Alphas A Quantitative Approach

Machine Translated by Google
2
Перспективы Альфа
Исследовать
Джеффри Лопрет
В сфере финансов альфа — это мера превышения доходности инвестиций по сравнению

с подходящим эталоном, таким как рыночный или отраслевой индекс. В индустрии
количественного управления инвестициями и в этой книге термин «альфа» относится
к модели, используемой для прогнозирования цен или доходности финансовых
инструментов относительно эталонного показателя.
Точнее, альфа — это функция, которая принимает в качестве входных данных данные,
которые, как ожидается, будут иметь отношение к прогнозированию будущих цен, и
выходные значения, соответствующие прогнозируемым ценам каждого инструмента
в его вселенной прогнозов, относительно эталонного показателя. Альфа может быть
выражена в виде алгоритма и реализована на компьютерном языке, таком как C++,
Python или любом количестве альтернативных современных или классических языков
программирования.
Попытки прогнозировать рынки предшествовали цифровой эпохе и появлению
компьютеров на Уолл-стрит. Например, в своем трактате по экономической философии
1688 года « Замешательство путаницы» биржевой оператор и писатель Жозеф Пенсо
де ла Вега описал принципы оценки сложных деривативов и методы спекуляции на
Амстердамской фондовой бирже. Двести лет спустя в серии статей Чарльз Доу
(соучредитель компании Dow Jones & Co., издающей The Wall Street Journal)
систематизировал некоторые основные принципы построения графиков и технического
анализа. Его работы представляют собой один из первых зарегистрированных
примеров применения систематического рыночного прогнозирования, но инвесторам
пришлось ждать до 1980-х годов, чтобы доступные вычислительные мощности
появились на сцене Уолл-стрит и изменили парадигму моделирования: вместо
карандаша и бумаги Основными инструментами проектирования и их оборудованием
стали компьютеры и цифровые данные.
В поисках Альфы: А Количественный подход к Построение торговых стратегий, Второе издание. Под редакцией Игоря Тульчинского и др. а
Виртуальный исследовательский центр WorldQuant.
© 2020 Тульчинский и др., Виртуальный исследовательский центр WorldQuant. Опубликовано John Wiley & Sons, Ltd. в 2020 г.
8 Поиск Альф
PHDS НА УЛИЦЕ
До 1960-х годов все или почти все бэк-офисные процессы, в частности расчеты
по запасам, выполнялись вручную. Потребовалось беспрецедентное увеличение
объемов торговли акциями, наблюдавшееся в конце 1960-х годов (в период с
1965 по 1968 год ежедневный объем акций Нью-Йоркской фондовой биржи
увеличился с 5 миллионов до 12 миллионов), а также сопутствующие «пробки»
в обработке торговых операций. из-за использования ручного и бумажного
учета внедрение компьютеров стало необходимостью для бизнеса. К 1970-м
годам Уолл-стрит оцифровала свои бэк-офисы. В течение нескольких лет
компьютеры и программируемые устройства стали повсюду на улице, играя
важную роль во всех уголках финансовой индустрии.
Появление вычислительных машин на торговых площадках крупных фирм с

Уолл-стрит позволило ранее неразрешимым проблемам оценки – установлению
цен на опционы и другие деривативы, а также прогнозированию цен на основе
баз данных цифровых данных – стать практически разрешимыми. Но
формулировка проблем таким образом, чтобы новые машины могли их решить,
требовала нового типа оператора рынка, который исторически не был частью
экосистемы продаж и трейдинга: докторов наук и других аналитически
мыслящих людей, а не традиционных материалов Уолл-стрит. , стали
востребованными участниками этой новой и модернизированной версии
торгового зала.
НОВАЯ ПРОМЫШЛЕННОСТЬ
Одним из первых, кто применил компьютерные инвестиционные методы для

использования систематических альф, был Джеймс Саймонс, удостоенный
наград математик и бывший заведующий кафедрой математики в Университете
Стоуни-Брук. В 1982 году Саймонс основал Renaissance Technologies, компанию
со штаб-квартирой в Восточном Сетокете, штат Нью-Йорк, которая стала известна
благодаря успешному внедрению систематических рыночно-нейтральных
стратегий. Шесть лет спустя бывший профессор информатики Колумбийского
университета Дэвид Шоу основал компанию DE Shaw & Co. в Нью-Йорке. Шоу
проработал два года в Morgan Stanley, в составе группы, задачей которой была
разработка алгоритмов прогнозирования акций с использованием исторических данных о це
За ними последовали и другие, либо внутри банков и брокерских компаний в составе
частных торговых групп, либо в хедж-фондах, управляющих объединенными деньгами инвесторов.
Перспективы альфа-исследований 9
Со временем количественное рыночно-нейтральное инвестирование стало известно как

масштабируемая и надежная инвестиционная стратегия, которая особенно хорошо
зарекомендовала себя во время краха рынка доткомов в начале 2000-х годов.
По мере роста индустрии хедж-фондов увеличивалось и распределение капитала
инвесторов на количественные инвестиционные стратегии. По оценкам, по состоянию на
январь 2018 года около трети совокупных активов индустрии хедж-фондов управлялось с
использованием методов систематического инвестирования либо фирмами,
занимающимися количественным инвестированием, такими как WorldQuant, либо
многостратегическими хедж-фондами, которые инвестируют часть по данным The Financial
Times, их активы в количественном подходе. Нерешительность, которую инвесторы
проявляли в 1990-х и начале 2000-х годов по отношению к тому, что часто
пренебрежительно называли стратегиями «черного ящика», постепенно пошла на убыль,
поскольку послужной список этих стратегий стал соответствовать показателям других
инвестиционных подходов. Вполне возможно, что количественные инвестиционные
стратегии, которые подчеркивают использование технологий – посредством алгоритмов,
искусственного интеллекта и машинного обучения – выигрывают от растущего комфорта
общества в автоматизации и замены человеческих посредников машинами с растущим
уровнем свободы действий. Инвестирование посредством моделирования и
интеллектуальной обработки данных не кажется таким уж сложным делом спустя 40 лет
после запуска первых систематических хедж-фондов.
Тем не менее, путь к тому, чтобы количественное инвестирование стало общепринятой

стратегией, не был прямым. Квантовый кризис 2007 года нанес особый удар по
уверенности инвесторов и участников в способности количественного инвестирования
приносить надежную долгосрочную прибыль с поправкой на риск: в августе того же года
паника на рынке побудила большое количество квантовых фондов ликвидироваться.
свои позиции за короткий период времени, что привело к беспрецедентной просадке и
заставило некоторых участников и инвесторов отправиться к выходу, что было
равносильно паническому бегству.
За этим периодом в следующем году последовал глобальный финансовый кризис,
который снова привел к значительной волатильности доходности инвестиций. 2000-е
годы сопровождались рядом структурных рыночных изменений: от перехода на
десятичную систему к росту биржевых фондов. Этот период также продемонстрировал
гибкость и устойчивость количественного инвестиционного подхода и показал, что
количественные операторы, разрабатывающие альфа-прогнозы, смогли адаптироваться
к новой рыночной среде, внедрять инновации и в конечном итоге оставаться актуальными.
В следующем разделе мы более подробно рассмотрим альфы, определяющие

количественные стратегии, описанные выше.
СТАТИСТИЧЕСКИЙ АРБИТРАЖ
Термин «статистический арбитраж» (stat arb) иногда используется для описания

торговой стратегии, основанной на монетизации систематических прогнозов цен, или
альф. В отличие от чистого арбитража, когда безрисковая прибыль может быть
получена путем одновременной покупки и продажи корзины активов, стратегия
статистического арбитража направлена на использование взаимосвязей между ценами
активов, которые оцениваются с использованием исторических данных. Поскольку
методы оценки несовершенны, а точные взаимосвязи между активами неизвестны и
бесконечно сложны, прибыль от стратегии статистического арбитража неопределенна.
Он подвержен ошибкам оценки, переоснащению, неполной информации и изменениям
в динамике рынка, которые могут привести к исчезновению предыдущих отношений.
Тем не менее, цель практикующего специалиста состоит в том, чтобы посредством
анализа данных и проверки статистических гипотез обнаружить, какие отношения
действительны и заслуживают распределения капитала, а какие являются фиктивными
и могут привести к созданию богадельни.
В поисках законных взаимосвязей между ценами на активы научная литература
была и остается важным источником идей. Например, работа финансовых экономистов
над моделью ценообразования капитальных активов (CAPM, целью которой является
разложение доходности акций на ее рыночную составляющую и идиосинкразическую
составляющую) и ее деривативов породила огромный многолетний поиск доказательств
того, что и/или или опровергнуть его достоверность и усилить его объяснительную
силу с помощью дополнительных факторов. Первые исследования CAPM были
опубликованы в 1960-е годы (например, статья Уильяма Шарпа 1964 года «Цены на
капитальные активы: теория рыночного равновесия в условиях риска»), а дебаты
продолжались и в 1990-е годы (например, Юджин Фама и Кеннет Френч). «Разрез
ожидаемой доходности акций»). При сканировании журнала The Journal of Finance в
2018 году была обнаружена как минимум одна статья на тему ценообразования на
факторы («Интерпретация факторных моделей», авторы: Сергей Козак, Стефан Нагель
и Шрихари Сантош).
Но академические модели, даже если они обеспечивают основу для прикладных

исследований, часто неполны или основаны на предположениях, несовместимых с
реальными рынками, на которых работают трейдеры. В результате успешное
применение таких моделей может оказаться затруднительным или невозможным. Это
наблюдение применимо не только к моделям финансовой экономики, но и к моделям
из области эконометрики, прикладной статистики (например, анализа временных
рядов и машинного обучения или регрессии), а также исследования и оптимизации
операций. Например, многие регрессионные модели
обычно оцениваются на основе минимизации среднеквадратических ошибок для

удобства вычислений. Но среднеквадратическая ошибка не обязательно является
целью, которую трейдеры ставят перед собой в своих стратегиях статистического
арбитража – они могут быть больше заинтересованы в создании стабильного денежного
потока и управлении риском снижения этого денежного потока. Простота цели
среднеквадратической ошибки — это компромисс с ее полезностью. Альтернативы
возможны, но попадают в сферу коммерческой тайны, которую количественные
инвестиционные компании разрабатывают самостоятельно и хранят при себе, никогда
не публикуя, а вместо этого передавая от количественного специалиста к
количественному, образуя основу глубокого институционального пула знаний, который
защита – в интересах фирмы.
СУЩЕСТВОВАНИЕ АЛЬФ
Мы могли бы спорить о том, должны ли вообще существовать альфы и стратегии

статистического арбитража. Фактически, научная литература по финансовой экономике
исчерпывающе рассмотрела эту проблему, классифицируя рынки, природу информации
и то, как она влияет на цены, и делая выводы, основанные на различных предположениях
о рынках, об участниках рынка и уровне их рациональности. и как участники
взаимодействуют и обрабатывают информацию. Термин «гипотеза эффективного
рынка» (ГЭМ) иногда используется для описания теории, согласно которой рыночные
цены отражают всю доступную информацию. EMH получил известность в 1960-х годах,
и с тех пор эмпирические исследования цен и эффективности управляющих активами
подтвердили идею о том, что рынок достаточно эффективен, чтобы сделать невозможным
определить, обусловлены ли результаты деятельности топ-менеджеров активами чем-
либо, кроме удача. Теория также подразумевает, что поиск полезных моделей цен и
других форм общедоступных данных не приведет к разработке стратегий, в которых
инвесторы могут быть уверены со статистической точки зрения.
Следствием EMH является то, что цены будут меняться в процессе, неотличимом от
случайного блуждания. Однако другая отрасль финансовой экономики попыталась
опровергнуть EMH. Поведенческая экономика изучает несовершенства рынка,
возникающие в результате психологических особенностей инвесторов или когнитивных
предубеждений. Несовершенства на финансовых рынках могут быть вызваны
чрезмерной самоуверенностью, чрезмерной реакцией или другими дефектами в том,
как люди обрабатывают информацию. Эмпирические исследования, направленные на
опровержение EMH, возможно, дали неоднозначные результаты, но если бы ни один инвестор не сдел
Чтобы получить и проанализировать информацию, цены не будут отражать всю

доступную информацию, и рынок не будет эффективным. Но затем
в свою очередь, привлечет заинтересованных в прибыли инвесторов для решения

проблемы анализа информации и торговли на ее основе. Таким образом, со временем
некоторые инвесторы должны получить прибыль от анализа информации.
Даже если мы сможем привести аргументы в пользу существования альф при
различных стилизованных предположениях, детали предсказания в реальном мире
сложны. Прогноз с низкой точностью или прогноз, который оценивает слабое изменение
цены, может быть неинтересен с точки зрения практика. Рынки представляют собой
совокупность намерений людей, на которые влияют изменяющиеся технологии,
макроэкономическая реальность, регулирование и благосостояние – и это делает бизнес
прогнозирования более сложным, чем кажется на первый взгляд. Следовательно, для
моделирования рынков инвесторам необходимо четкое понимание экзогенных
переменных, влияющих на цены финансовых инструментов. Это задача, с которой
сталкиваются рыночные прогнозисты и трейдеры-алгоритмы, движимые ожиданием
того, что они будут вознаграждены за свои усилия и за умение решать сложные задачи.
ВЫПОЛНЕНИЕ
Альфа-версии обычно реализуются на языке программирования, например C++, Python

или другом гибком и современном языке. При реализации на языке программирования
альфа — это функция, которая принимает данные и выводит прогноз цены каждого
инструмента в тестируемой вселенной. Простейшими формами данных являются
текущие и исторические цены.
Другие часто используемые данные включают объемы и другие рыночные данные,
переменные учета в отчетах о доходах или движении денежных средств компании,
заголовки новостей и записи, связанные с социальными сетями. Качество данных
является важной проблемой в процессе альфа-исследований. Смещение исторических
данных может сделать невозможным калибровку точных моделей. Постоянные проблемы
с данными, такие как технические проблемы, человеческие ошибки, неожиданные
данные об изменениях покрытия и т. д., могут подорвать прогнозирующую способность модели.
Прогнозирование будущей цены финансового инструмента является сложной
проблемой. Например, чтобы спрогнозировать цену акции, котирующейся на NYSE, в
следующем месяце, исследователю необходимо понимать не только (1) уникальные
особенности этой акции, но также (2) что движет отраслью, которой принадлежат эти
акции. и, в конечном счете, (3) что движет рынком котируемых акций в целом, то есть
мировой экономикой. Сложность проблемы можно значительно снизить, сосредоточив
внимание на относительных
Цены; например, вместо того, чтобы пытаться предсказать абсолютную цену акции
XYZ, вы можете попытаться предсказать цену акции XYZ относительно других акций
в отрасли XYZ. Уменьшив масштаб проблемы, (2) и (3) можно игнорировать. На
практике инвесторы могут попытаться монетизировать такие прогнозы
относительной стоимости с помощью нейтральных к рынку инвестиционных стратегий.
ОЦЕНКА
Что такое хорошая альфа? Не существует единого показателя, который мог бы

ответить на этот вопрос. Ответ частично зависит от того, как будет использоваться
альфа. Некоторые инвестиционные стратегии требуют очень сильных прогнозистов;
другие лишь незначительно выигрывают от слабых стран. Вот несколько советов
по альфа-оценке:
• Хорошая производительность внутри выборки не гарантирует хорошую производительность вне выборки.
производительность.
• Выбросы могут разрушить модель и привести к ошибочным прогнозам.

• Принципы проверки множественных гипотез предполагают, что чем больше
усилий затрачивается на анализ фактических данных и чем больше
рассматривается альтернатив, тем ниже вероятность выбора оптимальной модели.
• Период вне выборки необходим для проверки прогнозирующей способности
модели. Чем дольше период вне выборки, тем выше уверенность в модели, но
тем меньше данных внутри выборки доступно для калибровки модели.
Оптимальное соотношение данных внутри выборки и вне выборки при
построении модели зависит от ее сложности.
Оглядываясь назад
Бэктестирование включает в себя взгляд назад во времени, чтобы оценить, как

прогноз или торговая стратегия работали бы исторически. Хотя бэк-тестирование
имеет неоценимое значение (давая представление как о рынках, так и о том, как бы
работала альфа-версия), следует помнить два важных момента:
• История не повторяется в точности. Таким образом, хотя альфа-идея может

отлично выглядеть при бэктестировании, нет никакой гарантии (только уровень
уверенности), что она продолжит работать в будущем. Это происходит из-за
извращенной силы вычислений и способностей творческих разработчиков моделей.
скучать по лесу за деревьями. Имея вычислительные ресурсы, вы можете оценить очень
большое количество идей и вариаций этих идей. Но без дисциплины отслеживания того, какие
идеи были опробованы, и без учета этого при оценке вероятности того, что модель является
истинной моделью, а не простым статистическим артефактом.
(принципы проверки множественных гипотез), вы можете в конечном итоге принять куски угля
за золото.
• Новые разработчики алгоритмического моделирования оглядываются назад на историю и
полагают, что на рынке было гораздо легче торговать, чем на самом деле. Это связано с
несколькими эффектами. Во-первых, ретроспективный взгляд — 20/20. Во-вторых, очистка
данных для сглаживания острых углов может привести к завышению исторических показателей альфа-версии.
Наконец, вычислительная мощность и технологии развиваются, а сегодняшние инструменты
исторически не были доступны. Например, идеи, которые в 1980-х годах казались достаточно
простыми для программирования в электронных таблицах Lotus, на самом деле тогда было не
так просто обнаружить и реализовать. Каждый период имеет свой рынок и свои уникальные
рыночные возможности. Каждое поколение специалистов по алгоритмическому
моделированию имеет набор возможностей, включающий возможность получения мощных
рыночных прогнозов, которые принесут значительную прибыль.
ВОЗМОЖНОСТЬ
Подходящие для использования ценовые модели и торгуемые модели прогнозирования
существуют потому, что участники рынка различаются своими инвестиционными целями, своими
предпочтениями (например, толерантностью к риску) и своей способностью обрабатывать информацию.
Участники работают с ограниченным набором ресурсов и стремятся оптимизировать свои
инвестиционные стратегии с учетом ограничений, налагаемых этими ресурсами.
Они оставляют другим возможность воспользоваться любыми торговыми возможностями, на
которых у них не было возможности или возможности сосредоточиться. Участники рынка с
долгосрочными инвестиционными горизонтами, как правило, не обращают такого же внимания
на краткосрочные колебания цен, как участники с краткосрочными инвестиционными
горизонтами. И наоборот, трейдеры с краткосрочным инвестиционным горизонтом могут
действовать эффективно и результативно, не имея понимания фундаментальных принципов
оценки, которые используются институциональными инвесторами, заинтересованными в
масштабируемости, налоговой эффективности и долгосрочных результатах (или, в некоторых
случаях, эффективности). относительно индекса). Трейдеры, использующие кредитное плечо, не
могут терпеть волатильность и просадки в той же степени, что и трейдер без кредитного плеча.
Фирмы с более крупными технологическими бюджетами могут победить конкурентов в

например, монетизация краткосрочных альф через инфраструктуру с малой

задержкой, использование крупномасштабной обработки данных или применение
интенсивных вычислений машинного обучения или методов прогнозирования на
основе искусственного интеллекта.
Цель альфа-исследователя — обнаружить прогнозируемые цены или ценовые
соотношения, от которых инвесторы могут получить прибыль. Тот факт, что рынок
постоянно развивается и реагирует на новую информацию и новые источники
информации, гарантирует, что возможность найти альфы будет существовать
бесконечно. Это хорошая новость для следующего поколения альфа-исследователей,
но это также означает, что модели, разработанные для рыночных условий, которые
больше не существуют, перестанут функционировать, а их прогнозирующая
способность со временем неумолимо уменьшится. Работа альфа-исследователя
никогда не заканчивается.
3
Сокращение потерь
Игорь Тульчинский
Человек — существо, добившееся успеха, потому что он смог разобраться в окружающей среде
и разработать правила более эффективно, чем это смогли сделать его естественные конкуренты.
В охоте, сельском хозяйстве, а позднее в математике и физике правила получили широкое
распространение. Сегодня правила изобилуют во всех сферах жизни: от финансов до науки, от
отношений до методов самосовершенствования. Человек выживает благодаря правилам.
Реальность описывает бесконечное количество возможных правил, и мы всегда пытаемся

их обнаружить и уточнить. Однако, как это ни парадоксально, существует только одно правило,
которое управляет ими всеми. Это правило таково: ни одно правило никогда не работает
идеально. Я называю это UnRule.
Это общепринятый научный принцип: ни одно правило не может быть доказано — его
можно только опровергнуть. Карл Поппер, великий австрийский философ науки, указал на это
в 1934 году. Он утверждал, что, хотя невозможно проверить универсальную истину,
единственный контрпример может ее опровергнуть.
Поппер подчеркивал, что, поскольку чистых фактов не существует, все наблюдения и правила
носят субъективный и теоретический характер.
Для этой неопределенности есть веские причины. Реальность сложна.
Люди и их идеи несовершенны. Идеи выражаются в виде абстракций, в словах или символах.
Правила — это всего лишь метафорические попытки навести порядок в этой сложной
реальности. Таким образом, каждое правило ошибочно, и ни одно правило не работает
постоянно. Ни одна догма не описывает мир полностью, но каждое правило описывает какой-
то аспект мира. И каждое правило иногда работает.
Мы как художники, медленно рисующие изображения на холстах. Каждый мазок может

приблизить изображение к реальности, но картина никогда не станет идеальной
интерпретацией действительности. Тому есть много примеров. Законы Ньютона, которые на
протяжении веков, казалось, идеально описывали движение, оказались ошибочными, уступив
место теории относительности Эйнштейна.
Попытки человека объяснить свое место во Вселенной постоянно
эволюционировали от веры в то, что Земля находится в центре космоса, до осознания
того, что мы крошечные, хрупкие существа, дрейфующие в огромной вселенной,

ускользающей от нашего полного понимания. Аналогичным образом, утверждались
различные правила, претендующие на описание и даже прогнозирование финансовых
рынков: от веры в высокую эффективность рынков до разработки моделей
ценообразования опционов. Все эти меры оказались ошибочными, как правило, после
обвала рынка.
Итак, вы видите парадокс: единственное правило, которое работает, — это то, которое
гласит, что ни одно правило не работает всегда . Правила — это пылинки, фрагменты
большей реальности.
Вот почему так важно иметь возможность сократить свои потери, путешествуя по часто
бурным морям рынков, где преобладает UnRule. Как можно выдержать эту турбулентность
и перемены? Как лучше всего справиться с множеством изменяющихся правил, все из
которых несовершенны, многие из них противоречат друг другу и основаны на различных
обстоятельствах и предположениях?
Трейдинг — это микрокосм реальности, динамическая среда огромной сложности, в

которой миллионы участников действуют и реагируют на основе правил и убеждений,
которые, в свою очередь, влияют на более широкую среду. Задача трейдинга состоит в
том, чтобы вывести правила, описывающие и предсказывающие рынки, а затем успешно
использовать их для получения прибыли, не изменяя эти рынки таким образом, чтобы это
могло привести к разрушению самого правила.
Мы представляем торговые правила в виде альфа-алгоритмов, которые стремятся

предсказать будущую доходность ценных бумаг. Управление миллионами альф, каждая из
которых отражает какую-то гипотезу о рынках, — сложный вопрос и отдельная тема. При
общении с миллионами альф становятся очевидными определенные закономерности.
Лучший и наиболее универсальный способ справиться с этой сложностью (и с тем фактом,
что все правила в конечном итоге нарушаются) — это знать, когда сокращать свои потери.
Идея сокращения торговых потерь существует уже давно. Он возник в результате,

возможно, самого старого типа торговли, так называемого следования за трендом, при
котором трейдер делает ставку на то, что растущая (или падающая) ценная бумага будет
продолжать расти (или падать). В таком сценарии сделки обычно открываются при
достижении нового максимума и закрываются, когда накопленная прибыль превышает
некоторые заданные пределы.
В современном торговом мире альфы и стратегии редко бывают такими простыми.
Вместо отслеживания конкретной ценной бумаги мы применяем следование тренду к
накопленной прибыли и убыткам стратегии в целом, которая может состоять из множества
отдельных альф по многим ценным бумагам.
Сокращение потерь 19
Проще говоря: сокращение потерь означает отказ от правил, которые больше не работают.
Хотя логику сокращения потерь легко увидеть в трейдинге, этот принцип справедлив и в
других сферах жизни, включая бизнес, предпринимательство и даже отношения. Иногда вам
просто нужно признать, что все, что вы делаете, не получается, и двигаться дальше.
Сокращение потерь требует дисциплины и подчинения своего эго.

Обычно эмоции играют большую роль в любом виде мышления и принятия решений.
Нейробиологи изучали пациентов, страдающих от повреждения областей мозга, участвующих
в обработке эмоций, которые не могут принимать простые решения, например, выбирать,
какую рубашку надеть утром. В нашей работе по разработке и внедрению альфа-версий нами
часто движет эмоциональная уверенность. Когда мы разрабатываем стратегию, процесс
начинается со слов: «Я понимаю, как устроен мир.
Я верю в свое правило. Вот мое правило». Поскольку эго и гордость переплетаются с этой
уверенностью, может быть трудно отказаться от правила, которое вы придумали, даже перед
лицом доказательств того, что правило больше не работает.
Возможно, практика сокращения потерь не получила более широкого распространения

по причинам эгоизма. Или, возможно, людям не хватает знаний об альтернативных правилах,
которые могли бы сработать. Часто высокая стоимость изменения стратегии может
способствовать сопротивлению отказу от правил, которые больше не работают.
Разумно воздерживаться от веры исключительно в какую-либо конкретную теорию или
правило. Вы можете верить им всем, но не принимайте ни одного из них полностью. Иногда
они работают; иногда они этого не делают. Лучшим показателем того, хорошо ли правило,
является то, насколько хорошо оно работает в данный момент.
Остальное — спекуляции. Если правило работает, мы инвестируем в него; если нет, то мы
этого не делаем.
Мы собираем все идеи и позволяем времени и производительности показать, что

работает, а что нет, когда это работает, а когда нет. Когда мы
постулировать новую идею, правило или альфу на основе исторических данных и тщательного
статистического анализа (иногда с оттенком фундаментальной мудрости), затем она попадает
в нашу базу знаний. Из этой вселенной идей мы стремимся построить вещь, максимально
приближенную к изображению финансовой реальности. Но чтобы делать то, что мы делаем,
нам нужно смириться с тем фактом, что мы никогда не узнаем всего, что нужно знать.
Старая поговорка гласит: в стране слепых одноглазый — король. Мы живем в стране

слепых. Принятие этой слепоты и эффективное использование одного хорошего глаза,
особенно на торговых и финансовых рынках, является большим преимуществом.
КАК ПРИМЕНИТЬ ПРИНЦИП НЕПРАВИЛЬНОСТИ
СОКРАЩЕНИЕ ПОТЕРЬ
Мы признаем, что число несовершенных идей безгранично и что реальность неизвестна и
непознаваема. Но каждая несовершенная идея хоть немного описывает реальность, поэтому
чем большим количеством альф мы обладаем, тем лучше мы можем описать тот или иной аспект
реальности и тем ближе мы можем подойти к обретению «одного глаза», с помощью которого
мы можем стремиться к увеличению прибыли.
Поскольку ни одно правило не является идеальным, может возникнуть комбинация всех правил.
максимально приближен к совершенству.
Сочетание всех правил является ключом к успеху. Например, чтобы
переходя улицу, вы можете иметь в виду следующие три правила:
1. Посмотрите налево, посмотрите направо, еще раз посмотрите налево, значит, можно безопасно перейти дорогу.
2. Если вы слышите громкий шум, повернитесь в сторону шума.
3. Если вы видите приближающуюся к вам машину, бегите!
Вы можете начать переходить улицу, поверив в Правило 1 и утешаясь им, а затем услышать
звуковой сигнал, который активирует Правило 2. От Правила 1 следует немедленно отказаться,
поскольку шум ставит под сомнение вывод о безопасности. Затем вы применяете Правило 3.
Это имеет следующие последствия:
• Необходимо придумать как можно больше хороших правил.
• Ни на одно правило нельзя полностью полагаться.
• Необходимо разработать стратегию одновременного использования правил.
Как узнать, что инвестиционная стратегия не работает?
Когда стратегия дает результаты, превышающие ожидаемую доходность. Обычно это
сопровождается следующими сигналами:
• Просадка превышает типичные просадки, наблюдавшиеся ранее.
• Коэффициент Шарпа стратегии значительно падает.
• Правила, которые изначально соблюдались в историческом моделировании, не являются
более действителен в реальной торговле.
Важно одновременно применять разные стратегии и направлять усилия на те, которые
работают. Предположим, у вас есть теория, описывающая, когда цены на золото вырастут. Теория
работает на 50%
Сокращение потерь 21
время. Предположим, у вас есть еще 10 столь же надежных теорий. Комбинация теорий
должна описывать реальность лучше, чем любая из них. И лучший способ определить, какой
из них наиболее точен, — это наблюдать, какие из них работают в данный момент.
Затем приходит дисциплина сокращения потерь.

Когда стратегия перестает работать, определите убеждение, которое изначально
мотивировало эту деятельность. Если убеждение было заведомо ложным, вы играете в кости.
Лучше всего прекратить эту деятельность и заняться более продуктивной деятельностью.
Предположим, вы нанимаете кого-нибудь для ремонта вашего дома. Они обещают

выполнить работу за 50 000 долларов, но менее чем за половину проекта уже потратили 45
000 долларов. На этом этапе вам следует отказаться от этого строителя, если переход на
новый можно сделать достаточно дешево.
Предположим, мы занимаемся деятельностью (назовем ее Х), которая начинает
приносить убытки. Деятельность может быть чем угодно, например, торговой стратегией
или бизнесом. Нам необходимо задать следующие вопросы:
• Теряю ли я деньги в деятельности X?

• Какова максимально допустимая потеря? (Вызовите максимум, примите
возможная потеря Y.)
• Какова наблюдаемая сумма убытков? (Назовем наблюдаемую потерю Z.)
Прежде чем приступить к действию X, мы должны определить максимально приемлемый

убыток Y. Если наблюдаемый убыток Z превышает максимально допустимый убыток Y, а
стоимость выхода не слишком высока, сократите убыток.
КРАТКОЕ СОДЕРЖАНИЕ
Изучите каждое потенциальное действие, прежде чем приступить к нему. Определять:
• Какова цель?
• Каковы обычные ожидаемые трудности?
Заранее спланируйте, как выйти из стратегии дешево.

Применяйте несколько стратегий одновременно.
Откажитесь от всех стратегий, которые выходят за рамки ожиданий.
ЧАСТЬ II
Проектирование и оценка
4
Альфа Дизайн
Скотт Бендер и Юнфэн Хэ
В этой главе будет описан процесс разработки альфа-версии, начиная с необработанных данных. Мы
обсудим некоторые важные дизайнерские решения, которые вам необходимо принять при создании
альфа-версии, а также то, как правильно оценить альфа-версию. В конце этой главы мы выделим
некоторые проблемы, которые могут возникнуть после разработки и запуска в производство альфа-
версий.
ВВОД ДАННЫХ В АЛЬФА
«Альфы» питаются данными. Преимущество, к которому стремится альфа, может заключаться в
выявлении высококачественных фрагментов общедоступных данных, превосходной обработке
данных – или в том и другом. Некоторые типичные источники данных:
• Цены и объемы. Могут использоваться модели технического анализа или регрессии.

построено на основе этих данных.
• Основы. Автоматизируя анализ ключевых показателей для каждой компании, вы можете построить
альфа-компании, которые обычно имеют очень низкую текучесть кадров.
• Макроэкономические данные, такие как показатели ВВП и уровень занятости,
которые имеют последствия для всего рынка после их выпуска.
• Текст, например протоколы Федерального комитета по открытому рынку, отчеты компаний, статьи,
журналы, новости или социальные сети.
• Мультимедиа, особенно соответствующие видео и аудио. Существуют отработанные методы
обработки таких данных — например, преобразования аудио в текст, который можно использовать
для построения моделей.
Иногда источники данных используются не для генерации сигнала направления, а для того,
чтобы попытаться уменьшить шум в прогнозах и уточнить другие альфа-сигналы. Примеры:
• Модели факторов риска. Контролируя подверженность риску или устраняя воздействие

некоторых факторов риска, можно попытаться улучшить производительность альфы.
• Модели отношений, такие как инструменты, которые обычно в некоторой степени коррелируют
друг с другом. Некоторые из них могут опережать или отставать от других, создавая тем
самым потенциальные возможности для арбитража.
Сегодня, когда информация стремительно растет, извлечение сигналов из расширяющегося

океана данных становится все более сложной задачей. Пространство решений невыпуклое,
разрывное и динамическое; Хорошие сигналы часто возникают там, где их меньше всего
ожидают. Как мы можем извлечь такие сигналы?
Ограничивая пространство поиска и используя методы, ранее применявшиеся охотниками за
сокровищами:
• Поиск в окрестностях предыдущих открытий.

• Сохранение ресурсов, чтобы не копать слишком глубоко.
• Использование проверенных подсказок для повышения вероятности находки.
• Выделение хотя бы некоторых ресурсов (вычислительных мощностей) для тестирования.
дикие теории.
АЛЬФА-ВСЕЛЕННАЯ
Важным шагом в разработке альфа-версии является выбор целевого набора активов для
торговли; этот набор активов называется вселенной альфы.
Вселенная может быть ограничена одним или несколькими измерениями, такими как:
• Класс активов (акции, биржевые фонды, фьючерсы, валюты, опционы, облигации и т. д.)
• Регион или страна

• Сектор или отрасль
• Отдельные инструменты
Выбор юниверса обычно определяется охватом входных данных или идеей альфа-версии,
но альфа-версии могут быть спроектированы и настроены специально для определенного
юниверса, даже если данные имеют более широкий охват.
Альфа Дизайн 27
ЧАСТОТА АЛЬФА-ПРОГНОЗИРОВАНИЯ
Еще одним важным проектным решением при создании альфа является частота
прогнозирования. Это определяет время, в которое альфа будет генерировать новые
прогнозы.
Некоторые типичные частоты:
• Галочка. Новые прогнозы вызываются такими событиями, как торговля

магазин.
• Внутридневной. Прогнозы генерируются несколько раз в заранее определенные

моменты в течение дня.
• Ежедневно. Один прогноз в день, которых несколько типов
подтипы калибровки:
Задержка 1. Могут быть доступны только данные, доступные до текущего торгового дня.
используется для предсказания.
Снимок с задержкой 0. Данные до определенного времени могут быть использованы для
прогноз.
МОО/МОС. Прогнозы привязаны к открытию или закрытию аукциона.
• Еженедельно или ежемесячно.
Как и в случае с выбором вселенной, это решение часто зависит от частоты

входных данных.
ЦЕННОСТЬ АЛЬФА
Окончательным тестом значения альфа является то, какую прибыль с поправкой на

риск альфа добавляет к стратегии, по которой он торгует. На практике это трудно
точно измерить, потому что:
• Не существует канонической стратегии, в которой можно было бы использовать альфа-

версию, и точная стратегия, в которой будет использоваться альфа-версия, может быть
неизвестна на момент ее разработки.
• В комбинации часто присутствуют нелинейные эффекты, которые отличают ее
сложно точно отнести прибыль к отдельным альфам.
Несмотря на все вышесказанное, мы по-прежнему можем делать полезные

прогнозы о том, повысит ли «альфа» ценность стратегии, и можем дать разумную
оценку того, насколько «альфа» способствовала эффективности стратегии.
ПРАКТИЧЕСКАЯ АЛЬФА-ОЦЕНКА
Поскольку целевая торговая стратегия может быть неизвестна при разработке альфа-
версии, как мы можем знать, будет ли она полезна при рассмотрении альфа-версии?
Альтернативно, когда альфа меняется, действительно ли она улучшается? Чтобы
ответить на эти вопросы, необходимы хорошие количественные измерения.
Типичным методом сбора данных о торговых стратегиях является запуск

моделирования (то есть бэктест) и измерение характеристик результата, таких как
соотношение информации. Один из способов провести аналогичные измерения для
альфы — это сопоставить ее прогнозы с торговой стратегией, а затем запустить такое
моделирование. Есть разные способы сделать это сопоставление, но самый простой
— предположить, что сила прогноза альфа — это позиция доллара, занимаемая
торговой стратегией.
Одна из проблем этого метода отображения заключается в том, что альфы часто не соответствуют
хорошим стратегиям сами по себе, поскольку они предназначены для прогнозирования
доходности, а не для совершения прибыльных сделок за вычетом затрат. Одним из способов
решения этой проблемы является взимание сниженных транзакционных издержек при моделировании.
После построения моделирования можно провести следующие полезные
измерения:
• Информационное соотношение. Среднее значение доходности альфы, деленное на

стандартное отклонение доходности, показывает, насколько последовательно
альфа делает хорошие прогнозы. Сочетание соотношения информации с
продолжительностью периода наблюдения может помочь нам определить уровень
уверенности в том, что альфа лучше случайного шума. Разумное годовое
соотношение информации для уникальной альфа с небольшой подгонкой,
наблюдаемое в течение пятилетнего периода, будет равно 1,0. На практике альфа-
версии имеют некоторое соответствие и некоторую корреляцию с существующими
альфа-версиями, поэтому соотношение информации обычно немного выше этого значения.
• Маржа — это сумма прибыли, которую альфа получила в ходе моделирования,
деленная на объем совершенных сделок. Это показатель того, насколько
чувствительна альфа к транзакционным издержкам. Более высокая маржа означает,
что на альфу не сильно влияют торговые издержки. «Альфы» с низкой маржой не
принесут добавленной стоимости, если они не сильно отличаются от других «альф»
в стратегии. Для средней дневной альфа обычно приемлема маржа в 5 базисных
пунктов.
• Корреляция измеряет уникальность альфа-канала и часто измеряется относительно
наиболее коррелированного альфа-канала, существующего в альфа-пуле.
Альфа Дизайн 29
Более низкая корреляция указывает на то, что альфа более уникален и, следовательно, более
желателен. Для альфа, характеристики которого в остальном средние, разумна следующая
интерпретация максимальной корреляции:
Более 0,7: слишком высокое значение, за исключением случаев, когда альфа значительно выше, чем
существующая альфа.
От 0,5 до 0,7: Пограничный. Альфа должна быть исключительной в некоторых

другая метрика.
От 0,3 до 0,5: В целом приемлемо.

Менее 0,3: Хорошо.
Измерения, описанные выше, можно усложнить. Например, может быть полезно проверить,
имеет ли альфа хорошие информационные коэффициенты как по ликвидным акциям (акциям с
большим объемом торгов), так и по неликвидным акциям.
Если альфа прогнозирует только неликвидные акции, ее полезность в стратегии, которая
предполагает торговлю очень большими объемами, может иметь ограниченную полезность.
БУДУЩАЯ ПРОИЗВОДИТЕЛЬНОСТЬ
Все измерения в предыдущем разделе предназначены для оценки альфа, когда нет никакой
информации, кроме фактических прогнозов. Однако дополнительная информация, например, о
том, как была построена альфа, может быть полезна для определения того, будет ли альфа давать
хорошие прогнозы в будущем. В конечном счете, важно то, делает ли альфа полезные прогнозы
на будущее, а не на исторические прогнозы.
Рассмотрим альфу, которая имеет высокий уровень информативности, но была построена
путем оптимизации параметров, которые не имеют экономического объяснения историческим
данным. Например, предположим, что альфа имеет 12 параметров, по одному на каждый месяц
(x1...x12), и предположим, что правило альфа состоит в том, чтобы просто покупать x1 долларов
всех акций в январе, x2 долларов всех акций в феврале и т. д. вперед. Если бы x1–x12 были
оптимизированы за последний год, альфа-фактор дал бы хорошие прогнозы на прошлый год, но
нет оснований полагать, что они сработают и в следующем году.
В общем, каждая оптимизация или улучшение, внесенное в альфа-версию после наблюдения
за историческими данными, улучшит историческую производительность альфа-версии на
некоторую величину, а ее будущую производительность - на некоторую другую, обычно меньшую
величину. Альфа-дизайнеру следует уделить особое внимание

гарантировать, что изменения, как ожидается, улучшат альфа-версию в будущем, а не

только в историческом плане.
Когда изменения альфа приводят к очень небольшому (или даже отрицательному)
улучшению будущих прогнозов по сравнению со значительными улучшениями
исторических прогнозов, альфа переподгоняется под исторические данные. Разработчики
альфа-версии могут измерить эффект этого переоснащения, просматривая
производительность своих альфа-версий на данных, которые не использовались при
построении альфа-версии (данные вне выборки), и сравнивая их с данными,
использованными для улучшения альфа-версии (данные внутри выборки). данные).
Сравнение производительности в выборке и за ее пределами полезно не только на уровне
альфа, но и в совокупности по всем альфам от данного дизайнера или по группам альфа от
данного дизайнера. Эти сравнения групп альф могут измерить склонность дизайнерской
методологии к переобучению.
ЗАКЛЮЧЕНИЕ
В этой главе обсуждались основные элементы альфа-дизайна, включая практические

подходы к оценке альфа-версий. Также были решены некоторые потенциальные проблемы,
возникающие после разработки альфа-версий. Используя экспоненциальный рост
вычислительной мощности и источников данных в сочетании с надежной структурой
альфа-проектирования, мы можем создавать альфа-версии и торговые стратегии, которые
развиваются вместе с рынком.
5
Как разработать альфу:
Тематическое исследование
Панкадж Бакливал и Хунчжи Чен
В этой главе мы объясняем, как спроектировать альфу, логику, лежащую в ее основе,

как преобразовать идею альфа в математическую формулу прогнозирования,
используя соответствующую информацию, и как улучшить эту идею.
Мы также познакомим вас с некоторыми важными концепциями оценки
производительности альфа-версии.
Прежде чем мы поговорим подробнее о разработке и дизайне альфа-версии,
давайте изучим простой пример, чтобы лучше понять, как выглядит альфа-версия.
Допустим, у нас есть капитал в 1 миллион долларов и мы хотим постоянно

инвестировать в портфель, состоящий из двух акций: Alphabet (GOOG) и Apple (AAPL).
Нам нужно знать, как распределить наш капитал между этими двумя акциями. Если
мы проводим ежедневную ребалансировку нашего портфеля, нам необходимо
спрогнозировать доходность каждой акции на следующие несколько дней. как нам это сделать?
Есть много вещей, которые могут повлиять на цены акций, такие как поведение
трейдеров, ценовые тенденции, новости, фундаментальные корпоративные
изменения и изменения в активах крупных учреждений или корпоративных
инсайдеров – должностных лиц, директоров или акционеров с числом более 10 %
класса именных эмиссионных ценных бумаг общества. Чтобы упростить задачу, мы
можем разбить процесс прогнозирования на два этапа: во-первых, мы прогнозируем
доходность акций каждого инструмента, используя один фактор, например новости
или ценовые тенденции; во-вторых, мы объединяем все различные прогнозы.
Давайте попробуем построить альфу, используя недавние ценовые тенденции,
используя доступные данные в виде ежедневных исторических цен этих двух акций.
Следующий шаг — придумать разумную идею. Допустим, основываясь на
исторических ценах, мы видим, что обе акции имели тенденцию к росту в течение
прошлой недели. Логика подсказывает, что при отсутствии какой-либо
дополнительной информации, когда цены на акции растут, инвесторы склонны
фиксировать прибыль и закрывать длинные позиции, что, в свою очередь, толкает цены на
акции вниз. В то же время, когда цены на акции падают, инвесторы видят возможность
покупать акции по более низкой цене, что, в свою очередь, толкает цены на акции вверх.
Преобразовать идею в математическое выражение не всегда просто.

вперед. Однако в приведенном выше случае это можно сделать просто следующим образом:
Альфа 1 неделя возвращается
Знак минус указывает на то, что короткая позиция открывается, когда тренд восходящий,
а длинная позиция, когда тренд нисходящий. Долларовая сумма длинной и короткой позиции
по конкретному финансовому инструменту определяется величиной значения, определяемого
формулой.
Это означает, что чем сильнее ценовой тренд, тем больше вероятность того, что цена
вернется. Предположим, что наш алгоритм выдает следующие значения для двух акций
соответственно:
Альфа ГУГ 2
Альфа ААПЛ 1
Значения выше имеют соотношение 2 к 1. Это означает, что мы хотим сохранить
GOOG в два раза больше, чем AAPL; положительное число означает, что мы хотим удерживать
длинную позицию, а отрицательное число означает, что мы хотим удерживать короткую
позицию. Таким образом, используя в качестве примера капитал в 1 миллион долларов, мы
хотим открыть длинную позицию по GOOG на 1 миллион долларов и короткую позицию по
AAPL на 500 000 долларов в конце сегодняшних торгов. Этот пример, конечно, предполагает
нулевые транзакционные издержки.
Таким образом, альфа-модель на самом деле представляет собой алгоритм, который

преобразует входные данные (цены-объемы, новости, фундаментальные факторы и т. д.) в
вектор, пропорциональный деньгам, которые мы хотим хранить в каждом инструменте.
Альфа-входные данные вектор альфа-значения
Теперь, когда мы понимаем, что такое альфа, давайте напишем нашу первую альфу.1
По пути мы представим больше концепций. Прежде всего, нам нужно
1 Примеры коэффициентов альфа и доходности, описанные в этой главе, включены только в

иллюстративных целях и не предназначены для указания какой-либо стратегии, используемой
WorldQuant или ее дочерними компаниями.
Как разработать альфа-версию: практический пример 33
определить вселенную – то есть набор финансовых инструментов, на которых мы хотим
построить альфа-модель. Давайте сосредоточимся на рынке акций США. Существуют разные
способы выбора долевых инструментов, например, использование компонентов индекса S&P
500. Предположим, мы используем 3000 наиболее ликвидных акций США в качестве нашей
исследовательской совокупности (назовем ее TOP3000).
Далее нам нужна идея для прогнозирования цены акций. Мы можем использовать ту же
идею возврата к среднему значению, упомянутую выше, и выразить ее в терминах
математического выражения следующим образом:
Альфа1 закрыть сегодня закрыть 5 _ _ дней назад / близкие дни

5 _ _ идти а
Чтобы узнать, работает ли эта идея, нам нужен симулятор для тестирования на истории.
Для этой цели мы можем использовать WebSim.
Используя WebSim, мы получаем примеры результатов для этой альфа-версии, как показано
на рисунке 5.1.
В Таблице 5.1 показаны несколько показателей производительности, используемых для оценки
альфа. Мы фокусируемся на самых важных показателях.
Тестирование проводится с 2010 по 2015 год, поэтому в каждой строке выходных данных
указаны годовые результаты за этот год. Общий размер книги моделирования всегда фиксируется
на уровне 20 миллионов долларов; PnL — это годовой PnL.
Совокупная прибыль
15 миллионов долларов США
10 миллионов долларов США
5 миллионов долларов
$0
01/10 10 июля10/10 11.01.2011 11 июля10/11 12.01. 12 апреля
11 апреля 12 июля10/12 13 января
13 апреля 14 июля14.10. 15 января
13 июля10/13 14.01. 14 апреля
Рисунок 5.1 Пример результата моделирования Alpha1 с помощью WebSim

Годовая доходность определяется как:
Ann_ return ann pnl/ _ / книжный формат 2
Годовой доход измеряет прибыльность альфа-компании.

Соотношение информации — это самый важный показатель, который мы будем
посмотри на. Он определяется как:
/
Информационный_ коэффициент Среднедневная доходность Ежедневная волатильность
*
кв. 256
Коэффициент информации измеряет информацию, содержащуюся в
альфа, что примерно означает стабильность доходности альфы: чем выше, тем лучше.
Максимальная просадка измеряет максимальную потерю от пика до минимума от

локального максимума PnL до последующего локального минимума как процент от
размера книги, разделенный на два (длинная или короткая сторона книги).
Процент прибыльных дней измеряет процент положительных дней в каждом году.
Ежедневный оборот измеряет, насколько быстро вы ребалансируете свой портфель, и

определяется как:
/
Ежедневный_ средний оборот в долларах, продаваемых каждый день книжный формат
Прибыль на доллар торговли показывает, сколько вы заработали на каждый доллар.

когда вы торговали, и определяется как:
Прибыль_ _ на $_торгованный пнл/проданного_доллара

_ всего
Для этой альфа общий коэффициент информации составляет около 1, с высокой доходностью
около 31,2%, но с очень высокой максимальной просадкой 39,22%. Это означает, что риск очень
высок, поэтому PnL не очень стабилен. Чтобы уменьшить моделируемую максимальную просадку,
нам необходимо устранить некоторые потенциальные риски. Мы можем добиться этого,
используя некоторые методы нейтрализации рисков. Отраслевой риск и рыночный риск являются
самыми большими рисками для рынка акций. Мы можем частично устранить их, потребовав,
чтобы наши портфели были сбалансированы между длинными и короткими позициями в каждой отрасли.
Мы нейтрализуем нашу альфу, требуя:
Сумма значений Alpha2 в пределах одной отрасли 0
Сделав это, мы получим новый результат выборки, как показано на рисунке 5.2.
4 миллиона долларов
1 млн долларов США
$0
10.01 10.07. 10/10 11.01.201111 апреля11 июля10/11 12.01. 12 апреля
12 июля10/12 13 января 13 июля10/13 14.01. 14 апреля
13 апреля 14 июля14.10. 15 января
Как видно из Таблицы 5.2, коэффициент информации увеличивается до 1,37, а

доходность снижается до 10,22%, но максимальная просадка значительно
снижается, до менее 9%. Это большое улучшение.
Величина нашей альфа равна пятидневной доходности, что не очень точно
предсказывает; относительный размер может быть более точным. Чтобы
улучшить альфа, мы вводим концепцию перекрестного ранга, что означает
использование относительного ранга значений альфа в качестве новых значений
альфа.
Альфа3 ранг Альфа1
Сумма значений Alpha3 в пределах одной отрасли 0
Результаты отражены на рисунке 5.3.

