양적 거래 전략을 수립할 때, 좀 더 진보된 방법을 사용하는 것이 더 좋을까요, 아니면 간단한 아이디어를 고수하는 것이 더 좋을까요?

양자 커뮤니티에서 오래 된 문제는 시스템 거래자가 간단한 양자 전략을 사용해야하는지 아니면 더 진보된 방법을 적용해야하는지입니다.

일반적으로, 소매 알고리즘 거래자는 더 간단한 전략을 사용하지만, 양자적 헤지펀드는 매우 복잡하고 수학적으로 복잡한 방법을 사용합니다. 그러나, 최근 상황은 바뀌었습니다.

소매 알고리즘 트레이더들은 이제 비교적 저렴한 클라우드 컴퓨팅, 저렴한 가격으로 사용하기 쉬운 데이터 세트의 대안 데이터 공급자 및 오픈 소스 연구 프레임워크를 통해 복잡한 분석을 수행할 수 있습니다.

이 글에서는, 소매 양적 분석가가 이러한 고급 전략을 실행하는 데 시간을 투자해야 하는지, 아니면 더 간단한 아이디어를 고수해야 하는지에 대해 논의할 것입니다.

투자자 선호

간단한 전략과 복잡한 전략의 장단점을 나열하기 전에, 각각의 방법의 상대적인 장단점을 어떻게 판단할 것인지에 대한 개요가 필요합니다.

중요한 문제 중 하나는 각 투자자가 자신의 특정 선호를 가지고 있기 때문에 시스템 거래를 통해 달성하려고하는 목표에 대한 목표 함수 을 가지고 있다는 것입니다.

예를 들어, 한 투자자는 거대한 자본 기반을 가지고 있지만, 이러한 자본에서 얻은 거래 수익을 정기적으로 인출해야 할 수 있습니다. 이러한 투자자에게는 손실을 최소화하기 위해 보증금이 중요합니다.

또 다른 투자자는 상대적으로 작은 자본 기반을 가지고 있으며, 단지 총 재산을 늘리는 데만 관심이 있을 수 있다. 더 큰 수익을 얻을 수 있다면, 전체적인 적당기자 순가치 곡선의 변동성은 덜 우려될 수 있다.

일부 양자 거래자들은 효과적인 시스템 거래 전략을 개발함으로써 얻을 수 있는 지적 자극을 더 중요하게 생각합니다. 그들은 실제로 긍정적인 수익을 얻는 것을 그들이 사랑하는 좋은 부작용으로 간주할 수 있습니다.

분명히, 투자자들은 많은 다른 선호를 가지고 있습니다. 이러한 측면은 더 고급적인 방법을 사용할지 여부를 결정하고 있는 소매 양적 분석가들을 위해 단순하고 복잡한 시스템 거래 전략에 대한 논의 프레임워크를 구축하는 데 도움이 됩니다.

간단한 전략은 더 쉽게 연구되고 시장에 배포됩니다. 그들은 덜 복잡한 데이터와 인프라를 필요로합니다. 신호 자체는 자동으로 생성되더라도 일부는 수동으로 수행 할 수 있습니다.

반면에 고급 전략은 지능적으로 더 많은 수익을 창출하며, 더 유리한 샤프 비율을 가지고 있습니다. 즉, 유닛 당 변동율에 대한 더 나은 기대 수익을 제공합니다. 샤프 비율은 손실과 변동성을 최소화하는 방법에 관심이있는 투자자에게 고려해야 할 중요한 지표가 될 것입니다.

이 글에서 우리는 간단한 조리법이 복잡한 조리법보다 더 낫는지에 대해 자세히 살펴볼 것입니다. 우리는 위의 동기와 다른 장단점을 염두에 두겠습니다.

간단한 거래 전략

트레이딩 전략이 단순화되는 것은 투자자의 교육 배경과 기술 능력에 크게 달려 있습니다. 무작위 미적분학 박사 학위를 가진 사람이 자기 학습된 소매 양적 분석가와 비교했을 때 단순화되는 정의는 매우 다를 수 있습니다.

이 문서의 경우, 거래 전략이 개발 된 시장에 적용되면, 큰 알려진 자산 범주에서, 기본적인 수학 또는 통계적 복잡성이있는 간단한 도구를 사용하여, 우리는 이것을 간단하게 정의합니다.

이러한 전략의 예는 기술 분석, 포트폴리오 구성이나 위험 관리 구성 요소가 없는 유동성 높은 시장인 주식, ETF 또는 외환 등에 적용된다.

간단한 전략의 장점은 다음과 같습니다.

