Quantopian ще бъде запомнен като невероятно усилие на малка група от мотивирани и изключително способни разработчици на платформи за масов източник на алфа в пространството за количествена търговия. Вложена е много упорита работа в разработването на платформа, където хиляди количествени търговци могат да кодират и тестват стратегии, надявайки се, че ще получат разпределение и в крайна сметка ще спечелят. Не проработи и в тази статия представям причините, довели до този неочакван провал според мен.

Провалът на Quantopian ме натъжи не защото използвах безплатната услуга и „софтуерът, който съм разработил“ за търсене на аномално поведение в пазарните ценови действия генерира код и за тази платформа. Провалът беше лош за количествената търговия като цяло, защото хората не разбират важните детайли, но го виждат като общ проблем.

Според мен някои от причините, включени в някои статии за провала на Quantopian, са валидни, но не са първични, а вторични. Например пристрастията към извличането на данни поради „повтарящи се изпитания“ и подслушване на данни не беше проблем само на Quantopian; това е проблем на всеки разработчик на количествена стратегия. След определен момент разликата между наличието на 100 000 потребители, всеки от които тества своите хипотези, или оставянето на алго за генетично програмиране да избере стратегия след тестване на един милиард комбинации от алтернативи, става несъществена. Това не е основната причина Quantopian да се провали. Това е причината всяко количество да се провали като цяло.

Нито липсата на опит беше проблем, който беше специфичен за Quantopian; почти всеки хедж фонд има този проблем, защото мнозина не разбират, че опитът и контекстът са необходими при създаването на печеливши стратегии за търговия и единственото използване на библиотеки на Python не решава този проблем.

По мое мнение имаше две основни причини за провала, които всеки количествен търговец трябва да разбира и избягва:

  1. Нереалистични цели и очаквания, съчетани с ограничения

Реалистичните цели и очаквания са резултат от опит и правилен анализ. Търговците трябва да разберат какво може да предложи пазарът по отношение на възвръщаемостта и как. Например, използването на пазарно неутрална капиталова стратегия/стратегия като хеджиране за осигуряване на известна изпъкналост на портфолио може да бъде полезно, ако стратегията работи добре, разбира се, но това не може да бъде източник на алфа, защото няма да вземете всяка алфа версия от такава стратегия в почти 90% от времето.

Quantopian разбра горното в края на играта. Поради техния процес за тестване на пазарната неутралност на стратегиите и строгите изисквания, грешката от тип II (фалшиви откази) беше висока и те пренебрегнаха много стратегии, които, въпреки че не бяха пазарно неутрални, можеха да генерират добра възвръщаемост.

В течение на последните две години (2019–2020 г.) нашата седмична дълга/къса стратегия за акции на Dow 30 генерира 20,4% годишна възвръщаемост със само 7,5% максимално усвояване (Отказ от отговорност: резултати, проверени назад.)

Quantopian не би използвал горната стратегия, защото тя не беше пазарно неутрална, тъй като коригира експозицията, за да се възползва от краткосрочната посока. Стратегията обаче имаше 72 дълги и 84 къси сделки през последните две години. Основният проблем е, че никога няма да разкрием начина, по който стратегията работи на никого, включително Quantopian. Нашите клиенти на DLPAL LS могат да генерират стратегическите сигнали, но алгоритъмът, който постига това, е патентован. За да приложим това в Quantopian, ще трябва да разкрием алгоритъма и никога няма да го направим.

2. Доверяване на грешни хора

Всички можем да направим грешката да се доверим на грешните хора. Quantopian беше мечтана платформа за много амбициозни кванти, но също и цел на някои комарджии, които така или иначе нямаха какво да губят, предлагайки своите умело пренастроени алгоритми, които преминаха проверката на „AlphaLens“.

Работих с разработчиците на Quantopian за период от около месец, за да генерирам функции, използвайки нашия софтуер DLPAL LS за акции на S&P 500, които след това те анализираха допълнително. Те бяха много компетентни хора с изключително учтиви маниери. Поради изчислителната сложност на задачата, първоначално генерирах функции за 500 акции за период от около година, които те след това тестваха и решиха, че трябва да продължа и да генерирам по-дълга история от 2007 г. насам. Имах няколко машини, работещи за няколко дни, за да изпълнят задачата само за да разберат, след като е направено, че са променили необходимия формат за функциите. Препоръчах им да вземат файловете със стария формат, който току-що бях генерирал, и да напишат скрипт, за да ги преформатират. Те така и не отговориха, тъй като беше обявено, че вече са предложили разпределение на няколко души и вероятно са били заети с разработка.

Имаше хора, за които от форумните дискусии беше очевидно, че имат почти нулев пазарен опит, въпреки че знаеха добре как да програмират на Python. Python и търговията далеч не са синоними. Един от най-успешните търговци, които познавах преди около 15 години, дори не погледна електронни котировки и нямаше акаунт с директен достъп до поръчки, а брокер с пълно обслужване. Той разглеждаше отварянето, високото, ниското и затварянето на деня в уебсайтове преди отварянето на пазара и след това се обаждаше на брокера, за да направи поръчки. Този човек вероятно е направил повече пари, отколкото няколко количествени фонда взети заедно. Защо? Просто защото човекът беше много опитен и фокусът му беше върху идентифицирането на победителите, а не върху избягването на софтуерни грешки.

Всъщност много количествени фондове са се представили по-зле от средностатистическия произволен търговец през последните две години. По-долу е симулация на 10 000 произволни търговци, които са използвали справедлива монета, за да открият дълга SPY ETF, ако главите се появят преди затварянето и след това обърнат позицията към къса, когато се появят опашки. Комисионната е определена на $0,01 на акция и капиталът е изцяло инвестиран. Периодът на симулация е 01/2019–12/2020.

Може да се види, че 42,7% от случайните търговци са реализирали печалба през последните две години (01/2019 до 12/2020) и дори 7,5% са направили повече от 55,2% възвръщаемост при покупка и задържане. Средната възвръщаемост е около -0,5%, но стандартното отклонение е много високо при 36,2%. Има някои доста нещастни, но и много щастливи случайни търговци. Разпределението е лептокуртично с 2,14 ексцес ексцес и изкривяването е положително при 1,1, което означава, че случайното търгуване на SPY ETF може да бъде по-възнаграждаващо от ходенето в казино. И все пак, някои количествени фондове не направиха пари и дори бяха затворени. Защо?

Доверяването на грешните хора може да бъде пагубно за успеха във всяко отношение и във всяка област. Обикновено добрите хора показват смирение и нисък профил, но грешните хора са агресивни, преувеличават квалификацията си и дори използват фирми за връзки с обществеността, за да повишат статуса си. Изборът на правилните хора може да направи разликата между това да сте в лявата или в дясната опашка на горното разпределение. За съжаление повечето компании са склонни да избират агресивното и помпозното, но не всички.

"За автора"