Как видно из табл. 5.3, мы получаем еще одно существенное улучшение.
Сейчас показатели выглядят намного лучше, но оборот все еще немного высок.
Мы можем попытаться уменьшить его, используя распад. Затухание означает
усреднение вашего альфа-сигнала за некоторый временной интервал.
По сути, это означает:
о альфа
Новый_альфа новый _ альфа-взвешенный _ _ld
Когда мы попробуем затухание за три дня в WebSim, мы получим результаты,

показанные на рисунке 5.4.
$0
10.0410.07.10 10.01.12
11.04.11.07.11.10.
12.04 07.12 12.10 01.13 13.04 13.07 13.10 14.0114.04 14.0714.1015.0101/ 11
$0
10.0410.07.10 10.01.11
11.0407.11 11.01.01.1212.0412.07 12.01.13 13.04 13.07 13.10 14.01 04/ 1414.07.14.10.15.01.
Рисунок 5.4 Пример результата моделирования New_alpha с помощью WebSim

Таблица 5.4 выглядит великолепно. Не только снижается оборот, но и

улучшается соотношение информации, доходность и просадка. Обратите внимание,
что на каждом этапе после оценки производительности альфа-версии вы можете
вернуться к исходной идее и внести значимые изменения для дальнейшего
улучшения альфа-версии.
В этой главе мы объяснили логику альфы, привели несколько примеров идей и

обсудили, как преобразовать эти идеи в математические выражения и перевести
их в положения инструментов.
Мы также объяснили, как анализировать и улучшать работу альфы. Вся альфа-
логика хорошо представлена блок-схемой на рис. 5.5.
Вы можете придумать больше способов улучшить альфу — просто проявите творческий подход.
Следующий шаг — изучить другие идеи и наборы данных в поисках чего-то действительно
Статистика
уникального. Уникальная идея хороша тем, что вы можете торговать ею раньше, чем это
сделают другие, что потенциально может привести к большей прибыли.
Удачи!
1. Идея Выражение 2. Сырая альфа Операции 3. Позиция
АЛЬФА ЛОГИКА
р
ве
яс
е
5. Производительность
Анализировать 4. ПнЛ
(ИК, ТВР, рэт...)
Рисунок 5.5. Пять шагов к созданию альфы

6
Данные и альфа-дизайн
Вейцзя Ли
Данные играют центральную роль в альфа-дизайне. Во-первых, для запуска моделирования
бэктестинга необходимы базовые данные, такие как цена и объем ценной бумаги. Независимо
от того, какую альфа-идею вы хотите протестировать, эта базовая информация необходима для
расчета статистики производительности, такой как прибыль, коэффициент Шарпа и оборот. Без
этой статистики мы никогда не узнаем, хороша ли альфа-идея. Во-вторых, данные сами по себе
могут вдохновлять альфа-идеи — каждая альфа-идея связана с каким-то типом данных. Например,
наблюдая за графиками цены и объема некоторых акций, мы можем обнаружить повторяющиеся
закономерности в истории, которые можно использовать для прогнозирования будущего. Если
бы у нас также был доступ к данным о доходах компаний, одной из идей была бы торговля
акциями на основе колебаний прибыли.
В этой главе мы обсудим эффективное использование данных в альфа-проектировании.
Обычно поиск данных является первым шагом в альфа-исследовании. После получения данных
следует провести некоторые проверки работоспособности, чтобы убедиться в возможности
использования данных. Тогда мы сможем начать альфа-исследование.
КАК МЫ НАХОДИМ ДАННЫЕ ДЛЯ АЛЬФЫ
Поиск новых данных — важнейший навык для альфа-исследователя. Мы предпочитаем альфы с
хорошей производительностью и низкой корреляцией; новый набор данных может служить
обеим целям. Иногда мы можем получить сигналы из одного набора данных, но они могут
оказаться недостаточно сильными даже после того, как мы приложим все усилия, чтобы их
улучшить. Если мы сможем получить другой набор данных и взглянуть на компании под другим
углом, мы сможем улучшить исходные сигналы. Мы всегда хотим создавать некоррелированные
альфы, чтобы разнообразить пул альфа.
Однако даже если альфа-идеи различаются, сигналы из одного и того же набора данных все
равно могут быть сильно коррелированы. Между сигналами может существовать внутренняя
корреляция, поскольку использовались одни и те же данные. Если мы
Если у вас есть новый набор данных, это вдохновит на новые идеи и новые способы
использования набора данных. В идеале альфа-сигналы, обнаруженные в новом наборе
данных, будут иметь низкую корреляцию с сигналами, основанными на различных типах
данных. Используя новые данные, мы можем добиться как улучшения производительности,
так и диверсификации.
Данные из литературы
Хорошо иметь новые данные для создания новых альф, но как нам получить новые данные?
Есть много возможных источников. Наиболее распространена научная литература. Если
мы поищем в Интернете «доходность акций», мы сможем найти тысячи статей, в которых
пытаются найти способы учета «аномальной доходности» (т. е. альф). Из этих статей мы
узнаем о данных, использованных в их исследованиях: цена-объем, фундаментальные
показатели, доходы и так далее. Как только мы получим эти данные, мы сможем попробовать
те же методы, что и в статье, для разработки альфа-версии. Также можно найти информацию
путем сканирования общедоступного контента в Интернете. Имейте в виду, что чем менее
известны данные, тем более ценными они могут быть. Если данные хорошо известны, у
многих людей могут быть похожие альфа-модели, которые могут постепенно исключать
альфу. Однако существует вероятность того, что даже если данные популярны, никто не
применил их так, как мы, поэтому они все равно могут быть полезны.
Данные от поставщиков
Данные имеют ценность, и их предоставление — это бизнес. Существует множество

поставщиков, которые специализируются на сборе, анализе, обработке и доставке данных.
Если данные просты, поставщики могут предоставить только собранные ими необработанные
данные, такие как цена и объем. Иногда поставщики выполняют анализ и обработку перед
предоставлением данных своим клиентам; фундаментальные данные являются примером.
Для неструктурированных, но сложных данных, таких как новости, сообщения в Твиттере
и т. д., поставщики обычно применяют методы обработки естественного языка для анализа
содержимого необработанных данных. Они предоставляют своим клиентам машиночитаемые
данные вместо необработанных данных, которые доступны только для чтения человеком.
Некоторые поставщики даже продают альфа-модели напрямую — это означает, что сами
данные являются результатом альфа-моделей. Клиентам остается только загрузить данные
и торговать в соответствии с ними. Однако такие альфа-модели рискованны, поскольку они
могут быть перегружены и/или перегружены, поскольку многие клиенты одного и того же
поставщика торгуют одной и той же моделью. Чтобы избежать этих рисков, пользователи
этих моделей должны тщательно тестировать их вне выборки (ОС), после получения данных
на определенный момент времени, и использовать их нетривиальными способами.
Данные и альфа-дизайн 45
ВАЛИДАЦИЯ ДАННЫХ
Когда альфа-исследователи получают новые данные, первое, что им нужно сделать —

прежде чем проверять альфа-сигналы — это проверить удобство использования
данных. В альфа-симуляции время доставки данных является очень важным фактором.
Любой фрагмент данных бесполезен, если у него нет отметки времени. Это связано с
тем, что, не зная времени создания точки данных, мы не можем эффективно
отслеживать ее развитие; по сути, мы используем данные вслепую. Только с правильной
отметкой времени мы можем провести правильное моделирование. Если мы
попытаемся использовать данные до того, как они станут доступны, у нас возникнет
предвзятость, из-за которой производительность альфы будет выглядеть потрясающе
в моделировании, но будет невозможно реализовать в реальной торговле. Если мы не
воспользуемся данными незамедлительно, альфа-версия не сможет реализовать свой
потенциал. Например, если бы доходы Apple превзошли ожидания, цена ее акций,
скорее всего, увеличилась бы при прочих равных условиях; объявление о прибылях и
убытках будет хорошим моментом для покупки. Однако если бы мы подождали неделю,
чтобы купить Apple, мы не смогли бы реализовать эту прибыль, потому что хорошие
новости уже были бы заложены в стоимость акций. Таким образом, для каждого набора
данных, который мы хотим использовать в альфа-исследованиях, нам необходимо
узнать о сроках доставки данных и позаботиться о том, чтобы получить доступ к
данным только тогда, когда они доступны, чтобы убедиться, что у нас нет предвзятости
и что мы получаем значимые результаты моделирования. Нам также необходимо
убедиться, что данные могут поддерживать производство альфа-сигналов — что
данные будут генерироваться в будущем по надежному графику. Иногда мы узнаем,
что производитель данных перестанет генерировать данные. В этом случае данные
непригодны для альфа-версии, поскольку нет возможности получить больше данных в реальном вре
Другая возможная проблема — предвзятость выживания. Даже если поставщик
данных предоставляет альфа-модель, которая хорошо работает при тестировании, это
не означает, что модель будет хорошо работать в будущем. Это связано с тем, что мы
не знаем, сколько моделей разработал поставщик до того, как была выбрана эта
единственная модель. Если поставщик опробовал 1000 моделей и выжила только
одна, мы можем столкнуться с предвзятостью выживания. Предвзятость внесена
поставщиком и находится вне нашего контроля. В этом случае может быть полезен
некоторый период тестирования набора данных за пределами выборки. Тестирование
вне выборки полезно, поскольку оно не проводится в контролируемой среде, а высокие
результаты являются хорошим показателем надежности альфа-версии.
В исторических симуляциях одна неверная точка данных может уничтожить весь
альфа-сигнал. В прямом эфире очень опасно предполагать, что данные всегда верны.
Если данные неверны, это может исказить альфа-сигналы и потенциально привести к
значительным потерям. При использовании данных в альфа-версии
конструкции, нам всегда следует рассмотреть возможность проведения проверки работоспособности.
Нам следует провести базовую проверку, например удалить выбросы в альфа-коде.
Эти основные меры предосторожности помогают гарантировать, что наша альфа будет более надежной.
ПОНИМАЙТЕ ДАННЫЕ ПЕРЕД ИХ ИСПОЛЬЗОВАНИЕМ
Серьезные альфа-исследования основаны на глубоком понимании данных. Для некоторых простых
данных достаточно просто подсчитать числа для создания альфа. Однако для сложных данных глубокое
понимание имеет существенное значение в альфа-исследованиях. Иногда нам необходимо получить
дополнительные знания. Чтобы понять сотни фундаментальных факторов, нам необходимо изучить
некоторые концепции корпоративных финансов. Только когда мы полностью поймем данные, мы сможем
придумать альфа-идеи, которые будут более надежными и с большей вероятностью выживут.
ВСТРЕЧАЙТЕ ЭРУ БОЛЬШИХ ДАННЫХ
В настоящее время доступные данные стремительно растут по разнообразию, объему и скорости. В
прошлом трейдеры могли учитывать только цену-объем и фундаментальные данные при прогнозировании
движения цен на акции. Сегодня существует гораздо больше вариантов, которые позволяют реализовать
множество интересных идей. Камстра и др. (2002) представили эффект «САР» (сезонного аффективного
расстройства): доходность фондового рынка меняется сезонно в зависимости от продолжительности дня.
Хиршлейфер и Шамуэй (2003) обнаружили, что утреннее солнце на ведущей фондовой бирже страны
может предсказать доходность рыночного индекса в тот день. Прейс и др. (2013) использовали данные о
тенденциях Google для разработки альфа-версии, которая значительно превзошла рынок: доходность
326% против доходности 16%.
Ежедневно создается огромное количество данных. Возьмем, к примеру, фондовый рынок США:
тиковые данные уровня 1 составляют около 50 гигабайт в день, а тиковые данные уровня 2 превышают
100 гигабайт в день. Социальные сети также предоставляют большой объем данных: пользователи Twitter
отправляют в среднем 500 миллионов твитов каждый день.
Сегодня данные создаются быстро. Задержка для фирм, занимающихся высокочастотной торговлей,
может измеряться однозначными микросекундами. Поставщики данных пытаются максимально
увеличить скорость передачи данных в надежде привлечь больше клиентов.

Данные и альфа-дизайн 47
Больше данных всегда лучше, если мы можем с ними справиться. Очень сложно
управлять быстрым ростом данных. Могут возникнуть соображения стоимости
устройств хранения данных, вычислительных машин, специализированных баз
данных и т. д. Тем не менее, если данные можно использовать правильно и эффективно,
мы сможем нацелиться на лучшие альфы.
В альфа-исследованиях поиск данных всегда имеет высокий приоритет. Учитывая

множество типов доступных данных, сложно найти наиболее подходящие данные для
альфа-исследований, но когда мы добьемся успеха, награда может быть значительной.
Один богатый информацией набор данных может вдохновить множество альфа-идей
и создать множество альфа-версий. Один хороший источник данных может существенно
повлиять на эффективность альфа-проекта или портфеля. Поэтому инвестиции в поиск,
очистку и обработку данных являются важной частью создания альфа-версии.
7
Оборот
Пратик Патель
Обычно мы измеряем точность и качество предсказаний альфы с помощью таких

показателей, как коэффициент информации (IR) и коэффициент информации (IC). IR —
это отношение превышения доходности к эталону к изменчивости этой доходности;
идея, лежащая в основе этого, заключается в том, что альфа с высокой избыточной
доходностью и низкой изменчивостью последовательно предсказывает будущую
доходность в течение заданного периода времени. IC измеряет корреляцию между
прогнозируемыми и фактическими значениями, где значение 1,0 представляет собой
идеальную способность прогнозирования.
В контексте оценки силы «альфы» высокий IR и высокий IC, очевидно, желательны,
но мы обычно измеряем способность «альфы» прогнозировать доходность независимо
от реальных ограничений. Мы предполагаем, что ликвидность бесконечна, торговля
свободна и на рынке нет других участников, кроме нас самих. Однако, поскольку
реальные торговые стратегии должны подчиняться определенным ограничениям,
альфу, которая часто делает правильные прогнозы, будет легче использовать, если она
также удовлетворяет разумным предположениям о рыночных условиях.
АЛЬФА ГОРИЗОНТ
Прогнозы меняются по мере поступления новой информации. Независимо от того,

переместилась ли акция на один тик, аналитик пересмотрел свою рекомендацию или
компания опубликовала прибыль, это изменение информации может стать
катализатором торговой активности. Мы измеряем эту торговлю посредством оборота:
общая стоимость торговли, деленная на общую стоимость активов. Цена акций
компании меняется гораздо чаще, чем ее прибыль на акцию, поэтому из этого следует,
что альфа, основанная на движении цен (например, развороте цен), обычно будет
иметь более высокий оборот, чем альфа, основанная исключительно на фундаментальных показател
Поскольку больше торговых возможностей дает больше возможностей для
Как правило, мы обнаруживаем, что IR и IC, как правило, выше для альф ценового движения,
чем для фундаментальных альф.
Более конкретно, оборот альфы связан с ее горизонтом прогнозирования, то есть с
количеством времени в будущем, на которое прогнозируется движение цены. Например,
альфа с горизонтом в пять дней призвана предсказать движение цены с настоящего

момента до пяти дней. Мы обнаруживаем, что чем длиннее горизонт, тем больше
неопределенность; метеоролог может предсказать погоду завтра гораздо точнее, чем
погоду через два месяца, и мы можем предсказать, что мы будем делать на следующей
неделе, лучше, чем то, что мы будем делать в это время в следующем году. Способность
воспользоваться быстро меняющейся информацией и реагировать соответствующим
образом обычно повышает качество прогноза. Аналогичным образом, в исследованиях
альфа-компаний мы ожидаем, что альфа-компания с более высоким оборотом и более
коротким горизонтом прогнозирования будет иметь лучшую предсказательную силу, чем
альфа-компания с более низким оборотом и более долгосрочной перспективой.
Однако также очевидно, что время выполнения становится ограничением по мере того,
как горизонт становится короче. Трейдеру, использующему альфу с пятидневным

горизонтом, необходимо будет открыть позицию сегодня и выйти из нее пять дней спустя,
чтобы полностью уловить это ценовое движение. Для сравнения, альфа с горизонтом в три
месяца позволяет гораздо дольше фиксировать движение цены между сделками, что
приводит к меньшему количеству сделок и снижению оборота за тот же период времени.
Для очень краткосрочных альф (например, от секунд до минут) может даже потребоваться
пересечь спред, чтобы попасть в желаемую позицию, что повлечет за собой высокие
транзакционные издержки.
Благодаря более длительному времени выполнения альфа-версии с более длинным
горизонтом позволяют лучше оптимизировать исполнение, а также увеличить емкость
капитала. В альфа-компании можно инвестировать больше капитала до того, как прибыль
перевесит издержки воздействия на рынок.
СТОИМОСТЬ ТОРГОВЛИ
У каждой сделки есть цена. Покупая акции, мы не только платим брокеру комиссию, но и
оплачиваем стоимость спреда. Самая высокая цена, которую покупатель предлагает за
акцию (спрос), обычно ниже самой низкой цены, которую готов принять продавец (спрос);
это спред между ценой покупки и продажи. Чтобы получить положительную прибыль, вы
должны продать то, что вы купили, по более высокой цене, чем вы купили, или, в случае
короткой сделки, выкупить заемные акции по более низкой цене, чем вы их продали.
Оборот 51
Мы ожидаем, что эти затраты будут пропорциональны ликвидности рассматриваемой

вселенной или рынка. На ликвидных рынках спреды остаются узкими, поскольку в любой
момент времени существует большой интерес со стороны покупателей и продавцов; Когда
покупатель пересекает спред, чтобы поднять цену спроса, продавец обычно готов
воспользоваться благоприятным движением цены и снизить цену предложения. С другой
стороны, когда ликвидность низкая или интерес инвесторов накапливается с одной стороны,
цены легче перемещаются, что увеличивает волатильность и расширяет спред. Топ-500
наиболее ликвидных акций на фондовом рынке США имеют средний спред около 5 базисных
пунктов (б.п.). Для сравнения, на небольших рынках, таких как рынки Юго-Восточной Азии,
средние спреды могут достигать 25–30 б.п.1. Очевидно, что стоимость торговли на этих
рынках намного выше, поэтому становится более важным понять, является ли горизонт
альфа профиль оборота соответствует рынку. Можно возразить, что эти рынки менее
эффективны (т.е. имеют более высокую волатильность), оставляя больше возможностей для
получения прибыли, и это, безусловно, верно до тех пор, пока доходность альфы
оправдывает стоимость ее торговли.
Когда мы отнесем торговые издержки к альфам, мы, скорее всего, увидим, что у альф с
более длинным горизонтом общие торговые издержки ниже, чем у альф с более коротким
горизонтом. Более того, вполне возможно, что более низкие торговые издержки «альфа» с
более длинным горизонтом могут также улучшить его общую производительность по
сравнению с «альфа» с более коротким горизонтом, даже если до учета затрат может быть
верно обратное. Картина может выглядеть совсем иначе, если будут наложены ограничения
реального мира, поэтому полезно помнить об этом в процессе исследования.
Чтобы проиллюстрировать этот эффект в контексте построения альфа, рассмотрим две

гипотетические альфа, которые используют данные о ценах и объемах для прогнозирования
цен на следующий день. Обе альфы работают на одном и том же наборе инструментов, и
давайте предположим, что обе альфы имеют одинаковую доходность и IR.
Первый инвестирует в инструменты на основе их недавней волатильности, а второй
инвестирует на основе текущего объема рынка.
1 стандарт (возврат)
2 журнала(объем)
Мы видим, что первая альфа инвестирует в более волатильные инструменты, но

поскольку акции с высокой волатильностью, как правило, имеют меньший объем и более широкую
1 Это оценки, основанные на результатах нашего моделирования WebSim. Только для справки.
Спреды, в рамках стратегии сложно распределить большой объем капитала, учитывая

сложность превращения этих доходов в реальную прибыль. Тем временем вторая альфа
инвестирует в более ликвидные инструменты с большой капитализацией и, вероятно,
будет показывать лучшие результаты при использовании более реалистичных торговых
предположений. Если мы также сделаем вид, что данные об объемах более стабильны во
времени по сравнению с волатильностью, мы ожидаем, что оборот второй альфа будет
ниже, что еще больше повысит ее привлекательность.
ЭФФЕКТ ПЕРЕСЕЧЕНИЯ
Так следует ли нам при оценке альфа-версий смотреть только на итоговую

производительность? Зачем вообще беспокоиться об оценке альфа-версий до их
стоимости? Просто зарядите торговые издержки на все альфы, и проблема будет решена,
верно? К сожалению, это не так просто. Как правило, отдельная альфа слишком слаба и
вряд ли сможет хорошо работать как стратегия сама по себе; Чтобы построить
потенциально прибыльную торговую стратегию, управляющему портфелем обычно
необходимо объединить несколько альф. Объединение множества различных альф
приводит к более сильному и обоснованному прогнозу, который с большей вероятностью
позволит преодолеть транзакционные издержки и другие торговые ограничения.
Разнообразный альфа-пул требует разнообразных идей, методов и данных, в результате
чего появляются альфа-компании с широким диапазоном профилей текучести. Другими
словами: в альфа-обмене существует многообразие. Альфы с разными горизонтами,
скорее всего, принимают во внимание разные типы информации, и это может привести к
более низкой корреляции.
Когда «альфы» объединяются в единую стратегию, противоположные сделки «альф»

«перекрещиваются». Рассмотрим альфа-компанию, которая хочет купить 200 акций IBM и
объединяется с другой компанией, придерживающейся противоположной точки зрения и
предлагает продать 300 акций IBM. Если предположить, что обе альфа имеют одинаковый
вес, равный 1, полученная объединенная альфа позволит продать 100 акций IBM.
Двести акций IBM «перекрестятся», и никаких транзакционных издержек не будет.
понесенные; торговля никогда не выходит на рынок и поэтому не требует затрат. Затраты

понесены только по 100 акциям, которыми будет торговать объединенная альфа-компания.
Если существует адекватное пересечение между набором альф, оборот и общие

торговые издержки результирующей объединенной альфы могут быть ниже, чем оборот
и торговые издержки отдельных альф. Таким образом, мы по-прежнему можем
использовать альфа с более высоким оборотом для увеличения мощности прогнозирования,
сохраняя при этом торговые издержки под контролем. Хотя взимание торговых издержек
с отдельных альф и наблюдение за тем, как эти альфы
Оборот 53
выполнение было бы жизнеспособным тестом, поэтому введение этого строгого

требования было бы слишком ограничительным. Принимая во внимание, что
текучесть кадров по-прежнему необходимо контролировать в отдельных альфа-
компаниях, их показатели послезатрат менее значимы, если их вклад в совокупную
эффективность альфа-компаний значительно выше из-за этого эффекта пересечения.
КОНТРОЛЬ ОБОРОТА
Информация постоянно меняется, но (1) не все типы информации меняются с

одинаковой скоростью и (2) не вся информация особенно полезна. Для иллюстрации
давайте предположим, что наш альфа-сигнал представляет собой просто базовые
данные без каких-либо специальных преобразований, т.е.
данные
Данные — это прогноз, и ясно, что частота данных определяет оборот «альфы»:
чем больше изменяются данные, тем выше оборот.
С одной стороны, предположим, что наши данные — это дневная цена каждой
акции. Мы будем покупать, если цена ранее выросла, и продавать, если она ранее
упала. Цены меняются почти при каждой заключенной сделке, поэтому мы можем
ожидать, что наша альфа будет иметь очень высокий оборот. Но мы понимаем, что
большинство сделок на рынке несущественны и, скорее всего, мы будем торговать
гораздо больше, чем хотелось бы. В результате весьма вероятно, что наша альфа в
среднем потеряет деньги.
Между тем, ежеквартальные объявления компаний происходят лишь несколько
раз в год, и альфа-компания, делающая свои прогнозы исключительно на основе этих
данных, естественно, будет иметь мало торговых возможностей и низкий оборот. Но
эти данные по своей природе скудны. Если не обратить на этот факт никакого
внимания, то график дневного оборота альфы может показать всплески торговой
активности вокруг этих квартальных событий.
Это говорит о том, что альфа может очень быстро войти в позицию и потенциально
закрыть позицию слишком рано. Мы понимаем, что такая альфа имеет более
длительный горизонт, поэтому такие всплески торговли могут быть неоптимальными.
Таким образом, даже альфа-компании с естественным низким оборотом могут иметь
возможности для улучшения путем сглаживания данных и распределения торговли
на более длительный период. В области обработки сигналов и аналогичных областях
написаны целые книги, посвященные различным методам обработки и
преобразования данных. Для наших целей должно быть достаточно нескольких
простых подходов высокого уровня.
Во-первых, полезно определить, имеют ли очень большие значения в данных смысл

или они являются просто аномалиями (т. е. выбросами). Если тесты показывают, что они
действительно являются выбросами, один из способов их уменьшения — просто
ограничить данные, сократив большие точки данных до заранее определенных
минимальных и максимальных значений, например
зажим d( , min ,
ata _value max ) _value
Границы можно выбирать разными способами, например, в виде некоторого

процентного интервала распределения данных или некоторого количества стандартных отклонений.
Подход и связанные с ним параметры будут зависеть от характера данных и могут

быть оценены с помощью бэктестинга, соблюдая осторожность и пробуя только
несколько разумных подходов и избегая переобучения.
С другой стороны, малейшие изменения в данных могут привести к ненужной
торговле. Здесь предполагается, что эти небольшие движения — всего лишь шум,
который нам нужно удалить из наших данных. Предположим, что тесты показывают,
что небольшие изменения в данных совершенно не нужны, и желательно вообще
не торговать, если изменения не значительны. Один из простых подходов может
состоять в том, чтобы потребовать, чтобы изменение превысило пороговое
значение (или «горб»), и в противном случае сохранить предыдущее значение.
дельта-данные – данные
т1
,
humped_delta hump d(порог дельты)
дельта _
т 1 данных с горбинкой
Здесь горбатая дельта равна 0, если abs(delta) меньше порогового значения. В

конечном итоге это удаляет все изменения в данных меньше указанного порога,
что должно обеспечить значительное снижение оборота для нашей альфы. Однако
горбовый подход приводит к более концентрированному торговому профилю;
Значения альфа будут оставаться неизменными в течение определенного периода
времени, пока порог не будет пересечен, после чего произойдет крупное торговое
событие. В этом нет ничего плохого, если это желаемый эффект. В других случаях
сделки можно сгладить (замедлить), а не полностью остановить, используя
экспоненциальную скользящую среднюю.
* 1 *
данные т 1
Оборот 55
или простое или взвешенное скользящее среднее
* данные
* данные * данные
т 1 т 1 н ТН
Эти подходы могут обеспечить аналогичное снижение оборота, но с более плавным

торговым профилем. При таком замедлении сигналов решение о том, какой метод и
параметры использовать, будет зависеть от данных и горизонта альфы. Тщательно
экспериментируя и бэктестируя, мы можем выбрать оптимальную точку, в которой
выбросы и шум уменьшаются, сигнал сглаживается, оборот снижается, а
производительность увеличивается.
Однако слишком сильное уменьшение оборота (т. е. за пределами альфа-горизонта)
приведет к ухудшению производительности, поскольку сигнал будет замедляться сверх
точки, необходимой для захвата возврата. Более быстрые сигналы с более короткими
горизонтами могут переносить меньшее затухание, чем сигналы с более длинными
горизонтами, поэтому важно оптимизировать компромисс между доходностью и оборотом.
ПРИМЕРЫ
Чтобы проиллюстрировать влияние оборота на затраты, рассмотрим хорошо известную

пятидневную реверсивную альфу, которая предполагает, что все цены в конечном итоге
вернутся к средней цене. Простая реализация такой альфы — продавать акции, цены на
которые выросли за последние пять дней, и наоборот:
α = (
1* закрыть – закрыть
т т-5 )
Две версии альфа показаны на рисунке 7.1. Первый проводится по 3000 наиболее
ликвидным акциям на рынке США, нейтрализованным промышленностью. Второй метод
применяется только к 1000 наиболее ликвидным акциям.
На графике показана эффективность до и после стоимости (т. е. взимания половины
стоимости спреда с каждой сделки в бэктесте).
Когда мы оцениваем альфу без учета затрат, мы обычно видим, что более широкая
вселенная улучшит соотношение информации; в более крупной вселенной можно сделать
больше «ставок», что помогает диверсифицировать портфель и снизить потенциальный
риск. Однако мы видим, что результаты выглядят совсем иначе, если принять во внимание
дополнительные затраты на сделки.
Эффект этих затрат гораздо значительнее в более широкой, менее ликвидной Вселенной.
Сравнивая маржу ($pnl/$tradeed) в таблице статистики под графиком, мы видим ухудшение
примерно на 4 б.п. маржи после затрат версии из топ-1000. Потому что версия из топ-3000
содержит акции
6.0e+08
Топ3000
Топ3000Стоимость
4.0e+08 Топ1000
2.0e+08
0.0е+00
–2.0e+08
–4.0e+08
–6.0e+08
–8.0e+08
–1.0e+09
–1.2e+09
2010/01 2011/01 2012/01 2013/01 2014/01 2015/01 2016/01 2017/01 2018/01
Топ3000
дата ТВР Шарп[ 1.26[ об. дд мгн
20090102-20180413 длинный 500,36 короткий –499,64 номер 576.24рента 12,33% 63,01% ир] 0,08] 9,82% –13,50% 3,92
дата прибыль от продаж твр Шарп[ ир] –2,33[ – об. дд 9,74% – мгн –
20090102-20180413 длинный 500,36 короткий –499,64
–1061,69 –22,69% 63,01% 0,15] 212,02% 7,22
Топ1000
дата твр Шарп[ 1.02[ об. дд мгн
20090102-20180413 длинный 500.01 короткий –499,99 номер 512.45ставка 10,97%62,98% ир] 0,06] 10,73% –13,19% 3,48
дата пнл твр Шарп[ ир] –0,16[ – об. дд мгн –
20090102-20180413 длинный 500.01 короткий –499,99 –82,38 рента –1,75% 62,98% 0,01] 10,69% –37,68% 0,56
Рисунок 7.1. Пример пятидневного обратного альфа-пробега по 3000 наиболее

ликвидным акциям на рынке США, нейтрализованным отраслью, и по 1000
наиболее ликвидным акциям
которые менее ликвидны и, следовательно, имеют более высокую стоимость,

мы видим гораздо большее ухудшение, почти на 10 б.п., хотя обе версии имеют
примерно одинаковый оборот. Отсюда следует, что ликвидность «Альфы»
играет значительную роль в определении стоимости оборота.
Ежедневный оборот этой альфы составляет примерно 63%. Давайте посмотрим,
как изменяются альфа-характеристики, когда мы пытаемся контролировать оборот
сигнала, используя метод линейного затухания за последние 20 периодов времени:
α= ββ* данные т + 1
* данные
т 1-
+ +… βн * данные
ТН
На рис. 7.2 показаны показатели до и после затрат упавшей

версии альфа-версии. Как и ожидалось, оборот значительно увеличился.
Оборот 57
6.0e+08
Топ3000
4.0e+08 Топ3000Распад
Top3000DecayСтоимость
2.0e+08
0.0е+00
–2.0e+08
–4.0e+08
–6.0e+08
–8.0e+08
–1.0e+09
–1.2e+09
2010/01 2011/01 2012/01 2013/01 2014/01 2015/01 2016/01 2017/01 2018/01
Топ3000
дата длинный пнл твр Шарп[ 1.26[ об. дд мгн
20090102-20180413 500,36 короткий –499,64576,24 рента 12,33%63,01% ир] 0,08] 9,82% –13,50% 3,92
дата пнл твр Шарп[ ир] –2,33[ – об. дд мгн –
20090102-20180413 длинный 500,36 короткий –499,64
–1061,69 рента –22,69% 63,01% 0,15] 9,74% –212,02% 7,22
Top3000Дата распада
длинный пнл твр Шарп[ 0,86[ об. дд мгн
20090102-20180413 500,14 короткий –499,86396,93 ставка 8,50% 18,84% ир] 0,05] 9,83% –14,33% 9.02
Top3000Decay Дата
длинный пнл твр Шарп[ ир] –0,23[ – об. дд мгн –
стоимости 20090102-20180413 500,14 короткий –499,86
–105,42 рента –2,22% 18,84% 0,01] 9,81% –33,04% 2,40
Рисунок 7.2. Показатели «до» и «после» ухудшенной версии пятидневной

реверсивной альфа-версии
снижена (с 63% до 19%) за счет некоторых показателей до себестоимости; IR и

доходность ниже, чем в исходной версии.
Что еще более важно, спад существенно увеличивает маржу (с 3,9 б.п. до 9,02
б.п.), что значительно улучшает показатели послезатрат.
Тем не менее, важно отметить, что хотя альфа-версия из 1000 лучших компаний
по послезатратам превосходит лучшие 3000, а версия из 3000 лучших сама по
себе после затрат не особенно хороша, даже после снижения текучести, это не
означает, что топ-3000 3000 альфа менее полезны. Как упоминалось ранее,
отдельная альфа-компания обычно недостаточно сильна, чтобы работать хорошо
после затрат самостоятельно. Ключевым фактором в построении стратегии
является эффект пересечения альф при их объединении. Вселенная с большим
количеством инструментов, естественно, будет иметь более высокую вероятность пересечения
4.0e+08
ЗаработокМама
3.5e+08
3.0e+08
2.5e+08
2.0e+08
1.5e+08
1.0e+08
5.0e+07
0.0е+00
2010/01 2011/01 2012/01 2013/01 2014/01 2015/01 2016/01 2017/01 2018/01
дата длинный
короткий пнл в отставку ТВР Шарп [ ИК] том дд мгн
20090601-20180403 498,99 –499,21 359,68 8,08% 35,27% 1,59[ 0,10] 5,10% –7,28% 4,59
Рисунок 7.3. Результативность альфа-пробега 3000 наиболее ликвидных акций

США, нейтрализованных отраслью
Точно так же, как производительность более крупных вселенных до затрат обычно превышает
показатели более мелких, то же самое справедливо и на уровне стратегии и портфеля.
Частота пересечений также зависит от профиля оборота альф. Альфа-компании с более
редкими торговыми профилями будут иметь в среднем меньше возможностей для пересечения,
чем те, у которых торговля более однородна.
Например, пятидневная альфа-версия обычно будет торговать одним и тем же объемом каждый
день, пока волатильность рынка остается постоянной. Между тем, альфа прибыль-импульс,
скорее всего, будет демонстрировать циклический характер оборота, с всплесками активности
примерно в наиболее частое время объявлений о прибылях и убытках. Рассмотрим следующую
альфу, которая занимает длинные позиции по акциям за N дней до объявления о прибылях и
убытках:
10
if 0 <days_until_earnings_announcement < N else
Результаты альфа-пробега 3000 наиболее ликвидных акций США, нейтрализованных
промышленностью, показаны на рисунке 7.3. Средний оборот в 35% значительно ниже оборота в
63% у нашей реверсивной альфа-версии.

Оборот 59
160,0%
ЗаработокМама
5ДеньОбрат.
140,0%
120,0%
100,0%
80,0%
60,0%
40,0%
20,0%
0,0%
2010/01 2011/01 2012/01 2013/01 2014/01 2015/01 2016/01 2017/01 2018/01
Рисунок 7.4. Ежедневный оборот двух «альф» по 3000 самых

ликвидных акций США.
Однако рисунок 7.4, показывающий ежедневный оборот «альф», показывает,

что, хотя «альфа» прибыль-импульс имеет меньший оборот, в среднем у нее
несколько раз в год наблюдаются гораздо более высокие всплески оборота.
Визуализация и анализ ликвидности, оборота и торговых моделей альф
могут дать полезную информацию. В этом примере было бы полезно проверить,
приносят ли сделки в дни с меньшим оборотом какую-либо значимую ценность
или их следует отфильтровать, или же можно ли сгладить всплески, постепенно
открывая позицию в течение нескольких дней, а не резко открывая позицию.
(бинарные) сделки. Понимание характеристик и торгового поведения «альфа»
может открыть больше возможностей для улучшения ее предсказательной
силы, а также дать полезную информацию о том, как «альфа» может
использоваться в стратегии в условиях реальных ограничений.
НАСТРОЙКА ОБОРОТА
Методы сглаживания, такие как линейное затухание, могут фактически улучшить
производительность разреженных сигналов при очень небольшом количестве торговых
событий. Также может помочь винсоризация (ограничение экстремальных значений) или разрушение самих да
снизить текучесть кадров в случаях, когда чрезмерная чувствительность к изменению

информации приводит к ненужным изменениям позиции. Полезность любого
отдельного метода в конечном итоге будет зависеть от альфа. Независимо от
результата, понимание того, как ведет себя «альфа» на различных оборотах, дает нам
ощущение ее ходовой способности. Альфа-компания, которая сохраняет большую
часть своей доходности, как правило, легче использовать заемные средства, чем та,
которая теряет всю свою прибыль после небольшого снижения оборота.
Чтобы понять надежность и ликвидность альфа-идеи, важно протестировать ее на
различных инструментах и понять ликвидность каждого рынка. Определенный
уровень оборота может быть приемлемым в наиболее ликвидных мирах, но становится
неторгуемым, если его расширить и включить в него менее ликвидные инструменты;
уровень, который работает в одной стране, может не работать на менее развитом
рынке. Например, альфа, которая торгует 500 наиболее ликвидными акциями США с
оборотом X%, может быть вполне приемлемой, но для аналогичной альфа для более
крупной совокупности с менее ликвидными инструментами (например, 3000 самых
ликвидных акций в США) или альфа-торговли на развивающемся рынке, было бы
разумно оценить эффективность при более низких оборотах, принимая во внимание
стоимость торговли.
Хороший уровень оборота – это тот, который максимизирует соотношение между

прибылью или IR и оборотом. Что еще более важно, тестирование и анализ
эффективности «альфы» в различных наборах ликвидности и при различных уровнях
оборота может обеспечить понимание и уверенность в надежности и торгуемости этой
«альфа». В конце концов, все относительно.
8
Альфа-корреляция
Чинь Данг и Криспин Буй
Альфа оцениваются по множеству различных показателей, таких как

соотношение информации, доходность, просадка, оборот и маржа. Эти
показатели получены в основном из прибылей и убытков альфы (PnL).
Например, коэффициент информации — это просто средняя доходность,
деленная на стандартное отклонение доходности. Еще одним ключевым
качеством альфы является ее уникальность, которая оценивается коэффициентом
корреляции между данной альфой и другими существующими альфами.
Обычно считается, что альфа с более низким коэффициентом корреляции
добавляет больше ценности к пулу существующих альфа.
Если число альф в пуле невелико, важность корреляции невелика.
Однако по мере увеличения количества альф различные методы
измерения коэффициента корреляции между ними становятся все
более важными, помогая инвестору диверсифицировать свой портфель.
Менеджеры портфелей захотят включать в свои портфели относительно
некоррелированные «альфа», поскольку диверсифицированный портфель
помогает снизить риск. Хорошая мера корреляции должна идентифицировать
уникальность одной альфы по отношению к другим альфам в пуле (меньшее
значение указывает на хорошую уникальность). Кроме того, хорошая мера
корреляции способна предсказать тенденцию движения двух альфа-векторов
PnL (векторов временных рядов). Корреляция между альфами может быть
вычислена на основе корреляции альфа-PnL или корреляции значений альфа.
АЛЬФА PnL КОРРЕЛЯЦИЯ
Даны два альфа-вектора PnL (векторы выделены жирным шрифтом):
Т
п я
"=" ПП, П
,…, в ] €
н
(1)
я1я2
Т
п "=" ПП,П,…,2 €
н
дж [ Дж
1
Джей Джей
й й й
где Pit и Pjt обозначают PnL i и Дж альфы на т день, n - это
количество дней, используемых для измерения корреляции, а T обозначает транс-положение
матрицы. Примечание: тесты обычно выбирают количество дней для корреляции в виде двух
или четырех лет вместо полной истории, чтобы сэкономить вычислительные ресурсы.
Коэффициент корреляции Пирсона
Коэффициент корреляции Пирсона, также известный как коэффициент корреляции

момента произведения Пирсона, не имеет единиц измерения и может принимать
значения от 1 до 1. Математическая формула была впервые разработана Карлом Пирсом.
сын в 1895 году:
ков ПП
,
р
я дж
(2)
ПП
я дж
где cov P Pi — Дж , ЭП я П
П ковариация и
я Дж П
Дж Пи
и стандартные отклонения Pi и Pj соответственно. Для двух

Пиджей
векторов PnL коэффициент вычисляется с использованием выборочной

ковариации и дисперсий. В частности,
н
ПППП
1
.
это я
т
р
Джей Джей
н 2 н 2 (3)
ПП ПП
т 1 это я
т 1 Джей Джей
Коэффициент инвариантен к линейным преобразованиям любой переменной.
способный. Если знак коэффициента корреляции положительный, это означает,

что PnL двух альф имеют тенденцию двигаться в одном направлении. Когда
доходность Pi положительна (отрицательна), доходность Pj также имеет
тенденцию быть положительной (отрицательной). И наоборот, отрицательный
коэффициент корреляции показывает, что PnL двух альф имеют тенденцию
двигаться в противоположных направлениях. Нулевая корреляция означает, что
между двумя векторами PnL нет связи. На рис. 8.1 показано изменение
максимальной корреляции в зависимости от торговых сигналов с использованием данных за
Альфы стремятся делать прогнозы относительно будущего движения
различных финансовых инструментов. В результате анализ необходимо
расширить во временной ряд, который включает в себя последовательность
случайных величин с временным индексом. В случае альфа-вектора PnL
наблюдение представляет собой прибыль (+) или убыток (-) альфа за один день.
Ниже мы кратко рассмотрим скалярное произведение, а затем обсудим временную корреляци
Альфа-корреляция 63
0,25
0,2
0,15
яаняьилцаямлиесркраоМ
к
0,1
0,05
МаксКорр
0
10 100 1000
10 000 100 000
1 000 000
10 000 000
Количество торговых сигналов
Рисунок 8.1 . Изменение максимальной корреляции в зависимости от

торговых сигналов
Временная корреляция
Скалярное (внутреннее) произведение определяется как сумма произведений

соответствующих записей двух последовательностей чисел.
Пи Дж . П Пи я P os c (4)
где P — модуль или величина вектора PnL и угол между двумя векторами.
Одним из важных применений скалярного произведения является
нахождение угла между двумя векторами, поскольку угол можно найти с помощью
н
ПП . ПП
ij 1
т
.
это просто
потому что
(5)
ПП н 2 н 2
я я
п п
т 1 это
т 1 ДжТ
Когда угол равен нулю, два вектора PnL попадают на одну и ту же линию,
и потому что векторы ортогональны,
1. Когда уголи потому что временная
, корреляция
рассматривает .0 2
вектор PnL каждого альфы как последовательность временных рядов и
присваивает вес значениям в каждый день.
Таким образом, корреляция между двумя векторами PnL определяется как:
н
ж ПП
1
.
т не правда ли?
р
н н
(6)
2 2
WP
т
WP т
т 1 это
т 1 ДжТ
Естественно, недавним значениям PnL (wwn 1,…, ) присваиваются более

т т 1,
т
т высокие веса . Например, ш
т 1 , что обратно пропорционально
н
временной индекс t. Формула преобразует входные пары векторов (Pi , P ) в дж
масштабированные по времени векторы, а затем вычисляет угол между двумя

масштабированными векторами:
Т
' н
п я
"=" WP WP
я 11 2,2 WP я ,…, нв €
Т (7)
' н
п "="
j jj n jn WP
11 WP
2 2 , WP ,…, € .
В результате временная корреляция по-прежнему сохраняет многие желательные

аспекты традиционного скалярного произведения, такие как коммутативные,
распределительные и билинейные свойства.
Коэффициент корреляции Пирсона можно вычислить здесь для двух
масштабированных векторов в уравнении 7. Мы видим, что центрированные
переменные имеют нулевую корреляцию или некоррелированы в смысле
коэффициента корреляции Пирсона (т.е. среднее значение каждого вектора
вычитается из элементов этого вектора), а ортогональность является свойством
необработанных переменных. Нулевая корреляция означает, что два
униженных вектора ортогональны. Унизительный процесс часто меняет угол
каждого вектора и угол между двумя векторами. Следовательно, два вектора
могут быть некоррелированными, но не ортогональными, и наоборот.
Дополнительную информацию о линейных независимых, ортогональных и
некоррелированных переменных см. в книге Joseph Rodgers et al. (1984).
Обобщенная корреляция
Преобразование данных может быть важным инструментом для правильного анализа данных.
Существует два вида преобразований: линейные и нелинейные. Линейный
Преобразование (например, умножение или сложение константы) сохраняет

линейные отношения между переменными, поэтому не меняет корреляцию
между переменными. Ниже мы рассмотрим нелинейные преобразования,
которые обычно изменяют корреляцию между двумя переменными.
Две приведенные выше формулы корреляции вычисляют коэффициенты
корреляции, используя ежедневные значения PnL. Обобщенная корреляция
создает матрицу Mk n, затем преобразует два вектора PnL в другое евклидово пространство:
кн
× к
"=" М п €
(8)
вопрос я я
кн
× к
вопрос дж
"=" М п дж
.
Регулярная корреляция теперь вычисляется в преобразованной области с

некоторыми дополнительными функциями, добавленными преобразованной матрицей Mk n.
пп
Если MI
знать
— единичная матрица, мы получаем регулярную корреляционную
схему. Здесь мы рассмотрим некоторые другие особенно полезные
преобразования.
Недельная корреляция PnL рассчитывается для еженедельных, а не для дневных
н
Векторы PnL. В этом случае к и матрица преобразования становится
5
МК н м
,
5 июня н (9)
1 н
где я я 1, и 1 5,
т и все остальные элементы
, *15т
5 5
равны нулю. Недельная корреляция обычно выше дневных значений, но это
еще один способ понять альфа. Ежемесячная корреляция PnL рассчитывается
с использованием аналогичного подхода.
Временная корреляция – это еще одна форма обобщенной
корреляции, соответствующая квадратно-диагональной матрице
преобразования:
МК н м ij
,
(10)
пп
мвидж если
где ij, я
. При этом преобразовании вход PnL 0, в
м противном случае
ij,
векторы преобразуются в масштабированные по времени векторы, как в уравнении 7.
Знаковая корреляция PnL — это еще одна форма векторной корреляции PnL,
в которой корреляция вычисляется по знакам значений PnL, а не по самим
значениям. Матрица преобразования теперь представляет собой зависимую от
данных диагональную матрицу, а значения ее элементов зависят от входных
векторов PnL. В результатевходные пары (Pi ,P ) преобразуются к следующему виду:
дж
' Т
вопрос
я
"="
знак ( ПП)П, знак (
я1 я2
) , … , знак ( в )
€ н
' Т (11)
вопрос
дж
"="
знак ( ПП)П, знак джун(
дж 1 дж 2
) , … , знак ( )
€ н
где Sign x — знаковая (или Signum) функция, принимающая значения 1 0, , ,

1
соответствующие (положительным, нулевым, отрицательным) значениям x.
КОРРЕЛЯЦИЯ ЗНАЧЕНИЙ АЛЬФА
й
Обозначим вектор положения альфа на t день за днем
Т
т тт т м
α я( ) "=" ααя 1( ) , я2
()
,…, αя ()
(12)
где m – количество инструментов,

т
ок км составляет (или соответствует
м т
зависит от) суммы денег, вложенной в k-й инструмент, и к 1 ок
равна (или пропорциональна) общей сумме денег, вложенных в порт
фолио. Иногда полезно учитывать векторы положения альфа, а также

векторы PnL. В частности, портфельные менеджеры часто рассматривают
два показателя корреляции, основанные на позициях: корреляцию
позиций и торговую корреляцию.
Корреляция положений между двумя альфами за период d дней
вычисляется путем формирования следующих двух векторов:
Т *
( 1) ( 2) (д )
α я ii"="я αα , ,…, α ) € (
Мэриленд
Т *
(13)
( 1) ( 2) (д )
α αα , ,…, α ) € ( .
Мэриленд
"="
j jj j
Торговая корреляция между двумя альфами за период d дней

вычисляется путем формирования двух векторов разностей:
Т *
( 1) 22 3 () д ) )
αα αα , α α я( ) α (
д1+
( ) ( ) я ii я
=
,…, €
Мэриленд
я (я
Т *
(14)
( 1) 22 3 ) ( д) ) )
α α αα , α α α ( .
() д1+
( ) ( j jj j
=
,…, €
Мэриленд
дж
я ( Дж
Обычно достаточно d 20 дней, поэтому альфа-вектор имеет

размерность 20 * количество инструментов во Вселенной. Если две
альфы занимают позиции на разных вселенных инструментов, для
расчетов используется пересечение двух вселенных.
КОРРЕЛЯЦИЯ С АЛЬФА-ПУЛОМ
Вышеупомянутые методы корреляции используются для проверки

корреляции между двумя отдельными альфами. Естественно, учитывая
набор альф, максимальная корреляция использовалась как мера добавленной стоимост
Таблица 8.1 Гистограмма корреляции
Контейнеры
цент(%) count_in_number
0,9 с9 0
0,8 с8 0
0,7 с7 0
0,6 с6 0
0,5 с5 0
0,4 с4 167
0,3 с3 5,102
0,2 с2 70 294
0,1 с1 283 436
0 с0 438 720
0,1 с_1 286 478
0,2 с_2 36 889
0,3 с_3 1293
0,4 с_4 59
0,5 с_5 0
0,6 с_6 0
0,7 с_7 0
0,8 с_8 0
0,9 с_9 0
1 с_10 0
заданная альфа. По мере увеличения числа альф средняя корреляция

становится более важной, чем одна максимальная корреляция.
T-корр определяется как сумма корреляций данной альфы со всеми другими
альфами. Средняя корреляция и Т-корр, наряду с максимальной корреляцией,
обеспечивают дополнительные мощные меры сложения значений альфа.
Распределение корреляционной плотности более важно, чем единичное

максимальное значение или даже среднее значение корреляции. В таблице 8.1
показан пример гистограммы корреляционной плотности (20 ячеек размером 0,1).
Из гистограммы можно извлечь множество признаков в дополнение к
максимальной корреляции и средней корреляции. Например, масштабированный
средний балл одного альфы в пуле можно определить как
9 * дж
с (cj взято из табл. 8.1). Оценка варьируется в пределах 1 1, ,

дж
10 _
10
которая увеличивается, если количество альф с положительной корреляцией
увеличивается или количество альф с отрицательной корреляцией уменьшается.
Мы рассмотрели несколько различных подходов к оценке корреляций между PnL и

позициями альф и пулов альф.
Конечно, существуют более статистические и менее алгебраические подходы к
оценке корреляции, такие как ранговая корреляция Спирмена и ранговая
корреляция Кендалла. В рамках этой главы мы рассмотрели лишь некоторые из
наиболее распространенных методов оценки альфа-корреляции. Корреляцию PnL
можно оценить за более длительный период времени (2–4 года или дольше) по
сравнению с корреляцией значений альфа (которая требует короткого, недавнего
периода времени) из-за ограничений вычислительных ресурсов.
Одна разумная идея часто может быть использована для разработки множества
альф, в зависимости от различных методов и наборов данных. Поскольку они
разработаны на основе единой идеи, эти альфа имеют тенденцию быть сильно
коррелированными. Иногда бывают случаи, когда полезно объединить некоторые
или все эти сильно коррелированные альфа вместо того, чтобы выбирать только
одну альфа и удалять все остальные. Две «альфы» могут иметь высокую корреляцию
между историческими показателями, но будущее неопределенно, и не всегда ясно,
какая из них может принести больше пользы в будущем. Следовательно, с точки
зрения распределения ресурсов для двух альфа с высокой корреляцией (например,
A и B), можно разделить ресурсы (не обязательно поровну) между A и B вместо
выделения всех ресурсов одному альфа. Одна альфа не может полностью описать
каждый аспект одной идеи, но каждая альфа представляет эту идею по-своему;
следовательно, использование всех этих альф одновременно может дать более
полное представление об идее и сделать общую стратегию более надежной.
Конечная цель альфа-корреляции — найти истинную ценность добавления

одной новой альфы с учетом пула существующих альф, что становится все более
важным по мере того, как число альф растет к небу.
Использование множественных корреляционных подходов приводит к лучшему
пониманию альфа-сигналов в недавней истории, а также за более длительный период.
Альфа, основанная на совершенно новой торговой идее, как правило, уникальна и
добавляет наибольшую ценность в пул альфа.
9
Бэктест – сигнал или
переоснащение?
Чжуанси Фан и Пэн Янь
ВВЕДЕНИЕ
За последнее десятилетие немало квантовых фондов добились огромных успехов

на финансовых рынках благодаря своим альфа-портфелям. Но означает ли это, что
альфа может эффективно предсказывать цены на акции? Точнее, могут ли кванты
предсказать цену данной акции на определенную дату в будущем? К сожалению,
мы, вероятно, не можем делать отдельные прогнозы с какой-либо разумной
уверенностью. Природа статистического арбитража заключается в том, что
прогнозирование возможно только в «статистическом» смысле: только при
большом количестве прогнозов случайные ошибки в среднем достигают
приемлемого уровня точности в совокупности. Что еще более интересно,
существует множество способов сделать такие статистические прогнозы цен.
СТАТИСТИЧЕСКИЙ АРБИТРАЖ
Ключевое допущение, лежащее в основе статистического арбитража, заключается в том,

что цены финансовых инструментов определяются последовательными правилами,
которые можно обнаружить на основе их исторического поведения и применить к будущему.
На цены финансовых инструментов влияют множество факторов, в том числе
микроструктура торговли, фундаментальная оценка и психология инвесторов.
Таким образом, следует ожидать, что различные виды правил управления ценами
могут быть обнаружены и использованы для создания альф. Поскольку цены
ценных бумаг определяются множеством правил или факторов, не каждое правило
применимо к какому-либо конкретному инструменту в любой конкретный момент.
Реальное правило ценообразования – и хорошая альфа, основанная на этом правиле –
при применении должны выглядеть прогнозирующими и иметь статистическую значимость.
инкассации всех исследуемых ценных бумаг за все доступные торговые дни. Простым
примером является хорошо известное правило возврата к среднему значению, которое
гласит, что цена акции со временем будет иметь тенденцию возвращаться к своей
средней цене. На фондовом рынке по-прежнему легко найти акции, цены которых в
определенные периоды продолжают расти или падать, при этом средняя цена постоянно
движется в определенном направлении. Тем не менее, агрегируя набор N акций за M
торговых дней, если N и M достаточно велики, вы обнаружите, что более 50% этих точек
выборки NM подчиняются правилу возврата к среднему значению.
Более того, даже несмотря на то, что они основаны на одном и том же базовом
правиле управления ценой, могут быть созданы разные альфа, если они используют
разные реализации этого правила. Например, если воспользоваться правилом возврата
к среднему значению, используя различные методы расчета среднего значения и
различные способы определения тенденции возврата к среднему значению, можно
получить разные значения альфа, причем все они могут быть прибыльными и
относительно некоррелированными. Важно различать существенные ограничения,
определяющие идею, и конкретные варианты реализации. Рассмотрим колесо. Колеса
обычно круглые, но почему они должны быть круглыми?
Реальное ограничение формы колеса состоит в том, что оно должно быть выпуклым и
плоским, с постоянной шириной. Согласно этому правилу, можно изготавливать колеса
некруглой формы, как это объясняется теорией треугольника Рело. Поскольку разные
реализации часто имеют разные сильные и слабые стороны, хороший ансамбль
реализаций обычно более надежен, чем любой отдельный экземпляр.
БЭКТЕСТИРОВАНИЕ
Существует два основных способа генерации сигналов: через идеи или через данные. В
процессе, основанном на идеях, зародышем идеи альфа-дизайна может быть гипотеза,
статья, история, вдохновение или просто случайная идея. В процессе, основанном на
данных, сигналы поступают из наборов данных, собранных собственными силами или от
поставщиков данных, но любые обнаруженные потенциально ценные сигналы должны
быть проверены. Большинство исследований следует той или иной форме гибридной
методологии: первоначальная идея пересматривается на основе данных, или новый
источник данных мотивирует новое направление чтения и исследований. Для обеих
методологий бэктестирование является важнейшим компонентом процесса.
Как и в академических исследованиях, многие предположения ошибочны, а многие
испытания тщетны. Лишь немногие из них имеют потенциал для получения стабильной
прибыли в реальной среде. Во многих случаях исследователь будет иметь
Бэктест – сигнал или переоснащение? 71
твёрдая вера в то, что модель будет работать, но после тестирования обнаружит, что это
не так, или, наоборот, изначально скептически настроенный исследователь может найти
большую эмпирическую ценность в идее, открытой по счастливой случайности или
противоположной гипотезе. Основная сила может присутствовать на рынке, но иметь
слабый эффект, который перевешивается другими факторами, или первоначальная идея
может быть просто ошибочной, поскольку рынки часто ведут себя нелогично.
Моделирование и бэктестирование
Существует множество возможных методов проверки обоснованности гипотезы, в том

числе:
• Моделирование Монте-Карло, которое имитирует различные источники неопределенности,
влияющие на значения приборов, для получения ряда результирующих результатов.
• Модели ценообразования, которые рассчитывают цены активов (например, Black–

Модель ценообразования опционов Шоулза).
• Объяснительные модели, анализирующие исторические события.
В нашей рабочей среде моделирование означает тестирование на исторических

данных: процесс применения конкретной модели к объективным историческим данным
при определенных рыночных предположениях и ограничениях риска для проверки ее
смоделированных исторических показателей. Неявное предположение бэктестинга
заключается в том, что если идея работала в истории, то с большей вероятностью она сработает и в будущ
Модель, как правило, не будет рассматриваться, если она не была проверена в ходе
моделирования.
Результаты бэктестинга используются для предварительного выбора моделей,

сравнения различных моделей и оценки потенциальной ценности таких альф. Эти
результаты можно оценить с помощью различных показателей, таких как доходность,
коэффициент Шарпа (риск доходности), оборот (частота сделок) и корреляция с другими
альфами.
Однако хороших результатов бэктестинга недостаточно для создания прибыльной
стратегии; многие другие факторы повлияют на эффективность инвестиций. В общем,
инвесторам не следует инвестировать капитал, основываясь исключительно на результатах
моделирования. Некоторые из причин:
• Текущий рынок может отличаться от исторического периода.