• 데이터- 모든 시스템 거래 전략에는 데이터가 필요합니다. 간단한 전략은 일반적으로 정교한 자산 클래스에서 잘 거래되는 도구의 준비된 가격 / 거래량 데이터를 사용합니다. 이러한 데이터는 매우 저렴한 비용으로 또는 무료로 얻을 수 있습니다.
• 연구- 트레이드 스테이션이나 메타 트레이더 5와 같은 상용 제품에서 QSTrader, Backtrader 및 Zipline와 같은 오픈 소스 라이브러리, 심지어 Pandas과 같은 라이브러리까지 다양한 종류의 리터터 환경이 있습니다. 더 간단한 전략은 일반적으로 이러한 프레임 워크 중 하나에서 쉽게 구현 할 수 있습니다.
• 거래 비용- 선진하고 유동적인 시장에서 간단한 도구를 사용하기 때문에 거래 비용을 추정하는 것이 상대적으로 쉽습니다. 이것은 결과적으로 샘플에서 수익을 낼 수 있는지 여부를 결정하는 전략을 더 간단하게 만듭니다.
• 인프라- 낮은 주파수 실행 기술 분석 유형의 전략은 비교적 간단한 인프라를 통해 자동화 할 수 있습니다. 필요한 안정성 수준에 따라 cron 작업이 설정되어 필요한 거래 목록을 생성 할 수 있으며 수동으로 실행 할 수 있습니다.
• 용량- 또한, 유동성이 높은 시장에서 간단한 도구가 사용됨에 따라 용량 제한 문제가 발생할 가능성이 낮습니다.

그러나, 더 간단한 전략을 사용하는 데에는 단점도 있습니다:

• Alpha- 기술 분석 지표 전략은 금융 시장에서 매우 잘 알려져 있고 보편적입니다. 가장 간단한 전략이 기본 구매 및 보유 또는 동력에 기반한 전략적 자산 배열보다 더 가치있는지는 아직 명확하지 않습니다. 즉, 전략 자체는 알파을 생성하지 않고 시장 자체 또는 다른 잘 알려진 학술적 위험 요소에서 베타을 얻을 수 있습니다.
• 수익성- 이 방식이 보편적이기 때문에, 현실적인 거래 비용을 고려할 때, 샘플 외의 수익을 지속하는 것은 도전적일 수 있습니다. 그렇기 때문에 모든 재검토에서 거래 비용을 최대한 효과적으로 추정해야 합니다.
• 통계 테스트- 간단한 거래 전략의 문제가 아니지만, 일반적으로 간단한 전략에 대한 건전한 통계적 분석이 거의 또는 전혀 없습니다. 따라서, 이러한 전략의 많은 것들이 재검토에서 높은 성능을 나타낸 것은 샘플 내의 데이터에 대한 과도한 적합성 때문일 수 있습니다.
• 선택권- 수동으로 실행되는 간단한 전략은 그 과정에 재량적 요소를 적용하는 결과를 초래할 수 있습니다. 예를 들어, 바쁜 열기 시간 때문에 거래의 입력을 지연하거나, 직관적인 을 사용하여 거래를 뒤집습니다. 이것은 전략의 실제 성과를 확인하는 것을 도전적으로 만듭니다.
• 포트폴리오 구성- 간단한 전략은 일반적으로 어떤 튼튼한 포트폴리오 구축이나 위험 관리 기술을 사용하지 않습니다. 스톱 손실 이 자주 사용되기는 하지만, 거의 아무도 변동률 목표, 동등한 변동률 가중치 (또한 위험 평준화 이라고도 불리는) 또는 시장 간 다변화를 위험 조정 후 수익을 높이는 잠재적 장치로 사용하지 않습니다.
• 지능의 보상- 간단한 전략은 일반적으로 복잡한 수학이나 고급 분석을 사용하지 않습니다. 투자자의 목표가 지적 수익이라면 간단한 전략은 목표를 달성할 가능성이 없습니다.

보다 간단한 거래 전략이 더 쉽게 실행, 테스트 및 거래가 가능하지만, 이러한 단순성은 통계적 안정성과 장기적인 수익성을 희생하는 것으로 볼 수 있습니다.

고급 거래 전략

높은 수준의 전략은 통계적 가설 테스트, 광범위한 자산 클래스 분야의 지식, 엄격한 포트폴리오 구축 방법 및 유동성이 낮은, 틈새 자산 클래스 또는 신흥 시장, 상품 및 파생 상품과 같은 도구에 대한 전략을 포함합니다.

이러한 전략은 일반적으로 기관 수량화 헤지펀드의 영역이지만, 데이터의 가용성 및 더 나은 시뮬레이션 도구의 보급으로 인해 이러한 전략은 이제 소매 수량화 거래에서 점점 더 보편화되고 있습니다.

복잡한 전략의 장점은 다음과 같습니다.

