có một thứ mà hầu hết các nhà giao dịch bán lẻ không bao giờ tạo ra trong đời. Một tín hiệu mà bạn thực sự xứng đáng để tin tưởng.
Nhưng hãy hiểu sự thật cuối cùng. Ngay cả một tín hiệu thực sự cũng suy giảm. Alpha sống trong sự kém hiệu quả của thị trường, và ngay khi một tín hiệu được biết đến và giao dịch, bản thân việc giao dịch sẽ đẩy sự kém hiệu quả đó đi xa. Nghiên cứu gần đây về sự tập trung yếu tố cho thấy các tín hiệu cơ học, dễ sao chép như động lượng đơn giản suy giảm theo một đường cong dự đoán được, sắc nét khi vốn đổ vào, và sự tập trung này đã tăng tốc mạnh mẽ một khi đầu tư yếu tố trở nên rẻ thông qua các ETF. Các tín hiệu đơn giản nhất là những tín hiệu tập trung nhất và chết nhanh nhất. Lợi thế bền vững sống trong các tín hiệu đòi hỏi công việc thực sự để xây dựng, và trong một quy trình nghiên cứu tạo ra các tín hiệu mới nhanh hơn tốc độ các tín hiệu cũ bị xói mòn. Đó là lý do tại sao Renaissance chưa bao giờ ngừng nghiên cứu trong một ngày duy nhất trong ba mươi năm.
Bài tập về nhà: Lấy một tín hiệu mà bạn hiện đang tin tưởng. Chạy nó trên 20% dữ liệu gần đây nhất, mà bạn sẽ giả vờ chưa bao giờ thấy. Nếu alpha biến mất, bạn vừa tự cứu mình một khoản tiền thực sự. Đó là bài kiểm tra có giá trị nhất mà bạn sẽ từng chạy.
Phần 6: Những Gì Bạn Vừa Xây Dựng, Từ Đầu Đến Cuối
Mọi tín hiệu thực sự đều bị xói mòn khi nó trở nên đông đúc. Cỗ máy nghiên cứu thay thế chúng mới là lợi thế thực sự.
Hãy lùi lại và nhìn vào toàn bộ cỗ máy bạn hiện có, bởi vì các mảnh ghép kết nối thành một đường ống sạch sẽ.
Bạn bắt đầu với một yếu tố, bất cứ thứ gì bạn tin rằng mang thông tin về lợi nhuận trong tương lai. Bạn hồi quy lợi nhuận tài sản của mình dựa trên yếu tố đó với OLS, luôn bao gồm điểm chặn, và điểm chặn đó là alpha ứng viên của bạn. Bạn mở rộng thành hồi quy đa yếu tố để alpha của bạn chỉ được đo lường sau khi các yếu tố rủi ro đã biết, thị trường, quy mô, giá trị, động lượng, đã được loại bỏ. Những gì còn lại trong điểm chặn là lợi thế thuần túy, không giải thích được.
Sau đó, bạn chất vấn nó. Bạn đọc giá trị p để hỏi liệu nó có thể là may mắn hay không. Bạn kiểm tra dấu hiệu để xem có ý nghĩa kinh tế. Bạn bỏ qua R bình phương cao quyến rũ và tôn trọng R bình phương nhỏ nhưng trung thực. Bạn xác nhận ngoài mẫu trên dữ liệu mà mô hình chưa từng chạm đến. Bạn tính toán Hệ số Thông tin qua nhiều giai đoạn để xác nhận nó ổn định, không phải là một sự trùng hợp ngẫu nhiên một lần. Bạn điều chỉnh sai số chuẩn của mình với Newey-West để cấu trúc thời gian của thị trường không đánh lừa bạn. Và bạn áp dụng hiệu chỉnh kiểm tra bội để số lượng tín hiệu bạn đã thử không thể tạo ra một người chiến thắng giả tạo.