Правила рынка постоянно меняются, баланс участников рынка со временем меняется, а
новые теории и новые технологии могут повлиять на поведение рынка.
• Предположения, лежащие в основе моделирования, могут оказаться нереалистичными.

Чтобы купить или продать активы, инвесторы должны совершать сделки, которые могут
повлиять на рынок, и им необходимо оплатить транзакционные издержки или комиссии.
Разумные оценки этих чисел имеют решающее значение при оценке результата
моделирования.
• Возможна предвзятость в отношении будущего. Если вы видели, как кто-то следовал за

трендом и получал прибыль в прошлом году, вы можете подумать о том, чтобы
протестировать модель следования за трендом, и, возможно, вы сможете получить
хорошее историческое моделирование за тот же год. Без лучшего понимания вы можете
получить или не получить прибыль от будущих инвестиций.
• Это может быть случай переобучения. Иногда инвесторы видят хорошие результаты
моделирования, которые являются просто случайными и не имеют никакой
предсказательной силы.
Переоснащение
Слово «переобучение» пришло из области статистического машинного обучения.

В квантовом мире переоснащение или очевидное открытие правила, определяющего
цену, которое оказывается неверным, является неотъемлемым риском любой системы
бэктестинга. Ложная связь может показаться статистически значимой в исторических
данных, на которых она была построена, затем исчезнуть в будущем и никогда больше не
проявиться. Альфа, такая как «Акции с буквой «C» в тиккерах имеют тенденцию расти по
средам», вероятно, не лучший вариант для инвестирования – даже если в прошлом он
казался прибыльным.
Явление такого рода часто наблюдается в сфере, близкой к повседневной жизни.
Очевидная формула «3964» была обнаружена перед чемпионатом мира по футболу 2006
года. Аргентина выигрывала чемпионат в 1978 и 1986 годах, то есть в общей сложности
3964 года; Германия выиграла в 1974 и 1990 годах, что в сумме составило одно и то же
число; Бразилия побеждала в 1970 и 1994 годах, а затем еще раз в 1962 и 2002 годах. Эта
формула выглядела красиво, пока «статистики» не попытались использовать ее для
прогнозирования чемпионата 2006 года. Они утверждали, что чемпионат мира перейдет
в Бразилию, которая выиграла в 1958 году, но вместо этого он достался Италии.
Неудивительно, что «правило» не сработало и в 2010 году, когда новым членом клуба
чемпионов стала Испания. Но вместо того, чтобы просто смеяться над этой ложной
альфой, мы можем узнать кое-что разумное: среди всех национальных сборных те, кто
выиграл чемпионат, как правило, сильнее своих соперников, поэтому у них может быть
больше шансов на повторную победу. Урок заключается в том, что простая игра с числами
может помочь вам получить важные результаты, но
Чтобы создать хорошие альфы, важно осознать лежащий в основе принцип ценообразования
и отделить его от ложного шума.
Каждый день профессиональные инвесторы проводят огромное количество симуляций на
основе исторических данных, чтобы выявить закономерности движения цен, используя
суперкомпьютеры, кластеры, а теперь и облака. Риск переобучения или обнаружения ложных
связей особенно высок, учитывая огромную вычислительную мощность современных
графических процессоров. Когда вы видите особенно хорошие результаты моделирования,
вам нужно быть осторожным и оценить риск переобучения моделей.
Предположим, что исследователь хочет определить хотя бы один двухлетний период

бэктестинга с годовым коэффициентом Шарпа выше 1.
Если он попробует достаточное количество конфигураций стратегий, он в конечном итоге
найдет одну, даже если стратегии на самом деле случайны, с ожидаемым коэффициентом
Шарпа за пределами выборки, равным 0. Попробовав достаточно большое количество
конфигураций стратегий, всегда можно провести бэктест. до любой желаемой
производительности при фиксированной длине выборки.
Сигнал можно определить как конфигурацию стратегии, последние M
Дневной коэффициент Шарпа PnL был выше, чем S. В таблице 9.1 минимальное требование
Шарпа проходит через верхнюю часть, а количество случайных симуляций, в рамках которых
можно ожидать увидеть сигнал, удовлетворяющий этому требованию, проходит через левый
столбец. Числа генерируются с помощью: (1) случайно созданных M нормализованных
векторов распределения длиной 1 миллиард; (2) проверка того, сколько таких случайных
попыток имеют абсолютные коэффициенты Шарпа выше S (если один сигнал имеет очень
отрицательный коэффициент, его можно перевернуть); и (3) расчет ожидаемого количества
необходимых симуляций путем деления 1 миллиарда на количество, наблюдаемое в №. 2.
Таблица 9.1. Количество дней бэктестинга, необходимое для достижения различных целевых показателей
коэффициента Шарпа
Цель Шарпа
Количество
0,5 1.0 1,5 2.0 2,5 3.0
дни
20 1.12 1,27 1,46 1,70 2.00 2.38
60 1.24 1,59 2.12 2,97 4.32 6,58
120 1,37 2.03 3.28 5,82 11.31 24.14
250 1,61 3.11 7.29 20.87 73,45 317,53
500 2.07 6.25 28.34 196,60 2104,14 34 698,13
1000 3.13 21.39 345,77 13 700,13 1 340 483 500 000 000
КАК ИЗБЕЖАТЬ ПЕРЕОБИТАНИЯ
Чтобы снизить риски переобучения, было предложено несколько технологий, таких как
десятикратная перекрестная проверка, регуляризация и априорная вероятность.
Десятикратная перекрестная проверка — это процесс, который разбивает данные на
десять наборов размером n/10, обучает модель на девяти наборах данных и тестирует на
одном, затем повторяет процесс десять раз и принимает среднюю точность. В статистике
и машинном обучении регуляризация используется при выборе модели, чтобы
предотвратить переобучение путем наказания моделей с экстремальными значениями параметров.
Недавно были опубликованы статьи по проблемам переоснащения в области
количественных инвестиций, в том числе Bailey et al. (2014a), Бейли и др. (2014b), Бодан
(2013), Бернс (2006), Харви и др. (2014), Лопес де Прадо (2013) и Шорфхайде и Вольпин
(2012).
Заимствование концепций из области статистического машинного обучения здесь.
Вот несколько конкретных рекомендаций, как избежать переобучения:
Тест вне выборки. Чтобы оценить альфа-модель, тест вне выборки должен быть
настоящим тестом вне выборки. То есть мы строим модель, ежедневно тестируем ее
в реальной среде и следим за ее работой. Это не настоящий тест вне выборки, если
(1) модели тестируются на основе данных за последние N лет, а затем в качестве
данных вне выборки используются данные за более ранний N- летний период; или (2)
модель тестируется на подмножестве торговых инструментов, а другие инструменты
используются вне выборки. В первом случае на историю рынка за последние N лет
повлияла предыдущая история, поэтому модели, которые работали недавно, могут
иметь тенденцию работать и в этой истории. Во втором случае коррелируются разные
инструменты; модели с хорошей производительностью в одной вселенной, как
правило, хорошо работают и в другой.
Примечание: по мере увеличения количества тестируемых альфа-факторов вне

выборки тест вне выборки становится более предвзятым. Альфа может показывать
хорошие результаты благодаря удаче. Производительность за пределами выборки
на уровне одной альфы недостаточна при тестировании многих альф.
Увеличьте требования к коэффициенту Шарпа в выборке: более высокий коэффициент
Шарпа снижает риск переобучения. Если возможно, лучше протестировать модель на
более широкой Вселенной, где она должна иметь более высокий коэффициент Шарпа,
следуя фундаментальному закону коэффициентов Шарпа: коэффициент информации
равен коэффициенту информации, умноженному на квадратный корень из ширины
(Гринольд и Кан, 1999). . В реальном мире, к сожалению, есть
часто ограничения на общее количество соответствующих торгуемых инструментов
или подмножество инструментов, включенных в набор данных.

Протестируйте модель на более длительной истории. Как показано в Таблице 9.1,
удлинение периода бэктестинга снижает вероятность случайного переобучения.
Однако дольше не всегда лучше, потому что данные могут быть недоступны в
течение достаточно длительного периода или рынок мог слишком сильно
измениться, чтобы старая история все еще имела смысл.
Перекрестная проверка на разных инструментах. Хорошие альфа-модели обычно
работают в разных активах и регионах. Например, модели акций, разработанные в
США, могут быть применены к Европе и Азии.
Сделайте модель элегантной: альфа-версия лучше, если (1) она проста и понятна; (2) за
ним стоит хорошая теория или логика, а не только эмпирические открытия; и (3) это
можно объяснить и рассказать историю, стоящую за этим. Например, «Альфа-
доходность» может потенциально стать хорошей моделью, а «Альфа-доходность»
— нет.
Последнее не сработает, потому что вы не можете осмысленно добавлять две разные
единицы (например, для доходности используются доллары, а для объема — целое
число, например, акции).
Минимизируйте параметры и операции. Как и в машинном обучении, модели с
меньшим количеством степеней свободы менее чувствительны к изменению
параметров. Это может помочь снизить риски переобучения. Дополнительная
выгода от затрат дополнительного времени на подгонку параметров или операций,
как правило, невелика и в определенный момент становится отрицательной,
поскольку риск переподбора перевешивает выгоду от улучшенной подгонки.
Цены на финансовые инструменты определяются различными правилами и факторами,

которые могут лечь в основу статистических арбитражных альфа. У всех альф есть
режимы неудачи, и ни одна альфа не работает на всех инструментах и при любых
условиях, но разумная комбинация реальных альф, охватывающих различные аспекты
истинных правил управления ценой, с большей вероятностью приведет к созданию
успешных прибыльных портфелей. Бэктестирование необходимо для разработки и
проверки сигналов, но оно сопряжено с риском переобучения. Есть много способов
контролировать риск переобучения; всеобъемлющая идея состоит в том, чтобы найти
надежные альфы, которые работают по общим принципам и не слишком чувствительны
к конкретным параметрам или условиям.
Имейте в виду, что люди черпают идеи из научных статей и отчетов об исследованиях,
но эти статьи и отчеты описывают только хорошие результаты; они не могут
публиковаться, если исполнение недостаточно хорошее. Они не говорят, сколько раз
пытались, и не сообщают о неудачах. Во многих случаях их модели невозможно
воспроизвести.
Кроме того, финансовые рынки обладают эффектом памяти. Многие количественные
инвесторы смотрят на одни и те же исторические данные. Некоторые закономерности
возникают в истории без видимой причины или по причинам, выходящим за рамки того,
с чем могут справиться количественные модели. Такие закономерности могут быть
зафиксированы не одной, а большим количеством моделей шума. Торговля такими
хорошо подогнанными моделями может подтолкнуть рыночные цены к модели и
привести к потере прибыли, особенно при больших размерах сделок.
10
Контроль предубеждений
Ананд Айер и Адитья Пракаш
ВВЕДЕНИЕ
Инвестиционные предубеждения хорошо изучены, о чем свидетельствует как академическая

литература, так и область поведенческих финансов, которая занимается их пониманием. Хотя
количественный инвестиционный процесс предлагает инвесторам средства управления

такими предубеждениями и их разрешения, многие управляющие количественными
портфелями в конечном итоге вносят предвзятость, систематически или иным образом. Эта
глава представляет собой размышление практикующего специалиста о том, как контролировать
предвзятость, и предназначена для количественных портфельных менеджеров и исследователей.
Мы начнем с определения двух категорий предвзятости, а затем исследуем различные
типы предвзятости, существующие в этих категориях. В заключение мы приведем некоторые
практические предложения для специалистов по количественному анализу и фирм.
КАТЕГОРИИ ПРЕДУСМОТЕНИЙ
Мы широко классифицируем предвзятость как систематическую или поведенческую.

Инвесторы вносят систематическую предвзятость, непреднамеренно внося ее в свои
количественные процессы. Напротив, инвесторы вносят поведенческую предвзятость,
принимая специальные решения, основанные на их собственном человеческом поведении. С
течением времени как систематические, так и поведенческие предубеждения приводят к
неоптимальным инвестиционным результатам.
СИСТЕМАТИЧЕСКИЕ ПРЕДУСМОТРЕНИЯ
Существует два важных источника систематической систематической ошибки: предвзятость и
интеллектуальный анализ данных.
Смещение прогнозирования
При моделировании или обратном тестировании, когда сигнальная или инвестиционная стратегия в
данный момент времени использует данные из будущего, которые не были бы известны или
недоступны, это приводит к предвзятости. Из-за этого результаты моделирования часто кажутся
лучше, чем они есть на самом деле. Хотя это хорошо понятно, предвзятость прогнозирования на
удивление широко распространена в количественной сфере.
Упреждающее смещение в метках времени
Одной из ключевых причин предвзятости прогнозирования является плохая временная метка данных.
Каждому элементу данных должна быть присвоена двойная временная метка: дата-время возникновения
и дата-время прибытия. Дата и время возникновения определяет, когда произошло событие, связанное
с данными. Например:
Аналитик XYZ повысил PQR акций до покупки в 2017 г., 1017 г., 10:00:00 EST.
Дата-время прибытия — это момент, когда исследователь получил информацию

о вышеупомянутом событии от распространителя или поставщика данных.
Например:
Поставщик ABC предоставил информацию об указанном выше обновлении аналитики
20171018 15:00:00 по восточному стандартному времени
Любой сигнал, отключенный от даты и времени возникновения вместо даты и времени прибытия,
будет игнорировать реальные задержки, связанные с получением данных, что может привести к
нереалистичному моделированию.
На количественном языке данные с двойной временной меткой также называются данными на
определенный момент времени. Многие временные ряды, такие как оценки ВВП, часто
пересматриваются экономистами, собирающими и анализирующими данные. Поставщики данных
также могут исправлять ошибки данных в течение определенного периода времени. Во всех таких
случаях двойная временная метка восстанавливает данные, доступные в определенный момент
времени, чтобы можно было провести точное моделирование для этого момента времени.
Другой формой плохой временной метки, имеющей отношение к глобальным стратегиям, является
неспособность записать часовой пояс, в котором отмечаются данные.
Это особенно актуально для стратегий, торгующих одновременно в разных часовых поясах – например,
в Лондоне и Нью-Йорке. Моделирование сигналов, которые торгуются одновременно в разных часовых
поясах, можно точно реконструировать путем нормализации данных даты и времени в разных часовых
поясах к одному часовому поясу.

Контроль предубеждений 79
Наконец, менеджеры количественного портфеля полагаются на поставщиков данных. Любой

предвзятость, возникающая при сборе и отображении собственных данных поставщика.
процесс распространения может превратить его в инвестиционную модель. Таким образом,
количественные инвесторы должны принимать только исторические данные с двойной меткой
времени и тщательно проверять любой источник данных, который часто подвергается
пересмотру. Модели следует тестировать на согласованность между периодом выборки
поставщика (до того, как он начал предоставлять данные в режиме реального времени) и
последующим периодом вне выборки.
Смещение прогнозирования в машинном обучении
Исследователи, использующие методы машинного обучения, также могут внести предвзятость
прогноза. В частности, они могут настроить некоторые гиперпараметры для всей выборки
данных, а затем использовать эти параметры в бэктесте. Гиперпараметры всегда следует
настраивать, используя только ретроспективные данные.
Аналогичным образом, в области анализа настроений исследователям следует принять во
внимание словари настроений, предоставляемые поставщиками, которые, возможно, были
обучены на прогнозных данных.
Сбор данных
Исследователь может собирать данные о сигнале, изменяя его конструкцию до тех пор, пока он
не достигнет благоприятных характеристик в выборке; это обычно называется переоснащением.
Стандартный подход к управлению интеллектуальным анализом данных включает в себя

удержание, которое сдерживает данные в моделировании и принимает одну из двух широких
форм: удержание временных рядов или удержание активов. Во временном ряду
несогласие, исследователи не проводят бэктестирование на данном отрезке времени.
Аналогично, в случае отсутствия активов исследователи не проводят бэк-тестирование
определенного набора активов. После того, как холостой результат включен в бэктест, отдельно
проводится бэктест исключительно для холостого хода, чтобы проверить, является ли
производительность стабильной.
Существует два распространенных подхода при использовании временных рядов:
1. Пропустить непрерывный отрезок времени. Обычно это ближе к концу

временного ряда.
2. Удерживайте несколько чередующихся отрезков времени в течение всего
окно бэктестинга. Например, задерживайте менструацию каждую вторую неделю в
пределах этого окна. При использовании чередования нам необходимо убедиться,
что любая сезонность или автокорреляция в данных не искажают наши результаты.

Для исключения активов мы должны убедиться, что выборка активов имеет те же общие
характеристики, что и вся совокупность активов.
Не должно быть предвзятого отношения к стране, отрасли, размеру или ликвидности по отношению к
общей совокупности активов. Контрольная выборка должна быть относительно независимой от других
активов; если они сильно коррелированы, удержание имеет ограниченную ценность.
Интеллектуальный анализ данных несет в себе риск систематической ошибки формулировки,
которая связана с выбором того, какую формулировку сигнала использовать для одного и того же
набора данных. Например, должен ли сигнал импульса потреблять данные о доходности цен за 3, 6 или
12 месяцев? Должен ли сигнал, который использует исторические данные об объеме торгов,
использовать средний исторический объем или его среднеквадратичный исторический объем? Хотя
характеристики сигнала, такие как оборот и коэффициент Шарпа в выборке, могут помочь в принятии
решений о формулировке, трудно сказать, какая формула будет работать лучше всего в выборке. Одним
из подходов к смягчению последствий является диверсификация различных формулировок путем их
смешивания с использованием какой-либо схемы несмещенных весов, например, равного взвешивания
или взвешивания по паритету рисков.
ПОВЕДЕНЧЕСКИЕ ПРЕДУБЪЕКТЫ
Существует несколько поведенческих ловушек, которые имеют отношение к количественному
инвестиционному пространству, как подробно описано ниже.
Рассказывание историй
Количественные исследователи и портфельные менеджеры подвержены риску рассказывания историй,
тенденции использовать непроверяемую историю для оправдания результатов. Исследователь может
объяснить чувствительность сигнала на основе теории – явление, называемое соответствием теории.
Исследователь также может сделать утверждение, которое верно для данного окна выборки, но не
соответствует действительности за пределами этого окна – скажем, что сигналы возврата к среднему не
работают для французских акций. Аналогично, портфельные менеджеры могут попытаться объяснить
просадки портфеля на основе потоков погашения среди коррелирующих менеджеров, не проводя
строгой проверки этой гипотезы. Если они изменят свои портфели на основе предвзятой истории, они
просто понесут дополнительные расходы и снизят эффективность инвестиций.
Подтверждение смещения
Предвзятость подтверждения — это тенденция верить информации, которая соответствует априорному
распределению вероятностей практикующего специалиста, и не верить противоположному ей. Наличие
непроверяемой информации в Интернете для

Контроль предубеждений 81
поддержка практически любого набора априорных значений позволяет легко стать жертвой этой предвзятости.
Для количественных исследователей классической ловушкой является заблуждение о том, что новейшие
исследования являются величайшими. Модные словечки, особенно те, которые поддерживаются более широким
инвестиционным сообществом, также питают предвзятость подтверждения.
Предвзятость знакомства
Предвзятость знакомства — это тенденция инвестировать в знакомые активы. Исследования показывают, что
индивидуальные инвесторы имеют тенденцию инвестировать в компании, находящиеся в географической
близости. Например, инвестор с большей вероятностью будет вкладывать средства в акции технологических
компаний, если он проживает в Кремниевой долине. Хотя это противоречит сути количественного
инвестиционного подхода, который основан на диверсификации, количественные инвесторы могут неосознанно
внести этот уклон в свои модели. Многие практики создают вселенные, используя знакомые составляющие S&P
500 вместо более широкой вселенной потенциально незнакомых названий. Другая форма предвзятости
знакомства — использование исключительно определенного типа сигналов, таких как статистический арбитраж,
стратегии, основанные на факторах и событиях, и т. д.
Узкое обрамление
Узкие рамки — это тенденция принимать инвестиционные решения без учета более крупного портфеля. Одним
из примеров является портфельный менеджер, который меняет распределение капитала, не принимая во
внимание общие корреляции и связанные с ними затраты. Другой пример — управляющий портфелем, который
меняет модели на фоне просадки и в ответ на нее.
Ошибка доступности
Предвзятость доступности — это тенденция оценивать будущее событие как более вероятное, учитывая
недавние воспоминания об аналогичном событии. Возьмем, к примеру, портфельного менеджера, который
накануне голосования по Брекситу в Великобритании предположил, что Брексит не произойдет, потому что
Грекзит в Греции так и не случился. Точно так же количественный инвестор может переоценить стратегию,
основываясь на ее недавнем превосходстве.
Пастушеское предубеждение
Стадное поведение — это склонность инвесторов занимать одни и те же позиции, и оно считается ключевым
фактором возникновения финансовых пузырей. В частности, известно, что количественные инвесторы имеют
высокую корреляцию друг с другом, что позволяет предположить, что в их модели может быть включен стадный
уклон. Вероятно, это происходит потому, что многие инвесторы используют схожие источники данных для
разработки схожих инвестиционных стратегий, основанных на одних и тех же принципах.

академическое исследование. Хотя это легче сказать, чем сделать, лучший способ защититься
от этой предвзятости — провести дифференцированные инвестиционные исследования.
Предвзятости, хотя и невозможно устранить, можно лучше контролировать с помощью

личного осознания. Менеджеры портфелей должны контролировать свои поведенческие
предубеждения, взяв на себя обязательство сократить специальные вмешательства, особенно
в условиях просадки, когда тенденция действовать в соответствии с предвзятостью наиболее выражена.
Предварительное составление сценария просадки может быть эффективным решением.
Точно так же исследователям необходимо сдерживать поведенческие предубеждения в
отношении своих недавних работ. Сдерживание систематических ошибок, напротив, требует
постоянных затрат времени и технических знаний, чтобы обнаружить предвзятость и
переобучение.
11
Трехосный план
Автор: Нитиш Майни
Мир количественного инвестирования растет чрезвычайно быстро.

Кванты разрабатывают новые способы прогнозирования рыночных колебаний,
используя математику, компьютерное программирование и постоянно расширяющийся
массив наборов данных. Однако обнаружение новых альф может оказаться сложной
задачей, особенно для новых квантов. Эффективное исследование обширной вселенной
возможных альф – того, что мы называем альфа-пространством – требует
структурированной стратегии, точки привязки и техники ориентации, также известной
как План тройной оси (TAP).
TAP может помочь новым квантам определить альфа-пространство, предоставив
основу для концептуализации поиска альф. Это также может помочь более опытным
количественным аналитикам, которые имеют возможность определять сущности,
составляющие каждую ось, а затем анализировать существующие альфы в своих
портфелях, направлять свои усилия с большей эффективностью.
Новые кванты могут быть легко перегружены проблемой разработки альф. Они
спрашивают себя: «Как мне найти альф? Как мне начать поиск?» Даже опытные
количественные аналитики, работающие со многими альфами, могут упустить
ключевые компоненты, необходимые для создания надежного и диверсифицированного
портфеля. Например, одним из наиболее сложных аспектов построения альфа-портфеля
является необходимость оптимизации уровня диверсификации портфеля. В
автоматизированных торговых системах решения о диверсификации составляют
основную область человеческого вмешательства. Нелегко визуализировать множество
частей портфолио, содержащих сотни или тысячи альф, и их взаимодействия.
TAP возник из этих опасений. Когда новые кванты начинают проводить альфа-
исследования, многие начинают с поиска в Интернете статей о разработке альф.
Большинство этих статей посвящены реверсии и повороту импульса, и в результате
новички поначалу могут потратить много времени на создание альф реверсии или
импульса. Но по мере того, как новые специалисты по количественному анализу
становятся более квалифицированными, они начинают задаваться вопросом,
действительно ли они создают большую ценность, добавляя в свои портфели новую альфу. Хотя они
диверсифицируя свои портфели, они могут просто снова и снова разрабатывать одни
и те же виды альф. Хотя может показаться, что они имеют низкую корреляцию,
варианты одних и тех же альфа-типов, как правило, имеют одинаковые режимы
неудач и не обеспечивают полную выгоду от действительно диверсифицированного портфеля.
Почти каждый попадает в эту ловушку, когда начинает исследовать альфы. У
каждого успешного кванта есть золотая жила; он копает все глубже и глубже в своей
шахте, чтобы извлечь как можно больше. Один человек развивает очень сильный
импульсный участок; у другого очень сильный фундаментальный сайт; третий создает
очень сильный сайт реверсии. Однако они часто забывают, что существует множество
золотых приисков. После того, как они разыграют одну область, им нужно двигаться
дальше, чтобы найти и исследовать другие шахты.
TAP на самом деле является всего лишь инструментом для организации сложного,
многомерного альфа-пространства. Он предлагает ряд преимуществ для
диверсификации портфеля. Альфа-пространство огромно, с высоким и постоянно
растущим числом степеней свободы, и существует почти неограниченное количество
возможных альф, причем каждая область или кластер альф обладает различной
топографией, требующей открытия и исследования. У кванта есть множество
вариантов выбора. Она может делать прогнозы для торговли на интервалах от
микросекунд до лет. Она может делать прогнозы по различным классам активов,
чаще всего по акциям, облигациям, сырьевым товарам и валютам. Но набор
возможных элементов, которыми может манипулировать квант, постоянно растет —
больше наборов данных, больше параметров, больше идей.
Поскольку доступные данные расширяются такими быстрыми темпами – фактически потому , что
данных так много – важно разработать план организации этого сложного ландшафта,
который имеет разумную вероятность успеха. Каждому успешному количественному
анализатору нужна стратегия, позволяющая идентифицировать жизнеспособные
сигналы в мире шума, ориентироваться на определенные регионы возможной
вселенной и выбирать тип данных и конкретные финансовые инструменты, которые
наиболее подходят для этой цели. Вам нужна модель, чтобы структурировать ваш
поиск. TAP является такой моделью.
Мотивацией TAP была необходимость обобщить отдельные альфы до максимально

широкого семейства аналогичных альф. Три особенно полезных категории или оси
для обобщения — это «Идеи и наборы данных», «Параметры производительности» и
«Регионы и вселенные».
КРАН
Процесс поиска альф в этом сложном ландшафте может широко варьироваться в

зависимости от идей, лежащих в основе альф, и желаемой целевой функции, которая
может включать в себя атрибуты сигнала, такие как
Трехосный план 85
Производительность
Параметры
Идеи и
КРАН
Наборы данных
Регионы и
Вселенные
Рисунок 11.1 Три оси трехосного плана
как оборот, частота торгов или совокупность торгуемых инструментов. Чтобы это было
легче визуализировать, TAP структурирует альфы внутри класса активов в трехмерном
пространстве (см. рис. 11.1).
Идеи, используемые для разработки альф, могут варьироваться от традиционных
индикаторов, таких как возврат, импульс или парная торговля; до менее распространенных,
таких как машинное обучение, опережение-запаздывание или сезонность. С ростом
вычислительной мощности количество наборов данных, которые мы можем использовать
для реализации этих идей, выросло настолько, что мы можем измерить разнообразие пула
сигналов по количеству различных используемых наборов данных. Наиболее широко
используемые наборы данных включают данные о ценах и объемах, основные показатели
компании, рекомендации аналитиков, настроения на рынке акций, социальные сети и
опционы, но есть и многие другие.
Эти идеи могут быть сгенерированы и реализованы на разных группах финансовых
инструментов в разных регионах. Рыночная капитализация отдельных фондовых бирж и
нормативно-правовая база в конкретном регионе или стране обычно определяют выбор
региона для количественного анализа. В США и Европе традиционно наблюдались самые
активные торги, хотя в последние годы азиатские рынки привлекают все больший интерес.
Торговые инструменты могут быть определены с точки зрения их ликвидности,
классификационных характеристик, таких как сектор или отрасль, или других критериев,
в зависимости от идеи альфа.
Чтобы добиться успеха в различных рыночных условиях, количественный аналитик
может создать разнообразный, надежный портфель, разработав альфы, которые пытаются
достичь одной или нескольких целевых функций, обычно связанных с атрибутами, которые
объясняют их эффективность. Кванты стремятся генерировать прибыль за счет
максимизации коэффициента Шарпа и доходности или за счет минимизации просадок и
торговых издержек. Подход TAP – это один из способов сориентироваться в этом мире, где
каждая ось представляет собой отдельную линзу, через которую можно сфокусировать свое внимание.
Таблица 11.1 Некоторые идеи, наборы данных, регионы, вселенные и параметры

производительности, охватываемые TAP
Три оси
Идеи и Регионы и Производительность
наборы данных вселенные параметры
Идеи Регионы • высокая доходность

• реверсия • НАС • высокий коэффициент Шарпа
• импульс • Европа • более низкие затраты
• сезонность • Азия (Япония или бывшая Япония) • более низкие просадки
• обучение • Америка
• опережение-запаздывание • Глобальный
Наборы данных Вселенные

• фундаментальный • можно определить с помощью профиля
• аналитик ликвидности, например TOP50, TOP100,

• настроения ТОП200, ТОП1500
• социальные медиа •
любой конкретный сектор или отрасль
•
• параметры любой выбранный инструмент или группа
инструментов
исследовать. К каждой оси можно добавить множество элементов, в зависимости от

подхода. В таблице 11.1 представлена упрощенная схема трех осей.
Возможные составляющие записи на каждой оси, конечно, могут быть гораздо более
обширными.
ВНЕДРЕНИЕ КРАНА
TAP использует относительно простой механический процесс, который одновременно

отражает и организует сложную финансовую реальность альфа-пространства. Это
позволяет стратегу заполнить пробелы по трем осям, тем самым выявляя возможные
недостающие компоненты портфеля.
TAP действует на трех уровнях. Первый предполагает определение первоначальной
области, на которой следует сосредоточиться. Пользователь может начать с
относительно общего фокуса на одной оси – скажем, на импульсе как идее; или в
определенном регионе, например, в США или Европе; или на таких параметрах
производительности, как высокий коэффициент Шарпа или минимальные просадки.
Второй уровень включает в себя уточнение фокуса путем систематического заполнения
элементов других осей. TAP позволяет количественному аналитику выбирать цель по
одной оси и сохранять гибкость для манипулирования двумя другими осями.
Независимая работа над каждой целью помогает количественному анализатору развивать навыки и
Трехосный план 87
необходимо построить альфы в этой области. Третий уровень включает в себя исполнение:
реализацию алгоритма в коде, тестирование первоначальной идеи, а затем возвращение
к уточнению базовой концепции, работая по трем осям.
Рассмотрим этот относительно простой пример. Предположим, что количественный
анализатор исследует идеи, которые могли бы работать в преимущественно ликвидном
мире акций. Он решает сначала сосредоточиться на оси «Регионы и вселенные» и выбирает
«жидкую вселенную» — 500 или 300 крупнейших компаний США.
Позже, чтобы диверсифицироваться географически, ему понадобятся «альфы» и стратегии
для Азии и Европы, а также для США. Это должно быть относительно легко, потому что
после того, как вы уже разработали альфа-импульсы и реверсии и ознакомились со
свойствами жидких вселенных, вполне естественно применить эти знания к Европе и
Азии. В то же время исследователь осознает, что недостаточно сосредоточиться только на
снижении стоимости альф или повышении их коэффициентов Шарпа; также важно
обеспечить высокую прибыль. Однако получение более высокой доходности часто требует
компромисса с влиянием других параметров. Таким образом, для получения более высокой
прибыли требуется более высокий уровень навыков. Теперь квантователь может снова
повторить свою предыдущую работу и продолжать стремиться к разработке
высокодоходного импульса альфа, высокодоходного реверсивного альфа и высокодоходного
жидкостного альфа.
Для достижения желаемого уровня диверсификация требует систематического освоения

трех осей TAP:
• Решение сосредоточиться на альфе импульса замораживает ось «Идеи и наборы

данных». В этом случае следующими шагами являются диверсификация по двум другим
осям путем выбора различных регионов и вселенных финансовых инструментов для
разработки альфа-импульса и таргетирования альфа для оптимизации различных видов
параметров производительности.
• Аналогичным образом, выбор разработки альфа-анализа финансового сектора США
фиксирует ось «Регионы и вселенные», но сохраняет гибкость в использовании
различных идей или наборов данных для оптимизации различных параметров производительности.
• Выбор разработки альфа-версии с высокой доходностью фиксирует вашу ось «Параметры
производительности», оставляя возможность варьировать две другие оси в зависимости
от любого типа набора данных, идеи, региона и вселенной для поиска желаемой цели
доходности.
Сложность финансовых рынков допускает широкий диапазон детализации и точности,

что обеспечивает богатство альфа-пространства и интерес к поиску новых альф. Важно
понимать, что не существует единого надежного решения. Мир финансов
Формируется своеобразными различиями между оценками активов, доходности

и риска отдельными людьми. Таким образом, потенциальная ценность
заключается в максимально широком исследовании известного ландшафта, даже
в тех областях, которые часто считаются шумовыми; потенциально они могут
оказаться бесконечными источниками знаний. Кванту просто нужно сделать
осознанный выбор относительно того, с чего начать поиск и как организовать его.
TAP — это инструмент, который визуализирует различные аспекты, влияющие на

альфа-производительность. В результате это может обеспечить количественному
анализу большую ясность и понимание сложного альфа-пространства. TAP не
является секретным оружием, обеспечивающим успех, но он помогает менее
опытным количественным аналитикам начать поиск и понять основные
проблемы, а более опытным стратегам помогает диверсифицировать очень
сложные портфели «альф». Чтобы быть наиболее эффективным, TAP должен быть
интегрирован во все необходимые этапы альфа-разработки, доработки,
тестирования и реализации.
12
Методы улучшения
Надежность Альф
Михаил Козлов
ВВЕДЕНИЕ
Основная цель альфа-исследования — предсказать и попытаться превзойти рынок.

Однако большинство инвесторов желают не только получения прибыли, но и
низкой подверженности риску, а также некоторой уверенности в своей способности
предвидеть результаты торговли. Учитывая эти требования, мы определили
надежную альфа-версию.
Надежная альфа-версия должна обладать следующими свойствами:
• Инвариантность при изменении торгуемой среды: Альфа должна отражать

статистическое свойство, которое не зависит от выбора конкретных
инструментов для торговли. Изменения в наборе инструментов часто
навязываются рынком в результате нормативных изменений, предпочтений
клиентов, снижения ликвидности, запретов на короткие позиции и т. д.
• Устойчивость к экстремальным рыночным условиям: у «Альфы» не должно быть
чрезмерно резкого снижения ни одного из показателей производительности. Наиболее
распространенные критерии, используемые для измерения альфа-производительности,
включают коэффициент информации, максимальную просадку и доходность.
МЕТОДЫ ПОВЫШЕНИЯ НАДЕЖНОСТИ
В этом разделе мы представим наиболее распространенные и устоявшиеся методы

повышения надежности альфа-версии. В целом наша цель — обеспечить стабильную
производительность альфа-версии, на которую не будут оказывать чрезмерное влияние
выбросы входных данных или другие небольшие отклонения от предположений модели.
Методологии повышения устойчивости можно разделить на три категории: методы

упорядочивания, приближения к нормальному распределению и предельные методы.
Ниже мы подробно обсудим все три метода.
Способы заказа
Мощной мотивацией для применения методов упорядочивания в альфа-исследованиях

является улучшение альфа-свойства инвариантности, что означает, что результаты
испытаний не изменяются, когда входные данные или торговая совокупность каким-либо
образом преобразуются.
Порядковая шкала измерения – это та, которая передает только порядок.
Эти шкалы указывают только на то, что одно значение больше или меньше другого, поэтому
различия между рангами не имеют значения.
Вообще говоря, процедуры, основанные на упорядочивании, представляют собой
подмножество непараметрических методов, которые во многих случаях имеют преимущества
в надежности по сравнению с параметрическими методами. Они предпочтительнее, когда
определенные предположения параметрических процедур (например, t- и F-критерии) грубо
нарушаются. Это может произойти, например, когда набор данных с экстремальными
выбросами не удовлетворяет предположению о нормальности.
Кроме того, альфа-анализы, основанные на непараметрических методологиях, по своей
природе требуют меньше предположений и контрольных параметров, чем их
параметрические альтернативы.
Ранжирование. Ранжирование — это операция, которая заменяет элементы вектора их

рангами по некоторому критерию сортировки. Обычно элементы вектора масштабируются
так, чтобы они находились в интервале [0,1]. Если два значения одинаковы,
предполагается, что они имеют один и тот же ранг, равный среднему значению их
соответствующих позиций.
Ранжирование можно использовать для определения ранговой корреляции Спирмена
(Spearman 1904). Во многих случаях корреляция Спирмена гораздо более стабильна, чем
корреляционная мера Пирсона (Пирсон, 1895).
Например, известно, что корреляция Пирсона нестабильна для нестационарных и/или
нелинейных входных данных.

Очевидно, что любая статистика, основанная на рангах данных, должна быть
инвариантна к монотонным преобразованиям, поскольку такие преобразования не
влияют на относительный ранжирование наблюдений. Таким образом, ранговая

статистика не зависит от того, измеряется ли результат по исходной шкале или по любой
другой произвольной шкале.
Методы повышения устойчивости альф 91
Аппроксимация квантилей: Квантили — это точки, взятые через равные промежутки

времени из кумулятивной функции распределения случайной величины.
Разделение набора упорядоченных данных на подмножества данных одинакового размера
является мотивом использования q-величин; количества — это значения данных, обозначающие
границы между последовательными подмножествами.
Например, обычная регрессия методом наименьших квадратов может быть нестабильной

для нестационарных и/или нелинейных входных данных. Однако его можно заменить
наименьшим квантилем квадратов (LQS), целью которого является минимизация некоторого
квинтиля квадратов остатков. Среди различных методов LQS наиболее популярным
является минимизация медианных квадратов.
Приближение к нормальному распределению
Нормальное распределение — это распределение случайных величин, определяемое

следующей функцией плотности вероятности:
2
1
Икс
2 2
валютный
рынок ( | , ) е 2
2
2
где µ — среднее значение распределения, σ — стандартное отклонение, а σ2 — дисперсия.

Нормальное распределение имеет особое значение в статистике из-за так называемой
центральной предельной теоремы, которая утверждает, что при определенных условиях
сумма многих случайных величин будет иметь приблизительно нормальное распределение.
Проиллюстрируем несколько методов преобразования произвольной функции

распределения к функции распределения, приближенно к нормальной. Когда базовое
распределение примерно нормальное, но загрязнено выбросами и тяжелыми хвостами,
следующие надежные методы могут помочь поддерживать стабильную производительность
даже в экстремальных рыночных условиях.
Формула преобразования Фишера: если предположить, что случайная величина x

ограничена единицей, преобразование Фишера можно определить следующим образом:
1 1 Икс
Фх дуга Икс
пер. 2 1 Икс
Если F(x) — преобразование Фишера x , а N — размер выборки, то F(x) приблизительно

соответствует нормальному распределению со стандартной ошибкой 1 3 / N.
Z-оценка: Z-оценка данных приводит к распределению с нулевым средним значением и

единичным стандартным отклонением. Z-показатель определяется следующим образом:
Икс
Другими словами, Z-показатель представляет собой расстояние между необработанными

балл и среднее значение совокупности в единицах стандартного отклонения.
Ограничивающие методы
Экстремальные значения могут оказать существенное и в целом вредное влияние на

статистические свойства наблюдаемых величин. Таким образом, одной из целей робастных
методов является уменьшение влияния выбросов.
Обрезка: при обрезке мы просто удаляем определенную часть

данные выше или ниже некоторого порога.
Винсоризация: Винсоризация — это преобразование, которое ограничивает экстремальные

значения в данных, чтобы уменьшить влияние возможных ложных выбросов, как
первоначально предлагалось Hastings et al. (1947), а позже более систематически
аргументировано Руссиу и Лероем (1987). Винсоризация аналогична обрезке, но мы
заменяем крайние значения значениями отсечки, а не отбрасываем их.
Проиллюстрируем, как обрезка и винсоризация повлияют на вычисление простых оценок

на выборочном наборе числовых данных 3 5, ,7 1, , 0 100 .
Рассмотрим среднее, медиану, k-обрезанное среднее и k-винсоризованное среднее, как
определено ниже.
а. среднее значение: среднее арифметическое выборочных данных
среднее 357 10 100 / 5 25
б. медиана: значение, отделяющее верхнюю половину выборки данных от нижней половины.
медиана 7
в. k-обрезанное среднее: обрезать заданную долю α с обоих концов набора данных, а

затем взять среднее значение.
20 % обрезанное среднее значение 5 / 7 10 3 7 3. 3

Методы повышения устойчивости альф 93
д. k-винсоризованное среднее: замените долю k с обоих концов набора данных

следующим ближайшим наблюдением, а затем возьмите среднее значение.
20% винсоризованное среднее 557 10 10 5 7,4 /
Из приведенного выше примера мы видим, что как k-обрезанное среднее,

так и k-винсоризованное среднее гораздо более стабильны по отношению к
выбросам, чем среднее арифметическое. K-обрезанное среднее и k-винсоризованное
средние значения также очень близки к медиане, которая является хорошо известной
робастной оценкой.
Все приведенные выше оценки (среднее, медиана, k-обрезанное среднее

и k-винсоризованное среднее) можно рассматривать как частные случаи L-
статистики или линейных комбинаций порядковых статистик. Например,
для определенных значений выборки статистика наименьшего порядка —
Х ХХ =(1)мин{1
, …, , это минимум выборки: n } , а статистика наибольшего
порядка — это k - е= данные
макс. порядка
выборки:
— это максимум , …, { 1 n }. Статистика k-го
точка X XX (N), когда точки упорядочены.
Как утверждают Берцимас и др. (2004), надежные методы могут значительно улучшить
некоторые тесты, измеряющие альфа-поведение в экстремальных рыночных условиях.
В наши дни все больше и больше практиков используют преимущества, предлагаемые
надежными методологиями, разработанными за последние десятилетия. Большинство
стандартных пакетов статистического программного обеспечения включают в себя
различные инструменты для надежного анализа данных.
Важно помнить, что робастные методы предполагают, что основное
распределение примерно нормальное, но загрязнено выбросами и тяжелыми
хвостами. Эти методы могут давать вводящие в заблуждение результаты, если
они применяются к данным, которые по своей сути искажены, или если большая
часть данных идентична по значению.
Более подробную информацию об робастных методах можно найти в книге «Надежная
статистика» Питера Дж. Хубера и Эльвезио М. Рончетти (2009).
13
Альфа и факторы риска
Пэн Ван
В этой главе мы рассмотрим практику поиска альф с исторической точки

зрения. Мы рассмотрим несколько хорошо изученных «альф» и заметим, что
некоторые из них превращаются в «беты-хедж-фонды» или факторы риска.
Опираясь на работу Марковица (1952) об ожидаемой доходности и дисперсии
доходности портфеля, Трейнор (1962), Шарп (1964), Линтнер (1965) и Моссин
(1966) разработали модель ценообразования капитальных активов (CAPM) в
1960-е годы. Согласно CAPM, ожидаемая доходность акций — это вознаграждение
инвестора за рыночный риск акций:
' *
Ожидаемая доходность Безрисковая ставка Бета-версия фондового рынка
Рынок р иск премиум
С момента своего появления CAPM подвергался критике из-за своих

ограничительных предположений и несоответствия эмпирическим данным. Теория
арбитражного ценообразования (APT), разработанная главным образом Россом (1976),
не требует строгих предположений CAPM. APT утверждает, что на рынке с
совершенной конкуренцией ожидаемая доходность акции является линейной
функцией ее чувствительности к множеству неуказанных факторов:
Ожидаемая доходность Безрисковая ставка

'
Фактор акций бета*s Премия за риск фактора
CAPM и APT обеспечили теоретическую основу для анализа доходности

акций и альфа-оценки. На практике факторы APT могут быть построены как
портфели акций, и большинство из них могут быть построены как как
нейтральные к доллару, так и к бета-нейтральным портфелям. Каждый из этих
нейтральных по отношению к бета-доллару факторов можно оценить как
потенциально торгуемый альфа.
В 1980-х годах сообщалось о нескольких важных факторах. Банц (1981) задокументировал

фактор размера, согласно которому акции компаний с малой капитализацией имеют
тенденцию превосходить по доходности акции компаний с большой капитализацией. Басу
(1983), а также Розенберг и др. (1985) опубликовали различные формы фактора стоимости,
включая соотношение прибыли к цене (E/P) и соотношение балансового капитала к рыночному
капиталу (BE/ME). Фама и Френч (1992, 1993) проанализировали множество
задокументированных факторов, которые могли бы объяснить доходность акций, и обобщили
их в виде трехфакторной модели Фамы-Френча; в модели учитываются факторы рыночного риска, размера и
Стоит отметить, что инвестиционные менеджеры, возможно, извлекли выгоду из этих

факторов до того, как ученые проанализировали их в теоретической основе. Например,
стоимостное инвестирование пропагандировали Бенджамин Грэм и Дэвид Додд в 1930-х
годах, задолго до того, как была сформулирована современная портфельная теория. Другой
пример: в начале 1980-х годов, когда менеджером фонда был Питер Линч, у Magellan Fund
была высокая доля акций малой капитализации (Siegel et al., 2001).
Трехфакторная модель Фамы–Френча не положила конец поискам фактов.
Торс. Вместо этого, параллельно с быстрым расширением индустрии количественных

инвестиций, исследователи опубликовали гораздо больше факторов; Фама и Френч пытались
включить некоторых из них в фама-французскую пятерку.
факторная модель (2015). Помимо факторов рыночного риска, размера и стоимости, новая
модель добавила прибыльности и инвестиций. Фактор прибыльности говорит о том, что

акции с более устойчивой операционной прибыльностью, например, с высокой валовой
прибылью на активы, имеют более высокую ожидаемую доходность. Инвестиционный фактор
говорит о том, что при прочих равных условиях более консервативное реинвестирование
доходов компании (т.е. выплата дивидендов и/или выкуп акций) предполагает более высокую
ожидаемую доходность акций.
В расширенную модель Фамы и Френча не был включен ряд важных факторов, таких как
эффект импульса, при котором недавние победители имеют тенденцию превосходить
недавних проигравших (Джегадиш и Титман, 1993), эффект ликвидности, заключающийся в
том, что менее ликвидные акции имеют более высокую ожидаемую доходность (Амихуд и
Мендельсон 1986; Пастор и Стамбо 2003), а также аномалию начисления, заключающуюся в
том, что более высокие начисления в бухгалтерском учете связаны с более низкими
ожидаемыми доходами (Sloan 1996).
Эти и другие хорошо изученные факторы риска сыграли важную роль в теории и практике
финансов. Любая обнаруженная нами альфа может непреднамеренно нагрузить некоторые
факторы риска, поскольку ожидается, что они будут продолжать определять значительную
часть относительной доходности акций в будущем. Например, необработанная альфа,
построенная на основе настроений в новостях, может увеличить фактор динамики, потому
что авторы новостей воодушевляются высокими ценами на акции, даже
Альфа и факторы риска 97
если построение альфа не включает в себя какую-либо ценовую информацию, на основе

которой был построен исходный коэффициент импульса.
Трудно сказать, является ли каждый фактор результатом нерационального инвестора.
поведение или вознаграждение за некоторый систематический риск. Для практиков,

возможно, более важно знать, сохранятся ли премии за риск этих факторов в будущем. К
сожалению, это также трудно предсказать, но мы могли бы получить некоторую
информацию из гипотезы адаптивного рынка (АМГ), которая была предложена Эндрю Ло
(2004) для согласования финансовых теорий, основанных на гипотезе эффективного
рынка, с поведенческой экономикой. AMH не считает, что рынок находится в равновесии.
Вместо этого он пытается объяснить динамику рынка эволюционными процессами. Он
сравнивает возможности получения прибыли на рынке с едой и водой в местной экологии,
за которые конкурируют разные виды. Основываясь на эволюционных процессах, AMH
прогнозирует, что риски и выгоды от рыночных возможностей вряд ли будут стабильными
с течением времени и что инвестиционные стратегии могут то усиливаться, то ослабевать.
Возможности могут исчезнуть, но появиться вновь спустя годы. Гипотеза Ло предполагает,
что в конкурентной среде лучшие возможности, вероятно, будут доступны лишь на
короткое время, прежде чем другие «животные» найдут их. На адаптивном рынке широкая
публикация этих факторов может изменить их поведение в будущем, поскольку участники
рынка будут действовать на основании вновь транслируемой информации.
В качестве примера на рисунке 13.1 показана долгосрочная совокупная доходность

фактора стоимости. (Фактор рассчитывается путем продажи 30% акций США с нижним
рейтингом по рейтингу BE/ME и покупки 30% акций самых богатых компаний по рейтингу
BE/ME. Серия ежемесячных доходностей была загружена с веб-сайта Кеннета Френча http://
mba.tuck. dartmouth.edu/pages/faculty/ken.
french/data_library.html#Research.) Фактор достиг положительной прибыли в долгосрочной
перспективе, но иногда терпел большие потери, в том числе после технологического
пузыря в конце 1990-х годов и во время финансового кризиса 2008 года. Другое наблюдение
заключается в том, что годовой коэффициент Шарпа составлял 0,56 в период с 1950 по
1989 год, но только 0,11 в период с 1990 по 2017 год; это может быть признаком того, что
широкая публикация фактора изменила его поведение.
В нашем исследовательском процессе нам необходимо учитывать несколько проблем,
Эти факторы риска:
• Как мы уже говорили, их коэффициенты Шарпа не могут быть высокими, учитывая,

насколько они известны. Умные деньги могут быстро накапливаться до тех пор, пока
результаты не станут менее привлекательными.
300%
250%
200%
150%
100%
50%
0%
05д9о1г
25д9о1г
45д9о1г
65д9о1г
85д9о1г
06д9о1г
26д9о1г
46д9о1г
66д9о1г
86д9о1г
07д9о1г
27д9о1г
47д9о1г
67д9о1г
87д9о1г
08д9о1г
28д9о1г
489.1г
68д9о1г
88д9о1г
09д9о1г
29д9о1г
499.1г
69д9о1г
89д9о1г
000.2г
200.2г
400.2г
600.2г
80д0о2г
01д0о2г
21д0о2г
41д0о2г
61д0о2г
Рисунок 13.1 Долгосрочная совокупная доходность фактора стоимости (1950–2017 гг.)
• Некоторые из этих факторов риска, такие как размер и ликвидность, требуют значительного
дисбаланса ликвидности между длинной и короткой сторонами выражения фактора. Это
нежелательно в реальной торговле, а также является проблемой для управления рисками,
поскольку было бы трудно сбалансированно ликвидировать обе стороны, особенно в условиях
рыночного кризиса.
• Эти факторы риска обычно приводят к более высокой волатильности в расчете на размер доллара.
Они могут пострадать от долгосрочных спадов в результате макроэкономических тенденций.
Более того, в отрасли наблюдается тенденция упаковывать некоторые из этих факторов риска в
альтернативные бета-продукты, что может повысить их волатильность в будущем. На рисунке
13.2 показана длительная просадка, вызванная разворотом на рынке в 2009 году фактора
импульса, рассчитанного Френчем и его командой.
• Хорошо изученные факторы риска широко применяются многими фирмами в индустрии
количественных инвестиций. Если некоторые крупные держатели внезапно сократят долю
заемных средств в своих активах, влияние на цену может оказаться достаточно сильным, чтобы
заставить других последовать их примеру и тем самым усугубить потери. Эта опасность была
наиболее ярко продемонстрирована во время «квантового кризиса» августа 2007 года:
популярные количественные факторы риска понесли большие потери, скорее всего, в результате
агрессивного сворачивания деятельности некоторых крупных игроков (Khandani and Lo 2007). На
рис. 13.3 показана внезапная потеря гипотетического количественного фактора во время
кризиса 2007 года. Фактор создается путем объединения факторов импульса и стоимости. Серия
ежедневных доходов по строительству была загружена с веб-сайта Френча, а комбо-фактор