• 관련성- 설계에 따라 고급 전략은 전체 시장과 다른 거래 전략으로 구성된 어떤 기존 포트폴리오와도 디자인적으로 관련이 낮습니다. 이것은 전체 포트폴리오의 더 높은 샤프 비율을 초래합니다.
• 수익성- 고급 영역 지식으로 거래 비용을 합리적으로 추정 할 수 있습니다. 이것은 일반적으로 전략이 샘플에서 수익을 낼 수 있는지 여부를 결정하는 것이 더 쉽다는 것을 의미합니다. 따라서 실시간 테스트 기간 전에 수익성이없는 많은 피드백 아이디어를 거부 할 수 있습니다.
• 통계 테스트- 엄격한 거래 전략의 통계 분석은 일반적으로 더 고급스러운 방법과 함께 수행됩니다. 이는 통계 분석이 일반적으로 더 고급스러운 방법과 함께 수행된다는 것을 의미합니다. 이는 샘플 내에서 과도하게 적합 할 수있는 간단한 전략에 비해 배치 된 전략이 표본 외부에서 성능이 떨어지는 비율이 작다는 것을 의미합니다.
• Alpha- 이 전략의 알파는 개발되지 않은 시장에서 독점 도구를 사용하기 때문에 더 큰 잠재력을 가지고 있습니다. 전략 지식이 시장 전체에 전파되는 속도가 낮기 때문에 이러한 알파는 더 느리게 쇠퇴합니다.
• 포트폴리오 구성- 포트폴리오 구축과 위험 관리는 더 진보된 방법과 함께 이루어집니다. 이것은 투자자의 목표와 전략적 성과와 일치하도록 돕습니다.
• 지능의 보상- 고급 전략은 더 복잡한 분석, 더 정교한 수학 지식, 더 광범위한 소프트웨어 개발이 필요합니다. 일부 아마추어 투자자들에게는 부를 창출하는 것보다 목표가 더 가깝습니다. 따라서 그들은 종종 더 복잡한 시스템 거래 방법에 끌립니다.

간단한 전략과 마찬가지로, 고급 전략에는 몇 가지 단점이 있습니다:

• 수학의 복잡성- 통계 분석, 시간 순서 분석, 무작위 미적분학 또는 기계 학습의 배경이 필요한 경우 더 고급 시스템 거래 방법을 처리합니다. 물론 이러한 지식은 스스로 배울 수 있지만, 학부 학위, MFE 및 / 또는 박사 학위를 통해 관련 지식을 얻는 것이 훨씬 쉽습니다.
• 전문지식- 여러 대학원 학위를 가지고 있더라도, 어떤 고급 시스템 거래 기술에서 지속적으로 알파를 생성하기 위해서는 여전히 유리한 자산 클래스 또는 도구 유형에 대한 합리적인 영역 지식이 필요합니다. 이러한 전문 지식은 일반적으로 은행이나 펀드의 특정 카운터에서 일하는 수년간의 경험으로 얻습니다.
• 데이터- 일반적으로 데이터 비용은 샘플링 빈도, 범위의 폭, 역사의 길이, 데이터 품질 및 자산 카테고리 / 도구의 특성에 따라 달라집니다. 고급 전략은 틈새 시장에 의존하여 알파를 생성합니다. 따라서 데이터는 매우 비싸 수 있습니다. 전략이 수익을 창출하려면 이러한 비용을 고려해야합니다.
• 연구- 전략이 더 복잡한 도구를 거래하는 경우, 전문적인 회귀 환경이 필요합니다. 이것은 일반적으로 처음부터 완전히 사용자 정의 된 코드를 개발하는 것을 의미합니다. 이것은 엄청난 시간 투자입니다. 또한 오류를 도입하지 않도록 광범위한 소프트웨어 엔지니어링 기술이 필요합니다.
• 인프라- 고도의 전략을 연구하기 위해 강력한 피드백 프레임워크를 구축하더라도, 거래하기 위해 복잡한 인프라가 필요합니다. 그것은 완전히 자동화 될 수 있습니다.
• 용량- 일부 고급 전략 방법은 용량 제한이 있기 때문에 효과적이지 않습니다. 대형 펀드는 이러한 전략을 거래 할 수 없습니다. 왜냐하면 시간 투자가 그들이 생산 할 수있는 절대적인 수익을 얻지 못하기 때문입니다. 이것은 고급 방법에 적용 할 수있는 자본의 상한이 있음을 의미합니다.

보시다시피, 고급 거래 전략은 더 많은 알파 기회와 잠재적으로 높은 수익을 제공하지만, 이는 더 복잡한 수학 지식, 필요한 전문 지식, 더 복잡한 자동 거래 인프라가 필요합니다.

요약하다

종합적으로 보면, 간단한 거래 전략은 시장에 더 빨리 진입할 수 있다는 것이 분명합니다. 그들은 훨씬 적은 전문 지식을 필요로하며, 신호는 자동으로 생성되어도 수동으로 실행할 수 있습니다. 그러나, 그들은 고도의 방법과 비교하여 과도하게 적합하고 수익성이 낮습니다.

복잡한 전략은 상관없는 알파, 합리적인 수익성 및 지적 보상을 제공합니다. 그러나 이는 더 높은 데이터 비용, 연구 및 거래 인프라를 개발하는 데 더 많은 시간과 더 깊은 교육 배경이 필요한 비용으로 발생합니다.

“전자 거래는 더 나은 방법” (simple-versus-advanced-systematic-trading-strategies-which-is-better) 라는 글의 본문입니다.