Những gì đi ra ở phía bên kia không phải là một phỏng đoán. Đó là một tín hiệu với lợi thế được đo lường, một mức độ tin cậy đã biết, bằng chứng nó tồn tại trên dữ liệu chưa thấy và một sự hạch toán trung thực về khả năng nó có thật. Đó là sự khác biệt giữa người có mô hình chết trong hai tuần và người xây dựng một thứ gì đó tồn tại.
Và đây là cách nó thực sự kiếm tiền. Một tín hiệu với lợi thế nhỏ nhưng chân thực và ổn định, được giao dịch qua nhiều cơ hội độc lập, sẽ nhân lên. Renaissance đã đúng chỉ hơn một nửa thời gian và biến điều đó thành khối tài sản lớn nhất trong lịch sử thị trường, bởi vì lợi thế là có thật, nó có thể lặp lại, và họ đã định cỡ nó một cách hợp lý qua vô số cược. Bây giờ bạn đang làm việc từ cùng một bản thiết kế. Xây dựng tín hiệu, chứng minh nó có thật, định cỡ nó một cách hợp lý và thay thế nó ngay khi IC của nó bắt đầu mờ dần.
Vòng lặp thay thế đó là toàn bộ sự nghiệp. Một tín hiệu là một giao dịch. Một quy trình nghiên cứu liên tục tạo ra các tín hiệu thực sự nhanh hơn tốc độ chúng suy giảm là một thương hiệu.
Tổng Kết
Hồi quy tuyến tính không phải là công cụ nhàm chán mà bạn đã bỏ qua. Nó vẽ đường thẳng tốt nhất qua dữ liệu của bạn, nó định nghĩa alpha thực sự là gì, nó xây dựng tín hiệu thực sự đầu tiên của bạn, nó kiểm tra xem tín hiệu đó là thật hay nhiễu, và nó cảnh báo bạn khi tín hiệu bắt đầu chết.
Alpha là điểm chặn tồn tại sau khi mọi yếu tố rủi ro đã biết bị loại bỏ. Bạn xây dựng một ứng viên với OLS, đơn yếu tố trước, sau đó đa yếu tố. Bạn đọc đầu ra như một nhà nghiên cứu, nơi giá trị p và sự ổn định quan trọng hơn kích thước của lợi nhuận. Bạn bảo vệ chống lại bẫy kiểm tra bội bằng xác nhận ngoài mẫu, Hệ số Thông tin ổn định, sai số Newey-West và hiệu chỉnh cho số lượng tín hiệu bạn đã thử. Và bạn chấp nhận rằng mọi tín hiệu thực sự đều suy giảm, điều đó có nghĩa là lợi thế thực sự là cỗ máy nghiên cứu, không phải bất kỳ mô hình đơn lẻ nào. Cùng một cỗ máy đã xây dựng nên quỹ vĩ đại nhất trong lịch sử.
Nhà định lượng nhìn chằm chằm vào Sharpe 0,03 và giá trị p 0,62 không phải là không may mắn. Anh ta đã bỏ qua kỷ luật trong bài viết này. Đừng trở thành anh ta.
Đây là câu hỏi tôi muốn bạn suy ngẫm.
Nếu alpha thực sự suy giảm ngay khi nó được biết đến rộng rãi, thì việc công bố một tín hiệu sẽ phá hủy nó, trong khi việc giấu kín một tín hiệu có nghĩa là nó vẫn từ từ chết khi những người khác độc lập khám phá ra nó.
Vậy lợi thế bền vững thực sự đến từ đâu? Bản thân các tín hiệu, hay tốc độ của quy trình nghiên cứu thay thế chúng?
Câu trả lời của bạn tiết lộ liệu bạn có suy nghĩ như một nhà giao dịch đuổi theo một chiến thắng lớn, hay như một nhà định lượng xây dựng một cỗ máy in lợi thế trong nhiều thập kỷ.
Hãy để lại câu trả lời của bạn trong phần bình luận. Không có câu trả lời sai. Nhưng có những câu trả lời rất tiết lộ.