Альфа и факторы риска 99
используется для достижения целевой волатильности в 10% в годовом исчислении. Чтобы избежать такого
рода катастрофического риска, нужно отличаться от других и контролировать воздействие общих факторов
риска.
Таким образом, даже несмотря на то, что эти хорошо изученные рыночные эффекты могут продолжать
приносить положительную доходность в долгосрочной перспективе (либо по рациональным причинам,
связанным с вознаграждением за риск, либо по иррациональным поведенческим причинам инвесторов), мы
склонны называть их бета-версиями хедж-фондов, или факторами риска, а не факторами риска. альфы в
нашем исследовательском процессе.
30%
20%
10%
0%
200801
201211
201209 201201
201203
201205
201207 201111
201109 201103
201105
201107 201011
201101 201009
201007 200911
201001
201003
201005 200909
200907 200903
200905 200811
200901 200809
200807 200803
200805
10%
20%
30%
40%
50%
60%
Рисунок 13.2 Совокупная отдача фактора импульса (2008–2012 гг.)
2%
0%
2%
6.и
0 1г
2
2.и
0г
2
9.и
0г
2
я7л0ю
0.и
3г
2
3.и
2г
0
0
я7л0ю
я7л0ю
я7л0ю
я7л0ю
6.2
1
аг
1.и
1г
2
8.и
1г
2
2.2
0
аг
9.2
0
аг
0п0
0.2
3
аг
3.2
аг
0
4.и
0г
2
я7н0ю
я7н0ю
0п0
0п0
0п
яле7р
5.и
2г
0п0
0
я7н0ю
0
яле7р
яле7р
я7н0ю
яле7р
яле7р
в.2
1
аг
в0а
атс7у0г0
3
в.2
аг
в.2
аг
4м
.2
1г
атс7у0г0
атс7у0г0
7
70-тсуг-6
7м
.2
0г
1м
.2г
8м
.2г
7я0а0
7я0а0
7я0а0
7я0а0
4%
6%
8%
10%
12%
14%
16%
Рисунок 13.3. Кумулятивная доходность гипотетического фактора во

время квантового кризиса 2007 года.
С исторической точки зрения не существует четкого различия между «альфами»

и «бетами» хедж-фондов. Переход был частью процесса развития адаптивного
рынка. В эпоху CAPM любые рыночные аномалии, такие как факторы размера и
стоимости, можно было рассматривать как альфы. После того, как трехфакторная
модель Фамы-Френча получила широкое распространение, фактор импульса все
еще оставался альфой. Однако в настоящее время все больше «альф» превратились
в бета-версии хедж-фондов, или факторы риска.
В процессе новых альфа-исследований лучше избегать высоких нагрузок
факторов риска. Мы можем оценить силу альфа, нейтрализовав эти факторы.
Самый распространенный способ — выполнить многомерную регрессию альфа-
портфеля против портфелей факторов риска. Хорошая альфа имеет тенденцию
давать более высокий коэффициент Шарпа после нейтрализации факторов риска,
хотя в некоторых случаях ее доходность на доллар может снизиться.
В качестве примера в Таблице 13.1 показано влияние процесса нейтрализации этого
фактора на гипотетическую альфу, построенную на основе данных Bloomberg о цене
и объеме для 3000 акций, торгуемых в США. Альфа строится как долларово-
нейтральный длинный-короткий портфель фиксированного размера на период с
января 2011 года по декабрь 2016 года. До факторной нейтрализации исходная
альфа имела среднюю годовую доходность 16,8% (относительно размера длинной
стороны портфеля). альфа) и годовой коэффициент Шарпа 1,55. Мы провели
нейтрализацию факторов с помощью трех факторов риска Barra USE3S (модель
риска акций США): импульс, размер и стоимость. После каждой операции доходность
на доллар была ниже, а коэффициент Шарпа был выше. Коэффициент Шарпа
оказался самым высоким после одновременной нейтрализации трех факторов.
Подводя итог, можно сказать, что поиск «альф» — это постоянно развивающийся
процесс на конкурентном рынке. Некоторые альфы с годами могут стать менее
могущественными. Из-за связанных с этим рисков разумно избегать высокой
нагрузки факторов риска в наших портфелях.
По прогнозу AMH, инновации являются ключом к выживанию.
Таблица 13.1 Пример нейтрализации фактора по альфе
В годовом исчислении Годовая волатильность Коэффициент
возвращаться Шарпа
Оригинальная альфа 16,8% 10,9% 1,55
Нейтрализованный фактор импульса 13,3% 7,4% 1,79
Нейтрализованный размерный фактор 14,4% 8,1% 1,77
Нейтральный фактор стоимости 14,6% 8,1% 1,81
Нейтрализует все три фактора 13,4% 7,3% 1,84

14
Риск и просадки
Хаммад Хан и Ребекка Леман
Поиск альфы – это вопрос прибыли над риском. Все знают, что такое доходность, но что
такое риск? Исследователи часто смешивают различные типы рисков, которые требуют
разных форм измерения и контроля. По правде говоря, набор потенциальных типов
риска безграничен. На дальнем конце находятся неопределенность Найта и черные
лебеди – риски, которые априори неизвестны, но могут быть рационализированы и
переоценены постфактум. Единственное конструктивное слово, которое можно сказать
об этих рисках, — это то, что они существуют, и любая попытка рационализировать их
после того, как они произошли, является тщетным занятием. Чрезмерно сложные модели
риска могут содержать эпициклы на эпициклах, которые предназначены для смягчения
последствий последнего события «черный лебедь», но ничего не сделают для следующего,
за исключением того, что сделают модели более хрупкими. Немного ближе к делу
относятся риски, связанные с конкретными активами, и операционные риски, которые
практикующий специалист может и должен принимать во внимание, но которые не
поддаются широкому рассмотрению. В этой главе основное внимание будет уделено

ближнему концу спектра рисков – наиболее четко определенным и широко
рассматриваемым типам, которые можно в общих чертах классифицировать как внешние и внутренние
Многие «альфы» подвергаются воздействию внешних, или внешних, факторов, не
связанных с их источником прибыли, таких как поведение данной отрасли или рынка в
целом. Другие факторы риска включают альфа-стратегии, которые в значительной
степени были отброшены арбитражем, но по-прежнему широко торгуются и склонны к
периодам импульса и ликвидационным периодам, такие как факторы Фамы-Френча и
Барра. Эти факторы представляют собой внешний риск для альфа-системы, который
можно частично или полностью нейтрализовать без ущерба для производительности.
Одним из особых типов внешней опасности является риск событий, когда обычные
факторы, влияющие на производительность альфы, временно перевешиваются каким-
либо внешним фактором, например внезапным объявлением новостей, которое может
быть ожидаемым или неожиданным. Но даже после нейтрализации всех известных
внешних факторов альфа по-прежнему содержит свой собственный внутренний риск, и
именно это в конечном итоге определяет ее доходность, предполагая ограничения на арбитраж. Хотя
Внутренний риск не может быть устранен, его можно и нужно оценивать и

контролировать. Различные меры внутреннего риска, такие как волатильность,
подверженная риску стоимость и ожидаемые хвостовые потери, могут использоваться
для выбора соответствующего уровня кредитного плеча или распределения
капитала для каждой альфа. Одним из типов внутреннего риска, который особенно
сложно оценить, является риск просадки. Для многих инвесторов просадки имеют
решающее значение – возможно, даже более важное, чем историческая
волатильность – потому что чрезмерные просадки создают риск для продолжения
деятельности их компаний. Просадки особенно трудно оценить эмпирически,
поскольку они нелинейны и с большей вероятностью будут переоценены в выборке,
чем другие меры риска, такие как волатильность и подверженная риску стоимость.
Однако из-за их практической важности стоит обсудить некоторые методы их прогнозирования и
ОЦЕНКА РИСКОВ
Позиционные меры
Самая простая и, возможно, самая надежная оценка риска для «альфы» основана на
ее текущем положении. Их легко вычислить, и они не основаны на каких-либо
предположениях о будущем поведении альфы, но они, как правило, хрупкие и
измеряют только крайний риск. Внешние риски, связанные с концентрацией в
конкретной ценной бумаге, группе коррелирующих ценных бумаг или квантилях
факторов, могут быть измерены с помощью концентрации позиций. Чрезмерная
концентрация представляет собой риск, поскольку «альфа» может ожидать
серьезных потерь, если ее прогноз доходности позиции с высокой концентрацией
окажется неверным.
Риск, связанный с фактором, заданным в форме альфа-вектора, можно оценить
путем ортогональной проекции альфа на этот вектор. Если ожидается, что новостное
событие повлияет на определенный набор инструментов, риск события можно
измерить как подверженность этим инструментам.
Другой подход к факторному риску, основанный на позициях, заключается в
проведении регрессии исторической доходности данных позиций против
исторической доходности факторов. Бета-коэффициенты, или факторные нагрузки,
определяют риск, связанный с этими позициями.
Внутренняя стоимость риска для данного набора позиций — это просто p
процентильная потеря в распределении доходности данного набора позиций
(обычно p 5% или 10%), а ожидаемая хвостовая потеря - это средняя потеря, при
условии, что она ниже p- процентиля. Можно рассчитать стоимость риска каждой
отдельной позиции (без допущений).
Риск и просадки 103
о корреляции между позициями) и всего портфеля (при неявном предположении,

что корреляционная структура инструментов стабильна).
Исторические показатели PnL
Более гладкую оценку риска часто можно получить, рассматривая эффективность

исторических позиций «альфы», а не только ее текущего набора позиций. Это
предполагает, что позиции альфы адаптированы к текущей среде. Поскольку
исторический ряд прибылей и убытков меняется с течением времени очень
медленно, эти меры являются более плавными и их легче контролировать, не
вызывая чрезмерного оттока, но они могут медленно обнаруживать изменения в
профиле риска или среде «альфы». Одним из способов обнаружения внешних
рисков является рассмотрение концентрации PnL в определенных секторах. Даже
если позиции не кажутся концентрированными, если PnL сильно сконцентрирован

в определенных секторах, другие сектора не способствуют диверсификации альфы.
См. пример на рисунке 14.1.
Хотя его общая производительность в выборке может выглядеть вполне
приемлемой, производительность этой альфа может быстро ухудшиться, если
произойдет смена режима в любом из двух ключевых секторов. Эффективность
более надежной альфа-системы должна быть равномерно распределена по как
можно большему количеству секторов (и ценных бумаг внутри этих секторов), если
только нет веской причины не делать этого. Если характер данных или идеи таков, что можно ож
0,4 5
0,3 4
Средняя годовая доходность Коэффициент Шарпа
3
0,2
2
0,1
1
0
0
0,1
1
0,2 2
яигренЭ
ыбокс
ытилитУ
игулсу
ылаиретаМ
ыснаниФ
ьтсоннелшыморП
п
тоосП
у
ьлетибертоП
рм
ииголонхет
рето
яицамрофнИ
еб
еиненархоовардЗ
ен
яюли ти
иицакинуммокелеТ
Рисунок 14.1 Пример «альфа» акций, эффективность которой в основном

зависит только от секторов энергетики и информационных технологий
0,18 3
0,16 Средняя годовая доходность Коэффициент Шарпа
2,5
0,14
0,12 2
0,1
1,5
0,08
0,06 1
0,04
0,5
0,02
0 0
яигренЭ
ыбокс
ытилитУ
игулсу
ылаиретаМ
ыснаниФ
ьтсоннелшыморП
ииголонхет
яицамрофнИ
еиненархоовардЗ
йынноицерксид
иицакинуммокелеТ
Рисунок 14.2 Пример «альфа» акций, доходность которых разумно
распределена по всем секторам
Чтобы работать только с несколькими секторами, как правило, лучше ограничить

альфу этими секторами заранее, перед ее тестированием, и контролировать высокий
риск альфа, налагая ограничения на размер в зависимости от количества инструментов.
Придавать вес группам инструментов, которые не приносят стабильной доходности,
— это пустая трата капитала, но отказ от них после того, как вы увидите их
эффективность, повышает риск предвзятости выжившего.
На рис. 14.2 показано разумное целевое распределение. Достичь идеального
паритета между секторами нереально, но в этом случае альфа будет значительно
положительной во всех секторах.
Аналогично, исследователь должен проверить распределение производительности
альфы относительно крайних значений альфы. Простой способ проверить это —
разделить значения альфа на квинтили и найти среднее значение (и стандартное
отклонение) или доходность, исходя из каждого квинтиля. В идеальной альфе (рис.
14.3) верхний квинтиль (очень положительные значения альфа, если альфа
сосредоточена вокруг 0) дает очень положительную будущую доходность, а нижний
квинтиль (очень отрицательные значения альфа) дает крайне отрицательную будущую доходность.
На практике многие альфы получают почти всю свою эффективность только от
верхнего или нижнего квинтиля, а квинтили со 2 по 4 представляют собой просто шум,
как показано на рис. 14.4.
Поскольку такие альфы обладают хорошей предсказательной способностью только
в хвостовых случаях, реальный диапазон производительности уменьшается, а
вероятность просадки увеличивается, если хвостовая информация ухудшится в
будущем. Поскольку в центральных квинтилях таких альф нет информации, имеет
смысл выбросить те инструменты, у которых абсолютное значение ниже некоторого
шумового порога. Однако, поскольку результатом является альфа, которая торгует меньшим
0,4 5
4
Средняя годовая доходность Коэффициент Шарпа
0,3
3
0,2 2
1
0,1
0
латрав4
к
5Q
0
1
латрав1
к
латрав2
к
латрав3
к
2
0,1
3
0,2
4
0,3 5
Рисунок 14.3 Желаемое квинтильное распределение альфа
0,4 5
4
0,3 Средняя годовая доходность Коэффициент Шарпа
3
0,2 2
1
0,1
0
5Q
0
1
латрав2
к
латрав1
к
латрав3
к
2
латрав4
к
0,1
3
0,2
4
0,3 5
Рисунок 14.4 . Квинтильное распределение, в котором только хвосты альфа имеют

предсказательную силу.
Если использовать несколько инструментов, мы можем ожидать, что он будет иметь более высокую
волатильность и меньшую устойчивость, чем идеальный, в случае шока одного инструмента.
В других случаях (как на рис. 14.5) самые сильные хвостовые значения не работают. Низкая
предсказательная сила самых сильных сигналов означает, что альфа может быть неустойчивой.
Исследователю, вероятно, следует продолжить исследование альфа и либо уточнить гипотезу,
либо отказаться от нее.
Факторные риски на основе PnL можно оценить, исследуя распределение доходности по
квантилям факторов или путем регрессии фактической исторической доходности альфа-фактора
против исторической доходности выбранных факторов риска. Внутренний риск альфы также может
быть измерен как годовая волатильность, стоимость риска или максимальная просадка фактической
исторической серии PnL, а не текущей позиции. Важно учитывать

0,4 5
0,3 Средняя годовая доходность Коэффициент Шарпа 4
0,2 3
2
0,1
1
латрав4
к
5Q
0
0
латрав2
к
0,1
латрав1
к
латрав3
к
1
0,2
2
0,3
3
0,4 4
0,5 5
Рисунок 14.5. Неустойчивая альфа-версия
временные шкалы, в которых можно измерить как внешний, так и внутренний риск
меры. Более узкое окно или более быстрый коэффициент затухания делают показатель
риска более чувствительным к изменениям режима за счет исторической памяти.
При выборе этих параметров также важно учитывать временную структуру альфа.
Если альфа быстро меняет свои позиции, то, скорее всего, она быстро меняет свою
подверженность риску, поэтому имеет смысл использовать более узкое временное
окно. Если альфа имеет естественную периодичность (например, сезонность для
альфа сельскохозяйственных товаров), показатели риска для частей этого периода
будут иметь тенденцию быть зашумленными, поэтому все окна должны быть кратны
периоду. Как правило, имеет смысл объединить оценки для более коротких и более
длительных временных горизонтов для большей надежности и в качестве гарантии
на случай, если базовая временная структура альфа-канала нарушится.
ПРОСАДКИ
Просадка — это процентная потеря альфы по сравнению с ее предыдущим высоким

значением. Например, если с момента создания альфа-диапазона доходность
составила 20%, а затем в следующие несколько дней (или недель) доходность упала
до 18%, просадка измеряется как 2%. Поскольку ни одна альфа не зарабатывает
деньги каждый день, у каждой альфа бывают просадки.
Инвесторам обычно приходится беспокоиться о двух особенностях просадок:
• Самая большая просадка, которую имела альфа за всю свою историю (и в

каждый год своей истории).
• Продолжительность самой продолжительной просадки.
Чрезмерно крутая или длительная просадка может обанкротить отдельного

инвестора или привести к бегству капитала из фонда, поэтому очень важно
контролировать просадки.
При исследовании результатов бэктеста просадки альфы следует измерять

относительно других ее характеристик – например, годовой доходности и
коэффициента информации. Годовая прибыль должна перевешивать просадки. Иногда
устойчивая в остальном альфа внезапно резко падает, а затем возвращается к своим
ранее стабильным показателям.
В других случаях просадки представляют собой медленные и устойчивые
отрицательные результаты в течение многих дней, прежде чем альфа снова начнет
работать. Конечно, когда производительность становится отрицательной при
реальном развертывании альфа-версии или тесте вне выборки, невозможно узнать в
реальном времени, перестала ли альфа-версия работать вообще или просто достигла
временного спада, после которого она должна быстро восстановиться. Следовательно,
важно измерить глубину и продолжительность исторических спадов в период внутри
выборки. Это дает нам эталон, по которому мы можем измерить эффективность вне
выборки и в реальной торговле.
К сожалению, поскольку они редки, просадки также легко переоценить. Легко
«сразиться в последней битве» и придумать умную идею, которая предотвратила бы
большую просадку, наблюдаемую в ходе бэктеста, но ничего не сделала бы, чтобы
предотвратить следующую просадку в реальной торговле. Одной из полезных тактик
измерения риска просадки является начальная загрузка. Это работает следующим образом:
1. Измерьте автокорреляции PnL альфа. Начальная загрузка имеет смысл, когда

имеется только конечный набор значимых автокорреляций.
2. Создайте 1000 синтетических 10-летних PnL, случайным образом выбрав

фрагменты PnL длиной, равной периодам автокорреляции (с заменой).
3. Постройте график распределения максимальных просадок синтетических прибылей и убытков.
90-й процентиль — это бутстрэп-просадка.
Бутстрэппинг полезен, потому что, хотя легко рассказать правдоподобную историю

о конкретных рыночных условиях, вызвавших просадку, и просто перенастроить,
чтобы снизить риск в этих условиях, гораздо труднее перенастроить всю структуру
распределения доходности и автокорреляции. Если
Реализованная просадка уменьшается, а бутстрэп-просадка — нет, риск не

контролируется, а только маскируется. Если бутстрэп-просадка контролируется,
безопаснее полагать, что базовое распределение не приведет к экстремальным
просадкам.
КОНТРОЛЬ РИСКОВ
Диверсифицируйте, когда это возможно
Поскольку разные инструменты подвержены разным типам шкал риска и волатильности,

например, квадратному корню из числа независимых переменных, внешние и внутренние
риски альфа-портфеля или портфеля обычно можно снизить за счет диверсификации,
при условии, что концентрация позиций остается приемлемой. под контролем. Например,
альфа, построенные только на индексе FTSE 100, имеют меньшую диверсификацию, чем
альфа, построенные на всем наборе акций Великобритании и Европы. Диверсификация
может включать новые инструменты, новые регионы или сектора и новые классы активов.
Чем ниже корреляция между инструментами, тем лучше риск приближается к идеальной
центральной предельной теореме. Однако существуют пределы диверсификации. Если
инструменты слишком разнообразны, волатильность может быть слишком неоднородной,
чтобы позволить всем инструментам вносить значимый вклад без риска чрезмерной
концентрации, или инструменты могут просто вести себя слишком по-разному, чтобы одни
и те же альфа-идеи были релевантными. Более того, по мере расширения базовой
вселенной в игру могут вступить и другие риски, такие как риски, связанные со страной и
валютой, политический риск и риск контрагента. Эти риски следует учитывать и снижать.
Снижение внешних рисков
Внешние риски можно контролировать путем нейтрализации или хеджирования. Жесткая

нейтрализация заключается в приведении данного риска к нулю. В случае концентрации
позиций этого можно легко достичь (при условии отсутствия ограничений на короткие
позиции) путем вычитания группового среднего значения из отдельных позиций, путем
ортогонализации вектора позиции вектору фактора или путем вычитания бета,
умноженного на фактор. Нейтральные по отношению к доллару или отрасли позиции
достигаются путем жесткой нейтрализации. Мягкая нейтрализация заключается в
ограничении подверженности данному риску либо путем вычитания части подверженности,
либо путем использования метода ограниченной оптимизации для создания позиций.
Хеджирование заключается в использовании одного инструмента или набора

инструментов в качестве хеджирования риска, связанного с другими инструментами или
наборами инструментов. Например, можно хеджировать рыночную бета портфеля акций
с помощью фьючерсов на S&P 500 или биржевых фондов или валютный риск глобального
портфеля облигаций с помощью валютных спотов или фьючерсов. Получаемый в
результате контроль риска не является совершенным, поскольку хеджирование
несовершенно коррелирует с базовым риском, но оно часто полезно в тех случаях, когда нейтрализация
непрактично, например, когда короткие продажи невозможны или чрезмерно дорогостоящи,

или риск представляет собой риск краткосрочного события и хеджирование более ликвидно,
чем базовый портфель.
Снижение внутренних рисков
Внутренние риски, а также внешние риски, которые остаются после мягкой нейтрализации
или хеджирования, должны контролироваться путем динамического определения размера

позиции. Большинство альфа-компаний получают выгоду от широких ограничений
волатильности, подверженной риску стоимости, ожидаемых убытков и концентрации
позиций. Когда риск возрастает, размер книги должен уменьшаться, чтобы альфа-компания
не рисковала всем своим долгосрочным PnL всего за несколько дней с высоким риском.
Альфа-компании с широкой бета-версией или поведением «принимать/отнимать риск»
также могут использовать другие соответствующие показатели, такие как индекс
волатильности CBOE, потоки средств в активы, готовые к риску, или пики собственных
значений корреляции, в качестве сигналов для масштабирования. их склонность к риску
соответствует текущим рыночным условиям. Ни одна мера риска не отражает всю сложность
профиля риска, поэтому полезно объединить несколько соответствующих мер и использовать
наиболее консервативную из них. Альфа-компании, которые очень уязвимы к определенным
рискам событий, которые могут быть известны заранее (например, заседания центрального
банка и объявления финансовых показателей), должны сокращать или закрывать свои
позиции до наступления события или хеджироваться с помощью более ликвидных
инструментов, если они не могут масштабироваться во времени. Пороги стоп-лосса и тейк-
профита также можно рассматривать как примеры очень краткосрочных ограничений
размера позиций, которые сокращают позиции после того, как сделка достигла ожидаемого уровня риска, и
Просто уходи
Не все риски можно измерить или контролировать. Если основополагающие предположения

об альфе оказываются под угрозой разрушения, нельзя разумно ожидать, что альфа
отреагирует. Примеры таких случаев включают новостные события, такие как чрезвычайные
стихийные бедствия (сверх того, что альфа-версия могла бы увидеть в период своего
тестирования, если только альфа не является альфа-альфа, основанной на новостях или
настроениях, и можно ожидать, что она воспользуется этим событием), внезапные
изменения в корреляционной структуре базовых активов (например, привязка или
депривязка валюты) или в доказательствах кредитного риска контрагента (при условии, что
альфа ранее считала своих контрагентов само собой разумеющимся) – но наиболее важными
случаями являются те, которых никто не ожидал . На инвесторе лежит ответственность
внимательно относиться к способам неудачи «альф» и не торговать ими, когда они,
вероятно, пойдут на непредвиденный риск.
Хотя не все риски известны, некоторые общие внешние и внутренние риски

заслуживают измерения и контроля. Диаграммы производительности в
выборке и сводная статистика раскрывают лишь часть истории. Анализ
воздействия известных альфа-факторов, концентрации позиций и прибылей и
убытков, а также распределения просадок может помочь исследователям
понять источники риска, который они принимают, смягчить их, где это
возможно, и безопасно определить их размер.
15
Альфы из
Автоматический поиск
Ю Хуан и Варат Интарапрасонк
«Изменения — единственная константа в жизни», — писал около 2500 лет назад

греческий философ Гераклит. Его слова особенно актуальны для сегодняшних
финансовых рынков.
Мы живем в эпоху информационного взрыва. С экспоненциальным ростом
количества новых источников данных проверять все данные вручную становится
непрактично. Чтобы решить эту проблему, можно использовать компьютерные
алгоритмы, облегчающие поиск альфа-сигналов в огромном облаке данных. Этот
компьютерный метод, называемый автоматическим альфа-поиском, может значительно
повысить эффективность поиска сигналов, производя тысячи альфа-сигналов за один
день. За это приходится платить: не все найденные сигналы являются настоящими
альфами. Многие из, казалось бы, отличных альфа-сигналов, обнаруженных в результате
автоматического поиска, представляют собой шум, подогнанный к историческим
данным в выборке, и не имеют никакой предсказательной силы. Таким образом, целью
любого автоматического альфа-поиска является избежание переобучения для
улучшения качества выходного сигнала. В этой главе рассматривается процесс создания автоматизир
ЭФФЕКТИВНОСТЬ И МАСШТАБ
Основная задача автоматизированного поиска — найти большое количество альфа-

сигналов из экспоненциально большего числа комбинаций входных данных и функций.
Эти комбинации также могут быть рекурсивными; комбинации комбинаций могут
генерировать новые альфа-сигналы. Такая сложность делает эффективность одной из
главных проблем автоматизированного поиска. В этой главе представлены проблемы,
уникальные для автоматизированного альфа-поиска, разложен процесс поиска на
материальные компоненты, аналогичные компонентам ручного альфа-поиска, и
показано, как поиск эффективности определяет различные подходы в каждой области.
Автоматизированный поиск сталкивается с тремя проблемами, возникающими

из-за его большого масштаба: вычислительная нагрузка, невозможность вручную
проверить каждый компонент и низкая достоверность каждого альфа.
Автоматизированный поиск обычно предполагает объединение разных данных с
разными функциями методом проб и ошибок. В результате обычно требуется
высокий уровень вычислительной мощности. Оптимизации, которые уменьшают
использование памяти и повышают скорость, могут привести к поиску большего
количества и более качественных альф. Большое количество комбинаций также
означает, что каждую из полученных формул невозможно проверить вручную.
Даже если кто-то хочет исследовать образец вручную, альфа-выражение может
быть очень сложным и не иметь очевидного финансового значения. Более того,
само количество попыток означает, что часто встречаются комбинации, не имеющие математич
и экономический смысл ошибочно признаваться альфами из-за предвзятости

выживания. Хороший процесс поиска должен исключать такой шум из выходных
данных или, что еще лучше, вообще предотвращать его возникновение.
Наконец, невозможность проверить каждую альфу снижает уверенность
исследователя в каждой альфе по сравнению с его уверенностью в альфах,
сделанных вручную. Поэтому для автоматического поиска требуются новые виды
тестирования для поддержания качества альфа-версий.
Чтобы решить эти три проблемы, исследователи могут изучить три основных
компонента любого альфа-поиска (ручного или автоматического): входные данные,
алгоритм поиска и тестирование сигнала (см. рис. 15.1). Входные данные — это
значимые финансовые переменные, такие как цена, прибыль и новости.
Входные Выход
данные Пробные функции альфы
ж
1
Х1
Y = f 1(X1, X2)
…
ж
Х2 2
…
Сигнал
Y = f2 (X2)
тестирование
XN
Y = f 1(f 2(X1), X3)
Да
ж
М
Алгоритм поиска
Рисунок 15.1 Процесс автоматизированного поиска

Альфы из автоматического поиска 113
Целью любого поиска сигналов является использование этих данных для

прогнозирования целевой функции Y, которой может быть будущая доходность акций
или ее варианты. Чтобы найти связь между входными данными и целевой функцией,
используется алгоритм аппроксимации для определения параметров заранее
выбранного семейства пробных функций f (простейшим примером являются линейные
функции). Как только альфа найдена, она проверяется на надежность.
ВХОДНЫЕ ДАННЫЕ НЕ ДОЛЖНЫ ПОЛУЧАТЬСЯ ОТ СЛИШКОМ МНОГО

КАТЕГОРИИ
Ввод слишком большого количества входных переменных в алгоритм подбора

приведет к лучшему подбору в выборке, но обычно приводит к ухудшению
прогнозирующей способности из-за переобучения. Помимо этого, есть еще одна
проблема, которую часто упускают из виду, — это количество категорий данных. Здесь
категория относится к типу и источнику данных. Некоторые часто изучаемые
категории включают, помимо прочего, объем цен, рейтинги аналитиков,
фундаментальные данные, новости и инсайдерскую торговлю. Попытка учесть
слишком много переменных, скорее всего, приведет к переоснащению результата,
но подгонка переменных из множества разных категорий часто оказывается еще
хуже. Данные каждой категории имеют свою характерную частоту. Например,
фундаментальные данные обычно демонстрируют четкие квартальные циклы, данные
о ценах и объемах, как правило, однородны, а отчеты по инсайдерской торговле
обычно расположены случайным образом. Если модель содержит данные из
множества разных категорий, она, как правило, более сложна и более восприимчива к шуму в данн
ВХОДНЫЕ ДАННЫЕ И БЕЗЕДИННЫЕ ОТНОШЕНИЯ
Хорошие прогнозы доходности акций должны быть однородными и сопоставимыми

по акциям. В результате необработанные финансовые данные, такие как цена и
прибыль, обычно не являются хорошими предикторами, поскольку их нельзя
сравнивать по различным акциям. Например, стоимость заработка не является
сопоставимой в поперечном разрезе, но сопоставима прибыль, разделенная на
выручку. Причина в том, что долларовая прибыль зависит от размера компании.
Более крупные компании обычно имеют более высокие доходы в долларах, но более
крупные компании не обязательно имеют более высокую доходность акций.
Аналогично, прибыль на акцию зависит от размера акции, поэтому она также несопоставима между
Однако прибыль, разделенная на выручку, показывает размер прибыли в процентах,
поэтому их можно сравнивать между акциями.
Соотношения переменных одной категории, измеряемые в одних и тех же единицах,

обычно являются сопоставимыми показателями. Другой метод — сравнить текущее
значение данного бита данных с его историческим значением.
Например, текущая цена, разделенная на среднюю цену за последний квартал, представляет
собой безразмерную переменную, которую можно сравнивать между акциями.
Обратите внимание, что некоторые широко используемые коэффициенты могут оказаться
неподходящими кандидатами для автоматического поиска. Например, знаменитый
коэффициент P/E (цена акции, деленная на прибыль на акцию) не подходит для
автоматического поиска, поскольку соотношение может отклониться, если значение
прибыли близко к нулю. Соотношение E/P было бы более подходящим, поскольку цена
никогда не близка к нулю. Аналогичным образом, текущие доходы, разделенные на доходы
предыдущего периода, также могут расходиться.
Эти методы создания сопоставимых переменных необходимы для автоматического
поиска из-за неспособности исследователя проверить каждую альфу. Используя только
сопоставимые переменные в качестве входных данных для процесса поиска, можно
сократить количество бессмысленных формул, создаваемых в системе – например, цена
минус объем. Это уменьшает вычислительную нагрузку за счет сокращения ненужных
частей пространства поиска и повышает достоверность альфа, поскольку альфа имеют
более высокую вероятность иметь экономический и математический смысл.
НЕНЕОБХОДИМОЕ ПРОСТРАНСТВО ПОИСКА
При ручном альфа-поиске может оказаться возможным подобрать небольшое количество

параметров и пробных функций путем исчерпывающего поиска, поскольку пространство
ручного поиска невелико. Это невозможно при автоматическом альфа-поиске;
вычислительные ресурсы, необходимые для исследования всего пространства, на практике
были бы слишком велики. Поэтому важно максимально сузить пространство поиска.
Один из возможных способов — отсеивать комбинации функций и данных, которые не

имеют смысла. Например, такие функции, как журнал, которые не могут принимать
отрицательное входное значение, не следует сопоставлять с доходностью акций.
Человеческие знания можно использовать для выявления и удаления некоторых менее
полезных входных данных. Например, если целью поиска является поиск краткосрочных
сигналов, изменения в медленно меняющихся данных, таких как отраслевая классификация,
могут быть исключены из пространства поиска. Изучение охвата во времени (как часто
данные меняются или становятся недоступными) и охвата акций (сколько акций имеют
данные, доступные в данный момент) также может помочь отсеять менее полезные данные.
Наконец, итеративный поиск
использует первоначальный поиск по грубой сетке в пространстве параметров, чтобы

найти область с возможными альфами, а затем размещает более мелкую сетку вокруг
этой области. Например, в первом раунде итеративного поиска формула импульса
может быть адаптирована как к двухмесячному, так и к шестимесячному временному
масштабу. Если двухмесячный период работает лучше, в следующем раунде можно
использовать одно- и трехмесячные периоды. Такой метод разбивает процесс на более
мелкие и быстрые этапы. Он также дает промежуточные результаты, которые можно
использовать для оперативного развития процесса поиска. Итеративный поиск также
можно применять к пробным функциям путем поиска функций функций, которые
дают хорошие результаты.
ПРОМЕЖУТОЧНЫЕ ПЕРЕМЕННЫЕ
Выполнение ручного альфа-поиска часто показывает, что промежуточная переменная,

включающая простую функцию более чем одной части базовых входных данных,
может создать сильную альфу. Одним из примеров является вышеупомянутый
коэффициент P/E, который представляет собой совокупность данных о цене и прибыли.
Автоматический поиск также может найти такие полезные промежуточные переменные,
которые встречаются во многих альфа-версиях. Уменьшить вычислительную нагрузку
можно, если поисковая система сможет записывать эти переменные и повторно
использовать их в других поисках. Аналогично, комбинации пробных функций можно
записать и использовать повторно. Такое повторное использование распространенных
промежуточных переменных является одной из основ генетических алгоритмов (ГА),
полное обсуждение которых выходит за рамки этой главы.
МОРЕ АЛЬФ, А НЕ ОДИНОЧНЫЕ АЛЬФЫ
Помимо входных данных, можно оптимизировать и сам алгоритм поиска.

В отличие от ручного поиска альфа, цель которого обычно состоит в том, чтобы найти
одну лучшую альфу в небольшом пространстве параметров, автоматический поиск
ищет несколько хороших альфа в большом пространстве поиска. Следовательно,
алгоритм не должен пытаться найти глобальный оптимум в пространстве поиска, а
должен найти как можно больше локальных оптимумов на как можно большей
площади. Возможность найти разнообразный набор альф зависит не только от
алгоритма поиска, но и от того, как определяется пространство поиска. Как упоминалось
ранее, исследователь должен заранее отфильтровать иррациональные комбинации функций и данн
пересекать только разумные зоны поиска. Далее, зафиксировав наиболее продуктивные

области поиска, исследователь может сконцентрировать следующий поиск.
бегайте по таким областям, чтобы найти больше альф и повысить уверенность, или
избегайте таких областей в поисках других необнаруженных сигналов. Способность
находить разнообразные альфы в пространстве поиска является одним из показателей
того, насколько хорошо построены алгоритм поиска и пространство поиска.
ПРОСТЫЕ АЛЬФЫ
Поскольку автоматический поиск может дать большое количество альф, у исследователя

может возникнуть соблазн продолжать увеличивать сложность функционального
пространства, чтобы получить больше альф. Поскольку хорошие альфы обычно просты,
этот основанный на глубине подход к созданию сложных альф склонен генерировать
множество шумовых функций, которые выглядят как альфы в выборке, но плохо работают
вне выборки. Поэтому исследователю следует ограничить глубину поиска и больше
сосредоточиться на подходе, основанном на широте, за счет расширения пространства
поиска – входных данных и пробных функций. Количество найденных альф обычно будет
расти медленнее, но качество должно быть значительно выше.
ДЛИТЕЛЬНЫЕ ПЕРИОДЫ БЭКТЕСТИРОВАНИЯ
Увеличение периода бэктестинга увеличивает доступное количество точек данных и

повышает статистическую значимость результата, но только при условии, что динамика,
лежащая в основе данных, одинакова.
Это не всегда справедливо для финансовых рынков. Участники рынка и их поведение
быстро меняются и, в свою очередь, меняют динамику финансового рынка. Следовательно,
это компромисс при выборе длины входных данных: если период слишком короткий, будет
меньше данных и меньше уверенности в результате, но если период слишком длинный,
смещение базовой динамики может сделать результат неудовлетворительным. менее
надежный.
При ручном поиске обычно можно получить представление о том, какая динамика
рынка фиксируется и как долго она, как ожидается, сохранится. Автоматизированной
системе не хватает этого преимущества, поэтому можно рассмотреть количественные
методы определения того, когда период бэктестинга слишком длинный, например,
разделение бэктестинга и проверки согласованности между периодами. Ценой небольшого
увеличения вычислительной сложности можно будет динамически обновлять определенные
параметры внутри альфа-версий, а не подгонять их в рамках поиска, так что более
длительный период бэктестинга остается актуальным.
Еще одна проблема, связанная с более длительным периодом бэктестинга, особенно при
крупномасштабном поиске, — это более высокая вычислительная нагрузка. При итеративном
поиске дополнительный период бэктеста — это полезный трюк, позволяющий
воспользоваться преимуществами более длительного периода бэктеста без использования
чрезмерных ресурсов. Например, первый раунд поиска начинается с периода бэктеста от
даты M до даты N. В следующем раунде, проходя по более мелкой сетке меньшего
пространства поиска, период от M-0,5 года до N+0,5 года равен использовал. В третьем раунде
используется период от M-1 года до N+1 года и так далее.
Таким образом, первые раунды, в которых ожидается только предварительный результат,
выполняются намного быстрее, в то время как более поздние раунды, где происходит точная
настройка, используют больше точек данных для большей надежности. Продление периода
обратного тестирования на каждый последовательный раунд также добавляет тест квазивне
выборки в каждом раунде, что позволяет нам измерить доходность и получить уверенность
в альфа-факторах, если доходность высока, или прервать поиск, если доходность низкая. и
предвзятость выжившего вызывает беспокойство.
АЛЬФА-ПАРТИЯ, А НЕ ОДИНОЧНОЕ АЛЬФА-ИСПОЛНЕНИЕ
В исследованиях на людях каждая альфа обычно подтверждается экономическими или

финансовыми соображениями; качество альф во многом зависит от надежности подбора
параметров, которая не зависит от одной альфы к другой. Таким образом, уверенность
каждого ручного альфа можно измерить отдельно. Например, о качестве можно судить по
результатам обратного теста или теста на чувствительность параметра. Напротив, при
автоматическом поиске каждая альфа не имеет заранее определенного объяснения, поэтому
уверенность в альфе зависит не только от алгоритма подбора, но и от пространства поиска.
Поэтому менее целесообразно спрашивать о качестве отдельных альф, чем о качестве поиска
в целом. Совокупная производительность альф, созданных из одного и того же пространства
поиска и алгоритма поиска, называется пакетной производительностью. Это аналог
оркестра, качество которого измеряется по всему ансамблю, а не по музыке отдельных
исполнителей.
Предвзятость отбора — распространенная ошибка, возникающая из-за чрезмерного

внимания к отдельным альфам. После завершения автоматического поиска возникает
соблазн проверить производительность каждой выходной альфа-версии за пределами
выборки и выбрать только те, которые работают хорошо. Однако такая практика может
привести к смещению отбора в альфа-партию, поскольку при альфа-отборе использовались
характеристики, выходящие за пределы выборки. В результате он больше не может
считаться вне выборки. Чтобы смягчить эту предвзятость, учтите статистическую значимость
средней производительности всех альф в партии и решите, принять или отклонить всю партию.
Например, предположим, что произведена партия из 100 альфа с пороговым коэффициентом
информации в выборке IR 0 1,5. ИР 0 1. 2.
Шестьдесят альфа имеют выход за пределы выборки IR 0, а остальные < 0. В этом случае
среднее значение IR за пределами выборки слишком низкое, поэтому все 100 альфа должны
быть отклонены, включая 60 с положительным выходом за пределы выборки. производительность.
Изучение статистики партий может помочь обнаружить ошибки в системе, которые в
противном случае было бы очень трудно обнаружить. Например, система настроена на поиск
альфа-компаний с низким оборотом с использованием данных, которые обновляются
ежеквартально, но оборот выходной альфа-партии необычно высок. Это может указывать на
возможную ошибку при подборе параметров. Статистика партии также может предоставить
полезную информацию о входных данных и пробных функциях; например, данные или
функции, которые много раз появляются в альфа-пакете, могут иметь более высокую
предсказательную силу. Такая информация может быть использована для дальнейшей
оптимизации пространства поиска для последующих запусков.
Еще одним применением статистики альфа-пакетов является метод, называемый тестом
урожайности. Если исследователь использует набор пространств поиска (входные данные и
функции), который имеет экономический или финансовый смысл, он может ожидать, что
количество альф, найденных в этом пространстве, будет выше, чем количество найденных из
набора зашумленных входных данных или функций. ; то есть хорошее пространство поиска
должно иметь более высокую производительность, чем зашумленное пространство поиска.
Таким образом, исследователь может попробовать ввести шумовые входные данные в
автоматизированную поисковую систему и сравнить выход и качество выходного альфа-пакета.
Пакет, основанный на шумовых входных данных, должен быть хуже, чем пакет из
предположительно хорошего пространства поиска. Если количество и качество альф не сильно
различаются независимо от того, хороший или зашумленный входной сигнал используется,
это может указывать на плохой общий процесс, предполагая, что результирующие альфа-
пакеты, даже те, что из чистого пространства, скорее всего, будут шумный.
РАЗНООБРАЗИЕ АЛЬФА-ПАРТИИ
Диверсифицированный портфель имеет меньший риск. Этот принцип также можно применить
к партиям альф из различных автоматических поисков. Каждая альфа-партия уже обладает
некоторой диверсификацией, поскольку содержит множество отдельных альф. Однако
исследователь может повысить диверсификацию на уровне партии, варьируя набор входных
данных (например, фундаментальные показатели,
цена-объем), пробные функции (линейная комбинация, регрессия временных рядов),

тестирование производительности (максимизация доходности, минимизация риска) или
даже сам процесс поиска (различные итеративные процессы). Объединение альфа из
многих пакетов может еще больше снизить корреляцию между альфа и общим риском
портфеля.
ТЕСТЫ НА ЧУВСТВИТЕЛЬНОСТЬ И ТЕСТЫ НА ЗНАЧИМОСТЬ
Хороший альфа-сигнал должен быть нечувствителен к шуму. Перекрестная проверка

данных за разные периоды, за разную продолжительность, по случайным поднаборам
данных, по каждому сектору акций и т. д. может быть хорошим способом снизить риски
переобучения, а также риски зашумленности данных: мы больше доверяем сигналам,
которые менее чувствительны к этим входным изменениям. С другой стороны, каждое
поле входных данных должно вносить существенный вклад в результат. Самый простой
способ проверить значимость — удалить одну входную переменную или заменить ее
шумом и проверить, существенно ли изменится результат. Мы больше доверяем сигналу,
если каждая входная переменная вносит значительный вклад.
РУЧНОЙ АЛЬФА-ПОИСК
Качественный альфа-поиск требует тщательного обращения с входными данными,

пробными функциями, алгоритмом поиска и тестированием производительности.
Первоначально трудно определить правильный выбор для каждого из них, особенно при
работе с новым набором входных данных или целевых функций. Поэтому, прежде чем
приступать к автоматическому поиску, необходимо обязательно начать с ручного поиска
по тем же входным данным, потому что сложность ниже и легче понять все аспекты
каждой альфы. Как только входные данные будут четко поняты, исследователь может
обобщить процесс и сделать его пригодным для автоматического поиска.
Автоматический альфа-поиск предлагает множество преимуществ по сравнению с

обычным ручным альфа-поиском, в частности, значительное повышение эффективности
и объема. Обратной стороной является то, что это требует осторожности в нескольких областях.
Автоматизированный поиск может усугубить степень переобучения, что может
противодействовать тщательному и значимому выбору переменных, ограничению

категорий входных данных, выбору периодов тестирования и тестам на чувствительность.
Все это важные шаги, позволяющие избежать переоснащения и создать настоящие
альфы. Наконец, учитывая производительность партии, улучшения и диверсификация
могут быть применены к уровню партии; это сложно сделать с альфа-изображениями,
полученными ручным поиском, из-за небольшого количества похожих альфа-
изображений и сложности группировки различных альфа-изображений вместе.
Мы ожидаем, что благодаря достижениям в области искусственного интеллекта интерес
и важность автоматизированного альфа-поиска будет продолжать расти.
16
Машинное обучение в
Альфа Исследования
Михаил Козлов
ВВЕДЕНИЕ
За последние несколько десятилетий машинное обучение стало распространенным

инструментом практически для любой задачи, требующей извлечения информации из
больших наборов данных. В альфа-исследованиях с помощью методологии машинного
обучения можно решить несколько распространенных проблем:
• Задачи регрессии, в которых Y и X являются количественными переменными.

и Y выводится функцией YFX .
• Задачи классификации, в которых Y является качественной переменной, а

выводится из количественной переменной X.
• Задачи прижигания, в которых количественная переменная X наблюдается и
классифицируется на группы со схожими характеристиками.
В этой главе мы представим наиболее распространенные методы, используемые

для решения этих проблем.
В альфа-исследованиях не важно точно описать то, что произошло в прошлом,
но важно быть как можно более точными в предсказании будущего. Таким
образом, мы сталкиваемся со следующей дилеммой: слишком сложная модель
может обеспечить идеальную калибровку, но приведет к переобучению и низкому
качеству прогноза, тогда как слишком упрощенная модель, которая очень плохо
соответствует выборочным данным, не имеет шансов более точно предсказать
будущее поведение. .
МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ
Исторически сложилось так, что область машинного обучения получила импульс после
Второй мировой войны, когда человечество столкнулось с острой необходимостью
анализировать большой объем информации и быстро принимать множество правильных
решений, что было бы невозможно, полагаясь исключительно на человеческий здравый
смысл. и вычислительные способности. В 1957 году Фрэнк Розенблатт из Корнеллской
авиационной лаборатории изобрел то, что он назвал персептроном, что обычно называют
началом машинного обучения как науки. Идея была очевидна и многообещающая: если
человеческий мозг представляет собой не что иное, как совокупность нейронов, мы можем
создать искусственный нейрон; как и в случае с естественным нейроном, это было бы довольно просто.
Искусственный нейрон был реализован как простейший линейный классификатор
входных сигналов. Каждый искусственный нейрон имеет параметры, которые можно
подогнать под набор обучающих примеров. Персептрон — это совокупность нейронов,
которая может представлять собой более сильный и сложный классификатор. Недостаток
перцептронов заключается в том, что наличие слишком большого количества параметров
может привести к переобучению, когда положительные результаты обучения не обладают
сильной предсказательной силой для новых данных.
В 1960-е годы советские учёные Владимир Вапник и Алексей Червоненкис изобрели
алгоритм обобщенного портрета, который позже развился в семейство алгоритмов
классификации, известных как машины опорных векторов (SVM). Обобщенный портрет и
SVM были новыми шагами в машинном обучении. В отличие от перцептрона, решение SVM
предполагает, что точность, достигнутая во время обучения, сохраняется вне выборки и,
следовательно, предотвращает переобучение.
Давайте теперь кратко рассмотрим наиболее важные направления и методы машинного

обучения (см. рис. 16.1).
Алгоритмы обучения с учителем и без учителя
Термин «контролируемый алгоритм» означает, что мы ожидаем, что машина будет обучаться
на наборе реальных примеров, которые мы предоставляем. Например, мы готовим набор
картинок с правильными пометками «кошка» и «собака» и ожидаем, что машина научится
различать их. Другим примером может быть набор правильных результатов (выбранных из
прошлого) для задачи прогнозирования.
Термин «алгоритм без учителя» относится также к задачам прижигания, правильные
ответы на которые мы заранее не знаем. В этом случае машинный поиск направляется
только по некоторому заранее заданному критерию качества.

Например, в альфа-исследовании задача прогнозирования цен на акции может быть
хорошим применением контролируемого обучения, а задача выбора акций для включения
в портфель — применением неконтролируемого обучения.
Машинное обучение в альфа-исследованиях 123
Машина
обучение
Без присмотра Контролируемый

методы методы
Кластеризация Статистический Опорный вектор Нейронный Ансамбль

алгоритмы модели машины сети методы
Глубокое обучение Случайный

Нечеткая логика
алгоритмы лес
АдаБуст
Рисунок 16.1 Наиболее развитые направления машинного обучения. Самые

популярные — черного цвета.
Статистические модели
Такие модели, как наивный Байес, линейный дискриминантный анализ, скрытая

модель Маркова и логистическая регрессия, хороши для решения относительно
простых задач, не требующих высокой точности классификации или прогнозирования.
Эти методы просты в реализации и не слишком чувствительны к недостающим
данным. Недостаток состоит в том, что каждый из этих подходов предполагает
некоторую конкретную модель данных.
Анализ тенденций является примером применения статистических моделей в
альфа-исследованиях. В частности, для этой цели часто используется скрытая модель
Маркова, основанная на убеждении, что движения цен на фондовом рынке не
являются полностью случайными. В рамках статистики скрытая модель Маркова
представляет собой композицию двух или более случайных процессов: скрытой цепи
Маркова, которая объясняет временную изменчивость, и наблюдаемого процесса,
который объясняет спектральную изменчивость. В этом подходе на основе этих
значений вероятностей в конкретный момент времени определяется характер
поведения фондового рынка. Цель состоит в том, чтобы выяснить последовательность
скрытых состояний с учетом последовательности наблюдений, извлечь долгосрочное
распределение вероятностей и определить текущую тенденцию относительно этого распределения.
Машины опорных векторов
Машина опорных векторов — это алгоритм машинного обучения с прочной

теоретической базой. Он очень надежен и имеет несколько модификаций для
решения различных типов задач, но обычно требует много времени на обучение и
не лучший метод параллельных вычислений; это недостаток современных

алгоритмов.
Основная идея SVM заключается в том, что при наличии набора точек данных в
векторном пространстве, разделенных на две непересекающиеся группы
(категории), алгоритм SVM делит пространство на два подмножества, чтобы
максимизировать расстояние между обучающими точками и границей. Затем
новые экземпляры сопоставляются с тем же пространством и присваиваются категории.
SVM могут быть очень полезным методом анализа и прогнозирования
финансовых временных рядов, поскольку их можно сформулировать в виде
функции риска, состоящей из эмпирической ошибки и регуляризованного члена,
полученного из принципа минимизации структурного риска. Распространенным
подходом является использование векторной регрессии (SVR) для решения задач
регрессии и прогнозирования. Варьируя пределы SVR, вы можете моделировать
изменения волатильности финансовых данных. Кроме того, в SVR можно принять
во внимание эффекты асимметричной маржи, что снижает риск ухудшения модели.
Нейронные сети
Нейронные сети (НС) возникли из идеи представить структуру человеческого мозга

искусственными нейронами, очень похожими на естественные. Вскоре было
замечено, что ключевым моментом является не сама структура нейронов, а то, как
нейроны связаны друг с другом и как они обучаются.
Пока не существует теории, как построить НС для какой-либо конкретной задачи.
Фактически, НС — это не конкретный алгоритм, а конкретный способ представления
алгоритмов. Существует хорошо известный алгоритм обратного распространения
ошибки для обучения нейронных сетей. Нейронные сети очень эффективны при
наличии достаточной вычислительной мощности. Сегодня они имеют множество
применений и играют важную роль в ряде систем искусственного интеллекта,
включая машины, которые побеждают игроков-людей в шахматы и го, определяют
кредитные рейтинги и обнаруживают мошенническую деятельность в Интернете.
Однако отсутствие теории и внутренняя прозрачность НС (внутреннюю логику
которых трудно интерпретировать) несколько тормозят их развитие.
Ансамблевые методы
Ансамблевые методы, такие как случайный лес и AdaBoost, объединяют решения

нескольких «слабых» классификаторов или предикторов с плохой индивидуальной
точностью для получения более сильной классификации или более точного
прогноза. Алгоритм случайного леса строит набор простых деревьев решений на
основе обучающих примеров, а затем заставляет эти деревья «голосовать».
Машинное обучение в альфа-исследованиях 125
выносить окончательное решение по новым делам. AdaBoost (алгоритм «адаптивного

повышения») объединяет различные «слабые» классификаторы (хотя каждый с точностью
более 50%), чтобы получить окончательное решение как взвешенную сумму «слабых»
решений. Эти алгоритмы очень масштабируемы и хороши для параллельных вычислений.
Потому что основная идея случайного леса и AdaBoost — объединить
грубые и умеренно неточные слабые гипотезы образуют очень точную сильную, они
часто используются для оптимизации портфеля. Например, мы можем начать с набора
относительно слабых альф и построить стабильную и хорошо работающую стратегию,
используя методологии случайного леса и Ada Boost.
Однако сильные классификаторы, полученные с помощью случайного леса и AdaBoost,

как правило, имеют высокий уровень ошибок. Недавно были предложены некоторые
улучшенные варианты этих алгоритмов для уменьшения количества ложных срабатываний.
Например, AsymBoost в некоторой степени уравновешивает асимметричные затраты на
ложноотрицательные и ложноположительные результаты путем повторного взвешивания
положительных и отрицательных образцов в каждом раунде обучения. Другой
альтернативой является FloatBoost, который включает в себя механизм поиска с
плавающей запятой и неоднократно выполняет возврат для удаления неблагоприятных
слабых классификаторов после добавления нового слабого классификатора с помощью
AdaBoost; это обеспечивает меньшую частоту ошибок и сокращение набора функций примерно в пять р
более длительное время обучения.
Глубокое обучение
Глубокое обучение (ГО) сегодня является популярной темой и термином, который

используется для обсуждения ряда довольно разных вещей. Некоторые ученые,
работающие с данными, считают, что DL — это просто модное словечко или ребрендинг
нейронных сетей. Название происходит от канадского ученого Джеффри Хинтона,
который создал неконтролируемый метод, известный как ограниченная машина
Больцмана (RBM), для предварительного обучения нейронных сетей с большим
количеством слоев нейронов. Это должно было улучшить метод обучения обратному
распространению ошибки, но нет убедительных доказательств того, что это действительно
было улучшение. Еще одно направление глубокого обучения — рекуррентные нейронные
сети (RNN) и обработка естественного языка. Одна из проблем, возникающих при
калибровке RNN, заключается в том, что изменения весов от шага к шагу могут стать
слишком маленькими или слишком большими. Это называется проблемой исчезающего градиента.
В наши дни слова «глубокое обучение» чаще относятся к сверточным нейронным
сетям (CNN). Архитектуру CNN представил ученый-компьютерщик Кунихико Фукусима,
разработавший
модель неокогнитрона (NN с прямой связью) и Янн ЛеКун, который модифицировал

алгоритм обратного распространения ошибки для обучения неокогнитрона. CNN
требуют много ресурсов для обучения, но их можно легко распараллелить и,
следовательно, они являются хорошими кандидатами для параллельных вычислений.
Применяя глубокое обучение, мы стремимся объединить несколько независимых
слоев нейронной сети, которые, работая вместе, дают лучшие результаты, чем мелкие
отдельные структуры. Есть некоторые свидетельства того, что
использование глубокого обучения для анализа временных рядов и прогнозирования

дает лучшие результаты по сравнению с ранее существовавшими методами. Самой
популярной архитектурой для временных рядов и прогнозирования была сеть
глубоких убеждений, предложенная Куремото и др. (2014).
Методы нечеткой логики
В классической логике каждое утверждение истинно или ложно. Однако в реальной

жизни и человеческой логике этого не всегда достаточно; некоторые утверждения
«вероятно верны», «неопределенны», «маловероятны» и т. д. Другими словами, между
«да» и «нет» существует шкала серого. Позволяя машинам работать с такими
недоопределенными утверждениями, мы можем создавать так называемую нечеткую
логику, которая имеет неточные правила вывода и предоставляет механизмы для
принятия решений в условиях недостатка информации.
Финансовые аналитики проявляют растущий интерес к использованию экспертных

систем и нейронных сетей для моделирования финансовых процессов и эффективности
рынка. Но также важно признать, что методы нечеткой логики набирают популярность
при разработке гибридных экспертных и нейросетевых программных систем. В
нечетких экспертных системах мы пытаемся определить нечеткие правила, которые
допускают большее разнообразие ответов в зависимости от степени доверия,
заложенной в правила принятия решений.
Безусловно, данные являются одним из наиболее ценных ресурсов в современном

цифровом мире. Машинное обучение стало распространенным инструментом для
извлечения информации из больших наборов данных. В то время как наука
стремительно движется вперед к новым структурам управления данными,
программным решениям и алгоритмам, облегчающим использование этого ресурса,
сам мир экспоненциально увеличивается в объеме и сложности. Поэтому невозможно
использовать весь набор доступных данных для целей альфа-конструирования без
методов машинного обучения.
17
Мышление в алгоритмах
Санни Махаджан
Хороший квант должен быть мастером на все руки, а со временем и опытом — мастером в
некоторых из них. Эффективное перемещение по различным неизведанным ландшафтам
требует навыков, внимательности и правильного набора инструментов, чтобы доставить
вас к месту назначения целым и невредимым. С течением времени и технологическим
прогрессом мы открыли множество новых способов сделать это путешествие более быстрым
и безопасным. Манипулирование огромными массивами как структурированных, так и
неструктурированных наборов данных в надежде добраться до вечно прибыльной альфа-
версии — это не что иное, как экспедиция, и алгоритмы служат нашими доверенными
советниками в этих захватывающих приключениях.
Чтобы оставаться конкурентоспособным, вам необходимо быть хорошо оснащенным
и, что еще более важно, вам необходимо выбрать правильный инструмент для работы.
Даже имея правильный инструмент, вам придется выбирать между изяществом и грубой
силой. В прогнозном моделировании решающее значение имеет знание того, как пройти
эту тонкую грань. Тем не менее, давайте взглянем на некоторые математические методы
и алгоритмы, которые должны быть частью вашего набора инструментов для количественного
анализа. Мы рассмотрим основную интуицию и практические варианты использования
этих алгоритмов.
ЦИФРОВЫЕ ФИЛЬТРЫ
Цифровые фильтры выполняют математические операции над сигналами дискретного

времени, чтобы ослабить или усилить определенные частоты. Эти математические
преобразования характеризуются передаточными функциями, которые описывают, как они
реагируют на различные входные данные. Таким образом, проектирование цифрового
фильтра включает выражение характеристик производительности в форме подходящей
передаточной функции.
Два класса цифровых фильтров — это конечная импульсная характеристика (FIR) и

бесконечная импульсная характеристика (IIR). Ключевое различие между ними состоит в том, что
IIR использует обратную связь, а FIR — нет. Что касается типа используемой фильтрации,
основными типами фильтров являются фильтры нижних частот (которые ослабляют более
высокие частоты), фильтры верхних частот (которые ослабляют более низкие частоты),
полосовые фильтры (которые сохраняют только определенную полосу частот), и полосовые
фильтры (которые ослабляют полосу частот). Усиление или ослабление, вносимое фильтром,
называется его коэффициентом усиления и является функцией частоты сигнала. Комбинируя
основные типы фильтров, можно получить желаемую передаточную функцию.
Одним из самых популярных применений цифровых фильтров является сглаживание данных
временных рядов: простые и экспоненциальные скользящие средние по сути являются
фильтрами нижних частот. Кроме того, задержка, вносимая цифровыми фильтрами, зависит от
характеристик передаточной функции. Таким образом, при правильной конструкции цифрового
фильтра можно добиться эквивалентного или лучшего сглаживания с уменьшенной задержкой,
и более низкая задержка предпочтительна.
Другое популярное применение цифровых фильтров — разложение временных рядов.
Благодаря подходящей комбинации фильтров нижних, полосовых и верхних частот вы можете
эффективно разложить необработанный временной ряд на компоненты тренда и цикла. С
помощью этих извлеченных компонентов мы можем разрабатывать лучшие индикаторы и
торговые сигналы. Как только вы поймете основы моделирования передаточных функций, вам
будет легко разрабатывать и тестировать собственные фильтры.
В дополнение к простому скользящему среднему и экспоненциальному скользящему
среднему хорошо иметь в своем наборе инструментов эффективный фильтр нижних частот,
известный как фильтр Баттерворта. Для фильтрации верхних частот вы можете просто вычесть
выходные данные фильтра нижних частот из исходного временного ряда.
ОПТИМИЗАЦИЯ И РАЗРАБОТКА ФУНКЦИИ ПОТЕРЬ
Суть любой задачи оптимизации — выбор оптимального решения из множества возможных
решений. Осуществимость обычно определяется проектными спецификациями,
производственными требованиями и ограничениями производственного процесса.
Оптимальность решения количественно оценивается с точки зрения минимизации функции

потерь (или функции стоимости).
Выбор хорошей функции потерь отличает эффективный алгоритм оптимизации от
неэффективного и зависит от характера проблемы, а также набора данных. Чтобы
проиллюстрировать нашу точку зрения, рассмотрим различия между нормой L1 и нормой L2.
Норма L2
возводит в квадрат отдельные члены ошибок и сильно наказывает оптимизатора за более
крупные члены ошибок. Хотя это может быть желательно, если мы хотим, чтобы наше решение
имело хорошую производительность во всем наборе данных, в конечном итоге это может привести к
Мышление в алгоритмах 129
быть неробастным в присутствии выбросов. С другой стороны, формулировка нормы

L1 достаточно робастна и генерирует разреженные решения, но может быть
нестабильной. На практике это означает, что многие члены ошибок в конечном итоге
оказываются равными нулю, а некоторые могут быть весьма большими; это не сулит
ничего хорошего для наших худших показателей.
Нормы L1 и L2, также используемые в форме регуляризации, успешно используются
для повышения производительности по сравнению с обычной регрессией наименьших
квадратов. В классической форме стандартная регрессия наказывает ошибочные
члены нормой L2. Однако это часто страдает от проблемы неоправданно больших и
нестабильных коэффициентов модели, особенно при наличии сильно коррелированных
предикторов.
С этой проблемой можно справиться, добавив к коэффициентам модели штраф за
норму L2, который наказывает оптимизатор за большие коэффициенты (также
известный как гребневая регрессия или регуляризация Тихонова). Кроме того, если мы
знаем, что на самом деле полезны только подмножество предикторов, мы можем
внедрить эту структуру разреженности в задачу обучения, включив штраф за норму L1
на коэффициенты модели (т. е. регрессию Лассо). Метод Лассо успешно использовался
в качестве стратегии выбора признаков в нескольких реальных приложениях. Нередко
обе описанные выше проблемы встречаются в одном и том же приложении; Эту
проблему легко решить, включив штрафы за норму L1 и норму L2 в коэффициенты
модели (т. е. эластичную сеть). Это дает нам хороший компромисс между
производительностью, надежностью, разреженностью и стабильностью.
Также стоит отметить, что существует интересная функция, называемая потерями

Хубера, которая использует норму L2 для меньших значений ошибки и переключается
на норму L1 для членов ошибки, превышающих заданный пользователем порог. Эта
функция потерь имеет устойчивость нормы L1 и стабильность нормы L2 и часто
работает лучше, чем любая другая в реальных задачах.
Как только вы поймете основные свойства различных функций потерь, вы сможете
проявить творческий подход и разработать эффективные решения повседневных
количественных задач с помощью оптимизации.
Компромисс смещения и дисперсии
В идеальной ситуации у нас был бы идеальный алгоритм обучения, обученный на

достаточном количестве и полных данных для построения наших прогнозных моделей.
К сожалению, проблемы реальной жизни не так легко решить.
Проклятие размерности подразумевает, что с увеличением числа признаков нам
нужно экспоненциально больше данных, чтобы наши результаты были достоверными.
значимый. Что еще хуже, мы сталкиваемся с компромиссом между ухудшением качества

информации и статистической значимостью. Мы хотим использовать достаточно большую
выборку данных для получения статистически значимых результатов.
Однако чем дальше мы возвращаемся в историю, тем менее актуальными становятся наши
данные, поскольку большинство реальных проблем связаны с движущимися целями.
Структура и параметры модели постоянно развиваются, и у нас есть лишь ограниченное
количество репрезентативных выборок данных из недавней истории.
Чтобы дать нашим алгоритмам обучения шанс на успех, нам нужно уменьшить размерность
проблемы или внедрить некоторые предварительные знания о структуре проблемы в процесс
обучения.
Модели с высокой дисперсией имеют тенденцию переобучаться на обучающих данных,
демонстрируют высокую вариативность своих прогнозов и не могут обобщать тестовые данные.
Уменьшая размерность нашей задачи, мы ограничиваем степени свободы в процессе обучения.
Модели с высоким смещением имеют тенденцию чрезмерно упрощать проблему. Хотя

они не склонны к переобучению, они страдают от недостаточной подгонки и имеют низкую
производительность как на обучающих, так и на тестовых наборах данных. Однако при
умеренном использовании некоторые соответствующие предположения или предварительное
знание структуры проблемы могут помочь алгоритму обучения противостоять описанной
выше проблеме переобучения и генерировать более качественные модели прогнозирования.
Помня о двух крайних концах этого спектра, давайте теперь обсудим использование
уменьшения и сжатия размерности для эффективного управления компромиссом между
смещением и дисперсией.
УМЕНЬШЕНИЕ РАЗМЕРОВ
Снижение размерности, также часто называемое извлечением признаков, решает проблему

извлечения базовой структуры набора данных путем ее выражения в терминах нескольких
признаков, которые объясняют большую часть изменений в базовых данных. Как упоминалось
ранее, это чрезвычайно полезно при прогнозном моделировании, чтобы противостоять
эффектам проклятия размерности.
Одним из наиболее часто используемых непараметрических алгоритмов уменьшения

размерности в количественных финансах является анализ главных компонентов (PCA). Он
успешно использовался для построения статистических моделей риска, разработки алгоритмов
распределения активов для построения портфелей (основных портфелей) и кластеризации.
Мышление в алгоритмах 131
Расширение PCA, анализ разреженных главных компонентов (sPCA), добавляет

ограничение разреженности входных переменных. В обычном PCA компоненты обычно
представляют собой линейные комбинации всех входных переменных; sPCA преодолевает
это ограничение, находя компоненты, содержащие всего несколько независимых
переменных. Таким образом, sPCA часто более эффективен при удалении шума, чем PCA,
и полезен для выбора функций благодаря
встроенное ограничение разреженности.
ОЦЕНИТЕЛИ УСАДКИ
Имея дело с наборами данных высокой размерности и ограниченными выборками

данных, мы часто можем улучшить наивные или необработанные оценки, объединив их
с некоторой дополнительной информацией о проблеме, обычно в форме структурной
оценки. По сути, сокращение преобразует несмещенную необработанную оценку в
улучшенную смещенную.
Очень популярное и успешное применение сокращения — улучшение оценок
ковариационной матрицы для распределения активов и управления рисками. Ледуа и
Вольф (2004) демонстрируют, что, сокращая выборочную оценку ковариационной матрицы
до структурной оценки (основанной на модели постоянной корреляции), они могут
создавать портфели, которые превосходят портфели, основанные на наивной выборочной
оценке ковариационной матрицы. Полезность сокращения для улучшения статистических
оценок выдержала испытание временем.
ОПТИМИЗАЦИЯ ПАРАМЕТРОВ
Выбор параметров очень важен при работе квантовых моделей вне выборки. Статические
параметры не учитывают тот факт, что большинство проблем в финансах связаны с
движущимися целями, а оптимальный набор параметров является функцией характеристик
проблемы, которые не обязательно должны быть статичными или единообразными в
сечении нашей торговой вселенной.
Во многих случаях можно добиться большего, используя динамические параметры,
которые меняются со временем, а также характеристики поперечного сечения. Например,
вы могли бы улучшить простую стратегию торговли новостями, учитывая эффективность
акций как функцию их рыночной капитализации. Компании с большой капитализацией
привлекают больше внимания и, следовательно, более эффективно используют
информацию, чем их коллеги с малой капитализацией. Таким образом, вы потенциально можете улучши
производительность путем модуляции периода владения такой стратегией в

зависимости от рыночной капитализации. Это предполагает динамическую
параметризацию, которая меняется в зависимости от характеристик
моделируемого объекта.
Статические и динамические алгоритмы не используют никакой информации,
полученной в результате работы алгоритма вне выборки. Замкнув контур
обратной связи и используя эту информацию, можно точно настроить
параметризацию алгоритма на основе реализованной производительности.
Сделав еще один шаг вперед, мы имеем самоадаптивные алгоритмы, в которых
логика настройки параметров встроена в основной алгоритм и выполняется
автоматически во время работы программы.
Алгоритмическое мышление позволяет нам находить более простые и

эффективные решения повседневных квантовых задач. Это позволяет нам
дисциплинированно проводить исследования, открывать новые идеи и уверенно
применять прогностические модели. Исследование алгоритмов само по себе
является дисциплиной, и важно быть в курсе последних инноваций, чтобы
поддерживать наше математическое и технологическое преимущество в поисках альф.
ЧАСТЬ III
Расширенные темы
18
Цена и объем акций
Конг Ли и Хуайюй Чжоу
ВВЕДЕНИЕ
В финансах гипотеза эффективного рынка (EMH) утверждает, что финансовые

рынки «информационно эффективны». Иными словами, при наличии
информации, доступной на момент осуществления инвестиций, невозможно
последовательно достигать доходности, превышающей среднюю рыночную
доходность с поправкой на риск.
Существует три основные версии EMH: слабая, полусильная и сильная.
Слабая гипотеза утверждает, что цены на торгуемые активы (например,
акции, облигации или недвижимость) уже отражают всю имеющуюся в
прошлом общественную информацию. Полусильная гипотеза утверждает,
что вся прошлая общедоступная информация и текущая общедоступная
информация уже была оценена в ценные бумаги. Сильная гипотеза
утверждает, что вся публичная и частная информация отражается в цене
ценной бумаги. Таким образом, учитывая только текущие и исторические
данные «цена-объем», EMH подразумевает, что невозможно получить
прибыль на эффективном рынке и что не существует таких вещей, как
«альфа» цена-объем.
Это правда? Нет это не так. Хотя развитие информационных технологий,
обработки информации и автоматической торговли, а также другие
достижения приблизили рынок к полной эффективности, полная
эффективность не достигнута и, возможно, никогда не будет достигнута.
Количественные трейдеры стремятся получить прибыль от сохраняющейся неэффективн
Альфа-объемы, полагающиеся только на рыночные данные, продолжают каждый
день опровергать EMH.
ПОИСК ПРИБЫЛИ ЧЕРЕЗ ЦЕНУ И ОБЪЕМ
Торговые частоты
Альфа цена-объем может получать прибыль от торговли с разной частотой

ребалансировки. В отличие от некоторых долгосрочных инвесторов, которые
балансируют свои позиции раз в квартал, активные портфельные управляющие
обычно торгуют чаще. Они могут проводить ребалансировку своих портфелей
ежедневно, а иногда и несколько раз в день. Чем чаще они торгуют, тем больше
вероятность, что их результаты будут статистически значимыми. Среднее значение
N случайных величин, полученных из независимых и идентичных гауссовских или
нормальных распределений, имеет то же среднее значение, но составляет 1/sqrt(N)
от стандартного отклонения исходного распределения. Учитывая тот же
коэффициент информации, торгуемый в четыре раза чаще, мы можем ожидать,
что коэффициент информации (IR) будет в два раза лучше. Кроме того, более частая
торговля позволяет активным управляющим портфелем нацеливаться на
краткосрочные торговые возможности, которые исчезнут, если портфель будет
сбалансирован только ежемесячно или ежеквартально. В некоторых случаях
определенное событие приводит к тому, что цена и объем достигают аномально высоких или ни
объемные аномалии. Только быстро движущиеся трейдеры могут реагировать на такие аномалии,
торговать соответствующим образом и стремиться получить прибыль, когда цена вернется к своему
обычному уровню.
Однако, как только затраты принимаются во внимание, потенциальная прибыль

от таких аномалий уменьшается, и многие из них перестают существовать.
Торговые издержки тесно связаны с частотой торгов. Согласно исследованию
исследователей Рочестерского университета (Новый-Маркс и Великов, 2015),
стратегии, которые переворачивают свои портфели более пяти раз в год, могут
терять более 1% в месяц на торговых издержках. Обычно существует компромисс
между более высокими значениями IR и более низкими торговыми издержками.
Реверс импульса
Трейдеры могут получить прибыль, взглянув на цену и объем по-разному.

Вместо того, чтобы рассматривать только отдельные инструменты, можно
рассматривать весь пул торгуемых активов в целом. Глядя на один инструмент,
мы можем увидеть такие технические индикаторы, как схождение-расхождение
скользящих средних (MACD), которые измеряют импульс путем вычитания
долгосрочного скользящего среднего цен из краткосрочного, или среднего
истинного диапазона (ATR). ), показатель волатильности, основанный на скользящем
среднем (обычно на горизонте 14 дней). Когда мы смотрим на портфолио, мы
видим разные вещи, например, взаимосвязь между
Цена и объем акций 137
инструменты, их совместное движение как группы, а также инструменты, которые временно или
постоянно выступают в качестве выбросов по сравнению с другими. Возможно применение
глобальной оптимизации и групповой нейтрализации рисков по всей группе.
Одним из интересных явлений является эффект реверсии импульса.
Отдельные инструменты обычно демонстрируют импульс. Активы, как правило, следуют своим
историческим тенденциям – более сильные или более слабые активы имеют тенденцию
продолжать становиться сильнее или слабее в течение определенного периода времени – поэтому
инвестор может попытаться получить прибыль, следуя тренду. Однако внутри достаточно
коррелированной группы акций картина совершенно иная. Например, внутри отрасли или
подотрасли более сильные акции обычно в ближайшем будущем снова станут слабыми.
Кроме того, наличие эффекта реверсии импульса зависит от временного горизонта. В целом
цены имеют тенденцию возвращаться к среднему значению в течение коротких периодов
времени, таких как внутридневные или дневные горизонты, но они имеют тенденцию следовать
тренду в течение более длительных периодов недель или месяцев. Вот две разные стратегии,
основанные на индексе S&P 500.
Первая представляет собой внутридневную стратегию возврата к среднему значению,
основанную на максимумах и минимумах предыдущего дня. Когда цена предыдущего дня падает
и диапазон (максимум-минимум) превышает заданный порог, стратегия будет покупать минимум
предыдущего дня и продавать в конце дня без стоп-лосса или цели по прибыли. Это объясняется
тем, что в дни с более высокой внутридневной волатильностью будет наблюдаться более сильный
возврат к среднему значению, а волатильность обычно выше на медвежьих рынках.
Стратегии следования за трендом или импульсом работают на более долгосрочном горизонте.
Вот несколько примеров стратегий (Clare et al. 2013):
• Стратегия 1 (простые дневные скользящие средние): сигнал на покупку возникает, когда стоимость
S&P 500 поднимается выше средней цены разумного временного окна (250 или 500 дней).
• Стратегия 2 (пересечение скользящих средних): сигнал на покупку возникает, когда среднее
значение S&P 500 с более короткой продолжительностью поднимается выше среднего среднего
с большей продолжительностью.
• Стратегия 3 (правила прорыва): сигнал на покупку возникает, когда стоимость S&P 500 торгуется
на максимуме «дня Х».
Моделирование вышеприведенных стратегий с использованием данных с июля 1988 года по
июнь 2011 года показывает, что они превосходят рынок: годовая доходность варьируется от 10,5%
до 11,6%, а коэффициент Шарпа - от 0,54 до 0,62.

Целочисленный эффект
Психологические факторы также могут быть источниками альфа цена-объем.

Когда трейдеры-люди (в отличие от компьютеров) планируют купить акции Apple
(AAPL), они, как правило, отдают приказы типа «КУПИТЬ N акций по лимитной цене
100 долларов США». Люди с меньшей вероятностью будут вводить заказы типа
«ПРОДАТЬ AAPL с лимитной ценой 155,29 долларов США». Круглые числа (целые
числа, десятки или сотни) привлекают гораздо больше внимания трейдеров-людей,
и это можно использовать при разработке альф. Другой пример: люди смотрят на
движение цен асимметрично: большинство людей меньше волнует рост их активов
на 1%, чем соответствующая потеря на 1%. Более того, люди склонны слишком долго
удерживать свои проигрышные позиции и слишком рано продавать свои
выигрышные позиции. Изучая такие психологические факторы, квантовые
исследователи могут найти сигналы ценовой торговли.
Цена-объем с другими типами данных
Данные о цене и объеме обладают большой предсказательной силой в сочетании с

другими типами данных, особенно о событиях, происходящих в масштабах всей
компании. Особенно значительное движение цены или объема часто является
отражением известного или неизвестного рыночного события, которое, вероятно,
со временем окажет дальнейшее влияние на настроения рынка. Например,
эмпирическое исследование показывает, что предсказуемое увеличение объема
приводит к предсказуемому росту цен, когда объявления о квартальных прибылях
вызывают существенные шоки объема, что приводит к предсказуемым последующим
доходам (Frazzini and Lamont, 2007). Стратегия покупки акций каждой компании,
которая, как ожидается, объявит о прибылях в следующем месяце, и продажи акций,
которые, как ожидается, не сделают объявления, дает при тестировании избыточную
среднегодовую доходность в 7–18%. Эффект особенно силен для ценных бумаг с
большой капитализацией. Исследование имеет относительно длительный период
выборки, с 1927 по 2004 год, что показывает, что результат устойчив в различных рыночных режи
Простые примеры, обсуждаемые в этой главе, показывают, что стратегии цена-объем

могут быть жизнеспособными. Многие другие типы сигналов можно извлечь из
данных «цена-объем», например, настроения рынка и средняя цена покупки
различных инвесторов. Технические индикаторы предназначены для описания
такого рода информации и могут помочь инвесторам лучше понимать и
прогнозировать движение цен на акции.
Цена и объем акций 139
В финансовой отрасли важно торговать уникальными моделями, которые еще не были

проданы другими участниками рынка.
Каждый трейдер дорожит своими моделями и тщательно их скрывает. Модель имеет ценность
только тогда, когда она имеет ограниченное распространение. Как только информация
становится достоянием общественности, ее предсказательная сила уменьшается и вскоре
исчезает (иногда снова появляясь спустя годы, после того как о ней забыли). Рынок также
развивается; старые модели приходят в упадок по мере появления новых. Постоянный поиск
новых моделей является ключом к тому, почему некоторые фирмы могут выжить в этом
бизнесе. Существует практически неограниченное количество способов использования
простых данных о ценах и объемах акций в количественном финансировании.
19
Анализ финансовой отчетности
Пол А. Гриффин и Санни Махаджан
Финансовая отчетность — это официальные отчеты о финансовом состоянии

компании за определенный период времени или в определенный момент времени.
Анализ ценных бумаг, популяризированный Бенджамином Грэмом и Дэвидом
Доддом в их классической книге по инвестированию 1934 года (2009), представляет
собой углубленное изучение этих утверждений для каждой компании с целью
оценить потенциал сверхдоходности на основе основных качеств компании. Этот
анализ используется фундаментальными инвесторами, наиболее известным из
которых является Уоррен Баффет. Это контрастирует с изучением движений и
потока заказов цен на акции, как обсуждал Эдвин Лефевр в « Воспоминаниях биржевого спекуля
(2006), или другие подходы технического анализа, такие как стратегии, основанные
на импульсе, которые делают ставки, основываясь на ожидании того, что ценовые
тенденции сохранятся и в будущем (см. Chan et al. 1996 и ссылки там).
Анализ финансовой отчетности пытается систематически измерить влияние

факторов, рассчитанных с использованием этой отчетности, и определить их
способность прогнозировать будущие доходы; инвесторы могут использовать его
для ранжирования, сортировки и фильтрации компаний, чтобы создать портфель
с улучшенной финансовой устойчивостью. Мнение о том, что анализ финансовой
отчетности можно использовать для получения избыточной прибыли,
первоначально было воспринято со скептицизмом из-за преобладающей
ортодоксальности гипотезы эффективного рынка (EMH), которая постулирует, что
на эффективном рынке текущие цены отражают всю доступную информацию.
Однако последующие работы по множеству факторов, построенные на основе
разнообразного и логического выбора информации о доходах, продемонстрировали
нарушения EMH в течение длительных периодов времени (см., например,
Abarbanell and Bushee 1997; Bartov and Mohanram 2004; Beneish and Nichols 2009; Chan et др. 2001
Традиционный анализ финансовой отчетности обычно приводит к тому, что на

экране акций создается портфель только для длинных позиций с низким оборотом и
сокращенным объемом инвестиций, выбранный на основе фундаментальных
характеристик компаний. Однако современный анализ использует финансовую
отчетность для получения количественных портфелей с рисками по акциям на основе
фундаментальных коэффициентов и производных показателей – и, возможно, с учетом
других ограничений без конкретного сокращения инвестиционной среды.
Говоря более современными терминами, инвесторы пытаются использовать
фундаментальные факторы в качестве предикторов в многофакторной регрессии или
функций в алгоритме машинного обучения. Анализ финансовой отчетности, а также
дополнительные источники данных, связанные с рыночными показателями,
рекомендациями аналитиков и неожиданными доходами, могут быть объединены
для выявления альфа-факторов.
Эта глава не предназначена для того, чтобы охватить весь предмет
фундаментального анализа; более полный обзор предмета представлен в следующей
главе. Эта глава призвана послужить основным введением в предмет и, как мы
надеемся, может послужить источником вдохновения для будущих исследований.
ОСНОВЫ
Компании публикуют финансовую отчетность ежеквартально и ежегодно.

Существует четыре основных отчета: балансовые отчеты, отчеты о прибылях и
убытках, отчеты о движении денежных средств и отчеты о собственном капитале.
Балансовые отчеты представляют собой снимок активов, обязательств и
акционерного капитала компании в определенный момент времени. В отличие от
баланса, который относится к определенному моменту, отчеты о прибылях и убытках
предоставляют информацию о финансовых результатах компании за определенный
отчетный период. Отчет о движении денежных средств предоставляет данные о
притоках и оттоках денежных средств от деятельности компании и внешних источников
инвестиций за определенный период. Отчет об акционерном капитале показывает
изменения в интересах акционеров компании с течением времени.
Инвесторы используют эти заявления для оценки рисков, эффективности,

финансового состояния и перспектив компании. Обратите внимание, что в этом
контексте предварительные ежеквартальные объявления и подаваемые впоследствии
отчеты могут различаться; аудированная годовая финансовая отчетность обычно
считается наиболее авторитетной.
Анализ финансовой отчетности 143
БАЛАНС
Основное уравнение бухгалтерского учета, называемое также уравнением баланса,

представлено балансом в таблице 19.1 и выражается следующим образом:
Активы Обязательства Капитал
Обратите внимание, что этот балансовый отчет составлен на определенную дату

и дает представление о благосостоянии компании. Сравнивая снимки, инвесторы
могут обнаружить изменения, которые могут вызвать переоценку выпущенного
капитала компании. Совокупные активы обычно используются в качестве
нормализующего коэффициента, чтобы сделать значения других факторов
сопоставимыми между разными компаниями или для сравнения снимков одной и той же компании
Для американских компаний стоимость совокупных активов включает нематериальный
актив, известный как гудвил, определяемый как сумма, которую компания платит за другую
компанию выше балансовой стоимости. Хотя гудвил включает в себя такие элементы, как
брендинг, инвесторам, как правило, следует рассмотреть вопрос о том, следует ли
дисконтировать гудвилл, включенный в общую сумму активов, в качестве нормирующего фактора.
Как заметил Пиотроски (2000), следующие хорошо известные факторы, построенные
на основе балансового отчета, положительно коррелировали с будущими доходами в
период с 1976 по 1996 год:
• Увеличение ликвидности (оборотные активы превышают текущие обязательства)
• Увеличение продаж по сравнению с общим объемом активов.
• Никакой эмиссии акций

• Меньше долгосрочной задолженности
Таблица 19.1. Уравнение баланса
Баланс ГГГГММДД
Ресурсы Обязательства + Капитал
Текущие активы Текущие обязательства
Прочие активы Долгосрочные кредиты
Нематериальные активы (гудвил и т.д.)
Всего активов Собственный капитал

Таблица 19.2 Отчет о прибылях и убытках
Отчет о прибылях и убытках ГГГММДД
Чистый объем продаж (продажи) А
Процентный доход Б
Стоимость товаров С
Операционные расходы Д
Подоходные налоги Э
Валовая прибыль переменного тока
Доход от операций АКД
Налог АБ
Чистая прибыль АБВДЕ
ОТЧЕТ О ПРИБЫЛЯХ
Отчет о прибылях и убытках отражает изменения в балансе от одного периода времени

к другому, как показано в Таблице 19.2. Большинство компаний используют учет по
методу начисления, поэтому отчет о прибылях и убытках отражает не движение
денежных средств, а, скорее, начисление обязательств к оплате. Например, если
компания подписывает многолетний контракт на поставку продукции, она признает
выручку при выполнении каждого обязательства по контракту, а не тогда, когда другая
сторона переводит денежные средства на счет.
По данным Пиотроски (2000), следующие факторы, основанные на отчете о прибылях

и убытках, положительно коррелировали с будущими доходами в США с 1976 по 1996
год:
• Чистая прибыль > 0
• Увеличение чистой прибыли по сравнению с совокупными активами.
• Увеличение валовой прибыли
ОТЧЕТ О ДВИЖЕНИИ ДЕНЕЖНЫХ СРЕДСТВ
Отчет о движении денежных средств, как показано в таблице 19.3, описывает источники
изменения баланса денежных средств компании от одного периода к другому.
Таблица 19.3 Отчет о движении денежных средств
Отчет о движении денежных средств ГГГММДД
Денежных баланс А
Денежные средства от операций Б
Заимствования С
Продажа акций Д
Покупки Э
Налоги Ф
Денежный поток Б+С+Д-Е-F

Денежных баланс А+Б+С+D-Е-F
По данным Пиотроски (2000), следующие факторы положительно коррелировали с будущей
доходностью в США в период с 1976 по 1996 год:
• Денежные средства от операций > 0
• Денежные средства от операций > чистая прибыль
РОСТ
Вышеупомянутые факторы направлены на поиск качества в работе компании. Однако инвесторов
также могут заинтересовать перспективы роста.
Подобный регрессионный анализ для акций роста был проведен Chan et al. (2001) и Бартов и
Моханрам (2004); они обнаружили сигналы, которые коррелировали с будущей доходностью
специально для акций роста (акций с низким коэффициентом балансовой стоимости к рынку) в
период с 1979 по 1999 год:
• Чистая прибыль/совокупные активы > медианного показателя по отрасли.
• Денежный поток/общие активы > медианного значения по отрасли.
• Отклонение чистой прибыли < медианного показателя по отрасли
• Отклонение валового дохода < медианного показателя по отрасли
• Расходы на НИОКР/общие активы > медианы по отрасли
• Капитальные затраты/общие активы > медианы по отрасли
• Расходы на рекламу/общие активы > медианы по отрасли.
Расходы на НИОКР, капитальные расходы и рекламу представляют собой отдельные статьи в
строке операционных расходов отчета о прибылях и убытках, как указано в Таблице 19.4. Растущие
компании будут застраивать эти территории в надежде на улучшение будущих продаж.

Таблица 19.4 Отчет о прибылях и убытках: операционные расходы
расходы на НИОКР Д1
Капитальные затраты Д2
Расходы на рекламу Д3
Прочие операционные расходы Д4
Операционные расходы Д Д1 ДД 234 Д
КОРПОРАТИВНОЕ УПРАВЛЕНИЕ
Руководство отслеживает и стремится улучшить производительность компании, используя показатели, а
участники рынка будут склонны вознаграждать цену акций, когда они наблюдают улучшения в некоторых
из них. По мнению Абарбанелла и Буши (1997), показатели, положительно коррелирующие с будущей
доходностью, следующие:
• Сокращение запасов на единицу продаж.
• Улучшение дебиторской задолженности на единицу продаж.
• Увеличение продаж за вычетом изменения валовой прибыли.
• Сокращение административных расходов на единицу продаж.
• Улучшенная налоговая ставка.
• Качество доходов – переход на использование ФИФО вместо ЛИФО.
• Квалификация аудита – переход на квалифицированный аудит.
• Продажи на одного сотрудника
НЕГАТИВНЫЕ ФАКТОРЫ
Некоторые факторы особенно полезны для выделения короткого портфеля.
Бениш и Николс (2009) предлагают искать манипулирование прибылью, историю слияний, выпуск акций
и другие формы управленческих усилий для улучшения заявленных доходов или денежных потоков без
фактического улучшения основного бизнеса. Факторы, отрицательно коррелирующие с будущей
доходностью, включают:
• Чистый объем продаж выше, чем свободный денежный поток.
• Низкое соотношение цены и качества
• Высокий рост продаж
• Низкий денежный поток от операций до цены

• Приобретение за последние пять лет

• Выпуск акций > среднего показателя по отрасли за два года
Ниссим и Пенман (2003) показывают, что высокий финансовый рычаг, определяемый

как чистая финансовая задолженность по сравнению с обыкновенным акционерным
капиталом, отрицательно коррелирует с операционной прибыльностью; определение
финансового рычага исключает операционные обязательства. Высокий долгосрочный
финансовый рычаг может быть сигналом нерешенных проблем с ликвидностью или
даже неплатежеспособности. Хорошо известным примером ошибочного применения
финансового рычага является история хедж-фонда Long-Term Capital Management. Кроме
того, скандал с бухгалтерским учетом корпорации Enron был основан на использовании
компаний специального назначения для удержания долгосрочных долгов за балансом,
а исправленный учет долга привел к неплатежеспособности компании. В общем,
дополнительное кредитное плечо добавляет риск, который может привести либо к более
высокой прибыли, либо к риску разорения. Поэтому разумно проанализировать
кредитное плечо и долг в сочетании с другими факторами, чтобы найти комбинации,
которые указывают на значимые положительные или отрицательные корреляции с будущими доходам
ОСОБЫЕ СООБРАЖЕНИЯ
При анализе финансовой отчетности инвесторы должны учитывать отрасль изучаемой

компании. Например, в сырьевых отраслях базовая цена товара вносит значительный
вклад в объем продаж, поэтому рост продаж не обязательно является показателем
улучшения показателей деятельности компании. У банков разные требования к
отчетности, и к ним следует уделять особое внимание. Фаза экономического цикла
может повлиять на корреляцию долга с повышением цен и существенно повлиять на
факторы, тесно связанные с ростом.
ФАКТОРЫ КАК ЭКРАНЫ
В инвестиционной литературе наиболее распространенным использованием факторов

является построение универсального экрана, в частности, с помощью механизма
присвоения компании оценки +1, когда она проходит определенный тест, с последующим
объединением оценок по всем факторам и получением результата. длинная позиция
по компаниям с самым высоким рейтингом. По мнению Канмана (2011), это, как правило,
разумный метод объединения при отсутствии более значимого статистического анализа.
ПРЕОБРАЗОВАНИЕ ФАКТОРОВ В АЛЬФЫ
Обратите внимание, что большинство оценок основано на скорости изменений, которая

обычно вычитает последние данные отчетов из предыдущих лет; в противном случае
сезонность будет искажать прямые квартальные сравнения. Данные отчетов могут
задерживаться для альфа-анализа, и инвесторам следует внимательно следить за
временными задержками в данных, используемых для генерации альфа-фактора.
Финансовые данные на определенный момент времени обеспечивают значительно
более реалистичные результаты (и худшие результаты бэктестинга), поскольку они
устраняют предвзятость, связанную с повторной подачей отчетов.
Более сложные статистические анализы, такие как регрессии и факторно-
корреляционный анализ, могут дать лучшие значения альфа. Инвесторы также могут
использовать методы машинного обучения, такие как генетические алгоритмы, для
поиска хороших комбинаций факторов; это может быть особенно успешным, если
исходные данные основаны на глубоком понимании значений факторов.
Рынок вознаграждает стратегии, основанные на новых значимых комбинациях
факторов, поэтому исследователям следует мыслить творчески и постоянно
просматривать литературу в поисках новейших идей.
Анализ финансовой отчетности позволяет аналитикам выявлять тенденции и

определять инвестиционные возможности путем сравнения ключевых показателей
эффективности за различные периоды времени и типы отчетов. Было замечено, что
многие финансовые сигналы коррелируют с избыточной доходностью и могут быть
эффективно использованы в инвестиционном процессе.

Хотя финансовая отчетность не отражает напрямую всю информацию, указывающую
на потенциал компании, она вносит ключевой элемент инвестиционной головоломки.
В поисках альфы содержательная интерпретация и анализ финансовой отчетности
может стать прочной основой для принятия обоснованных инвестиционных решений.
20
Фундаментальный анализ и
Синье Тан и Кайлин Ци
Наряду с такими методами, как парная торговля, импульсное инвестирование,

инвестирование, основанное на событиях, и анализ настроений новостей,
фундаментальный анализ является важным инструментом, используемым при разработке
количественных альф. Исследуя соответствующие экономические и финансовые
факторы, фундаментальные аналитики пытаются выявить стоимость ценной бумаги и
определить, является ли она недооцененной или переоцененной. Затем можно создать
потенциально прибыльный портфель, открывая длинные позиции относительно недооцененных ценн
или продавать переоцененные акции. В этой главе представлены ключевые идеи и
источники данных, используемые в фундаментальном анализе, а также применения
фундаментального анализа в количественных альфа-исследованиях.
Фундаментальный анализ может быть применен к ряду финансовых ценных бумаг.
В контексте акций фундаментальный анализ определяется как методы определения
внутренней стоимости компании путем анализа основных факторов, влияющих на ее
бизнес и перспективы. Фундаментальные аналитики стремятся ответить на такие
вопросы, как: устойчиво ли растет выручка компании? Какова способность компании
погасить свой долг? Имеет ли компания хорошую прибыльность, а также высокое
качество прибыли? Достаточно ли у компании ликвидных активов по сравнению с
пассивами?
В более широком смысле фундаментальный анализ относится к анализу
экономического благосостояния финансовой организации, а не только движения ее
цен. Фундаментальный анализ может применяться не только к отдельным акциям, но и
к секторам и отраслям в целом или даже к рынку в целом. Напротив, технический анализ
– еще одна важная форма анализа ценных бумаг и важное направление альфа-
исследований – фокусируется исключительно на движении цен и объемов ценных бумаг,
не затрагивая фундаментальных основополагающих факторов.
Фундаментальные факторы могут быть как качественными, так и количественными. В альфа-
исследованиях мы в первую очередь обращаем внимание на количественные факторы, которые
можно измерить или выразить в числовых терминах. Поскольку финансовые отчеты являются
стандартным средством раскрытия компанией информации о своих финансовых результатах,
количественная информация, извлеченная из них, часто используется для разработки альфа-сигналов.
Во многих эмпирических исследованиях в области бухгалтерского учета предпринимались попытки

обнаружить в финансовой отчетности значимые атрибуты, чтобы сделать процесс более интересным.
фундаментальный анализ.
ФИНАНСОВЫЕ ОТЧЕТЫ
Как описано в предыдущей главе, четырьмя основными финансовыми отчетами являются баланс,
отчет о прибылях и убытках, отчет о движении денежных средств и отчет о собственном капитале.
Балансовый отчет представляет собой финансовый снимок организации в определенный момент
времени. В нем перечислены активы и обязательства компании. Инвесторы могут использовать
балансовый отчет для определения уровня долга компании и соответствующих финансовых
показателей, таких как соотношение долга к собственному капиталу, коэффициент быстрой
ликвидности и коэффициент текущей ликвидности, которые помогают им понять выплаты процентов
по долгу компании, кредитный рейтинг и сравниваемые результаты. со средним показателем по
отрасли. В балансе также отображаются тревожные сигналы, такие как значительное уменьшение
резервных счетов или значительное увеличение запасов или дебиторской задолженности.
Отчет о прибылях и убытках дает оценку прибыльности компании за определенный период
времени, включая доходы или прибыль, а также расходы или затраты. Прибыль до вычета процентов
можно использовать в качестве меры операционной прибыльности, игнорируя любое процентное
бремя, связанное с долговым финансированием. Из-за консерватизма в бухгалтерском учете статьи
расходов также могут включать некоторые затраты, не связанные напрямую с товарами, проданными
в течение текущего периода, а некоторые расходы на исследования и разработки могут не отражаться.
Отчет о движении денежных средств является важным показателем финансового благополучия
компании, поскольку он показывает изменение денежных средств в течение года.
Если отчет показывает, что предприятие не может генерировать достаточно денежных средств для
выплаты дивидендов, но сохраняет производительность своего капитала вне денежного потока от
операционной деятельности или что сумма денежного потока от операционной деятельности ниже,
чем от инвестиций, это может быть ранним признаком потенциально серьезной задолженности и
будущих проблем с денежными потоками.

Фундаментальный анализ и альфа-исследования 151
Акционерный капитал представляет собой разницу между активами и

обязательствами компании (также известную как ее собственный капитал) и
отражается в балансовом отчете. Отчет о собственном капитале показывает
изменение раздела собственного капитала баланса за данный период. Компании
обычно отражают обыкновенные акции, привилегированные акции, собственные
акции и нераспределенную прибыль в отчете о собственном капитале.
Инвесторы часто следят за такими бизнес-показателями, как оплаченный капитал,
капитал, вложенный в компанию при выпуске акций, и нераспределенная прибыль
– часть прибыли, которую корпорация решила реинвестировать в бизнес – в отчете
о собственном капитале. Когда компания решает реинвестировать в бизнес, а не
выплачивать дивиденды, это сигнализирует о том, что руководство считает, что
акции недооценены, и ожидает их роста. Однако этим сигналом легко
манипулировать, поскольку он находится под контролем руководства.
АНАЛИЗ ФИНАНСОВОЙ ОТЧЕТНОСТИ
Углубленный анализ финансовой отчетности дает инвесторам представление о

текущих и возможных будущих результатах деятельности компании. Например,
начисления прибыли могут быть искажены манипуляциями руководства.
Руководство может предположить, что инвесторы рассматривают высокие доходы
сегодня как признак высоких доходов в будущем. Фактически прибыль состоит из
двух частей: фактического денежного потока, который генерируется в результате
операций, и начислений, которые рассчитываются и определяются бухгалтерами,
оставляя тем самым место для манипуляций. Для анализа качества начислений
стоит рассмотреть тематическое исследование, проведенное Sloan et al. (2011).
1. Слоан масштабировал прибыль, начисления и денежный поток по совокупным активам, чтобы
сравнивайте компании разных размеров.

2. Затем он проанализировал взаимосвязь между заработками и качеством
начислений. Он собрал данные о начислениях, доходах и денежных потоках
компаний из выборки и ранжировал их по доходам. Слоан распределил годы
работы компании по децилям в зависимости от ранга доходов и рассчитал
среднее значение доходов в каждом дециле. Затем он отслеживал результаты
заработка за предыдущие и последующие пять лет вокруг расчетного года.
3. Наконец, он сравнил результаты с ранжированной версией, основанной на

значения начисленной части прибыли.
Анализ Слоана показывает, что, основываясь только на прибыли, компания, добившаяся
высоких результатов в этом году, как ожидается, продолжит иметь высокие доходы в течение
нескольких лет в будущем. Однако после ранжирования компонента начислений предсказуемость
доходов ухудшается. Компонент денежного потока является гораздо более мощным предиктором,
чем компонент начислений. Другими словами, при анализе будущего уровня доходов лучше
опираться на доходы, полученные от денежных потоков, чем на начисления.
Чтобы получить некоторое представление о стоимости компании и ее финансовых
результатах, вы можете проанализировать коэффициенты оценки, которые представляют собой
математические расчеты с использованием цифр, в основном из финансовой отчетности.
Некоторые из наиболее известных коэффициентов оценки — это цена/прибыль и цена/
балансовая стоимость. Некоторые эмпирические исследования показывают, что факторы,
связанные с одновременными изменениями во многих показателях финансовой отчетности,
могут привести к значительным аномальным доходам.

Соответствующая информация за пределами стандартного формата финансового состояния
Комментарии представляются в виде сносок. Сноски раскрывают критику
Калифорнийский контент, который поможет инвесторам лучше понять компанию и принять
обоснованные решения. Здесь можно найти подробную информацию по таким вопросам, как
учетная политика, изменения в методах бухгалтерского учета, долгосрочные обязательства по
покупке, предстоящие или предстоящие судебные разбирательства, а также опционы на акции
для руководителей. Компании почти никогда не раскрывают свои ошибки или трудности в
заголовках или таблицах, поэтому чтение между строк этих сообщений может дать прилежным
инвесторам преимущество. В некоторых случаях компании используют раскрытие финансовой
информации, чтобы скрыть факт и последствия изменения правил бухгалтерского учета, что
может нанести ущерб ценам на акции. Эмпирически, когда в финансовых отчетах появляется
много новых сносок, некоторые тревожные сигналы могут быть скрыты в длинных абзацах.
Если сноски не кажутся значимыми, скорее всего, компания намеренно скрывает информацию.
Способность обнаруживать ранние тревожные сигналы в сносках финансовых отчетов отличает
элитных инвесторов от средних. Поскольку сноски представляют собой неструктурированный
текст, продвинутый альфа-исследователь должен найти или разработать подходящие системы
анализа текста, чтобы преобразовать их в полезные сигналы.
Хотя этот шаг усложняет использование таких данных, он дает возможность извлечь
некоррелированные сигналы.
Исследователи «Альфы» также рассматривают ежеквартальные телеконференции как
инструмент корпоративного раскрытия информации. В то время как финансовые отчеты дают
представление о прошлых результатах деятельности компании, телеконференции дают
инвесторам как представление о текущей ситуации, так и об ожиданиях руководства в
отношении будущих результатов. Некоторые комментаторы сказали бы, что инвесторы могут собрать критическ
Фундаментальный анализ и альфа-исследования 153
информацию для долгосрочных моделей, а также технических индикаторов, от тона

и манеры генерального директора и финансового директора, особенно в части
вопросов и ответов во время телефонной конференции – когда, скажем, они
объясняют значительные отклонения в производительности от предыдущие оценки.
Эмпирические данные показывают, что настроения участников телефонной
конференции могут предсказать сюрпризы в доходах в следующие 60 торговых
дней. Интерес аналитиков – тех исследователей, которые участвуют в
телеконференции, но не освещают деятельность компании – является ранним
индикатором будущих фундаментальных показателей компании и положительно
коррелирует с доходностью акций в течение следующих трех месяцев (Юнг и др.,
2015). Инвесторы резко реагируют на крайние слова и фразы в сообщении о
прибылях и убытках, значительно увеличивая аномальный объем торгов и доходность акций пос
Когда количество вопросов, задаваемых в разделе вопросов и ответов, намного
ниже ожиданий, аномальная доходность на следующий день будет ниже (Chen et al.
2016). Неожиданности в языковом тоне (относительная частота негативных и
позитивных слов) имеют тенденцию влиять на цены акций (Друз и др., 2016).
Макроэкономические переменные также могут использоваться в качестве
мощных и фундаментальных индикаторов цен на акции для конкретных отраслей –
например, корреляция между ценами на нефть и ценами на акции в транспортной
отрасли или процентными ставками в финансовых услугах.
Аналитические отчеты, подготовленные инвестиционными банками и
брокерскими фирмами (сторона продаж), являются еще одним потенциально
полезным источником информации для инвесторов. В этих отчетах анализируются
перспективы бизнеса и строятся модели оценки, используя прошлую и настоящую
фундаментальную информацию о конкретной компании и соответствующей отрасли;
их целевые цены и доходы, комментарии, рейтинги и рекомендации могут быть
значимыми компонентами альф. Поскольку крупные институциональные инвесторы
часто ссылаются на отчеты продавцов и могут двигать рынки благодаря объему
активов, которыми они управляют, взгляды аналитиков могут самореализоваться в
краткосрочной перспективе, даже если они не точны в долгосрочной перспективе.
Аналитические исследования также служат контекстом для любых последующих
фундаментальных заявлений, поскольку рынок уже учел ожидания продавцов;
«неожиданная» разница между консенсусным прогнозом и фактическим объявлением
часто более значима, чем сами фундаментальные принципы.
Из-за нечастости обновления фундаментальных данных фундаментальные альфа-
сигналы имеют меньший торговый оборот и меньший охват акциями, чем другие
сигналы, такие как альфа, основанные на цене и объеме. С другой стороны,
фундаментальная информация имеет тенденцию отражаться на ценах акций в
течение более длительного периода времени. Совокупная доходность
фундаментальных сигналов обычно концентрируется вокруг последующих доходов.
объявление и стабилизируется через год после раскрытия сигнала, указывая на то, что
большой процент аномальной доходности может быть отнесен на счет изменений
прибыли в предыдущие годы.
Фундаментальный анализ может дать исследователям идеи относительно
альтернативных классификаций запасов. Например, акции могут быть помечены как
стоимость, так и рост, в зависимости от финансовых показателей компании. К стоимостным
акциям относятся акции с относительно низкими ценами, о чем свидетельствуют низкие
соотношения цены к прибыли, цены к балансу и цены к продажам, а также высокая
дивидендная доходность. Акции роста подразумевают как раз обратное: высокие
соотношения цены к прибыли, цены к балансу и цены к продажам, а также низкую дивидендную доходн
Точно так же инвесторы могут создавать классификации, используя другие
фундаментальные факторы, отличающие один тип акций от другого. Подобные
классификации позволяют инвесторам более точно наблюдать за рыночным поведением
различных групп акций и, таким образом, разрабатывать более качественные альфа-
сигналы.
Все больше данных как в академических, так и в промышленных исследованиях

показывает, что применение фундаментального анализа потенциально может принести
значительную избыточную прибыль. Информация, полученная из упомянутых источников данных
в этой главе, такие как финансовые отчеты, телеконференции и отчеты аналитиков

продавцов, исторически демонстрировали сильную способность прогнозировать
будущую доходность акций. Исследователи количественного альфа используют эту
информацию для построения своих фундаментальных альфа и стремятся создать
портфели с низким оборотом и стабильной прибылью.
21
Введение в
Импульс Альфы
Чжию Ма, Арпит Агарвал и Ласло Борда
На финансовых рынках «импульс» относится к эмпирическому наблюдению,

согласно которому цены на активы, которые растут, вероятно, будут расти и
дальше, и наоборот. В рамках гипотезы эффективного рынка импульс представляет
собой одну из рыночных аномалий (наряду с реверсией, сезонностью и разворотом
импульса), которые возникают из-за того, что непосредственные реакции
инвесторов могут быть неправильными и иметь тенденцию корректироваться с течением врем
В своей плодотворной работе 1993 года Джегадиш и Титман обнаружили, что
победители и проигравшие в последние 3–12 месяцев, скорее всего, продолжат
выигрывать и проигрывать. Тот же феномен был тщательно изучен, и было
подтверждено, что импульс работает для большинства классов активов и
финансовых рынков по всему миру (Чан и др., 2000; Хонг и Стайн, 1999; Хонг и др.,
2000; Джегадиш и Титман, 2001, 2011; Рувенхорст 1998). Однако наблюдаемая
прибыльность импульсных альф значительно сократилась в последние годы, и
они пережили значительную просадку во время и вокруг финансового кризиса
2008 года (Баррозо и Санта-Клара, 2015). С тех пор во многих исследовательских
работах предлагалось изменить это правило, чтобы увеличить потенциальную
прибыль и уменьшить потенциальную просадку, сохраняя при этом дух импульса
альфа (Antonacci 2014).
Это продолжает оставаться активной областью исследований в академическом
сообществе.
Исследователи попытались объяснить с помощью поведенческих моделей,
почему работают альфа-импульсы. Согласно общепризнанной теории
консервативной предвзятости, инвесторы склонны недостаточно реагировать на
новую информацию (Барберис и др., 1998; Чан и др., 1996; Дэниел и др., 1998;
Эдвардс, 1968; Чжан, 2006). На несовершенно эффективном рынке требуется время,
чтобы проанализировать и оценить новую информацию. Кажется, что это
объяснение выдерживает критику, когда мы исследуем влияние событий на рынки.
Цена акций растет, когда объявляется публичная информация (например,

объявления о прибылях и убытках); чем мощнее информация, тем сильнее эффект
импульса. Интересное наблюдение заключается в том, что динамика акций
фактически начинает нарастать еще до того, как было сделано объявление (то есть,
когда публичная информация была частной информацией), что указывает на то,
что ожидания инвесторов, руководствуясь рекомендациями и прогнозами
аналитиков, также играют роль в эффект импульса. Другой класс альф импульса
может быть основан на выявлении событий с использованием новостей, объявлений
о доходах или любой другой количественной формулировке, а затем на определении
альф на основе доходности акций, предшествующей событию.
Не только инвесторы недостаточно реагируют на новую информацию, но и
фондовые аналитики тоже. Под давлением коллег аналитики неохотно делают
выдающиеся (но, возможно, правильные) прогнозы; вместо этого они склонны
постепенно корректировать свои прогнозы будущих доходов и целевых цен.
Следовательно, когда инвесторы на рынке принимают инвестиционные решения
на основе рекомендаций аналитиков, общее решение само по себе является
недостаточной реакцией; это дает дополнительное объяснение эффекта ценового импульса.
Согласно противоположной теории отсроченной чрезмерной реакции, ожидается,
что аномальная динамика доходности в период удержания будет сопровождаться
отрицательной доходностью из-за последующего разворота, когда цены акций в
конечном итоге вернутся к своим фундаментальным значениям. Дэниел и др. (1998)
и Хонг и Стейн (1999) предложили альтернативные модели, которые согласуются с
краткосрочным импульсом и долгосрочными разворотами.
Альтернативная (или дополнительная) гипотеза предполагает, что импульсивные
инвесторы несут значительный риск, делая ставку на данную стратегию, и что более
высокие доходы, которые они получают, являются компенсацией риска (Li et al.
2008). Стратегии импульса, реализованные на акциях с высокими спредами спроса
и предложения (тем самым демонстрируя подверженность риску неликвидности),
обеспечивают высокую прибыль (Lesmond et al. 2004). Поэтому крайне важно
учитывать трансакционные издержки при оценке потенциальной прибыльности
стратегии импульса. Доходы, связанные со стратегией импульса, реализованной на
акциях с относительно низким охватом аналитиков, очень высоки, поскольку более
медленное распространение публичной информации увеличивает прибыль от
импульса (Hong and Stein 1999; Hong et al. 2000). Было замечено, что моментальная
прибыль значительно выше, когда стратегии реализуются на акциях роста (низкая
балансовая стоимость к рынку) по сравнению с акциями стоимости (высокая
балансовая стоимость к рынку), скорее всего, потому, что акции роста труднее
оценить, чем стоимостные. акции (Дэниел и Титман, 1999). Несколько
противоречивый и неожиданный вывод предполагает, что импульсная прибыль
выше для акций с более высокими объемами (Ли
Введение в Momentum Alphas 157
и Сваминатан 2000). Акции большого объема обычно генерируют больше публичной

информации, и ими легче торговать с меньшими транзакционными издержками;
Возможное объяснение состоит в том, что большая разница во мнениях относительно
более высокого оборота может возникнуть из-за трудностей в оценке фундаментальной
стоимости этих акций.
Здесь важно отметить, что другие альфа-сигналы в своей самой базовой форме могут
содержать значительную подверженность фактору импульса цены. В некоторых из этих
случаев импульс представляет собой непреднамеренный источник риска, который можно
свести к минимуму, нейтрализовав основной сигнал фактора импульса. В других случаях
(например, из-за сезонности) импульс вносит существенный вклад в доходность стратегии,
поэтому нейтрализация импульса невозможна. Более подробную информацию об
импульсе как факторе риска см. в главе 13.
Сезонные эффекты потенциально влияют на эффективность стратегии импульса: было

обнаружено, что среднемесячная доходность стратегии импульса, соответствующая
месяцам, заканчивающимся в квартале, значительно выше, чем доходность,
соответствующая месяцам, не заканчивающимся в квартале. Эта закономерность более
выражена для акций с высоким уровнем институциональной торговли, что позволяет
предположить, что «показуха» (продажа недавних убыточных акций и покупка недавних
прибыльных акций в конце отчетного периода) институциональными инвесторами и
продажа с налоговыми убытками способствуют моменту доходности акций. пум (Грей,
2015).
Другой подход к определению импульса «альфа» основан на импульсе, проявляемом
макроэкономическими факторами. В теории арбитражного ценообразования доходность
акций или других финансовых активов можно смоделировать как линейную функцию с
помощью гораздо меньшего набора макроэкономических факторов или теоретических
рыночных индексов. Подверженность акций воздействию различных факторов динамична
и постоянно меняется. Тем не менее, по сравнению с доходностью отдельных акций,
доходность одного фактора гораздо более стабильна и демонстрирует более сильные
характеристики импульса (по крайней мере, в течение определенного периода времени
или состояния рынка). Таким образом, альфа-анализы, основанные на факторной регрессии,
предполагают, что доходность факторов имеет импульсный эффект. Еще одним
применением факторного импульса является торговля факторами, которые в настоящее
время благоприятствуют рынку, путем обратного проектирования факторов, в которые в
настоящее время инвестируют управляющие взаимными фондами.
Другой подход к разработке альфа-импульса основан на групповом импульсе, который
часто связан с явлением, называемым содвижением. Связанные акции – акции компаний,
которые работают в сопоставимых сферах бизнеса или имеют сходную подверженность
воздействию общего фактора, который в значительной степени объясняет их доходность
– имеют тенденцию двигаться вместе.
Московиц и Гринблатт (1999) оценили динамику доходности отрасли, сформировав

отраслевые портфели, в которых акции ранжировались на основе их отраслевой
доходности. Они обнаружили, что акции с высокой отраслевой доходностью
превзошли акции с низкой отраслевой доходностью в течение шестимесячного
периода после формирования портфеля. Степень, в которой динамика развития
отрасли способствует увеличению прибыли, была повторно исследована Гранди
и Мартином (2001). Прибыль от импульса также может возникнуть в результате
эффектов опережения-запаздывания, поскольку акции в группе не движутся на
одну и ту же величину в одно и то же время. Обычно несколько лидеров в группе
движутся первыми (возможно, движимые новой информацией или ранним
реагированием на общие факторы), затем за лидерами следуют другие акции в
группе. Отстающие акции получают прибыль от импульса, поскольку инвесторы
могут попытаться предвидеть будущие движения цен на основе движения
лидеров и реализации общих факторов. Помимо непосредственно связанных
акций, существуют родственные группы (например, отрасли в общей цепочке
поставок), которые передают доходы от одной ведущей группы к другим.
Когда выявляются какие-либо предсказуемые закономерности в доходности,

инвесторы быстро действуют, чтобы использовать их, пока предсказуемость не
будет устранена. Однако, основываясь на наблюдаемых положительных доходах,
которые альфа-импульсы принесли на основных рынках по всему миру, можно
утверждать, что эффекты импульса представляют собой самое убедительное
свидетельство против гипотезы эффективного рынка. По тем же причинам
импульс привлекал и будет привлекать существенные исследования; экономисты-
финансисты еще не пришли к единому мнению относительно того, что создает
импульс прибыли. Действительно, поскольку эффекты импульса являются
свидетельством неэффективности рынка, были предприняты попытки дать
поведенческие объяснения этого явления. Разработка альфа-импульса в жидких
вселенных (наборах более эффективных акций) представляет собой особую
задачу, требующую более глубокого изучения.
22
Влияние новостей и
Социальные сети о доходности акций
Ванченг Чжан
ВВЕДЕНИЕ
Цены на акции естественным образом реагируют на новости. Но в последние годы новости и
настроения, наблюдаемые в социальных сетях, становятся все более значимыми в качестве
потенциальных предсказателей цен на акции. Однако сделать «альфы» с помощью новостей
сложно. Поскольку новости являются неструктурированными данными, которые часто включают
в себя текстовый и мультимедийный контент, они не могут быть поняты непосредственно компьютером.
Мы можем использовать методы обработки естественного языка (NLP) и машинного

обучения для классификации и оценки необработанного новостного контента, а
также измерять дополнительные свойства новостей, такие как новизна,
актуальность и категория, чтобы лучше описать настроение новостей. Подобные
методы можно применить к данным социальных сетей для генерации альф, хотя
мы должны иметь в виду, что социальные сети имеют гораздо больший объем и
гораздо более шумны, чем обычные средства массовой информации. В этой главе
представлен обзор способов поиска альф с помощью новостей и социальных сетей.
НОВОСТИ В АЛЬФЕ
Машинам нелегко точно анализировать и интерпретировать смысл новостей. Как и

в других областях статистического арбитража, алгоритм имеет преимущества
быстрого времени отклика и широкого охвата, но за счет более низкой точности,
чем у человека-аналитика. Сегодня торговые фирмы могут анализировать новости
за 1 миллисекунду и мгновенно принимать торговые решения.
Большие новости обычно мгновенно вызывают большие ценовые движения, часто
с последующим выбросом и разворотом.
С 2007 года применение сложного лингвистического анализа новостей и социальных сетей

превратилось из весьма спекулятивной области исследований в зрелые продуктовые решения.
Профессиональные поставщики данных используют сложные алгоритмы для анализа новостей
и предоставления результатов в режиме реального времени. Новостная аналитика и новостные
настроения широко используются как покупателями, так и продавцами в генерации альфа-
каналов, торговле и управлении рисками. Поставщики больших данных все чаще предлагают
пакеты, услуги или источники данных, которые помогают компаниям использовать новости в
инвестиционном процессе.
АКАДЕМИЧЕСКОЕ ИССЛЕДОВАНИЕ
С 2000 года новости о доходности акций стали популярной темой. Некоторые из ключевых
областей исследований включают агрегирование и дисперсию настроений; расчеты бета с
использованием новостей; ведущие новостные акции; схемы взвешивания в текстовом
анализе; подтверждение новостей посредством объявлений о прибылях и убытках за день;
идея о том, что отсутствие новостей — это хорошие новости; представление о том, что акции,
чувствительные к новостям, превосходят рынок в целом; подтверждение новостей объемом
торгов; предвзятость в новостях об акциях; момент поворота, превышения и разворота после
новостей; и связь новостей с изменениями аналитиков. Соответствующие статьи можно найти,
выполнив поиск по словам «новости» и «доходность акций» в Сети исследований социальных
наук (SSRN).
Первой исследовательской работой по использованию социальных сетей для

прогнозирования акций была статья «Twitter Mood Predicts the Stock Market», опубликованная
Йоханом Болленом, Хуиной Мао и Сяо-Цзюнь Цзэном в «Журнале вычислительной науки».
в 2011 году. В статье утверждается, что, анализируя тексты в Твиттере, авторы получили
точность 87,6% в прогнозировании ежедневных изменений вверх и вниз в конечных значениях
промышленного индекса Доу-Джонса (DJIA). С тех пор ключевые области исследований
включают прогнозирующую силу различных форм социальных сетей; социальные сети
применительно к отдельным акциям; обсуждение шума в социальных сетях; находить ценные
твиты, наблюдая за ретвитами и твитами знаменитостей; и настроения в социальных сетях,
имеющие долгосрочную устойчивую ценность.
НАСТРОЕНИЯ
Проще говоря, настроения измеряют качество новостей. Самым основным определением

настроений является полярность новостей: хорошие, плохие или нейтральные. Расширенный
анализ настроений может выразить более сложные эмоциональные детали, такие как «гнев»,
«удивление» или «превышение ожиданий».
Влияние новостей и социальных сетей на доходность акций 161
Формирование настроений в новостях обычно включает в себя обработку естественного

языка и алгоритмы статистического/машинного обучения (например, наивный Байес и
машины опорных векторов). Недавний взрыв технологий глубокого обучения позволил
добиться быстрого прогресса в понимании новостей. Новые методы, такие как word2vec,
достигли более высокой точности по сравнению с классическими методами НЛП.
Настроения обычно нормализуются в баллах (например, в диапазоне от 0 до 100),

которые перекрестно сопоставимы по активам. Условно, более высокий балл означает,
что новость хорошая, более низкий балл означает, что новость плохая, а оценка около
50 означает, что новость нейтральная.
Настроение отдельных новостей может зависеть от совокупных настроений рынка,
сезонности и других временных факторов (например, до или после сезона прибылей).
Для стратегии относительной стоимости полезно сравнить относительные настроения
среди аналогичных акций.
Настроения также полезны в управлении рисками. Например, портфельный
менеджер может сократить размер пакета акций из-за неожиданных новостей или
оценить ковариационную матрицу портфеля с учетом оценки настроений или частоты
новостей.
Пример
Простая альфа может заключаться в прямом следовании настроению:
Если (настроение акции А > 70) длинная акция А;

если (настроения по акциям B < 30) короткая позиция по акциям B;
используйте для нейтрализации неновостные акции той же отрасли.
НОВИНКА
Новизна определяет, являются ли новости совершенно новой историей или обновлением

старой истории. Поставщики могут разделить один длинный отчет на несколько
частей. Иногда история представляет собой продолжение предыдущих новостей. В
других случаях новости могут пересматриваться несколько раз после первоначального
сообщения. Менее новые новости обычно оказывают меньшее влияние на рынок,
поскольку информация, представленная в предыдущих новостях, возможно, уже отражена на рынке.
Если мы рассматриваем новости как события во временном ряду, новизна обычно
обратно пропорциональна времени между событиями.
Пример
Мы могли бы улучшить предыдущую простую альфу, используя новизну:
Оценка новизны от 0 до 1.
Если настроение 70 альфа-новинка ;
если настроение 30 альфа-ноя лти;
АКТУАЛЬНОСТЬ
Новости могут оказать влияние на несколько акций. Релевантность измеряет

направленность новостей на конкретные акции. Некоторые новости, например о
доходах или корпоративных действиях, касаются конкретной компании. Актуальность
таких новостей обычно высока. Одна новость может рассказывать о нескольких
компаниях в цепочке поставок продукта; в этом случае релевантность новости может
быть самой высокой для компании-производителя продукта и меньшей для других
компаний в цепочке поставок.
Отраслевые или общие макроэкономические новости обычно имеют меньшее
отношение к отдельным акциям. Общие новости о банковской сфере могут повлиять на
акции многих банков; Новостная статья о новых продуктах Apple может повлиять на
Apple и ее конкурентов, таких как Samsung, с большей релевантностью для Apple и
меньшей релевантностью для Samsung. Другими словами, релевантность отображает
настроения новостей в отношении отдельных акций. Это может быть еще одним
фактором для улучшения новостных альф.
Пример
Мы могли бы улучшить предыдущую простую альфу, используя релевантность и

игнорируя новости, которые влияют на слишком много акций:
Оцените релевантность от 0 до 1, получите ns = количество акций, на которые

повлияла одна новость.
Если настроение и 70
нс 100 *
актуальность альфа-новинки ;
если отправлюент 30-я альфа-новинка ns 100*; актуальность

КАТЕГОРИИ НОВОСТЕЙ
Помимо упрощенной классификации новостей на «хорошие» и «плохие», дальнейшая

классификация на более подробные категории может улучшить анализ и
использование новостей. Категория может быть такой же широкой, как «доходы»,
которая может включать все отчеты, связанные с доходами, такие как объявления о
доходах, прогнозы доходов, пересмотр доходов, рекомендации по доходам,
телеконференции по доходам и календари доходов. Или это может быть более
конкретно, например, «корпоративные юридические вопросы».
При использовании категорий новостей следует учитывать несколько важных
аспектов. Во-первых, разные категории новостей могут иметь разное время отклика
на рынке. Некоторые категории оказывают долгосрочное влияние на оценку
компаний; другие категории могут вызвать краткосрочные колебания цен. Во-вторых,
на рынках в разное время появляются разные новости.
Стратегия ротации категорий может использовать преимущества этих разновидностей
стилей новостей. В-третьих, некоторые категории новостей специфичны для определенных
отраслей и секторов и могут затрагивать только эти отрасли или сектора. Наконец,
категории облегчают объединение различных типов новостей с другими типами информации
для создания альфа-версий. Например, можно использовать новости о доходах вместе с
пересмотренными оценками доходов аналитиков. Поставщики новостей, такие как
Bloomberg, предоставляют теги и категории для необработанных новостей, а автоматическая
категоризация с помощью передовых методов машинного обучения становится все более распространенн
Пример
Рассмотрим пример новостей о прибылях и убытках. Мы можем отказаться от

категории «рыночные отчеты» и использовать простой метод «обучения» для
дальнейшего взвешивания новостей:
Игнорируйте все новости из категорий «дисбаланс рынка» и «движения
рынка».
Для каждой категории новостей

Category_score = среднее значение относительной доходности акций после
появления новости за последние два года.
Если настроение и 70
нс 100 альфа
* *
категория актуальности новизны _ счет ;
если настроение и 30
нс 100 альфа
* *
актуальность новизны категория с;_основной

ОЖИДАЕМЫЕ И НЕОЖИДАННЫЕ НОВОСТИ
Казалось бы, хорошая новость, если информация уже ожидается рынком и, таким образом,
отражена в цене, не вызовет положительного ценового движения. Например, в одной из
новостей говорится: «Прибыль значительно выросла – 150% по сравнению с прошлым
годом». Анализ этих новостей обычно вызывает положительные настроения. Однако, если
предыдущий консенсус рынка заключался в том, что компания вырастет на 200%, значение
новости окажется ниже ожиданий и приведет к падению цены. Поэтому может быть полезно
использовать новостные данные вместе с рыночным консенсусом и рыночными ожиданиями.
Текстовый анализ и анализ календаря могут быть полезны для определения того, являются
ли новости обычным обновлением или чем-то другим. Сюрпризы и неожиданные новости
и события обычно приводят к более значительным движениям цен.
ЗАГОЛОВКИ И ПОЛНЫЙ ТЕКСТ
Заголовки обычно содержат самую важную информацию и хорошо отформатированы,

поэтому их легче анализировать. Полный текст предоставляет более подробную информацию,
но с ним сложнее работать. Одно научное исследование показывает интересный результат:
большая часть информации в абзаце содержится в первом и последнем предложениях.

Точно так же мы можем больше сосредоточиться на первом и последнем абзацах статьи или
на первых и последних нескольких словах. Структура абзаца и структура предложения также
могут содержать ценную информацию.
ОТСУТСТВИЕ НОВОСТЕЙ - ХОРОШАЯ НОВОСТЬ?
Есть старая поговорка: «Нет новостей — хорошие новости». В некоторой степени это правда;
Новости означают изменения, события или что-то необычное, а рынки ненавидят
неопределенность. Новости также обычно ассоциируются с более высокой волатильностью,
большим объемом, пересмотром аналитиков и ожиданием большего количества новостей.
Эти аспекты подразумевают потенциальные риски для компании.
Поскольку все больше и больше компаний используют новости в своих моделях управления
рисками, институциональные инвесторы могут сократить свои активы в компаниях, на
которые часто влияют новостные сообщения, или даже исключить их из своих портфелей.
Поскольку поток институциональных инвестиций имеет тенденцию положительно влиять
на доходность акций, это может привести к снижению доходности.
Пример
Когда по компании поступает аномальное количество новостей, продавайте ее без

покрытия.
НОВОСТИ МОМЕНТУМ
Если влияние новостей на акции не сразу и полностью не учитывается рынком, цена акций
может демонстрировать дрейф или динамику по мере того, как новости становятся более
широко известными и понятными. Этот эффект гораздо сильнее для акций меньшего
размера, поскольку за ними менее пристально наблюдают, а также для неожиданных
новостей. Для крупных акций и ожидаемых новостей цена обычно демонстрирует разворот
после первоначального превышения.
Пример
В течение первых трех дней после выпуска новостей удерживайте позицию в том
же направлении, что и двухдневная доходность акций за два дня до выпуска
новостей; в течение следующих пяти дней разверните сделку, чтобы зафиксировать
разворот.
СОЦИАЛЬНЫЕ МЕДИА
В апреле 2013 года агентство Associated Press опубликовало в Твиттере сообщение о том,
что в Белом доме произошел взрыв, в результате которого был ранен президент Обама.
Твит был ложным, но вызвал огромную мгновенную реакцию на рынке.
С 13:08 до 13:10 индекс DJIA упал более чем на 140 пунктов.
Хотя индекс восстановился так же быстро, одно фейковое событие в Твиттере привело к
рыночным потерям в 136 миллиардов долларов. Этот случай ясно показывает значительную
потенциальную ценность социальных сетей в алгоритмической торговле. Многие
поставщики данных пользуются этой возможностью. Такие компании, как Dataminr и
PsychSignal, ежедневно предоставляют миллионы каналов социальных данных. Они также
предоставляют данные сторонним поставщикам, которые создают продукты для оценки
настроений, используемые многими хедж-фондами.
Самой популярной социальной сетью для создания альфа-каналов является

Twitter, поскольку его можно легко сопоставить с акциями (проверив @
тикер) и люди (например, руководители публичных компаний).
Также растет число исследований, основанных на онлайн-форумах, таких как доски
объявлений Yahoo Finance и StockTwits, блогах профессиональных инвесторов и
трейдеров, Facebook, Glassdoor и даже Wikipedia.
Социальные сети в настоящее время являются горячей областью квантовых
исследований. По сути, социальные сети можно рассматривать как новости, но с
гораздо большим объемом и гораздо большим шумом. Многие идеи, которые работают
для новостей, также могут работать и для социальных сетей, но есть несколько проблем
при применении анализа настроений к содержимому социальных сетей. Во-первых, в
социальных сетях больше записей и обновления происходят быстрее. Во-вторых,
контент в социальных сетях обычно имеет непринужденный формат: например,
сообщение в Твиттере может содержать множество сокращений и плохо
отформатированных слов. Это увеличивает сложность языковой обработки. В-третьих,
как нам найти оригинальные и важные записи? Большая часть контента в социальных
сетях является реакцией на новости и оказывает меньшее влияние, чем более оригинальный контен
Следовательно, в социальных сетях много фейковых сигналов, и именно поэтому
социальные сети трудно использовать для прогнозов.
Пример
Используйте частоту твитов и количество ретвитов, чтобы сократить

количество упоминаний компаний (твиты о компаниях в основном
негативные).
Для каждой компании подсчитайте количество твитов, в которых
упоминался тикер или название компании в определенный день. Получите
количество ретвитов для каждого твита и установите его как t.
Установить сумму частот журнала 1 т .
Альфа-время _ Частота_ рангов серий, 1 месяц 0 5.

Количество новостей, контента в социальных сетях и компаний, обрабатывающих

большие данные, быстро растет. Все больше и больше участников рынка используют
автоматические методы для анализа и торговли этой информацией. Таким образом,
среднее влияние каждой части информации на доходность акций, скорее всего, со
временем уменьшится. Чтобы продолжать находить «альфы» в новостях, нужно будет
анализировать больше новостей, находить наиболее значимые новости, фильтровать
шум и применять более совершенные методы машинного обучения для изучения и
классификации новостей.
23
Информация о доходности
акций со склада
Рынок опционов
Свастик Тивари и Хардик Агарвал
ВВЕДЕНИЕ
В финансах опцион — это производный финансовый инструмент, который

представляет собой контракт, проданный одной стороной (продавцом опциона)
другой стороне (держателю опциона), дающий покупателю право, но не
обязанность купить или продать базовый актив. или инструмент по указанной
«цене исполнения» не позднее определенной даты. Продавец несет
соответствующее обязательство выполнить сделку, то есть продать или
купить, если держатель опциона исполняет опцион. За это право покупатель платит продав
Поскольку опционы колл дают возможность купить по определенной цене, покупатель
хочет, чтобы цена базового актива или инструмента выросла. А поскольку пут-опционы
дают возможность продать по определенной цене, покупатель хочет, чтобы базовый
актив или инструмент снизился в цене. Спекулянты используют опционы, чтобы делать
ставки на базовые активы с использованием заемных средств, в то время как хеджеры
используют опционы, чтобы снизить риск их владения.
Рынок опционов на акции предоставляет много полезной информации для
прогнозирования доходности акций. Опционы на акции способствуют
обнаружению цен, поскольку позволяют трейдерам более точно согласовывать
свои стратегии со знаком и величиной полученной информации. Кредитное
плечо в опционах на акции в сочетании с таким соответствием создает
дополнительный стимул для трейдеров инвестировать время и деньги в
исследования для получения конфиденциальной информации. Таким образом,
сделки с опционами на акции могут предоставить более точные и точные
сигналы о стоимости базового актива, чем сделки с самим активом. Поэтому
понимание того, как и почему опционы на акции влияют на раскрытие цен,
жизненно важно для понимания того, как информация включается в цены активов.
Общий объем клирингового контракта Среднедневной объем контракта

в миллиардах в миллионах
3,9 4,6 4,0 4,1 4,2 20 15,5 18,1 16,0 16,3 16,9
5
4 3,8 90,15% 16 15.2 90,15%
3 12
2 8
1 4
0,4 9,85% 1,7 9,85%
0 0
10 11 12 13 14 10 11 12 13 14
Капитал Индексные фьючерсы не изображены

в графиках
Рисунок 23.1. Клиринговые опционы и ежедневные объемы контрактов, 2010–2014 гг.

Источник: © 2018, Опционная клиринговая корпорация. Используется с разрешения. Все права
защищены.
Среднее количество контрактов на Средняя премия за контракт

очищенная торговля в долларах
50 1750
40 1400
33,5
30 1050 1057,2
20 700
13,6
10 350
199,3
0 0
10 11 12 13 14 10 11 12 13 14
Капитал Индексные фьючерсы не изображены

в графиках
Рисунок 23.2 Ежедневные объемы опционов «колл» и «пут» в 2010–2014 гг.

защищены.
Опционы на акции становятся все более популярными как среди розничных, так
и среди институциональных инвесторов. В настоящее время в США существует 15
рынков опционов, которыми управляют BOX Holdings Group, Cboe Group, Miami
International Holdings, Nasdaq и NYSE Межконтинентальной биржи.
В своем годовом отчете за 2014 год компания Options Clearing Corp. (OCC)
представила статистику и графики, показанные на рисунках 23.1–23.3.1.
1 Лицензия Опционной клиринговой корпорации. Все права защищены. OCC или ее филиалы
не несут ответственности за содержание этой книги или других материалов, не предоставленных
OCC. OCC не гарантирует точность, адекватность, полноту или доступность информации и не
несет ответственности за ошибки или упущения, а также за результаты, полученные в
результате использования такой информации.
Информация о доходности акций с рынка опционов на акции 171
Средний открытый интерес на конец месяца Контракты исполнены

в миллионах в миллионах
375 279,5 305,1 263,5 275,5 295,1 750 531,8 556,1 562,2 458,9 449,1
300 600
273,1 92,54%
225 450 423,3 94,24%
150 300
75 150
22,0 7,46%
0 0 25,8 5,76%
10 11 12 13 14 10 11 12 13 14
Фьючерсы на индексы акций не показаны

в графиках
Рисунок 23.3 Открытый интерес к опционам и исполненные контракты в 2010–2014 гг.

защищены.
ОТКЛОНЕНИЕ ВОЛАТИЛЬНОСТИ
Полезным источником информации о направлении рынка опционов является

подразумеваемая волатильность опционов на акции. Это значение волатильности
базового инструмента, при котором, когда это значение вводится в модель
ценообразования опциона (например, Блэка-Шоулза), модель возвращает
теоретическое значение, равное текущей рыночной цене опциона. В случае опционов
на акции график зависимости подразумеваемой волатильности от цены исполнения
дает искаженную поверхность. Перекос волатильности – это разница в подразумеваемой
волатильности между опционами «вне денег», «при деньгах» и «в деньгах». На
перекос волатильности влияют настроения и предложение.
отношения спроса и предоставляет информацию о том, предпочитают ли
управляющие фондами выставлять опционы «колл» или «пут». На рынках опционов
на акции перекос обычно возникает потому, что управляющие капиталом в целом
предпочитают продавать опционы колл, а не опционы пут, как можно видеть на рис. 23.4.
В своей статье «Цены опционов опережают цены на акции: есть ли у опционных
трейдеров информационное преимущество?» Джин и др. (2012) исследуют
существующую литературу об информационном преимуществе, в том числе Боллен и
Уэйли (2004), Брэдшоу и др. (2010), Гарлеану и др. (2009), Ван Бускирк (2011) и Син и др.
(2010). Боллен, Уэйли и Гарлеану и др. объясняют «форму наблюдаемого отклонения
волатильности и ее прогнозирующую способность давлением покупателей из-за
информации, которой обладают опционные трейдеры». Боллен и Уэйли обнаружили,
что «одновременные изменения в дневной подразумеваемой волатильности
вызваны изменениями в чистом покупательском давлении». Трейдеры опционов,
ожидающие положительных новостей, создают избыток сделок «покупка-колл» и/или
«продажа-пут», что приводит к
Перекос волатильности
30
28
26
24
ьулзиатрадлооП
яамьетасвоенм в
22
20
18
80 90 100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250
Страйк-цена
Рисунок 23.4. Примерный перекос волатильности на рынках опционов на акции
Цены и подразумеваемая волатильность опционов колл относительно опционов

пут вырастут. Точно так же трейдеры опционов, ожидающие негативных новостей,
создают избыток сделок продажи-колла и/или сделок покупки-пута, что приводит к
росту цен и подразумеваемой волатильности опционов пут по сравнению с
опционами колл. Таким образом, когда трейдеры опционами ожидают информации
о вероятности негативного события, спрос на пут-опционы «вне денег»
увеличивается по сравнению со спросом на колл-опционы «при деньгах», тем
самым увеличивая перекос волатильности.
Исследователи показали, что существует отрицательная связь между перекосами
волатильности и доходностью отдельных акций на уровне компании. Этот вывод
согласуется с гипотезой о том, что отклонения волатильности отражают негативную
информацию. Син и др. (2010) утверждают, что «чем больше перекос волатильности
торгуемых опционов на акции, тем выше неэффективность». Они подсчитали, что
отставание базовых акций опционов с более высокими отклонениями по сравнению
с базовыми акциями опционов с меньшими отклонениями составляет 10,9% в год с
поправкой на риск. В длинно-короткой альфа-акции это подразумевает открытие
длинной позиции по акциям, опционы которых имеют более низкие отклонения
волатильности, и короткой позиции по акциям, опционы которых имеют более
высокие отклонения волатильности. В нескольких недавних исследованиях
изучалась предсказательная способность перекосов волатильности в случае
крайне негативных событий. Ван Бускирк (2011) обнаружил, что высокие отклонения
волатильности предсказывают отрицательные скачки в короткие периоды,
содержащие объявления о прибылях, и в более длинные периоды, в которые нет объявлений о п
6М
5М
4М
3М
2М
1М
0М
–1М
2012 год 2013 2014 год 2015 год 2016 год 2017 год
Рисунок 23.5. Эффективность коэффициента альфа для фондового рынка Russell 1000 с использованием
перекоса волатильности2.
не прогнозируйте отрицательные скачки прогнозов руководства по доходам или

объявлений о дивидендах. Брэдшоу и др. (2010) показывают, что «прогностические
способности перекосов волатильности и непрозрачности учета рисков катастроф
являются дополнительными по отношению друг к другу». По мнению авторов, хотя
информационное преимущество, выраженное в способности прогнозировать
отклонения волатильности, больше для негативных новостей, чем для позитивных,
предсказательная способность рынка опционов применима к новостным сюрпризам
различной величины. Это явление можно использовать для поиска акций для коротких
продаж по альфа-версиям акций в более и более коротких временных масштабах.
На рис. 23.5 показана эффективность «альфа» акций из списка Russell 1000. Альфа
использует наклон кривой подразумеваемой волатильности для измерения перекоса.
Идея состоит в том, чтобы покупать акции, которые показали уменьшение наклона
подразумеваемой кривой волатильности (или уменьшение перекоса волатильности)
и наоборот.
2
Альфа = (изменение наклона кривой подразумеваемой волатильности).
СПРЕД ВОЛАТИЛЬНОСТИ
Соотношение паритета «пут-колл» гласит, что на совершенных рынках для европейских

опционов на акции, не приносящие дивидендов, справедливо следующее равенство:
ЦПС ДК
где C и P — текущие цены опциона «колл» и «пут» соответственно; D – коэффициент

дисконтирования; K – цена исполнения; S – спотовая цена. Для американских
опционов, допускающих досрочное исполнение, уравнение принимает форму
неравенства: S DK C P. Из этих соотношений можно показать, что европейские
опционы колл и пут с одинаковой ценой исполнения и датой погашения должны
иметь одинаковую подразумеваемую цену. волатильности, в то время как
опционы колл и пут в США должны иметь разброс подразумеваемой волатильности
(«спред волатильности»), относящийся к премии за досрочное исполнение (Hull 2008).
Однако Офек и др. (2004) показывают, что разброс волатильности нельзя полностью
объяснить премией за досрочное исполнение. Офек и др. а Кремерс и Вайнбаум
(2010) показывают, что этот разброс волатильности подразумевает будущую доходность
акций. Например, Кремерс и Вайнбаум обнаружили, что акции с высокими спредами
волатильности превосходят акции с низкими спредами волатильности в среднем на
50 базисных пунктов в неделю. Боллен и Уэйли (2004) и Гарлеану и др. (2009)
приписывают «прогностическую способность спредов волатильности моделям
опционов, основанным на спросе». Более высокие спреды волатильности указывают
на больший избыточный спрос на опционы колл, чем на опционы пут, предполагая,
что трейдеры опционов могут ожидать положительных новостей. Таким образом,
разброс волатильности можно рассматривать как показатель характера
(положительного или отрицательного) и потенциального воздействия новостей,
ожидаемых трейдерами опционов, путем измерения общего чистого давления
покупателей на рынке опционов. Это явление можно использовать в альфе акций,
чтобы открывать длинные позиции по акциям с высокими спредами волатильности и продавать акц
На рисунке 23.6 показана эффективность «альфа» акций из списка Russell 3000. Альфа
использует информацию о подразумеваемой волатильности опционов «колл» и «пут».
Идея состоит в том, чтобы покупать акции с более высокой волатильностью
подразумеваемого колла, чем подразумеваемой волатильностью опциона пут, и наоборот.
ОБЪЕМ ТОРГОВ ОПЦИОНАМИ
Объемы торгов опционами на акции также могут нести полезную информацию о

будущей доходности акций. В своей статье «Коэффициент объема запасов и
будущая доходность» Джонсон и Со (2011) сосредоточились на выводах
4500 тыс.
4000 тыс.
3500 тыс.
3000 тыс.
2500 тыс.
2000 тыс.
1500 тыс.
1000 тыс.
500 тыс.
0к
–500 тыс.
2010 год 2011 год 2012 год 2013 2014 год 2015 год 2016 год
Рисунок 23.6. Эффективность альфа-рынка акций Russell 3000 с использованием

спреда волатильности3
это можно извлечь из объемов торгов опционами и лежащими в их основе

акциями. Авторы предоставляют теоретические и эмпирические доказательства
того, что O/S – отношение общего объема рынка опционов (агрегированного
по коллам и путам) к общему объему рынка акций – указывает на
конфиденциальность информации, доступной информированным трейдерам.
Показатель O/S был впервые предложен и изучен Roll et al. (2009), в выводах
которого говорится, что «перекрестные и временные вариации O/S могут быть
обусловлены сделками информированных трейдеров, владеющих частной
информацией». В развитие этих выводов Джонсон и Со исследуют взаимосвязь
между O/S и будущей доходностью и обнаруживают превосходство компаний
с низкой O/S над компаниями с высокими O/S. Их методология включает в
себя сортировку компаний по O/S в конце каждого месяца и расчет средней
доходности портфеля, состоящего из короткой позиции по акциям с высокой
O/S и длинной позиции по акциям с низкой O/S, удерживая этот портфель в
течение один месяц. Этот портфель обеспечивает среднюю ежемесячную
хеджируемую доходность с поправкой на риск в размере 1,47%. Авторы связывают отрицат
3
Альфа = подразумеваемая волатильность цены «при деньгах» (опционы «колл» — «опционы пут»).
между O/S и будущей доходностью акций к затратам на короткую продажу на базовых

рынках акций: из-за ограничений капитала и затрат на короткую продажу акций
информированные трейдеры предпочитают торговать опционами чаще, когда они
ожидают негативных новостей, чем когда они ожидают позитивных новостей. .
По словам Джонсона и Со (2011), «O/S предсказывает неожиданные прибыли,
стандартизированные необъяснимые доходы и аномальные доходы при объявлении
квартальных прибылей в следующем месяце». Та же самая методология построения
портфеля на основе показателей O/S также содержит информацию об объявлениях о
будущих доходах, которые происходят в месяце, следующем за «месяцем хранения».
Они утверждают, что это согласуется с гипотезой о том, что O/S отражает частную
информацию, которая включается в цены акций, когда новости становятся достоянием
общественности. Более того, они заявляют, что их модель «также предсказывает, что O/
S является более сильным сигналом, когда затраты на короткие продажи высоки или
опционное кредитное плечо низкое», и подтверждают это в данных. Эти идеи можно
использовать для открытия длинных позиций по компаниям с низкой операционной
прибылью и коротких позиций по компаниям с высокой операционной прибылью в рамках длинно-ко
использует информацию об объеме опционов из
10М
9М
8М
7М
6М
5М
4М
3М
2М
1М
0М
–1М
2011 год 2012 год 2013 2014 год 2015 год 2016 год 2017 год

соотношения опционов к объему акций4
4
Альфа = объем торгов акциями/(объем торгов опционами колл + пут).
Nasdaq OMX PHLX и сравнивает его со среднедневным объемом акций.
Идея состоит в том, чтобы покупать акции, у которых высокое соотношение объема акций к
объему опционов, и наоборот.
ОПЦИЯ ОТКРЫТЫЙ ИНТЕРЕС
Открытый интерес — это количество невыполненных опционных контрактов на данный базовый
актив. В своей статье «Предвещают ли изменения открытого интереса по опционам будущую
доходность акций?» Фодор и др. (2010) исследуют взаимосвязь между изменениями открытого
интереса по опционам и будущей доходностью.
Они показывают, что трейдеры опционов покупают относительно больше (меньше) опционов
колл (пут), когда они настроены на повышение в отношении базового актива в краткосрочной
перспективе. Аналогичным образом, трейдеры опционов покупают относительно больше
(меньше) опционов пут (колл), когда они настроены на краткосрочную медвежью позицию в
отношении базового актива. Из-за такого поведения изменения совокупного открытого интереса
содержат информацию о будущей доходности акций. Авторы утверждают, что информированные
инвесторы усиливают свои бычьи (медвежьи) взгляды за счет увеличения длинных позиций колл (пут).
В своем эмпирическом исследовании авторы демонстрируют сильную отрицательную
взаимосвязь между недавними изменениями в совокупных уровнях открытых процентных
ставок и будущей доходностью базового капитала. Компании, у которых в последнее время
количество открытых ставок по офертам увеличилось, значительно отставали от компаний с
уменьшением открытых ставок по офертам. Авторы обнаруживают, что существует
противоположная, но гораздо более слабая связь с призывами к изменениям открытого интереса.
Они отмечают, что соотношение недавних изменений в открытом интересе колл к открытому
интересу пут является наиболее эффективным предиктором будущей доходности акций и что
эта взаимосвязь положительна в том смысле, что за большим увеличением соотношения, как
правило, следует относительно сильный будущий доход по акциям. возвращается.
Фодор и др. демонстрируют документально подтвержденное предпочтение
информированных трейдеров, как впервые обсуждалось Блэком (1975), использовать свои
взгляды посредством опционов (бычьи взгляды через длинные позиции колл и медвежьи
взгляды через длинные позиции пут) из-за относительно небольших требований к начальному
вкладу. Фодор и др. представить дополнительные доказательства того, что реальные
информационные различия между рынками опционов и рынками акций приводят к различиям
в скорости, с которой информация включается в цены на соответствующих рынках. Таким
образом, открытый интерес к опционам колл и пут можно использовать для выбора длинных и
коротких акций в альфе длинных и коротких акций.
использует информацию об открытом интересе по опционам колл и пут от PHLX. Идея состоит в
том, чтобы покупать акции с более высоким открытым процентом по опциону «колл» по
сравнению с открытым процентом по «пут» и наоборот.

3000 тыс.
2500 тыс.
2000 тыс.
1500 тыс.
1000 тыс.
500 тыс.
0к
–500 тыс.

открытого интереса «колл» и «пут»5
Как показано в обширной исследовательской литературе, рынки опционов на

акции содержат полезную информацию, позволяющую прогнозировать движение
акций. Форма отклонения волатильности, спред волатильности, объем торговли
опционами и открытый интерес к опционам — все это полезные инструменты для
прогнозирования краткосрочной динамики базовой акции.
5
Альфа = открытый интерес по опционам колл/открытый интерес по опционам пут.
24
Институциональные исследования 101:
Аналитические отчеты
Бенджамин И, Хардик Агарвал, Шубхам
Гоял, Абхишек Паниграхи и Анант Пушкар
Эта глава представляет собой общий обзор отчетов об исследованиях аналитиков и

рекомендаций по акциям, с которыми альфа-исследователи могут столкнуться в
финансовых средствах массовой информации. Мы обсудим лучшие способы доступа
к рекомендациям аналитиков и ответим на важнейший вопрос о том, как эти отчеты
могут помочь вдохновить на систематические торговые идеи.
Рекомендации, рейтинги и изменения целевых цен аналитиков, занимающихся
продажей акций (как для компаний, так и для целых отраслей), широко освещаются в
финансовых газетах, на конференциях, в блогах и в базах данных, которые часто
цитируют эти отчеты для объяснения основных движений цен на акции.
Действительно, многочисленные исследования отраслевых ассоциаций и ученых
показали, что исследования аналитиков содержат ценную информацию.
Тем не менее словосочетание «биржевой аналитик» вызывает в воображении
образы опытных исследователей из Goldman Sachs или JP Morgan, которые проводят
важные переговоры с руководителями компаний из списка Fortune 500, чтобы собрать
информацию и представить свои выводы многомиллиардным институциональным
фондам. Как вы, новый альфа-исследователь (в вашем распоряжении меньше
нескольких миллиардов долларов), можете получить доступ к этому ценному анализу?
Не менее важно и то, почему альфа-исследователь, заинтересованный в построении
систематических рыночных стратегий, должен обращать внимание на то, что обычно
представляет собой анализ, специфичный для компании?
ДОСТУП К АНАЛИТИЧЕСКИМ ИССЛЕДОВАНИЯМ (БЕСПЛАТНО, КОНЕЧНО)
Аналитический отчет обычно содержит следующее:
• Подробное описание компании и ее отрасли.

• Оценки соответствующих финансовых показателей, таких как доходы и доходы.
• Целевая цена.
• Рекомендация покупать, держать или продавать, основанная на исследовании аналитика.
• Тезис, объясняющий рекомендацию.
Аналитики продавцов часто проводят дорогостоящие, сложные и трудоемкие

исследования; естественно, они хотят предоставить первоочередной доступ своим
уважаемым клиентам. Конечно, вы не сможете получить доступ ко всем (или даже к
большинству) аналитическим исследованиям компании через общедоступные источники.
Тем не менее, та часть аналитических исследований, которая попадает в общедоступные
СМИ, может стать ценным инструментом обучения для новых альфа-исследователей.
На самом деле, некоторые аналитические исследования на удивление доступны, а

финансовые СМИ выступают в качестве посредников. В данном случае термин «финансовые
СМИ» включает в себя не только традиционные источники, такие как The Wall Street Journal
и Bloomberg, но и сайты-агрегаторы, такие как Yahoo Finance и Google Finance. Последние
являются особенно полезными источниками аналитического анализа, оценок и вопросов,
которые задаются корпоративному руководству во время телефонных разговоров о
финансовых результатах. Найти упоминания об аналитическом исследовании компании
зачастую так же просто, как ввести биржевой код этой компании на ваш любимый
финансовый портал. Например, если ввести биржевой код Apple (AAPL) на портале Yahoo
Finance, на рисунке 24.1 появятся заголовки за ноябрь 2018 года.
В левой части скриншота показаны заголовки и ссылки на статьи, которые иногда
основаны на исследованиях аналитиков. Справа Yahoo Finance любезно обобщил

рекомендации аналитиков (сильная покупка, продажа и т. д.), целевые цены, повышение и
понижение рейтинга.
Нажав на «Повышения и понижения», вы увидите подробную таблицу с оценками доходов
и доходов для AAPL, а также тенденцией и изменениями на прибыль на акцию для компании.
Возможно, вы захотите опробовать этот процесс на других порталах, таких как Google
Finance или Bloomberg.com, прежде чем выбрать тот, который работает.
Институциональные исследования 101: Отчеты аналитиков 181
Рисунок 24.1. Скриншот результатов поиска «AAPL» на Yahoo Finance

Источник: Yahoo Finance © 2019. Все права защищены. https://finance.yahoo.com/.
лучшее для тебя. Если они не дают того, что вы ищете, попробуйте использовать поисковые
системы напрямую (например, «Отчеты аналитиков AAPL» Google).
Как и в случае с аналитическими исследованиями, финансовые порталы часто
предоставляют стенограммы разговоров компаний о прибылях и убытках, а также вопросы
биржевых аналитиков во время звонков и ответы руководства. В следующем примере мы
используем другой финансовый портал Seeking Alpha (https://seekingalpha.com). В Интернете
есть много мест, где можно найти такую информацию. Другие примеры: веб-сайт Motley Fool
(www.fool.com), веб-сайты фондовых бирж (например, www.nasdaq.com) и раздел по связям с
инвесторами на веб-сайтах компаний. Некоторые из этих источников также содержат изрядное
количество дискуссий.
комментаторами небанковского рынка по конкретным отраслям, а также по отдельным

акциям. Обсуждение на этих сайтах может быть похоже на исследование
биржевые аналитики, затрагивающие такие вопросы, как фундаментальные показатели

конкретных компаний, макроэкономика, геополитика и рыночные условия. В Таблице 24.1
приведены дополнительные примеры таких сайтов с комментариями о рынке и финансовых блогов.
Таблица 24.1. Сайты с комментариями о рынке и финансовые блоги
Сайты с комментариями о рынке Связь
Блумберг http://www.bloomberg.com
Журнал "Уолл Стрит http://www.wsj.com
В поисках Альфа http://www.seekingalpha.com
Утренняя звезда http://www.morningstar.com
Улица http://www.thestreet.com
Финансовые блоги Связь
Эконбраузер http://econbrowser.com/
Бесплатный обмен http://www.economist.com/blogs/freeexchange
ЗероХедж http://www.zerohedge.com/
Консультативная группа CXO http://www.cxoadvisory.com/блог/
Фрикономика http://freakonomics.com/
Маргинальная революция http://marginalrevolution.com/
Примечание. Во многих местах наш список совпадает с рейтингом, составленным журналом Time .
URL-адрес: http://content.time.com/time/specials/packages/completelist/0,29569,2057116,00.html.
Посмотрите, сможете ли вы найти отчет Apple о прибылях и убытках за третий квартал 2018 года.
сценарий и вопросы и ответы аналитиков на веб-сайте Seeking Alpha (рис. 24.2).
ВСЕ ИДЕТ НОРМАЛЬНО. НО ПОЧЕМУ ВАС ДОЛЖНО ЗАНИМАТЬСЯ?
Хороший вопрос. Большинство аналитических отчетов (и рыночных комментариев)

сосредоточены на одной акции или отрасли, в то время как вы, как альфа-исследователь,
ищете систематические рыночные стратегии, позволяющие торговать десятками тысяч акций
каждый день. А что , если какому-то аналитику из Bank XYZ понравится определенная
компания? Как нам перейти от этого к торговле тысячами компаний на 20 различных
фондовых биржах по всему миру?
Вы можете комбинировать информацию из аналитических отчетов по различным акциям.

построить альфу, которая торгует более диверсифицированным набором акций.
1. Рекомендации
Полезная информация из аналитических отчетов включает рекомендации по покупке

и продаже. Мы можем использовать средний рекомендательный рейтинг для акций,
чтобы получить альфу. На рис. 24.3 показана производительность
Рис. 24.2. Скриншот стенограммы телеконференции компании

Seeking Alpha за 3 квартал 2018 года.
Источник: В поисках Альфа. http://seekingalpha.com.
альфа, которая использует рекомендации по покупке и продаже из аналитических

отчетов для вселенной акций Russell 3000. Идея состоит в том, чтобы открывать
длинные позиции по акциям с рекомендациями покупать и короткие акции с
рекомендациями продавать.
5e6
4e6
3e6
2e6
1e6
0
07.01 08.01 09.01 01/10 11.01 12.01 13.01 14.01 15.01 16.01. 17 января
Рисунок 24.3 . Эффективность альфа с использованием рекомендаций по покупке и продаже1
2. Целевые цены
Аналитики рассчитывают прогнозируемые уровни цен акций. На рис. 24.4
показаны результаты анализа «альфа» с использованием системы Russell 3000,
которая сравнивает целевую цену аналитиков с текущей ценой акций.
Идея состоит в том, чтобы купить акцию, если прогнозируемая целевая цена
выше текущей цены акции, и продать ее без покрытия, если целевая цена
ниже текущей цены.
3. Оценка доходов
Аналитики предоставляют оценки различных основных показателей компании,
таких как прибыль, дивиденды и денежный поток. На рисунке 24.5
представлена сводная статистика по оценкам прибыли AAPL от Yahoo Finance.
На рисунке 24.6 показаны результаты альфа-анализа на основе совокупности

акций Rus Sell 3000 с использованием оценок роста прибыли.
Альфа покупает акции с положительным ростом и продает акции с
отрицательным ростом.
1
Альфа = средняя рекомендация на покупку средняя рекомендация на продажу.
12М
10М
8М
6М
4М
2М
0М
–2М
2008 2009 2010 год 2011 год 2012 год 2013 2014 год 2015 год 2016 год 2017 год
Рисунок 24.4 . Эффективность альфа с использованием целевой цены2
Валюта в долларах США
Оценка прибыли Текущий квартал. (декабрь 2018 г.) Следующий квартал. (март 2019 г.) Текущий год (2019 г.) Следующий год (2020 г.)
Количество аналитиков 34 33 40 34
Среднее Оценивать 4,72 3.04 13.45 14.83
Низкая оценка 4.51 2.41 11.54 10.98
Высокая оценка 5,59 3.39 15,4 18,5
Год назад EPS 3,89 2,73 11.91 13.45
Рисунок 24.5. Скриншот результатов оценки прибыли для AAPL на Yahoo

Finance
Источник: Yahoo Finance © 2019. Все права защищены. https://finance.yahoo.com.
4. Неожиданные доходы
Когда компания публикует свои доходы за квартал или год,
фактические цифры прибыли можно сравнить с оценками
аналитиков за этот период. Заработок, превышающий ожидаемый,
обычно воспринимается как положительный показатель, и наоборот.
2
Альфа = целевая цена аналитика цена акции.
4500 тыс.
4000 тыс.
3500 тыс.
3000 тыс.
2500 тыс.
2000 тыс.
1500 тыс.
1000 тыс.
500 тыс.
0к
–500 тыс.
2008 год 2009 год 2010 год 2011 год 2012 год 2013 2014 год 2015 год 2016 год 2017 год
Рисунок 24.6 . Эффективность «Альфы» с использованием оценок прибыли3
На рис. 24.7 показаны результаты альфа-анализа, основанного на

рейтинге акций Russell 3000 и использующего сюрприз прибыли.
Идея состоит в том, чтобы купить акции, если прибыль компании постоянно
превосходит оценки аналитиков, и продать их без покрытия, если прибыль
ниже оценок аналитиков.
Исследователи, ищущие систематические рыночные стратегии, могут разработать

уникальные или менее известные альфа-идеи, читая отчеты биржевых аналитиков.
Возможно, стоит учитывать следующие моменты:
• Мыслительный процесс аналитика гораздо важнее, чем любая конкретная

рекомендация о покупке или продаже. Решила ли она обновить AAPL по
отраслевым причинам (рынок смартфонов растет двузначными темпами), по
специфичным для компании причинам (чистая прибыль увеличивалась за
последние четыре квартала) или по более общей причине? , например, низкое
соотношение цены и прибыли AAPL по сравнению с остальной отраслью?
Независимо от причины,
3
Альфа = изменение оценки прибыли аналитика на следующий финансовый период.
11М
10М
9М
8М
7М
6М
5М
4М
3М
2М
1М
0М
–1М
2006 г. 2008 год 2010 год 2012 год 2014 год 2016 год
Рисунок 24.7. Результаты «Альфы» с учетом неожиданной прибыли4
Интересный вопрос: могу ли я применить это к другим компаниям? Например, если аналитик
говорит, что ей нравится AAPL, потому что генеральный директор покупает акции компании,
следует ли применять эту логику только к AAPL или к публично зарегистрированным компаниям
в целом? Известно, что такая линия рассуждений приводит к появлению новых стратегических
идей.
На рисунке 24.8 показана альфа, разработанная с использованием этой гипотезы (открывать
длинную позицию, если происходит обратный выкуп акций, и короткую в противном случае)
для совокупности акций Russell 3000.
• Аналитики обычно задают хорошие вопросы во время телефонных разговоров о прибылях и
убытках. Им следует это делать, потому что им за это высоко платят. А для нового исследователя,
пытающегося понять, как разобраться в плотных цифрах, составляющих финансовые показатели
современной корпорации, эти вопросы могут оказаться спасением.
Больше информации не всегда лучше, особенно если у вас 20 страниц цифр на компанию и вам
нужно отделить сигнал от шума. Как понять, какой объект учета является важным? Один из
подсказок — подумать о цифрах или тенденциях, на которых фокусируются аналитики, и о
логике.
4
Альфа = заявленная фактическая прибыль оценка прибыли аналитиком.
7М
6М
5М
4М
3М
2М
1М
0М
–1М
2011 год 2012 год 2013 2014 год 2015 год 2016 год
Рисунок 24.8. Результаты деятельности «Альфы» с использованием обратного выкупа акций5
это мотивирует их вопросы. Озадачены ли они чрезвычайно большими и

несезонными изменениями запасов от одного квартала к другому?
Почему это важно? Как всегда, мы должны спросить, является ли это чем-то
важным, помимо обсуждаемой компании.
Один из способов извлечь торговые сигналы из звонков о прибылях и
убытках — сосредоточиться на коллективных настроениях руководства
компании, а также аналитиков и репортеров, присутствующих во время
таких звонков. Вопросы аналитиков и ответы руководства могут служить
показателем общего настроения рынка в отношении качества прибыли
компании и, следовательно, будущей цены ее акций.
Алгоритмы анализа текста могут использовать эту информацию для получения чистой
оценки настроения (положительной или отрицательной) для акций и принятия решения о
покупке или продаже соответственно. На рис. 24.9 показана альфа-версия, использующая
эту идею во вселенной Russell 3000.
• Аналитики обладают детальными знаниями отрасли. Как отмечает Ларраби

(2014), отраслевая экспертиза считается одним из наиболее важных качеств
(и конкурентных преимуществ) биржевых аналитиков. Лучшие аналитики
продавцов способны влиять на цены акций с помощью
5
Альфа = если акции выкуплены руководителем совета директоров компании, тогда покупайте; иначе продам.
6М
5М
4М
3М
2М
1М
0М
–1М
2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Рисунок 24.9. Эффективность альфа с использованием данных о прибылях и убытках6
свои рейтинги и прогнозы, и этот эффект сильнее для аналитиков с опытом работы в отрасли.
Альфа-исследователи могут многое узнать о методологии из работы аналитиков. Например:
Методологии оценки различаются в разных отраслях. Построение модели
дисконтированных денежных потоков может сильно отличаться для производственного
сектора по сравнению с потребительскими циклическими фирмами, нециклическими
компаниями и другими секторами. Аналитики могут сосредоточиться на различных
показателях оценки, таких как соотношение цены и прибыли для одной отрасли и цена-прибыль для одно
соотношение книг для другого. Для альфа-исследователя важно понять основные причины
этих различий, чтобы нормализовать и сравнить данные соответствующим образом для
совокупности торгуемых акций.
Каждая отрасль может иметь свой собственный уникальный фактор или показатель
операционной эффективности, который обычно занимает видное место в аналитических
отчетах. Доткомы привыкли смотреть «глазами» еще в конце 1990-х годов.
6
Альфа = среднее положительное настроение среднее отрицательное настроение.
(возможно, они все еще так делают), и авиакомпании думают о «пассажирских милях»,
тогда как биотехнологические компании могут сосредоточиться на испытаниях лекарств
или лекарствах, находящихся в стадии разработки. Понимание ключевых факторов
операционной эффективности в каждой отрасли может помочь альфа-исследователю
выявить межотраслевые различия в эффективности ее стратегии.
• Аналитические исследования могут предоставить достоверные торговые сигналы. Иногда
аналитические исследования могут напрямую влиять на цены акций. Возможно, вы видели
заголовки, объясняющие значительный скачок или падение цены конкретного тикера
повышением или понижением рейтинга аналитиков или увеличением целевых цен.
Обширный объем академических исследований показывает связь между аналитическими
исследованиями и доходностью акций; Вы можете найти его в Google Scholar в разделе
«Исследования биржевых аналитиков». Лучшее понимание рекомендаций аналитиков
может помочь вам лучше использовать эту информацию при разработке стратегий.
НА ЧТО СТОИТ ОСТОРОЖНО ПРИ ЧТЕНИИ

ОТЧЕТЫ АНАЛИТИКОВ
Читаете ли вы аналитические исследования, чтобы найти вдохновение в разработке новых

рыночных стратегий, или хотите использовать содержащиеся в них рекомендации и цели
непосредственно при построении стратегии, возможно, вам будет полезно помнить о
некоторых плюсах, минусах и особенностях этого исследования.
• Позитивная предвзятость. Хотя разные банки придерживаются разных подходов,

академические исследователи утверждают, что фондовые аналитики как группа
демонстрируют положительную предвзятость. Одним из последствий является то, что
распределение рекомендаций аналитиков искажено. Например, если мы подсчитываем
рекомендации покупать, удерживать и продавать, то окажется, что рекомендаций на
покупку гораздо больше, чем на продажу. Академические исследователи обсуждают
причины этого; Майкли и Вомак (1999), а также Лин и МакНиколс (1998) задаются вопросом,
склонны ли банки давать оптимистические рекомендации компаниям, с которыми они
поддерживают отношения.
• Скотоводство. Хердинг ссылается на теорию, согласно которой аналитики стараются не
слишком отличаться друг от друга в своих публичных рекомендациях и целях. Частично
причина этого может быть поведенческой: составление публичных прогнозов цен на
акции (или «целей», как говорят аналитики) — рискованное занятие, имеющее последствия
для карьеры. При прочих равных условиях численность людей может быть в некоторой
безопасности, если они не будут следовать за толпой. Следствие
Дело в том, что аналитики, которые более уверены в себе или имеют устоявшуюся
репутацию, обычно готовы еще больше отклониться от консенсуса.
Если оставить в стороне поведенческие причины, у аналитиков могут быть веские
причины прийти к аналогичным выводам – например, большинство из них может
работать с одними и теми же источниками информации. Следовательно, может быть
интересно понять основные отклонения аналитиков от консенсуса, в чем уникальность
их методов или источников данных и можно ли это систематизировать.
• Снижение покрытия. Аналитики имеют большую тенденцию давать рейтинги покупки

(или, по крайней мере, слегка положительные), чем рейтинги продажи. Причина этого
укоренилась в том, как работает финансовая индустрия. Желание аналитиков угодить
своим потенциальным инвестиционно-банковским клиентам может привести к конфликту
интересов. Публикация негативных исследований акций собственных корпоративных
клиентов (или потенциальных клиентов) может стоить брокерским компаниям
прибыльного бизнеса. Другими словами, брокерская фирма скорее предпочтет ошибиться
в своих рекомендациях о покупке или продаже, чем оказаться права и потерять корпоративного клиент
5000 тыс.
4500 тыс.
4000 тыс.
3500 тыс.
3000 тыс.
2500 тыс.
2000 тыс.
1500 тыс.
1000 тыс.
500 тыс.
0к
–500 тыс.
Рисунок 24.10. Эффективность альфа-версии с использованием снижения охвата7
7
Альфа = краткосрочное освещение аналитиков/долгосрочное освещение аналитиков.
В некоторых случаях – особенно в отношении акций с большой капитализацией – аналитик
может предпочесть отказаться от освещения акций, чем подать сигнал о продаже, и
впоследствии оказаться неправым. Таким образом, падение покрытия акций, особенно акций
с большой капитализацией, может быть тревожным сигналом. Присвоение рейтинга продажи
небольшой компании может иметь меньшие последствия для аналитика, чем присвоение
рейтинга продажи крупной компании.
На рисунке 24.10 показана эффективность альфа-анализа, сравнивающего краткосрочный
и долгосрочный охват аналитиков. Идея состоит в том, что если количество аналитиков,
освещающих акцию, значительно уменьшилось по сравнению с ее долгосрочным охватом, то
мы шортим акцию; мы открываем длинную позицию по акциям, если краткосрочное освещение
аналитиками увеличилось.
ПОЧЕМУ ФОНДОВЫЕ АНАЛИТИКИ ОБЩАЮТ С ФИНАНСОВЫМИ СМИ?
Если бы вы потратили значительное время и энергию на подробный анализ, который привел к
появлению замечательных торговых идей, вашим первым побуждением могло бы быть не взять
трубку и рассказать об этом кучке репортеров. В конце концов, многие идеи ограничены в
возможностях – ими может торговать лишь определенное количество людей, прежде чем цена
начнет значительно двигаться и шанс на прибыль исчезнет.
Тем не менее, мы постоянно находим упоминания об аналитических исследованиях в
сообщениях СМИ. Фактически, мы можем даже положиться на это, потому что это позволяет нам
заглянуть в мир аналитических исследований практически без затрат. Чем объясняется такая
доступность? Некоторые возможные причины:
• Многие встречи между фондовыми аналитиками и компаниями, которые они освещают,
открыты для представителей общественности и, следовательно, для финансовой прессы.
Одним из примеров этого являются звонки о доходах, которые доступны через общедоступные
стенограммы. В США Постановление Комиссии по ценным бумагам и биржам о честном
раскрытии информации, известное как Reg FD, устанавливает, что закрытая информация,
раскрываемая эмитентами профессионалам в области инвестиций, также должна быть
доступна всем участникам рынка.
Сюда входят как аналитики, работающие в многомиллиардных банках, так и инвесторы.
• Определенная известность, вероятно, не повредит карьере биржевого аналитика. Упоминания
в средствах массовой информации и интервью могут повысить спрос на исследования
аналитика среди клиентов-инвесторов, а громкие рекомендации, которые оказались верными
(например, определение минимума рынка в 2009 году), могут ускорить карьеру аналитика. Эти
преимущества возможны только в том случае, если аналитики опубликуют некоторые из своих
исследований.
• Аналитические исследования могут быть доступны через финансовые СМИ.
• Рекомендации аналитиков и целевые цены сами по себе могут быть торговыми сигналами.
• Фундаментальные оценки аналитиков дают представление о
компании и может быть использован для создания альф.
• Цены на акции могут реагировать на сюрпризы, возникающие в результате разницы между
заявленными фундаментальными показателями и соответствующими консенсусными

значениями.
• Методологии и процессы рассуждения, которые аналитики используют для выработки своих
рекомендаций, могут стать источником идей для альфа-исследователей.
• Стенограммы отчетов о прибылях можно проанализировать, чтобы получить представление о
коллективных настроениях руководства компании, биржевых аналитиков и репортеров.
• Обращайте внимание на предостережения, такие как положительная предвзятость, стадность
аналитиков и снижение охвата.

25
Событийное инвестирование
Пратик Шривастава
Джозеф Николас в своей книге «Инвестирование в хедж-фонды фондов» (2004) определяет

стратегии, ориентированные на события, как «стратегии, основанные на инвестициях в
возможности, создаваемые значимыми транзакционными событиями, такими как
выделения, слияния и поглощения, отраслевые консолидации, ликвидации, реорганизации,
банкротства, рекапитализации, выкуп акций и другие чрезвычайные корпоративные
операции. Неопределенность в отношении исхода этих событий создает инвестиционные
возможности для менеджеров, которые могут правильно их предвидеть, а успех или неудача
обычно зависят от того, точно ли менеджер прогнозирует исход и время конкретного
события».
ВВЕДЕНИЕ
Инвестиционные стратегии, ориентированные на события, пытаются воспользоваться
неэффективностью цен в связи с событиями, специфичными для компании (а иногда и для всего
рынка). К наиболее популярным событийно-ориентированным стратегиям относятся действия,
предпринимаемые в ответ на корпоративные действия:
• Слияния и поглощения, которые приводят к возникновению торговой стратегии, известной

как арбитраж по слиянию или риск-арбитраж.
• Выделение, разделение и выделение.
• Проблемные ценные бумаги.
• Ребалансировка индексов.
• Мероприятия по реструктуризации капитала, такие как обратный выкуп акций, обмен долговых
обязательств и выпуск ценных бумаг.
Стратегии, ориентированные на события, важны, поскольку их распределение доходности

существенно отличается от рыночного, обеспечивая
ВОССТАНОВЛЕНИЕ РАСШИРЕНИЕ ВЕРШИНА ГОРЫ РЕцессия
• Смена руководства • Реструктуризация капитала • Реструктуризация капитала • Реструктуризация капитала

• Слияния и поглощения • Корпоративное рефинансирование • Корпоративное рефинансирование • Корпоративное рефинансирование
• Реорганизация после банкротства • Смена руководства • Сокращение доли заемных средств

• Проблемный актив
• Слияния и поглощения • Слияния и поглощения • Активность акционеров
• Спин-оффы и разделения • Спин-оффы и разделения
Рисунок 25.1 Корпоративные мероприятия на этапах бизнес-цикла
диверсификация к общему портфелю типичного хедж-фонда. Корпоративное

мероприятие, как правило, уникально для конкретной организации и не связано с
событиями широкого рынка, что помогает снизить зависимость портфеля от рынка.
Еще одним важным преимуществом стратегии, ориентированной на события,
является то, что она является всесезонной стратегией. На каждом этапе делового и
экономического цикла компании ищут пути увеличения акционерной стоимости,
поэтому всегда происходят какие-то корпоративные события. Арбитражные события
по слияниям происходят довольно часто, когда экономика расширяется, например, а
события проблемной стратегии более распространены, когда экономика сжимается.
На рис. 25.1 показаны корпоративные события, которые чаще происходят на различных
этапах делового цикла.
СЛИЯНИЕ АРБИТРАЖ
Арбитраж слияний, или рисковый арбитраж, вероятно, является самой известной

инвестиционной стратегией, основанной на событиях. При слиянии две компании
соглашаются объединиться, что часто предполагает обмен акциями. При приобретении
есть четкий покупатель (покупатель) и продавец (цель). Часто слияния и поглощения
начинаются с поглощения, возможно, недружественного, но в конечном итоге
компания-жертва уступает и соглашается на слияние. Арбитраж слияний — это ставка
на то, что сделка закроется или не закроется. Некоторые из основных причин, по
которым компании совершают приобретения, перечислены в Таблице 25.1.
С тех пор, как в 1990-е годы начали распространяться хедж-фонды, арбитраж слияний
стал классической рыночно-нейтральной стратегией. Однако эта деятельность восходит к
1940-м годам, когда Гюстав Леви создал первый арбитражный отдел на Уолл-стрит в
инвестиционном банке Goldman, Sachs & Co. Goldman стал ценной тренировочной
площадкой для менеджеров хедж-фондов, включая Дэниела Оча, Ричарда Перри и Том
Стейер, вышедший из группы риск-арбитража в 1980-х годах и основавший собственные
фирмы. Фактически, арбитраж слияний никогда не был более мощным, чем во время бума
выкупов компаний 1980-х годов, когда арбитражеры предоставляли рычаги влияния во
многих враждебных сделках той эпохи.
Процесс арбитража при слиянии обычно начинается, когда покупатель обращается к

целевой компании с предложением о слиянии или поглощении. Это обсуждение происходит
на уровне совета директоров и остается конфиденциальным. Если компании соглашаются
на сделку, в пресс-релизе раскрываются важные условия слияния, такие как цена
предложения для целевой компании (или соотношение обмена акций в случае слияния) и
будет ли сделка заключена. оплата наличными или акциями.
Как следует из названия, слияние оплачивается наличными; при сделке с участием всех
акций слияние оплачивается акциями приобретающей компании по определенному
обменному курсу. (Многие сделки предполагают сочетание денежных средств и акций.)
После новостей о слиянии цена акций целевой компании обычно подскакивает, но обычно
она не достигает цены слияния, поскольку сделка несет в себе риск не завершения. В этот
момент в дело вступает арбитражер по слиянию. Разница между ценой акций целевой
компании и ценой слияния известна как спред сделки:
цена предложения целевая цена акции

Спред сделки
целевая цена акции
Это доход (без учета выплат дивидендов до даты слияния и издержек по слиянию),
который получит арбитражер по слиянию, если сделка состоится.
Через несколько дней после официального объявления о сделке две компании публикуют
полное соглашение о слиянии. Соглашение содержит все детали слияния, включая условия,
необходимые для закрытия сделки, необходимые разрешения правительства и, что наиболее
важно, пункт о существенных неблагоприятных изменениях (MAC). В разделе MAC
перечислены
Событийное инвестирование 199
условия, в основном финансовые, при которых любая из сторон может отказаться от

сделки.
Управляющий фондом слияний и поглощений тщательно проанализирует соглашение

о сделке, проведет подробный финансовый анализ сделки, примет участие в
телеконференциях руководства и проверит отчетность обеих компаний в Комиссии по
ценным бумагам и биржам, чтобы спрогнозировать вероятность завершения слияния и
ожидаемый результат. Доходы от сделки достаточно высоки, чтобы оправдать связанный
с этим риск. Если сделка ему понравится, управляющий фондом примет решение о
размере позиции и хеджирует риски. Например, в случае слияния всех акций управляющий
фондом купит акции целевой компании и продлит акции приобретателя, чтобы
хеджировать риск того, что цена акций последнего упадет до завершения сделки.
Управляющий фондом будет диверсифицировать множество сделок, чтобы

гарантировать, что ни одно неудачное слияние не приведет к неприемлемо большой
просадке портфеля. По данным Института слияний, поглощений и альянсов, с 1985 года
только в США было объявлено о более чем 300 000 сделках слияний и поглощений общей
стоимостью 33,2 триллиона долларов. С точки зрения общей суммы транзакций 2015 год
был историческим: 2,4 триллиона долларов США при примерно 13 000 сделок. Рекордное
количество сделок произошло в 2017 году, когда было совершено 15 558 сделок. Вся эта
деятельность дает управляющим фондами достаточную широту возможностей для
диверсификации своих портфелей.
На завершение слияния влияет множество условий. Дружественные слияния, когда
сделку поддерживает руководство целевой компании, имеют более высокую вероятность
завершения, чем враждебные поглощения. Некоторые сделки могут не получить
необходимых одобрений из-за проблем антимонопольного законодательства или других
проблем регулирования. Сделка также может провалиться из-за общих рыночных
условий. Например, если для оплаты слияния планируется использовать внешнее
финансирование, а на рынке наступит кредитный кризис, покупатель может оказаться не
в состоянии организовать финансирование. Аналогичным образом, если цена акций
целевой компании упадет ниже цены предложения о слиянии из-за падения рынка,
покупатель может подумать, что он переплачивает за акции, и сделка может не состояться
по первоначальной цене.
Стратегии арбитража слияний, как правило, не коррелируют с движениями рынка, но
они не застрахованы от рыночного риска. Доходность стратегий слияний и поглощений
не коррелирует во время бычьего и умеренного медвежьего рынков, но в периоды
значительных спадов они демонстрируют более высокую корреляцию с рынком, поскольку
такие факторы, как неопределенность завершения сделки, проблемы регулирования или
невозможность получить финансирование, увеличивают риск провала сделки.
ВЫДЕЛЕНИЯ, ВЫДЕЛЕНИЯ И ВЫДЕЛЕНИЯ
Выделение является противоположностью слияния: разделение, при котором компания

отделяет часть своего бизнеса (подразделение или дочернюю компанию) и организует ее
как независимую компанию, акции которой часто торгуются на бирже.
Обычно это делается для раскрытия общей акционерной стоимости (таблица 25.2).
Компания может захотеть продать свой непрофильный или несущественный бизнес,
чтобы сосредоточиться на своей основной деятельности и компетенции. Например,
General Electric продала 15% своего непрофильного финансового подразделения Synchrony
Financial в ходе первичного публичного размещения акций в 2014 году и завершила
разделение в следующем году, предложив акционерам GE возможность обменять свои
акции на акции 85% Synchrony GE, которые все еще принадлежат ей. (Дополнительные
примеры побочных результатов см. в Таблице 25.3.)
Выделение и выделение аналогичны выделению. При выделении акционеры
материнской компании получают акции дочерней компании на пропорциональной
основе. В случае разделения акционеры материнской компании решают, предлагать ли
акции материнской компании в обмен на акции дочерней компании. При отчуждении
акций материнская компания продает часть акций дочерней компании, сохраняя при
этом незначительную долю в бизнесе.
Спин-оффы довольно распространены; только в США их обычно около 50 в год.
Многие исследования показали, что как выделенные компании, так и их материнские
компании превосходят рынок в первые годы после разделения. Спин-оффы обычно
превосходят компании по нескольким причинам. Поскольку предприятия больше
сосредоточены на своей основной продукции, они работают более эффективно, и
рентабельность каждого подразделения имеет тенденцию к росту. Кроме того, рынок
начинает более точно оценивать каждую бизнес-единицу: аналитики могут присвоить
каждой единице соотношение цены и прибыли для отдельной отрасли, к которой она
принадлежит, вместо того, чтобы полагаться на более широкий сектор или рыночную
стоимость.
Несмотря на то, что эти компании часто показывают лучшие результаты в

долгосрочной перспективе, они иногда испытывают краткосрочную слабость цен. Это
может произойти потому, что акции выделенного подразделения могут не соответствовать
инвестиционным критериям акционеров материнской компании. Например, выделенная
компания будет иметь меньшую капитализацию, а у некоторых акционеров могут быть
ограничения на участие в акциях с малой капитализацией, либо по своей собственной
инициативе, либо потому, что они обычно имеют более высокую бета-коэффициент по
отношению к рынку. Как правило, разумно инвестировать как в материнскую, так и в
выделенную компанию, но важно тщательно изучить особенности любого выделения,
прежде чем принимать решение о том, следует ли сохранять, продавать или покупать
компании, которые планируют отделиться или уже это сделали.
Таблица 25.3 Примеры заметных побочных эффектов
Год
2015 eBay выделяет PayPal, платформу онлайн-платежей.
2012 Kraft Foods отделяет свой бизнес по производству снеков от Mondelez International.
2011 Туристический сайт Expedia выделяет свой обзорный сайт TripAdvisor.
2006 McDonald's выделяет популярную мексиканскую сеть ресторанов Chipotle.
1999 Hewlett-Packard выделяет свой измерительный бизнес под названием Agilent Technologies.
ИНВЕСТИРОВАНИЕ В СТРЕМИТЕЛЬНЫЕ АКТИВЫ
Проблемные активы – это ценные бумаги компаний или государственных учреждений, которые испытывают
финансовые или операционные затруднения, дефолт или банкротство. Компании могут оказаться в бедственном
положении по разным причинам, в том числе:
• Балансы с высокой долей заемных средств
• Проблемы с ликвидностью
• Понижение кредитного рейтинга
• Нарушения в бухгалтерском учете
• Недостаточные денежные потоки
• Плохие операционные показатели
Когда актив испытывает трудности, он может торговаться намного ниже своей внутренней стоимости из-за
пессимистических настроений инвесторов. Когда это происходит, инвесторы, мандаты которых не позволяют им
владеть проблемными ценными бумагами, например большинство взаимных фондов, вынуждены их продавать.
Это может привести к огромным различиям между внутренней стоимостью активов и преобладающей рыночной
ценой и, таким образом, может предоставить значительные потенциальные возможности получения прибыли.
Инвестирование в эти активы для торговли на основе арбитража между внутренней стоимостью и преобладающей
рыночной ценой ценной бумаги известно как инвестирование в проблемные активы. Поклонники Уоррена Баффета,
возможно, помнят эту стратегию как подход «инвестирования в окурок»:
«Если вы покупаете акции по достаточно низкой цене, в судьбе бизнеса

обычно возникает некоторый сбой, который дает вам шанс получить
приличную прибыль, даже если долгосрочные результаты бизнеса могут
быть ужасными. Я называю это подходом к инвестированию «окурок». Сигара
найденная на улице окурка, в которой осталась только одна затяжка, может не принести многого
дыма, но «выгодная покупка» принесет всю прибыль этой затяжке».
- Уоррен Баффет, письмо акционерам Berkshire Hathaway, 1989 г.
Мир проблемных активов огромен и охватывает все виды долговых ценных бумаг ниже
инвестиционного уровня. Эти инвестиции могут включать в себя высокодоходные облигации,
проблемные банковские кредиты ниже номинальной стоимости, кредиты, находящиеся во
владении должника, свопы кредитного дефолта, привилегированные акции, обыкновенные
акции, варранты и активы недвижимости. Инвестирование в проблемные активы, как
правило, приносит наилучшие результаты на бычьих рынках, когда инвесторы зарабатывают
деньги на окупаемости инвестиций, сделанных во время предыдущего экономического
спада. Поворот вниз предоставляет большое количество возможностей для этой формы инвестирования.
Однако даже в условиях хорошей экономики можно найти выгодные сделки: автомобильный
и авиационный секторы США предлагали широкие возможности в период 2004–2006 годов,
хотя экономика была сильной. Доходность от проблемного инвестирования во многом
зависит от факторов, специфичных для компании и сектора, а не от общих бизнес- и
кредитных циклов.
Менеджеров хедж-фондов, специализирующихся на проблемных ценных бумагах, можно
разделить на активных и пассивных. Активные менеджеры участвуют в повседневной
деятельности целевой компании и тесно сотрудничают с ее руководством, чтобы улучшить
ее. Пассивные же менеджеры больше ориентированы на торговлю; они покупают
недооцененные проблемные ценные бумаги и продают их, когда они возвращаются к своей
справедливой стоимости. Активные менеджеры, которые могут иметь доступ к внутренней
информации, ограничены в своей деятельности до тех пор, пока корпоративная информация
не станет общедоступной или несущественной. Это особенно ограничивает ситуацию в
случае, если санация не удалась и компания объявила о банкротстве.
Активные менеджеры могут продать свои позиции только после завершения процесса
банкротства, в отличие от пассивных менеджеров, которые, поскольку они полагаются на
открытую информацию, не имеют ограничений.
ИНДЕКС-РЕБАЛАНСИРОВОЧНЫЙ АРБИТРАЖ
В этой инвестиционной стратегии арбитражер делает ставку на то, какие акции будут
включены в индекс или исключены из него. Некоторые из наиболее популярных индексов
для ребалансировки арбитража управляются подразделением FTSE Russell, входящим в группу
Лондонской фондовой биржи. Основная причина этого заключается в том, что индексы
Рассела перебалансируются один раз в год, в июне, тогда как другие основные индексы, такие
как S&P 500 и промышленный индекс Доу-Джонса,
корректируется нерегулярно. Среди индексов семейства Russell индекс Russell

Microcap является наиболее популярным среди этих арбитражеров, поскольку
компании, входящие в его состав, очень малы и могут быть малоизвестны. После
присоединения к индексу эти компании часто видят скачок участия фондов,
привязанных к нему. Акции, которые переходят из индекса Russell 2000 в индекс
Russell 1000 с большой капитализацией, не видят сопоставимого скачка интереса,
потому что они уже были в широком мире индексных инвестиций и просто
переместились из одной корзины в другую.
Арбитраж с ребалансировкой индекса (или восстановлением индекса) — это
игра по выявлению добавлений и удалений в индексе до того, как они фактически
будут добавлены и удалены. Если инвестор может покупать и продавать акции
раньше институциональных инвесторов, он может получать прибыль после
объявления, поскольку учреждения покупают и продают их. Исторически сложилось
так, что добавленные и удаленные акции значительно превосходили и отставали
от индекса соответственно в течение 2–3 месяцев после того, как были сделаны объявления.
СТРУКТУРА КАПИТАЛА АРБИТРАЖ
Структура капитала компании включает акции, долги и другие финансовые

инструменты, которые она использует для финансирования своей деятельности.
При арбитраже структуры капитала одна ценная бумага компании торгуется против
другой ценной бумаги той же компании – например, покупка облигаций компании
и продажа ее акций без покрытия или торговля ее кредитно-дефолтными свопами
(CDS) против ее акций. Другая игра могла бы заключаться в арбитраже между
листингами одной и той же ценной бумаги на разных биржах; такие неправильные
оценки могут произойти из-за ликвидности или других факторов. Другой тип
арбитража капитала — это торговля изменениями в структуре капитала компании,
такими как выкуп акций, выпуск акций, выпуск долговых обязательств или обмен долговых обяза
Эти сделки выражают мнение не об общем качестве компании, а об относительной
неправильной оценке или сдвигах в стоимости между различными формами
капитала.
Один из самых популярных способов арбитража структуры капитала — получение
прибыли от неправильных оценок акций компании и ее облигаций или кредитно-
дефолтных свопов. Эта стратегия приобрела большую популярность с ростом рынка
CDS. Рассмотрим, например, что происходит, когда в компанию приходят крайне
плохие новости. Это приведет к падению как облигаций, так и акций, хотя цены на
акции, вероятно, будут снижаться и дальше по нескольким причинам. Акционеры
понесут большие убытки, чем держатели облигаций.
если компания ликвидирована, поскольку держатели облигаций имеют приоритетное

право требования на активы компании; дивиденды могут быть уменьшены или вообще
отменены, тогда как годовые выплаты по облигациям фиксированы, а фондовый рынок
обычно более ликвиден и поэтому более резко реагирует на новости. В случае плохих
новостей, если обнаружена неправильная оценка, управляющий фондом может открыть
длинную позицию по акциям и короткую облигацию. Другой способ сыграть в ту же самую
сделку — использовать CDS вместо облигаций: управляющий фондом может открыть
длинную позицию по акциям и купить недооцененную защиту CDS. Существует много
способов построить одну и ту же сделку, и управляющий фондом должен провести
комплексную проверку, чтобы найти тот, который имеет лучший профиль риска и доходности.
Второй тип арбитража структуры капитала предполагает обнаружение неправильных
оценок между различными категориями долга (например, старшим и младшим,
обеспеченным и необеспеченным, банковскими кредитами и облигациями). В периоды
стресса или финансовых затруднений для компании-эмитента могут возникать
расхождения в относительных ценах этих долговых инструментов. Управляющий фондом
может сыграть на приближении спреда между этими инструментами к равновесному
уровню. Другим примером арбитража структуры капитала является арбитраж
конвертируемых облигаций, основанный на облигациях, которые можно обменять на
акции компании. Разница между стандартными облигациями и конвертируемыми
облигациями должна быть достаточно постоянной, но различия в цене акций компании
и уровнях дивидендов могут привести к неправильной оценке между этими двумя
категориями облигаций.
Стратегии, ориентированные на события, извлекают выгоду из неправильной оценки

ценных бумаг, связанных с конкретными корпоративными событиями, такими как
слияния, поглощения, выделения, банкротства и реструктуризации. Исторически они
были одними из самых эффективных стратегий хедж-фондов и приобрели большую
популярность за последние два десятилетия. Стратегии слияний и поглощений, в
частности, показали наилучшие результаты с поправкой на риск, что указывает на то,
почему они так популярны среди менеджеров фондов, ориентированных на события. Те,
кто включает многособытийные стратегии в диверсифицированный портфель хедж-
фондов, имеют возможность потенциально получить значительную прибыль от роста,
независимую от широких движений рынка. Успешные событийно-ориентированные
менеджеры должны обладать обширным опытом проведения сделок, глубокими
отраслевыми знаниями и сильными юридическими способностями для оценки вероятных
результатов широкого спектра корпоративных событий.
26
Внутридневные данные в
Душан Тимотити
Динамика ликвидности, неопределенность цены сделки, структура книги заказов и

формирование спреда спроса и предложения – все это вносит существенный вклад
в эффективность альф. Эти закономерности влияют на реализованную прибыль
самым тривиальным образом через влияние торгового оборота (канал, называемый
воздействием), но они также оказывают косвенное влияние на альфа-показатели и
сами могут быть источниками альфа-сигналов через характеристики, связанные с
внутридневной динамикой торгуемых активов. ресурсы. В совокупности эти
свойства рынка активов определяют микроструктуру рынка.
Исследования микроструктуры рынка, как следует из названия, направлены на

изучение структуры инвесторов путем выделения отдельных классов, которые
различаются своим поведением или мотивацией к торговле. Со времени важной
работы Глостена и Милгрома (1985) было обнаружено и задокументировано
большое разнообразие микроструктурных закономерностей, которые существенно
влияют на ожидаемую доходность активов. В своих новаторских результатах
авторы выяснили, как в равновесии формируются спреды спроса и предложения;
это очень важно при анализе итоговых показателей альфа-проектов. Прежде чем
вдаваться в подробности, мы сначала определим терминологию, специфичную для
данной темы, такую как ликвидность, спред между ценой покупки и продажи и
стакан заказов, а также проясним различия между рынками, управляемыми
котировками и рынками заказов. Во-вторых, мы обсуждаем понятие премии за
неликвидность, которая обозначает положительную связь между ожидаемой
доходностью и ликвидностью, на примерах потенциальных альф. В-третьих, мы
представляем основные модели микроструктуры рынка и их влияние на цены активов.
ДАННЫЕ В МИКРОСТРУКТУРЕ РЫНКА
Рынки капитала можно разделить на два типа в зависимости от их торговой структуры.

На котируемых рынках специалисты – участники рынка, также известные как маркет-
мейкеры или дилеры, которые выступают контрагентами по сделкам по их котируемой
цене, – предоставляют инвесторам возможность торговать и гарантировать
исполнение по их уникальным ценам спроса и предложения. : цены, по которым они
готовы покупать и продавать соответственно. Эту возможность также называют
ликвидностью, определяемой как «степень, в которой приказ может быть исполнен в
течение короткого периода времени по цене, близкой к консенсусной стоимости
ценной бумаги» (Фуко и др., 2013). Напротив, на рынках, ориентированных на заказы,
инвесторы имеют доступ к книге заказов, которая собирает различные комбинации
цен спроса и предложения и количества от других контрагентов и пересекает их друг
с другом. Последний тип рынка имеет более высокую прозрачность; однако
исполнение гарантируется только в пределах количества, предложенного по
конкретной цене. Хотя оба типа представлены на рынках капитала (существуют
гибридные формы, сочетающие в себе элементы обоих), альфа-исследования в
основном сосредоточены на рынках, управляемых заказами, особенно в случае акций.
Торговые заказы можно разделить на две группы в зависимости от их мотивации.

Лимитные ордера формируют книгу заказов, указывая на готовность покупать или
продавать определенные количества по различным ценам и, следовательно,
обеспечивают ликвидность рынка. Рыночные ордера поглощают ликвидность,
выступая в качестве контрагентов и ограничивая ордера определенным количеством
по самому низкому или самому высокому спросу или предложению соответственно.
Вместе эти два типа торговых приказов определяют динамику ликвидности и глубину
книги заказов, что означает влияние на цену рыночного приказа при торговле
определенным объемом. Форма стакана ордеров очень важна для эффективности альф в реальной
Как показано на рисунке 26.1, количество лимитных ордеров агрегируется по
определенным ценам (верхний левый график), которые определяют предельные и
средние цены исполнения (верхний правый и нижний левый графики соответственно)
и, таким образом, стоимость (нижний левый график) рыночный ордер определенного размера.
Следовательно, посредством анализа книги заказов инвесторы могут рассчитать, как
будет работать их альфа после воздействия затрат на данный актив.
Премия за неликвидность в ценах на активы
Существует положительная взаимосвязь между расстоянием от самой низкой цены спроса до
самой высокой цены предложения, также известной как спред между ценой спроса и предложения, и
154,3 154,3
154,25 154,25
154,2 154,2
154,15 154,15
анец
154,1 154,1
154,05 154,05
154 ьн
ане
яи ла
ле он
д пр
е еси
ц
п 154
153,95 153,95
153,9 153,9
153,85 153,85
153,8 153,8
–1500 –1000 –500 заявок 0 500 1 000 1 500 –1,5 –1 –0,5 0 0,5 1 1,5
на участие спрашивать заказы размер заказа х104
1800
154,3
154,25 1600
154,2 1400
154,15
1200
154,1
1000
154,05
800
щаобртост
и
зан
ьтцскоаям
ии
154
ял
яинеян еесри
п
одн
на цс
600
153,95
400
153,9
200
153,85
0
153,8–1,5 –1 –0,5 0 0,5 1 1,5 –1 –0,5 0 0,5 1
размер заказа х104 размер заказа х104
Рисунок 26.1 Книга лимитных заявок IBM на 28 января 2015 года, 09:55
Источник: https://s100.copyright.com/AppDispatchServlet?publisherName=ELS&contentID=S0022053116300382&orderBeanReset=true.
https://creativecommons.org/licenses/by/4.0/. https://doi.org/10.1016/j.jet.2016.06.001. Copyright © 2019 Центр очистки авторских прав, Inc.
Все права защищены.

ожидаемое возвращение. В соответствии с принципом премии за неликвидность,

поскольку эффективность портфеля измеряется после затрат, инвесторы требуют
избыточной прибыли от неликвидных активов для покрытия своих убытков от покупки
выше (по цене спроса) и продажи ниже (по цене предложения). Теория была впервые
подтверждена Амихудом и Мендельсоном (1986), показавшими, что в среднем
увеличение спреда на 1% связано с увеличением ежемесячной доходности,
скорректированной с учетом риска, на 0,211%. Следовательно, стратегия, применяемая
к активам с высокими спредами, дает увеличенную доходность в обмен на фиксированные
затраты: в соответствии с вышеупомянутыми результатами дополнительные
фиксированные затраты на 1% в результате увеличения спреда уравновешиваются
повышенной доходностью по 1 сравнению с избыточным спредом.
период или примерно пять месяцев. В 0,211, ежемесячная сверхдоходность
другими словами, инвесторы, придерживающиеся стратегии «купи и держи» с инвестиционным горизонтом не
менее пяти месяцев, или инвесторы, торгующие ежедневными альфа-инвесторами с оборотом за вычетом
ежемесячной избыточной доходности. .

0 211
количество дней в месяце 21

чем , или примерно 1%, ищите прибыль
избыточное распространение
1
инвестируя в активы с более высоким спредом.

Ликвидность можно измерить альтернативными способами. Исследователи показали,
что другие косвенные показатели, такие как неликвидность Амихуда (2002), могут
захватывать значительную часть избыточной прибыли. Например, этот последний
показатель, рассчитанный как среднедневное отношение абсолютной доходности акций
к долларовому объему, ex ante предсказывает ежемесячную избыточную доходность в
размере 0,163% в ответ на изменение на 1 процентный пункт.
Важно отметить, что ликвидность не является постоянной во времени. Как показано
на рисунке 26.2, спреды по акциям значительно различаются как по временным рядам,
так и по активам. Фактически, недавний финансовый кризис вызвал резкий скачок
спредов спроса и предложения акций (Pedersen 2009), что сыграло ключевую роль в
исчезновении ликвидности и падении цен на акции.
Инвесторы также требуют премии за риск, связанный с изменением динамики
ликвидности, помимо премии, связанной с уровнем ликвидности. Пастор и Стамбо
(2003) создали одну из самых известных моделей для фиксации такого типа воздействия.
В своей модели авторы подчеркивают, что повышенная чувствительность актива к
шокам рыночной ликвидности сопряжена с дополнительным риском и, следовательно,
несет значительную премию за риск. Они подсчитали, что в среднем акции с высокой
чувствительностью к ликвидности обеспечивают годовую доходность в размере 7,5%
по сравнению с акциями с низкой чувствительностью. Поперечные различия в
динамике ликвидности подчеркивают важность анализа ликвидности в альфа-
исследованиях: акции с малой и большой капитализацией могут вести себя совершенно
ортогонально друг другу в своей реакции на шоки рыночной ликвидности.
Внутридневные данные в Alpha Research 211
10,0%
9,0%
8,0%
7,0%
6,0%
5,0%
4,0%
3,0%
2,0%
1,0%
0,0%
05д9о1г
25д9о1г
45д9о1г
65д9о1г
85д9о1г
06д9о1г
26д9о1г
46д9о1г
66д9о1г
86д9о1г
07д9о1г
27д9о1г
47д9о1г
67д9о1г
87д9о1г
08д9о1г
28д9о1г
489.1г
68д9о1г
88д9о1г
09д9о1г
29д9о1г
499.1г
69д9о1г
89д9о1г
000.2г
200.2г
400.2г
600.2г
Равновесный рынок Небольшие запасы Большие запасы
Рисунок 26.2. Спред спроса и предложения акций NYSE

Источник: Воспроизведено с разрешения John Wiley & Sons Ltd.
Изменения ликвидности также актуальны для внутридневной торговли. Стратегии

исполнения и внутридневные альфа используют преимущества устойчивых
внутридневных моделей, обнаруженных в спреде, объеме и волатильности доходности;
наиболее известными из них являются U-образная внутридневная структура объема
(Джайн и Джо, 1988) и волатильности доходности (Вуд и др., 1985), а также перевернутая
J-образная форма спредов спроса и предложения (МакИниш и Вуд, 1992). Проще говоря,
альфа-компании, чья торговля сконцентрирована в периоды, когда объемы высоки, а
спреды низкие, работают лучше после затрат. Вышеупомянутые эмпирические
доказательства положительной внутридневной корреляции между спредами и
волатильностью доходности заставляют нас подвергнуть сомнению ее теоретическую
основу – то есть, как определяются спреды и, в частности, как рыночная микроструктура
участвует в этих закономерностях.
МИКРОСТРУКТУРА РЫНКА И ОЖИДАЕМАЯ ДОХОДНОСТЬ
Внутридневные данные не только позволяют нам моделировать динамику ликвидности,

но и позволяют анализировать взаимодействие между участниками рынка.
Фактически, целью последнего направления исследований часто ставится поиск
теоретических объяснений эмпирическим закономерностям, документированным первым.
Теории микроструктуры принимают во внимание процесс открытия цен и, в целом,

различают информированных трейдеров, неинформированных трейдеров и специалистов.
Информированные трейдеры определяются как рациональные субъекты, которые покупают
(или продают), если «истинная стоимость» актива выше (или ниже), чем цена спроса (или
предложения). Неосведомленные трейдеры, напротив, не действуют, руководствуясь какой-
либо рациональной логикой, а торгуют исключительно ради ликвидности. Например, они
покупают акции в периоды, когда у них есть избыточный доход, и продают, когда им нужны
наличные. Специалисты либо контролируют котируемые цены, либо выставляют лимитные
ордера, чтобы обеспечить рынку ликвидность, и стремятся покрыть свои возможные потери
от информированных трейдеров, получая прибыль от спреда спроса и предложения.
Согласно Глостену и Милгрому (1985), при условии, что специалисты нейтральны
к риску, существует равновесная цена спроса и предложения и, следовательно,
спред. В своей модели информированные и неинформированные трейдеры подают
рыночные ордера с вероятностями π и 1 соответственно. Первые знают точную
стоимость активов, которые могут иметь либо высокий vH , либо низкий vL .
Специалисты могут лишь угадывать ожидаемое значение (v) , используя
вероятности: они полагают, что сформированные Pr v vH и Pr v 1 . Унин
vL инвесторы торгуют совершенно случайно с обеих сторон; следовательно,
вероятность сделки на покупку или продажу, исходящей от них, всегда равна 0,5.
Тогда, если специалисты конкурентоспособны и нейтральны к риску, их ожидаемая
прибыль равна нулю как со стороны спроса (б), так и со стороны предложения (а) .
Следовательно, если они проиграют информированным трейдерам (первые члены
в уравнениях 1 и 2 ниже) и выиграют у неинформированных трейдеров (вторые
члены в уравнениях 1 и 2 ниже), их прибыль составит
Хав _ 0 5. 1 средний 0, (1)

л
В.Б. 0 5. 1 В.Б. 0. (2)
Разница между ценами спроса и предложения, или спредом (S), тогда

определяется выражением
ХЛ вв
1
С . (3)
0 5. 1 1 0 .5 1
Более того, при дальнейшем упрощении модели с предположением, что 0 5.

,
цены следуют случайному блужданию на внутридневном уровне, спред
становится линейной функцией вероятности информированной торговли (π):
ХЛ вв
С . (4)
Важность результатов Глостена и Милгрома заключается в рассмотренном

выше принципе премии за неликвидность, согласно которому более высокие
спреды увеличивают ожидаемую доходность. Один из наиболее подробных
анализов этой косвенной связи между вероятностью осознанной торговли
данной акцией и доходностью акции был проведен Исли и др. (2002). Авторы
измеряют вероятность информированной торговли (PIN) отдельными акциями,
зарегистрированными на Нью-Йоркской фондовой бирже, в период с 1983 по
1998 год и показывают, что после учета факторов Фамы-Френча изменение PIN
на 10 процентных пунктов приводит к годовой премии в 2,5%. в ожидаемой
доходности. Их модель логически довольно проста: информационное событие
может происходить каждый день с вероятностью α и сигнализировать либо о
хороших новостях с вероятностью δ , либо о плохих новостях с вероятностью
1. Затем, предполагая, что ожидаемое количество сделок от неинформированных
инвесторов постоянно, следуя распределению Пуассона с интенсивностью ц,
как показано на рисунке 26.3, можно легко вычислить ожидаемое количество
сделок на покупку и продажу в зависимости от возникновения события.
Определяя фактические сделки как покупку или продажу в определенный день
с использованием типа рыночного ордера, авторы используют оценку
максимального правдоподобия, чтобы угадать основную микроструктуру и, в
частности, вероятность осознанной торговли любым активом. Связь между
этим расчетным PIN-кодом и ожидаемой доходностью тривиальна; замена π в
уравнении 4 выше на PIN показывает линейную связь со спредом и доходностью.
Впоследствии были опубликованы различные модификации модели
Глостена и Милгрома. Некоторые авторы представили другие типы инвесторов.
Цена поступления покупки: εb
Низкий уровень сигнала δ
Скорость поступления продажи: εs + µ
Информационное событие происходит α
Скорость поступления покупки: εb + µ
Сигнал высокий (1 – δ)
Скорость поступления продажи: εs
Информационное событие не происходит (1 – α)
Цена поступления покупки: εb
Один раз в день
Скорость поступления продажи: εs
Рисунок 26.3 Древовидная диаграмма торгового процесса в определенный день

Источник: Воспроизведено с разрешения John Wiley & Sons Ltd.
в микроструктуре и обнаружили доказательства того, что эти классы могут существенно

влиять на ожидаемую доходность активов. В Ormos and Timotity (2016a) в модель
включен противоположный, основанный на эвристике класс; Оценив вероятность
эвристической торговли (PH), они показали, что увеличение PH на 10 процентных
пунктов дает годовой доход в 4,5%.
избыточная доходность.
Однако эти меры работают только при трудоемкой оценке максимального

правдоподобия и, как правило, с низкой частотой (ежеквартально или ежегодно). Чтобы
избежать этих недостатков, в микроструктуру рынка были введены альтернативные
методы, такие как динамическая мера вероятности информированной торговли (DPIN) .
По данным Чанга и др. (2014), DPIN удается уловить аналогичную структуру, используя
гораздо более быстрый метод расчета вероятности информированной торговли. Авторы
предлагают три несколько разных метода, основанных на торговых данных. Мерой,
обеспечивающей модели ликвидности, которые наиболее похожи на модели, описанные
в предыдущих исследованиях, является вероятность информированной торговли с
фильтрацией по размеру, рассчитываемая как:
НС
(5)
Примечание:
ДПИН РАЗМЕР
0 0 LT
НТ НТ
где NB, NS, NT, ε и LT обозначают количество сделок на покупку, продажу и общее
количество сделок; доходность, отфильтрованная автокорреляцией; и индикатор
крупной торговли (если в конкретный подпериод размер торговли превышает медианный
размер в течение периода агрегирования). Идея, лежащая в основе их методологии,
заключается в том, что информированные сделки обычно бывают большими по объему
и что информированные трейдеры покупают или продают, когда цены падают или
растут. Их результаты предоставляют дополнительные доказательства значимой
взаимосвязи между информированной торговлей и ожидаемой доходностью на
ежедневном уровне: изменение доходности конкретной фирмы (FSRV), измеряемое как
2
1 функция ежедневной доходности R.
необъяснимые движениями рынка, FSRV журнал
где R2 – это
2р
Коэффициент детерминации модели рынка существенно и положительно зависит от
показателей DPIN , указывая на более высокую необъяснимую дисперсию для акций с
более высокой вероятностью информированной торговли.
Помимо выявления перекрестных эффектов избыточной доходности, микроструктура
рынка может способствовать альфа-исследованию посредством анализа временных
рядов. Поскольку качество альфа-фактора во многом зависит от величины просадок,
способность прогнозировать и избегать, по крайней мере, крупнейших негативных
потрясений имеет важное значение. Прогнозирующая природа микроструктуры рынка
динамика часто может быть полезна для этой цели. По данным Исли и др. (2011),
«внезапный крах» 6 мая 2010 года, был хорошим примером такого спада: в своих
результатах они используют синхронизированную по объему вероятность
информированной торговли (VPIN) и измеряют рост информированной торговли. это
заставило поставщиков ликвидности покинуть рынок; это было заметно уже по крайней
мере за неделю до внезапного краха и достигло самого высокого уровня в истории
контракта E-mini S&P 500 незадолго до краха. Аналогичным образом, Ян и Чжан (2012)
зафиксировали самый большой всплеск PIN-кода за десятилетие в первом квартале
2000 года, когда пузырь доткомов достиг своего пика. Еще одна интересная
закономерность показана Ормосом и Тимотити (2016b): авторы обнаруживают резкое
падение вероятности информированной торговли после краха Lehman Brothers в 2008
году при контроле за трейдерами, движимыми эвристическим подходом.
Эти результаты также подчеркивают важность анализа динамики шума в альфа-

исследованиях. Альфа-анализы, основанные в первую очередь на техническом анализе,
вероятно, будут работать лучше как для периодов, так и для активов, когда вероятность
осознанной торговли низка по сравнению с периодами/активами с высоким PIN-кодом,
по двум причинам. Во-первых, активы со многими информированными трейдерами,
скорее всего, быстрее вернутся к своей фундаментальной стоимости, поэтому
ожидается, что модели временных рядов не будут длиться так долго. Во-вторых, как
отмечалось выше, более высокий PIN имеет меньшую объяснительную силу рыночных
движений (Chang et al. 2014), а поскольку технический анализ часто опирается на
сгруппированные закономерности, такие как групповой импульс, его предсказательная
способность ниже. Однако, поскольку атрибуты, специфичные для фирмы, становятся
более важными на более высоких уровнях PIN, альфа, связанная с фундаментальными
ценностями, например, основанными на статьях баланса или инсайдерской торговле,
может иметь более высокие коэффициенты Шарпа при применении к периодам и
активам с более высокой вероятностью. информированной торговли.
Внутридневные данные могут повысить ценность альфа-исследования различными

способами. Из-за премии за неликвидность – принципа, согласно которому инвесторы
требуют избыточного дохода для более высоких торговых издержек – разрыв между
ценами спроса и предложения (спред) является важным фактором, объясняющим
ожидаемую доходность. Вместе со спредом глубина книги ордеров также влияет на
эффективность стратегии после затрат через влияние цены на среднюю цену
исполнения транзакции в зависимости от объема торгов. Поскольку прибыль включает
в себя ликвидность, рискованность
последний также включен в цену: активы, спред которых очень чувствителен к шокам
рыночной ликвидности, имеют более высокий риск и, следовательно, приносят ожидаемую
премию за доход по сравнению с активами с низкой чувствительностью.
Внутридневные модели также можно использовать для оценки микроструктуры
активов. Разделение пула инвесторов на подклассы с различным поведением позволяет
нам обнаружить осознанные сделки и оценить вероятность неблагоприятного отбора.
Поставщики ликвидности в среднем проигрывают информированным трейдерам и,
следовательно, требуют премии для покрытия своих расходов, которую они включают в
свои спреды котировок спроса и предложения. Опять же, как и премия за неликвидность,
это отражается на ожидаемой доходности активов; следовательно, более высокий уровень
информированной торговли ожидает избыточной прибыли.
Наконец, динамика спреда и микроструктуры может выступать в качестве
предсказателя временных рядов будущих спадов на рынках. Некоторые исследования
показали, что изменения в информированной и эвристической торговле часто
предшествуют негативным рыночным потрясениям и, в частности, кризисам, ключевым
движущим фактором которых является исчезновение ликвидности. Поэтому крайне важно
учитывать внутридневные закономерности в альфа-исследованиях не только потому, что
эти закономерности могут генерировать сигналы, но и потому, что они могут значительно
повысить эффективность и надежность стратегий, основанных на альтернативных
данных.
27
Внутридневная торговля
Рохит Кумар Джа
Внутридневная торговля, также известная как дневная торговля, представляет собой спекуляцию
ценными бумагами, а именно покупку и продажу финансовых инструментов в течение одного и
того же торгового дня. Некоторые из наиболее распространенных финансовых инструментов,
торгуемых внутри дня, — это акции, опционы, валюты и множество фьючерсных контрактов, таких
как фьючерсы на индексы акций, фьючерсы на процентные ставки, валютные фьючерсы и
товарные фьючерсы. Строго говоря, все внутридневные торговые позиции закрываются до
закрытия рынка. Однако многие трейдеры включают внутридневную торговлю как один из
компонентов общей стратегии. Трейдеры, торгующие внутри дня с целью получения прибыли,
считаются спекулянтами, а не хеджерами или трейдерами ликвидности. Методы быстрой торговли
контрастируют с долгосрочными методами, лежащими в основе стратегий «купи и держи» и
стоимостного инвестирования.
Может показаться совершенно непримечательным, что трейдер может покупать и продавать
инструмент в один и тот же день, но внутридневная торговля — это относительно новая концепция.
Хотя эту практику можно проследить до 1867 года, когда была создана первая тикерная лента, в то
время существовали значительные барьеры для входа, и в результате этот тип торговли не
пользовался популярностью среди населения в целом. Дневная торговля начала набирать
популярность с созданием сетей электронных коммуникаций, таких как Instinet в 1969 году и
автоматической системы котировок Национальной ассоциации дилеров по ценным бумагам
(Nasdaq) в 1971 году, а также с отменой фиксированных комиссионных ставок в 1975 году.
Внутридневная альфа пытается рассчитать точки входа и выхода из сделок, чтобы заработать
на внутридневных колебаниях цен. Переход от ежедневных альфа-исследований к внутридневным
альфа-исследованиям требует определенных изменений в стиле и подходе. В этой главе
представлены различные стили построения внутридневных альф, начиная с некоторых
фундаментальных различий в построении внутридневных альфа. Затем мы рассмотрим плюсы и
минусы дня.
торговля по сравнению с ежедневной торговлей. После этого мы рассмотрим несколько различных
способов создания внутридневных альф, а затем приведем несколько примеров.
ЕЖЕДНЕВНАЯ ТОРГОВЛЯ И ВНУТРИДНЕВНАЯ ТОРГОВЛЯ
Для составления ежедневных альфа-оценок доступен широкий спектр информации: от корпоративных
балансов до социальных сетей и данных о погоде. Большинство источников информации,
используемых при составлении ежедневных альф, бесполезны для внутридневных исследований,
поскольку их кругозор слишком велик, чтобы быть полезными. Однако другие источники информации,
в том числе моментальные цены спроса и предложения, подробные данные книги заказов и другие
данные о микроструктуре, обладают способностью прогнозировать гораздо более короткие
временные горизонты и, таким образом, гораздо более полезны для внутридневных исследований.
В целом, по мере того как аналитик приближается к более частому исследованию, в его
распоряжении становится все меньше разнообразных источников информации и данных. Проводя
ежедневные исследования, аналитик не слишком озабочен эффективностью отдельных альфа-
факторов по отношению к затратам, поскольку можно совместить множество различных альфа-
факторов. Но в ежедневных исследованиях стоимость становится проблемой на альфа-уровне из-за
отсутствия достаточно разнообразных источников информации и более низкой способности
вычислить различные альфа-уровни. Это будет затронуто ниже, когда будет объяснен процесс
создания внутридневной альфа.
Внутридневные исследования предлагают некоторые существенные преимущества по сравнению
с ежедневными исследованиями. Поскольку торговать можно в гораздо более точных временных
масштабах, производительность и доходность внутридневных альфа-рынков обычно намного выше.
Статистическая значимость внутридневных альфа для даже более коротких периодов бэктестинга
намного выше для внутридневных альфа, чем для ежедневных альфа. В результате производительность
альф за пределами выборки очень похожа на производительность в период бэктестинга.
При составлении ежедневных альф аналитик старается сохранять их нейтральными ко всем
возможным однодневным рискам, таким как воздействие дельты доллара, воздействие сектора и
подобные факторы риска. Однако когда мы работаем над внутридневными альфами, большинство
этих факторов риска приемлемы ниже определенного порога, поскольку можно немедленно выйти
из этих позиций, если они пойдут против альфа. Это дает возможность использовать эти факторы
риска, чтобы попытаться повысить доходность.
Ликвидность определяется как доступность актива на рынке. В любой конкретный момент
времени объем торгов ограничен. В других

Внутридневная торговля 219
Другими словами, ликвидность в любое время ограничена. Если кто-то торгует

значительной частью объема торгов, который торгуется в данный момент, он
рискует сам сдвинуть цену, что затруднит выполнение сделки. Большинство
торгуемых инструментов не имеют достаточной ликвидности в течение дня,
чтобы часто торговать ими в течение дня. Это ограничивает внутридневную
торговлю наиболее ликвидными инструментами в любом регионе. В США,
например, сложно торговать чем-либо, кроме 200–500 наиболее ликвидных
инструментов. Это, в свою очередь, приводит к меньшему возможному
распределению капитала по внутридневным стратегиям.
РАЗНЫЕ ТИПЫ ВНУТРИДНЕВНЫХ АЛЬФ
Существуют разные стили внутридневных альф. Классическое определение

внутридневных «альф» заключается в том, что «альфы» не держат ночных позиций.
Такие альфы называются альфами «ночь-0». Аналогично, «альфа-1» овернайт –
это те, которые также удерживают позиции в течение ночи. В общем, такие
альфа либо удерживают непогашенные позиции на ночь, либо принимают
форму внутридневных наложений на позиции на ночь. В альфах «ночь-0» и
«ночь-1» альфа может либо непрерывно распределять позиции между
различными инструментами, либо иметь более дискретный сигнал на основе входа или выхо
В сигналах на вход или выход сделка открывается на основе индикатора или аномального
изменения некоторой производной статистики (называемой событиями), и позиция
удерживается до тех пор, пока не будут выполнены некоторые триггеры выхода. Этими
триггерами выхода могут быть изменения в производной статистике или некоторые условия
стоп-лосса или фиксации прибыли.
При разработке внутридневных альф аналитику необходимо учитывать

несколько ограничений. Во-первых, ликвидность не одинакова в течение дня.
Обычно это выглядит так, как показано на рисунке 27.1, где большая часть
сделок происходит в начале и конце дня. Некоторые акции имеют очень
большое проскальзывание в начале торгового дня – например, Microsoft Corp.
ценных бумаг, когда проскальзывание меньше. Кроме того, помните, что не
все финансовые инструменты ведут себя одинаково, особенно когда мы
работаем над внутридневными альфа-рынками для биржевых фондов и
фьючерсов. Для многих категорий идей инструменты необходимо рассматривать
отдельно или в небольших группах схожих инструментов.
Рисунок 27.1. Дневной объем торгов Microsoft Corp. (MSFT)
Рисунок 27.2 Профиль внутридневного спреда для Microsoft Corp. (MSFT)
СОЗДАНИЕ ВНУТРИДНЕВНОЙ АЛЬФА
Ниже приведен пример простой альфа-реверсии к среднему. Аналитик хочет уловить

возвращающуюся природу финансовых инструментов.
Альфа определяется как:
альфа секунду_последний_интервал_закрыть последний_интервал_закрыть

Внутридневная торговля 221
Это непрерывная альфа «ночь-0» среди 500 лучших ликвидных инструментов. Затем
позиции нейтрализуются путем вычитания среднего значения поперечного сечения, сохраняя
нейтральный доллар каждого интервала (равные длинные и короткие позиции).
Эту идею можно улучшить, поняв ее более глубоко. Это идея возврата к среднему значению,
и аналитик пытается уловить тенденцию инструментов возвращаться к своим средним позициям.
Инструменты, которые более волатильны, должны иметь более высокую тенденцию к развороту.
Мы можем уловить это несколькими способами. Один из способов представлен ниже. Просто
возьмите стандартное отклонение доходности или цены за последние 30–40 интервалов и
умножьте значение альфа на стандартное отклонение:
*
альфа секунду_последний_интервал_закрыть последний_интервал_закрыть
стандартный закрывать
Это увеличивает прибыль, но уменьшает коэффициент Шарпа. Важно понять, почему.
Введение повышающего коэффициента увеличивает как доходность, так и волатильность альфа,
но волатильность находится в знаменателе коэффициента Шарпа, и конечным эффектом этих
противоположных сил является снижение общего коэффициента Шарпа.
Аналитик может попытаться снизить волатильность альфа в целом следующим образом:
альфа второй_последний_интервал_закрыть последний_интервал_закрыть /
стандартное закрытие
Это снижает волатильность альфа и, следовательно, повышает индекс Шарпа.
соотношение, но это также значительно снижает прибыль и маржу.
Выбор альфа-дизайна зависит от требований трейдера. Первая версия, с более высокой
прибылью, будет работать лучше после учета транзакционных издержек. Можно попробовать
варианты того же самого, используя поперечный ранг std(close) вместо абсолютных значений.
Внутридневная торговля существенно отличается от ежедневной торговли, в которой аналитик
может собирать информацию из самых разных источников. В то же время, определенные
фрагменты информации с краткосрочной прогнозирующей силой, такие как цены спроса и
предложения и другая информация на уровне книги ордеров, которые в основном используются
меньше в ежедневной торговле, имеют значительную потенциальную ценность во внутридневной торговле.

Внутридневная торговля затруднена ограниченной ликвидностью большинства финансовых

инструментов, что ограничивает внутридневных трейдеров, как правило, наиболее
ликвидными инструментами. Но ограниченный размер торговой книги компенсируется более
высокой потенциальной доходностью, получаемой при внутридневной торговле.
Внутридневные альфа могут быть разных типов: от чистых внутридневных альф, которые не
содержат ночных позиций, до гибридных дневно-внутридневных альфа, которые удерживают
ночные позиции, но повышают доходность за счет внутридневного наложения.
28
Нахождение индекса альфа
Гленн ДеСуза
Альфа-обнаружение не ограничивается долевыми инструментами одной компании.
В условиях резкого роста пассивного инвестирования за последние два десятилетия биржевые фонды
(ETF) и связанные с ними индексные продукты способствовали росту различных альфа-стратегий,
основанных на индексах. Исторически сложившиеся в крупных инвестиционных банках из-за их
зависимости от инвестиций в технологии, использования баланса и дешевого финансирования, эти
стратегии в последние годы стали более популярными среди фирм-покупателей, включая крупные
хедж-фонды, ориентированные на количественные и арбитражные операции, и рыночные фирмы.
ИНДЕКСНЫЙ АРБИТРАЖ НА ПРАКТИКЕ
Индексный арбитраж — это альфа-стратегия, которая пытается получить прибыль от разницы между
фактической и теоретической ценой фьючерса на фондовый индекс, скорректированной с учетом
уникальных затрат трейдера, включая стоимость капитала и затраты по займам (или скидки на акции).
Теоретическая стоимость или, на отраслевом языке, справедливая стоимость индексного фьючерсного
контракта может быть описана следующей формулой нисходящей корректировки:
Справедливая стоимость будущей денежной стоимости индексных процентных дивидендов
Наличие фьючерсного контракта вместо прямого инвестирования в компании, лежащие в основе
фондового индекса, высвобождает дополнительный капитал для инвестиций (поскольку фьючерсы
имеют гораздо более низкие маржинальные требования, чем инвестиции в акции, особенно в США),
но вынуждают держателей контрактов отказаться от фьючерсного контракта. дивиденды, таким
образом, процентные ставки и дивиденды являются двумя основными различиями, влияющими на
арбитраж фьючерсных индексов.
Как могут такие стратегии процветать во все более компьютеризированном и

автоматизированном мире? Практический пример торговых отделов инвестиционных банков
в прошлом может быть поучительным в этом контексте. В середине 2000-х некоторые банки
действовали следующим образом:
• Отдел индексного арбитража банка будет рассчитывать свою собственную справедливую

стоимость, используя один или несколько из следующих методов: сверху вниз (путем
корректировки переменных в приведенной выше формуле на основе макроэкономических
прогнозов), снизу вверх (оценка и агрегирование прогнозов дивидендов по отдельным

акциям). или информация, подразумеваемая опционом. Метод «снизу вверх» обычно был
наиболее надежным для получения прибыли, но он также занимал больше всего времени.
• После расчета справедливой стоимости и других затрат, связанных с конкретным продуктом,

отделы могут сравнивать несколько продуктов на основе индексов на предмет возможностей
арбитража в дополнение к типичному арбитражу между фьючерсами и базовыми акциями.
Эти сделки включали арбитраж между фьючерсами, внебиржевыми (OTC) индексными
свопами и индексными опционами.
• Некоторые банковские торговые отделы имели преимущество в финансировании – более
низкую стоимость капитала – что означало, что справедливая стоимость фьючерса на индекс
была для них ниже, чем для других фирм. Это открывало больше возможностей для коротких
фьючерсов, поскольку фактические цены фьючерсов часто казались «высокими» (дорогими)
по сравнению с их собственной справедливой стоимостью. На другой стороне этих сделок,
как правило, были институциональные счета, которые часто платили небольшую премию за
дешевый доступ к кредитному плечу и ликвидности, обеспечиваемый фьючерсами.
• Отделы будут хеджировать свои короткие позиции по фьючерсам, одновременно покупая

базовые акции. По сути, банки были продавцами баланса, а институциональные инвесторы
были его покупателями из-за преимуществ банковского финансирования и баланса.
Такая стратегия на данном этапе может приносить небольшую (менее 1%) прибыль в год,
поскольку преимущества финансирования обычно составляют всего несколько базисных
пунктов. Поэтому некоторые банки стали более творчески подходить к использованию своих запасов:
• Длинные позиции из приобретенных (и других банковских) акций могли быть конвертированы

в ETF, поскольку многие банки были авторизованными участниками ETF (AP), что позволяло
им создавать и выкупать акции ETF.
Нахождение индекса альфа 225
• Для ETF, которые были популярны для коротких продаж (и, следовательно, имели более
высокую, чем в среднем, стоимость заимствования), таких как Russell 2000 ETF (IWM), отделы
теперь могли кредитовать свои недавно созданные ETF и получать более высокую ставку
по кредитам на акции (иногда 1% или чаще ежегодно для некоторых весьма востребованных
фондов).
• В других случаях запасы могли быть объединены с позициями по опционам для создания
разворотов и конверсий опционов, которые имели свой собственный внебиржевой рынок и
позволяли держателям запасов предоставлять ликвидность в труднодоступных для
заимствования именах контрагентам, таким как арбитражеры по слияниям и поглощениям.
• Наконец, все оставшиеся позиции акций были проверены на предмет событий, генерирующих
альфу, таких как тендерные предложения или изменения индекса. Тогда фондовый риск
можно было бы принять оппортунистически в отношении отдельных компаний в районе
этих событий.
В некоторых случаях многократное наложение на, казалось бы, простую стратегию

индексного арбитража может увеличить общую доходность службы индексного арбитража с
менее чем 1% до 5% и более.
Насколько простой будет такая реализация для фирм-покупателей? Ответ частично зависит
от размера и ценовой способности компаний максимально снизить затраты на торговлю и
заимствования, чтобы имитировать структуру инвестиционного банка. Как правило, только
крупнейшие фирмы хедж-фондов или активные менеджеры связанных с ними брокерско-
дилерских организаций имели потенциальную возможность заключать такие выгодные сделки.
Однако некоторые сегменты общей стратегии индексного арбитража, такие как

прогнозирование влияния на рынок определенных индексов, могут быть реализованы
активными менеджерами без необходимости наличия большого баланса.
ВЛИЯНИЕ НА РЫНОК ОТ ИЗМЕНЕНИЙ ИНДЕКСОВ
Помимо того, что фонд IWM является популярным короткометражным ETF, он ежегодно
воссоздается, что оказывает определенное влияние на рынок его участников и бывших
участников по сравнению с другими востребованными ETF. В опубликованном исследовании
FTSE Russell отмечается, что влияние покупки вновь добавленных компаний и продажи
удаленных компаний на дату восстановления повлияло на доходность индекса Russell 2000
примерно на 28 базисных пунктов (б.п.) в год в период 2007–2015 гг., хотя и с большим годовым
отклонением. ации (рис. 28.1).
0,00% 0,00%
–1,00% –0,05%
–2,00% –0,10%
–3,00% –0,15%
–4,00% –0,20%
–5,00% –0,25%
–6,00% –0,30%
5 Конец Конец 10
Разведка День
к к август Июль День
к к
Разведка
Разведка
РазведкаРазведка
Средний разброс добавлений и удалений (%, LHS)

Среднее влияние на доходность индекса (%, правая шкала)
Рисунок 28.1 Среднее негативное влияние ребалансировки на доходность индекса

Russell 2000 (2007–2015 гг.)
Источник: London Stock Exchange Group plc и входящие в ее состав предприятия (совместно
именуемые «Группа LSE»). © LSE Group, 2019. FTSE Russell — торговое название некоторых
компаний группы LSE. «FTSE Russell®» является товарным знаком соответствующих компаний
группы LSE и используется любой другой компанией группы LSE по лицензии. Все права на
индексы или данные FTSE Russell принадлежат соответствующей компании группы LSE, которая
владеет индексом или данными. Ни LSE Group, ни ее лицензиары не несут никакой ответственности
за любые ошибки или упущения в индексах или данных, и ни одна сторона не может полагаться
на какие-либо индексы или данные, содержащиеся в этом сообщении. Никакое дальнейшее
распространение данных Группы LSE не допускается без явного письменного согласия
соответствующей компании Группы LSE. Группа LSE не продвигает, не спонсирует и не поддерживает содержание
Это будет означать, что арбитражеры могут сократить добавленные имена и купить
удаленные в дату вступления в силу восстановления, чтобы получить положительную
прибыль. Такого возврата можно было бы ожидать, если бы затронутые акции отклонились
от фундаментальной и сопоставимой стоимости за несколько месяцев до восстановления,
а трейдеры по парной и отраслевой относительной стоимости теперь возвращали акции
к их предыдущим оценкам. Эти крупные нарушения в совокупности подразумевают, что
истинная стоимость владения Russell 2000 IWM ETF намного выше, чем можно было бы
предположить по коэффициенту расходов в 20 б.п.
В отличие от Russell 2000, продукты с большой капитализацией и отслеживанием всего

рынка обычно не испытывают такого большого сопротивления ребалансировке своих
портфелей. Например, в индексе S&P 500, как правило, не наблюдается такого
значительного отката добавленных акций, возможно, из-за их более высокой ликвидности
или поздних покупок отслеживающими компаниями, которые не могут так легко
предсказать добавление акций S&P. Тем временем, CRSP США. Total Market Index, который
отслеживается крупнейшими индексными фондами Vanguard Group, охватывает весь
рынок США, от крупных до микрокапитализаций, и, соответственно, не вызывает каких-либо торговых о
требования, когда происходит миграция максимального размера. (Однако скамейке фондов,
привязанной к отдельным диапазонам капитализации, все равно придется торговать, и, таким
образом, потенциально это может повлиять на рыночные цены на некоторые неликвидные акции.)
ДРУГИЕ АНОМАЛИИ ИНДЕКСА
Привлечение кэптивного капитала недавно индексируемыми компаниями
Изменения индекса могут привести к другим рыночным аномалиям. Например, когда акции
добавляются к основным индексам «голубых фишек», таким как S&P 500, некоторые из
добавленных компаний время от времени занимаются оппортунистическим привлечением
капитала без обычной скидки при предложении, поскольку примерно в это время индексные
фонды вынуждены покупать акции. Компании, занимающиеся недвижимостью, являются
наиболее заметными нарушителями: более четверти инвестиционных фондов недвижимости
(REIT), добавленных в индекс S&P 500 с 2005 года, занимались подобным поведением.
Цены на сделки по присоединению S&P 500 REIT с 2008 года показывают, что средняя скидка
при размещении составляет всего 17 б.п. к предыдущему закрытию для этих привлеченных
инвестиций (и 26 б.п. для всех добавленных предложений компаний), по сравнению со средней
скидкой в 2,8% для всех остальных сделок. размещения акций акциями одного и того же индекса
с 2008 года (рис. 28.2).
Таким образом, синдикаты могут привлечь капитал гораздо дешевле для эмитента, чем
можно было бы предположить по историческим основам. По сути, участвующий индексный
фонд становится кэптивным покупателем, который не заинтересован в немедленном
размывании акций и потенциальном размывании прибыли на акцию.
Компании S&P 500 REIT, 2008–2017 гг. Компании из списка S&P 500, 2008–2017 гг.
1,80% 3,00% 2,82%

1,63%
1,60%
2,50%
1,40%
1,20% 2,00%
1,00%
1,50%
0,80%
0,60% 1,00%
0,40%
0,17% 0,50% 0,26%
0,20%
0,00% 0,00%
предложения REIT Все предложения REIT Все предложения Все индексы S&P 500
во время S&P во время S&P подношения

инклюзивная неделя инклюзивная неделя
Рисунок 28.2. Средняя цена предложения со скидкой.

Источник: S&P® и S&P 500® являются зарегистрированными торговыми марками Standard & Poor's
Financial Services LLC, а Dow Jones® является зарегистрированной торговой маркой Dow Jones
Trademark Holdings LLC. © S&P Dow Jones Indices LLC, ее аффилированные лица и/или лицензиары, 2019.
Все права защищены. Используется с разрешения Bloomberg Finance LP.
предложение акций. Однако обход предложения может привести к еще более высокой
стоимости покупки в предстоящую дату ребалансировки.
Поэтому событийно-ориентированные трейдеры, строящие альфа-акции вокруг
корпоративных событий, должны принять во внимание уникальный характер этих
предложений. Сочетание меньших ценовых скидок, большего размещения в пассивных
фондах и последующих покупок предстоящих дополнений индекса может привести к
необычному воздействию на альфа-компании, которые в противном случае могли бы
ожидать сильной активности продаж сразу после размещения.
Искажения в оценке индексных и неиндексных акций
Индекс Russell 2000 также страдает от постоянного искажения оценки, возможно,

вызванного премией, размещаемой на индексные акции по сравнению с неиндексными.
Члены индекса Russell 2000 оценивались с премией к нечленам индекса во всех
секторах по состоянию на сентябрь 2017 года (рис. 28.3), а также в целом каждый год,
начиная с 2008 года, хотя более 30% акций в
35
30
25
20
15
10
5
0
диск Забота
скобы Энергия Утилиты
Материалы
Минусы Финансы Промышленность
Здоровье Технологии
Минусы
Коммуникации
R2 P/E Без R2 P/E Превышение (дефицит) индексного P/E над неиндексным P/E
Рисунок 28.3 Медианное скользящее P/E секторов малой капитализации Russell 2000 по сравнению с
акциями, не относящимися к Russell (сентябрь 2017 г.)
Источник: London Stock Exchange Group plc и входящие в ее состав предприятия (совместно
именуемые «Группа LSE»). © LSE Group, 2019. FTSE Russell — торговое название некоторых
компаний группы LSE. «FTSE Russell®» является товарным знаком соответствующих компаний
группы LSE и используется любой другой компанией группы LSE по лицензии. Все права на
индексы или данные FTSE Russell принадлежат соответствующей компании группы LSE, которая
владеет индексом или данными. Ни LSE Group, ни ее лицензиары не несут никакой ответственности
за любые ошибки или упущения в индексах или данных, и ни одна сторона не может полагаться
на какие-либо индексы или данные, содержащиеся в этом сообщении. Никакое дальнейшее
распространение данных Группы LSE не допускается без явного письменного согласия
соответствующей компании Группы LSE. Группа LSE не продвигает, не спонсирует и не поддерживает содержание
индекс имел отрицательную прибыль (по сравнению с менее чем 5% в S&P 500). Например, акции
компаний связи имели среднюю скользящую цену:
Коэффициент прибыли (P/E) в Russell 2000 составил 30 раз, в то время как сопоставимые компании из
сектора, не относящиеся к Russell, оценивались лишь в 19 раз по скользящей прибыли. Аналогичное, но
меньшее неравенство наблюдается и в остальных девяти основных секторах. Одна из возможных
причин заключается в том, что ETF составляют более высокий процент среднего дневного объема торгов
компаний с малой капитализацией, чем компании с большой капитализацией – часто более чем вдвое
превышающий процент объема по состоянию на середину 2017 года.
Интересно, что в США с компаниями с большой капитализацией эффект членства в индексе
обратный. Члены S&P 500 торгуются с дисконтом по отношению к компаниям-аналогам, не входящим
в его состав, что измеряется медианным скользящим P/E на конец года за последние 10 лет (рис. 28.4).
Это может быть связано не только с меньшей долей
–1
–3
з/дИ
бее
ифд
оцтаиы м
P
E(
–5
ын
й
)ййы чин
нтн
ы
–7
500.2г
600.2г
70д0о2г
80д0о2г
90д0о2г
01д0о2г
11д0о2г
21д0о2г
3102
41д0о2г
51д0о2г
61д0о2г
Медианное превышение P/E R2 (децит) по сравнению с SC без R2 в США
Медианное превышение P/E (децит) для S&P 500 по сравнению с LC, не входящим в S&P 500
Рисунок 28.4. Медианное неравенство P/E на конец года между индексными и

неиндексными акциями
Источники: London Stock Exchange Group plc и входящие в ее состав предприятия (совместно
именуемые «Группа LSE»); © LSE Group, 2019. FTSE Russell — торговое название некоторых компаний
группы LSE. «FTSE Russell®» является товарным знаком соответствующих компаний группы LSE и
используется любой другой компанией группы LSE по лицензии. Все права на индексы или данные
FTSE Russell принадлежат соответствующей компании группы LSE, которая владеет индексом или
данными. Ни LSE Group, ни ее лицензиары не несут никакой ответственности за любые ошибки или
упущения в индексах или данных, и ни одна сторона не может полагаться на какие-либо индексы
или данные, содержащиеся в этом сообщении. Никакое дальнейшее распространение данных
Группы LSE не допускается без явного письменного согласия соответствующей компании Группы LSE.
Группа LSE не продвигает, не спонсирует и не поддерживает содержание настоящего сообщения. S&P®
и S&P 500® являются зарегистрированными торговыми марками Standard & Poor's Financial Services
LLC, а Dow Jones® является зарегистрированной торговой маркой Dow Jones Trademark Holdings LLC.
© S&P Dow Jones Indices LLC, ее аффилированные лица и/или лицензиары, 2019. Все права защищены.
торговли ETF, но и для более узкого круга доступных компаний, а также подверженности
различным факторам. В то время как кандидаты Russell 2000 включают в себя как растущие
компании с микрокапитализацией, так и снижающиеся компании с большой капитализацией,
индекс S&P 500 уже находится на вершине диапазона рыночной капитализации и может
добавить только либо новые IPO с большой или мегакапитализацией, либо растущие компании
с малой и средней капитализацией, которые в последнее время превзошли по доходности. , тем
самым подвергая индекс риску фактора долгосрочного импульса.
Рост индексных продуктов создал не только новую выгоду для среднего инвестора в
виде недорогого управления портфелем, но также новую неэффективность и
возможности арбитража для многих активных менеджеров. Длительный период низких
процентных ставок позволил распространиться стратегиям дешевого финансирования,
в то время как рост пассивного инвестирования создал искажения микроструктуры
рынка, отчасти в результате роста концентрации собственности.
К счастью, в последние годы также распространились новые конструкции индексов

(и связанные с ними фонды), что позволяет инвесторам нарезать пассивные портфели
множеством способов, избегая некоторых недостатков индексов, включая влияние на
рынок и искажения оценки.
Но поскольку устаревшие индексные продукты продолжают пожинать ликвидность
и сохраняется некоторая рыночная неэффективность, как пассивные продукты, так и
активные продукты, которые их арбитражируют, могут процветать еще какое-то время,
подразумевая, что, возможно, дебаты о распределении инвестиций - это не просто
выбор между активными и пассивными, а, скорее, создание комбинированной модели
активных наложений на пассивные основные портфели, чтобы воспользоваться
лучшими аспектами обоих миров.
29
ETF и Alpha Research
Марк ЙикЧун Чан
Биржевые фонды (ETF) — это инвестиционные фонды, акции которых торгуются

на фондовых биржах. Большинство из них отслеживают индекс, например
индекс акций или облигаций; первый такой фонд, SPDR S&P 500 ETF Trust
(SPY), был создан в 1993 году для отслеживания индекса S&P 500. С тех пор мир
ETF быстро расширился. Сегодня базовые активы, которыми владеют ETF,
охватывают широкий спектр, включающий не только акции, но и облигации,
сырьевые товары, валюты и многое другое.
По данным исследовательской компании ETFGI, по состоянию на конец
октября 2018 года в мире насчитывалось 5785 ETF и 7616 биржевых продуктов
(ETP) с активами под управлением (AUM) в размере $4,78 трлн и $4,94 трлн
соответственно (см. рисунок 29.1). Хотя рынок США доминировал над этими
инструментами – с 1966 ETF и 2210 ETP,
6000 7000
ETF
6000
5000
#
5000
4000
4000
3000
3000
2000
ывиткА
2000
1000 1000
0 0
2008 год 2009 год 2010 год 2011 год 2012 год 2013 2014 год 2015 год 2016 год 2017 год
октябрь 2018 г.
Активы ETF # ETF
Рисунок 29.1 Глобальный рост ETF, 2008–2018 гг.

Источник: ETFGI. ETFGI, базирующаяся в Лондоне, является ведущей независимой исследовательской и
консалтинговой фирмой, освещающей тенденции в глобальной экосистеме ETF/ETP.
активы составляют $3,42 трлн и $3,50 трлн соответственно – рынки ETF в Европе, Азии и
Канаде также демонстрируют устойчивый рост.
Огромный рост активов сопровождался ростом ликвидности, что сделало инструменты
более привлекательными для инвесторов.
Несомненно, ETF представляют собой новый класс активов, но более интригующие

вопросы заключаются, во-первых, в том, смогут ли они стать новым источником «альф» и,
во-вторых, как мы можем воспользоваться этой возможностью для получения прибыли.
Эта глава начнется с обзора основ с выделением некоторых преимуществ и рисков торговли
этими инструментами. Далее он прольет свет на некоторые возможности в пространстве
ETF и рассмотрит некоторые примеры альф или рыночных явлений, которые были
предложены другими аналитиками в их публикациях. И последнее, но не менее важное:
будут обсуждаться некоторые уникальные потенциальные проблемы в альфа-исследованиях
ETF.
ПРЕИМУЩЕСТВА ИНВЕСТИРОВАНИЯ В ETFS
ETF торгуются на рынках различными инвесторами. Некоторые инвесторы являются

относительно долгосрочными и используют средства просто для индексного инвестирования;
другие являются более активными трейдерами, стремящимися к альфе или прибыли в
более краткосрочной перспективе. ETF продемонстрировали замечательную привлекательность для
И все это, о чем свидетельствует их растущая популярность и увеличивающийся объем

торгов. Некоторые из их главных преимуществ для инвесторов:
• Биржевая торговля: в отличие от взаимных фондов, которые можно покупать или

продавать только в конце каждого торгового дня по их чистой стоимости активов (NAV),
цены ETF меняются в течение дня, и ими можно торговать, пока рынок открыт. Это
позволяет активным трейдерам реализовывать внутридневные стратегии или даже
использовать возможности арбитража. У ETF есть и другие функции, подобные акциям,
такие как короткие продажи, использование лимитных ордеров и ордеров стоп-лосс, а
также маржинальная покупка.
• Низкие затраты: в целом ETF несут меньшие затраты (коэффициент расходов < 1%) по
сравнению с традиционными взаимными фондами (1–3%), что приносит пользу всем
инвесторам. Например, коэффициент расходов SPY составляет 0,09%, а у некоторых
других, таких как Schwab US Broad Market ETF (SCHB), всего 0,03%. Одна из причин таких
низких коэффициентов расходов заключается в том, что многие ETF представляют собой
индексные фонды, которыми активно не управляют – следовательно, ими относительно
просто управлять. Кроме того, ETF не нужно поддерживать денежный резерв для
погашения.
ETF и Alpha Research 233
• Налоговая эффективность: налогооблагаемый прирост капитала создается, когда взаимный

фонд или ETF продает ценные бумаги, стоимость которых выросла. Однако, поскольку
большинство ETF являются пассивными индексными фондами с очень низким оборотом
ценных бумаг портфеля (большая часть торговли происходит только для ребалансировки
индекса), они очень эффективны с точки зрения налогообложения. Более того, ETF имеют
уникальный механизм создания и погашения: только авторизованные участники (AP) –
крупные специализированные финансовые учреждения – могут создавать или выкупать
акции ETF. Когда держатель хочет продать ETF, он просто продает его другим инвесторам,
как акции. Даже когда AP выкупает акции ETF у эмитента, эмитент просто платит AP
«натурой», предоставляя базовые активы ETF. В любом случае для ETF не существует
транзакции по приросту капитала.
• Прозрачность: Базовые активы каждого ETF ежедневно раскрываются общественности.

Взаимные фонды, напротив, должны раскрывать такую информацию только ежеквартально.
• Рыночная доступность и диверсификация: широкий спектр доступных ETF позволяет

инвесторам легко достичь желаемого рыночного присутствия – например, на широком
рынке, в конкретных секторах, рынках зарубежных стран, индексах облигаций, сырьевых
товарах и валютах.
Такое разнообразие позволяет краткосрочным альфа-трейдерам осуществлять
статистический арбитраж между инструментами. В то же время индексный ETF с широкой
базой сам по себе может считаться хорошо диверсифицированной инвестицией для
некоторые долгосрочные инвесторы.
РИСКИ, СТОЯЩИЕ ЗА ЭТИМИ ИНСТРУМЕНТАМИ
Риск всегда является важной темой в инвестициях, и трудно дать исчерпывающий список
рисков, связанных с различными инструментами ETF. В следующем разделе мы попытаемся
пролить свет на некоторые примечательные примеры рисков, а также на другие интересные
особенности, которые могут усложнить оценку рисков.
Эти риски включают в себя:
• Ошибки отслеживания. Иногда поставщики ETF не могут полностью воспроизвести

производительность базового индекса, что приводит к ошибкам отслеживания. (Этот термин
не следует путать со скидкой премии, которая определяется как разница между рыночной
ценой ETF и его чистой стоимостью.) Такие ошибки часто отрицательно влияют на
долгосрочное отслеживание индекса, но потенциально могут привести к альфе или даже

арбитражу. возможности для активных трейдеров. В целом ликвидный широкий рынок
Фондовые ETF, такие как SPY, имеют мало ошибок отслеживания, поскольку они держат большое
количество базовых акций, каждая из которых является ликвидной. Проблема ошибки
отслеживания, как правило, более существенна для некоторых фьючерсных ETF (которые могут
страдать от отрицательной доходности роллов) и товарных ETF, а также их обратных аналогов и/
или аналогов с кредитным плечом.
• Обратные ETF или ETF с кредитным плечом. Используя различные деривативы и методы
финансового инжиниринга, некоторые ETF создаются для достижения доходности,
противоположной и/или более чувствительной к движениям цен базовых ценных бумаг.
Распространенными типами этих ETF являются кредитное плечо (2x), тройное кредитное плечо
(3x), инверсное (-1), двойное инверсное (-2x) и тройное инверсное (-3x). В нестабильных рыночных
условиях ребалансировка этих ETF с кредитным плечом может повлечь за собой значительные
затраты.
Кроме того, эти инструменты по своей природе более волатильны, чем ETF без кредитного плеча,
и поэтому с ними следует обращаться осторожно при использовании нескольких инструментов.
(длинный-короткий) портфель.
• Неоднородность факторного риска: ETF различных классов активов изначально принимают на
себя разные типы рисков и, следовательно, имеют разные факторные риски.
Фондовые ETF обычно имеют значительную рыночную бета. Между тем, отраслевые, страновые
или региональные ETF-фонды подвержены рискам, связанным с соответствующими секторами,
странами или регионами. Некоторые ETF, предназначенные для торговли волатильностью, также
обычно классифицируются как ETF на акции, но они имеют уникальное поведение или
характеристики из-за их зависимости от индекса волатильности CBOE (VIX) или, точнее,
фьючерсных индексов S&P 500 VIX. Облигационные ETF составляют вторую по величине группу
ETF на рынках США. По сути, они держат портфель долговых ценных бумаг, начиная от
казначейских облигаций и заканчивая высокодоходными корпоративными облигациями, тем
самым неся соответствующие риски долларовой дюрации или процентных ставок. Товарные и
валютные ETF сталкиваются с соответствующими факторными рисками, связанными с их
базовыми ценными бумагами; они могут быть обусловлены многочисленными макрофакторами.
• Ограничения мощностей: Поскольку индустрия ETF находится на подъеме, а активы под
управлением постоянно растут, возможности ETF не следует упускать из виду. Эта проблема
особенно примечательна для популярных фондовых ETF, ориентированных на нишевые области.
В апреле 2017 года VanEck Vectors Junior Gold Miners ETF (GDXJ), который фокусируется на
компаниях малой и средней капитализации в золотодобывающей и серебряной отраслях,
привлек настолько большой приток капитала, что в конечном итоге приостановил заказы на
создание (а позже изменил состав базовый индекс), поскольку право собственности на
некоторые из его
базовые ценные бумаги достигали порога в 20%, после которого вступали в силу
законы об автоматическом поглощении. Другими словами, ETF может стать слишком
большим для своего индекса и, следовательно, не сможет удерживать базовые
ценные бумаги в соответствии со своим инвестиционным мандатом, что приведет к
приостановке создания акций и/или значительным ошибкам отслеживания.
• Отделение от базовых рынков: Как упоминалось выше, ETF можно покупать или
продавать по рыночной цене в течение торгового дня.
Многие ETF, зарегистрированные в США, отслеживают зарубежные фондовые рынки,
но что произойдет, если базовые рынки закроются? Скорее всего, ETF по-прежнему
смогут торговать на своих собственных биржах, и это не будет напрямую затронуто.
Такие инциденты происходят не только тогда, когда базовые местные рынки
находятся в отпуске, но также иногда из-за торговых остановок, как это произошло
с VanEck Vectors Egypt Index ETF (EGPT) в январе 2011 года и iShares MSCI Brazil Capped
ETF (EWZ) в мае 2017 года. Однако разумно утверждать, что такие ETF стали
полезными инструментами определения цен, когда местные рынки были
остановлены.
АЛЬФА-ВОЗМОЖНОСТИ
Огромное количество и разнообразие инструментов ETF, а также доступность

различных наборов данных позволяют находить альфа-факторы и проводить
статистический арбитраж аналогично акциям: придумать идею, разработать числовую
альфа-формулу, присвоить значения альфа-фактора. к инструментам ETF, а затем
провести нейтрализацию по рынку или определенным группам инструментов. Кроме
того, благодаря тому, что ETF отслеживают показатели конкретных секторов, стран и
регионов, а также индексы облигаций и сырьевых товаров, ETF-альфа могут добиться
лучшего использования многих макроиндикаторов и данных.
Как и в случае с акциями, возможные альфа-идеи для ETF охватывают множество

категорий. Среди наиболее часто обсуждаемых концепций — динамика цен и
сезонность. Ниже приводится обзор некоторых примеров из литературы.
1. Стратегия развития сектора США
Сэмюэл Ли предложил эту идею в информационном бюллетене Morningstar ETFInvestor

(2012 г.). Он начинается с определения совокупности 10 секторных ETF (таблица 29.1).
Таблица 29.1. Секторные ETF
XLY Фонд SPDR для отдельных секторов по усмотрению потребителей
XLP Фонд потребительских товаров Select Sector SPDR

XLE Фонд SPDR для избранного сектора энергетики
XLF Фонд SPDR финансового сектора
XLV Фонд SPDR для отдельных секторов здравоохранения
XLI Фонд SPDR для отдельных промышленных секторов
XLB Материалы Фонд Select Sector SPDR
XLK Фонд SPDR для избранных секторов технологий
XLU Фонд SPDR для избранного сектора коммунальных услуг
IJR iShares Core S&P ETF малой капитализации
180 тыс.
130 тыс.
80 тыс.
60 тыс.
40 тыс.
30 тыс.
20 тыс.
1993 год 1998 год 2003 г. 2008 год 2013
Импульс сектора Индекс S&P 500
Рисунок 29.2. Стратегия динамики сектора США в сравнении с S&P 500

Источник: В поисках Альфа.
Сравнивая последнюю цену закрытия каждого ETF с его 12-месячной простой

скользящей средней (SMA), стратегия импульса учитывает только те фонды, которые
торгуются выше своих SMA. Затем он занимает равные позиции по трем ETF с
лучшими 12-месячными доходами. Если критерию соответствует менее трех ETF,
недостающие позиции заменяются денежными средствами. Сравнение исторических
прибылей и убытков этой стратегии и акций S&P 500 показано на рисунке 29.2.
Чтобы захватить «альфу», мы можем открыть короткую позицию равного размера

по SPY, что даст нам сбалансированную длинную и короткую позицию, нейтральную
к рынку (и доллару). Результаты тестирования альфа-версии за 10 лет с 2004 по 2013
год показаны на рисунке 29.3.
Интересно, что «альфа» показала лучшие результаты во время финансового
кризиса 2008 года, потому что выбранные сектора превзошли общий рынок.
Однако без рыночной бета-версии доходность стала гораздо менее привлекательной – только
Совокупный прибыль и убыток
4 000 000
3 500 000
3 000 000
2 500 000
2 000 000
ЙИКСНАКИРЕМА
1 500 000
1 000 000
500 000
500 000
2004 2005 2006 2007 2008 2009 2010 2011 2012 2013
Рисунок 29.3. Результат моделирования альфа-импульса сектора с

января 2004 г. по декабрь 2013 г.
около 2,92% годовых; на данном этапе коэффициент Шарпа этой альфы составляет всего
около 0,38. Усиление сигнала потребует дальнейших исследовательских усилий.
Как отметил Ли, эта простая стратегия недостаточно диверсифицирована, и поэтому ее
следует использовать только как часть более широкого портфеля.
2. Сезонность
Сезонность – хорошо известное явление на мировых рынках ценных бумаг. В сфере акций
США существует теория «продай в мае и уходи», которая хорошо работала на протяжении
многих лет. По сути, это говорит нам о том, что фондовые рынки США исторически имели
тенденцию показывать худшие результаты в период с мая по октябрь по сравнению с
периодом с ноября по апрель.
Некоторые примеры в литературе также иллюстрируют такие сезонные закономерности
в акциях в других регионах. В статье на веб-сайте Seeking Alpha Фред Пиард (2016)
предположил, что фондовые рынки Германии, Сингапура и Бразилии являются хорошими
примерами этого явления и что соответствующие ETF стран, а именно iShares MSCI Germany
ETF (EWG), iShares MSCI Singapore ETF (EWS) и iShares MSCI Brazil ETF (EWZ) – можно
использовать, чтобы воспользоваться сезонными тенденциями.
Чтобы лучше объяснить эту идею, мы моделируем и сравниваем два портфеля, предназначенных
только для длинных позиций (см. рис. 29.4):

35
30
25
20
15
иовм
АллШ
)хавноориалл С
д(
10
–5
2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Только длинные акции Ротация акций и облигаций
Рисунок 29.4. Результаты моделирования двух длинных портфелей

с января 2006 г. по июнь 2017 г.
1. Только длинные позиции по акциям, постоянное удержание равных длинных

позиций в SPY, EWG, EWS и EWZ.
2. Ротация акций и облигаций, удержание равных длинных позиций в SPY, EWG, EWS
и EWZ с ноября по апрель и равных длинных позиций в популярных ETF
облигаций – скажем, iShares Barclays 20+ Year Treasury Bond ETF (TLT) и iShares iBoxx
$. High Yield Corp. Bond ETF (HYG) – с мая по октябрь.
Из-за отсутствия акций с мая по октябрь портфель с ротацией акций и облигаций

превзошел портфель, состоящий только из длинных акций.
В частности, коэффициент Шарпа увеличился почти вдвое, с 0,40 до 0,77, а максимальная
просадка сократилась вдвое.
Сезонные тенденции проявляются не только в акциях, но и в различных сырьевых
товарах. Investopedia (Picardo 2018) описывает тенденцию роста золота в сентябре и
октябре, которую можно отразить с помощью золотых ETF. На своем веб-сайте финансовый
инженер Перри Кауфман (2016) обрисовал несколько классических примеров сезонности
в сельскохозяйственных продуктах и связанных с ними ETF.
Честно говоря, обсуждавшиеся до сих пор явления сезонности больше похожи на

уловки выбора времени на рынке, чем на практические идеи хеджирования альфа. Тем не
менее, изучая такие закономерности, можно получить интересные технические или
макроиндикаторы, которые, в свою очередь, можно реализовать как альфы для
отслеживания статистического арбитража между некоторыми коррелирующими инструментами.
ПРОБЛЕМЫ В ИССЛЕДОВАНИЯХ ЕФО «АЛЬФА»
Используя разнообразный набор инструментов ETF, исследователи могут применять свои

количественные методы к различным наборам данных и использовать свой творческий
потенциал для проверки идей и поиска большего количества альф. Однако возникающие
возможности в этой сфере сопряжены со многими новыми проблемами.
Среди других факторов особое беспокойство должна вызывать ликвидность инструментов.
На рынках США совокупный среднедневной объем торгов (ADV) в долларовом выражении всех
ETF по состоянию на ноябрь 2018 года составлял около $93 млрд, что составляет почти 30% всех
торгов на биржах.
Тем не менее, фактическая ликвидность может быть не такой хорошей, как кажется, из-за
сильно асимметричного распределения значений ADV. Если присмотреться, то можно сказать,
что один только SPY составлял около 25% совокупного объема торгов всех ETF США, а 10
крупнейших ликвидных ETF (включая SPY) составляли около 50% этого объема. Другими
словами, реальный торгуемый мир надежной альфа-индекса, скорее всего, представляет собой
лишь небольшую часть тысяч ETF на рынках.
После фильтрации на основе ликвидности еще одна сложная проблема при определении
вселенной ETF заключается в том, что многие фонды имеют очень похожие аналоги.
Например, помимо SPY, такие ETF, как iShares Core S&P 500 ETF (IVV) и Vanguard S&P 500 ETF
(VOO), также отслеживают S&P 500. Это не имеет особого смысла для дневных или даже
внутридневных торгов (например, на основе пяти- минутные интервалы) альфа, чтобы
присвоить противоположные значения этим почти идентичным инструментам, поскольку
возможности для арбитража, если таковые имеются, на таких частотах вряд ли покроют
транзакционные издержки.
Еще одной сложностью является наличие множества обратных ETF или ETF с кредитным
плечом. Представьте себе экстремальный сценарий, в котором альфа имеет длинную позицию
по SPY и короткую позицию по ProShares Short S&P 500 (SH), что дает противоположность
дневной производительности S&P 500. Хотя альфа может быть нейтральной по отношению к
доллару (длинная позиция –короткая сбалансированная позиция), по сути, он одновременно
открывает две длинные позиции по S&P 500, что приводит к чистой рыночной бета-экспозиции.
Таким образом, «нейтральная по отношению к доллару» альфа может быть не так застрахована,
как должна быть, если такие обратные инструменты или инструменты с кредитным плечом не
будут использоваться должным образом.
В конце концов, реальная область для исследования альфа-факторов ETF может быть
намного меньше по сравнению с областью исследования акций, что увеличивает легкость
переоснащения и риск обнаружения «поддельных» альфа-факторов. Постоянное воздействие
определенных факторов риска может привести к высоким результатам Шарпа.
Одним из примеров может быть чисто короткая стратегия VIX, например, открытие короткой
позиции по iPATH S&P 500 VIX Short-Term Futures ETN (VXX) с момента ее создания, что может
привести к достижению коэффициента Шарпа около 1,1 (см. Рисунок 29.5).
140
120
100
80
иовм
АллШ
)хавноориалл С
д(
60
40
20
0
2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Рисунок 29.5. Результат моделирования короткого примера VXX с апреля 2009

г. по сентябрь 2018 г.
За последние несколько лет биржевые фонды претерпели быстрое развитие, и в

мир торгуемых ликвидных продуктов вошли все новые и новые ETF. Эти инструменты
могут существовать только в более позднюю часть периода ретроспективного
тестирования и, следовательно, отрицательно влиять на надежность моделируемых
характеристик в выборке. Это не уникальная проблема для ETF, но она является
существенной в этой стремительно растущей инвестиционной сфере.
ETF – это быстро развивающийся инвестиционный инструмент, растущая популярность

которого обусловлена множеством преимуществ, которые он предлагает инвесторам.
Однако профиль риска стратегий и портфелей, торгующих ETF, может сильно отличаться
от профиля риска других классов активов, особенно чистых акций. Широкий спектр
инструментов ETF делает поиск «альфа» сложной, но привлекательной задачей.
Учитывая множество возможностей, нужно проявлять творческий подход к
генерированию торговых идей, сохраняя при этом осторожность на каждом этапе
процесса альфа-исследования. Однако многие успешные портфельные менеджеры
продемонстрировали, что стратегии, построенные с использованием «альфа» ETF,
потенциально могут генерировать PnL с хорошими коэффициентами Шарпа и очень
низкой корреляцией с другими стратегиями и, таким образом, могут повысить ценность
портфелей в целом.
30
Поиск альф на фьючерсах
и форвардах
Рохит Агарвал, Ребекка
Леман и Ричард Уильямс
Поиск альфы на рынках фьючерсов и валютных форвардов представляет собой область большого
практического интереса. Он также создает множество проблем, некоторые из которых аналогичны
проблемам на других рынках, таких как акции и биржевые фонды, а некоторые уникальны для этих
конкретных инструментов. В этой главе будут обсуждаться некоторые методы и идеи, которые
оказались полезными при решении этих проблем за последние несколько лет.
ОСНОВНЫЕ ХАРАКТЕРИСТИКИ РЫНКА
Фьючерсы предназначены для того, чтобы дать трейдеру возможность подвержены изменениям
цен на базовый актив без затрат на удержание эквивалентной позиции по этому активу. Торгуемые
фьючерсные рынки включают фьючерсы на фондовые индексы, товары, валюты и облигации. В
контексте альфа-исследований краткосрочные форварды на валюты обеспечивают аналогичную
форму доступа к рискам относительной стоимости валюты. Это делает фьючерсы и форварды
особенно удобными инструментами как для хеджеров, так и для спекулянтов и обуславливает их
наиболее важные особенности.
ВОЗДЕЙСТВИЕ ОСНОВНЫХ ФАКТОРОВ
Поскольку и фьючерсы, и форварды дают риск, эквивалентный риску базового актива, из этого
следует, что цены фьючерсов и форвардов зависят от одних и тех же факторов, которые влияют на
этот актив. Это простое наблюдение имеет важные последствия. Существуют отдельные группы
рыночных торговцев.
которые сосредоточены исключительно на определенных наборах фьючерсов и валют;

хеджеры стремятся контролировать свою подверженность рискам определенных факторов.
Хорошим примером являются товарные фьючерсы, поскольку производители и
потребители физических товаров используют фьючерсы для хеджирования своих рисков
по конкретным товарам. Каждая группа трейдеров может иметь свои характерные
пределы риска, терпимость и торговое поведение, что, в свою очередь, может привести к
качественно различному поведению рынка. Например, фермеры и корпорации по
производству продуктов питания, которые используют сельскохозяйственные рынки для
контроля своих рисков, имеют мало общего с авиакомпаниями, которые используют
энергетические фьючерсы для хеджирования своих будущих затрат на топливо. В
результате, в отличие от рынка акций, где все основные ликвидные активы торгуются
одной и той же группой инвесторов для одних и тех же целей, многие объекты
недвижимости гораздо менее сопоставимы во всем мире фьючерсов или форвардов.
Признавая различия между участниками рынка, многие рыночные и частные торговые
организации имеют специалистов, управляющих торговлей различными классами
фьючерсов и валют, причем эти классы основаны на наборах аналогичных базовых
активов. Это еще больше усиливает различия между «секторами», поскольку разные
трейдеры, отделы и бизнес-линии управляют разными фьючерсами и форвардами.
Поскольку большая часть корреляции, наблюдаемой между активами на общем рынке,
обусловлена общими настроениями, поведенческими предубеждениями и практическими
ограничениями отдельных лиц и команд, торгующих ими, корреляции на фьючерсных и
форвардных рынках обычно намного слабее, чем на рынках акций. . Однако интересно
отметить, что, казалось бы, разные классы активов становятся более коррелированными
в периоды финансового кризиса.
ПОСЛЕДСТВИЯ ГРУППИРОВКИ ПРИБОРОВ
Эти группы инструментов представляют как возможности, так и проблемы в поиске альфы.
Одна из наиболее очевидных проблем заключается в том, что, поскольку мы
рассматриваем меньшие группы более тесно связанных инструментов, у нас остается
меньше инструментов, которыми мы можем торговать вместе в рамках одной альфы. При
прочих равных условиях ожидаемый коэффициент Шарпа альфы пропорционален
квадратному корню из ширины Вселенной. Мир фьючерсов в целом уже содержит гораздо
меньше инструментов, чем мир акций; когда мы сегментируем вселенную фьючерсов на
соответствующие подмножества, вселенная для многих альф оказывается еще меньше –
часто от одного до нескольких десятков инструментов. Таким образом, фьючерсные альфа
требуют большей глубины информации по каждому инструменту для достижения тех же
совокупных результатов, чем
Поиск альф на фьючерсах и форвардах 243
альфа на более крупном наборе инструментов. По мере того, как качество альфа для каждого
инструмента увеличивается, оно становится более очевидным для других участников рынка,
и его ожидаемый срок службы сокращается. И наоборот, когда мы определяем наборы более
похожих инструментов, у нас возникают более высокие ожидания того, что какая-либо
конкретная альфа должна присутствовать во всем наборе. Тест перекрестной проверки,
заключающийся в последовательном удалении каждого инструмента и повторном
тестировании выявленной взаимосвязи, становится более значимым. Поэтому поиск группы
подходящего размера для тестирования наших альфа-кандидатов является ключевым
строительным блоком альфа-исследований.
Хотя генерировать «альфы» в этих маленьких и разнородных вселенных определенно
сложнее, наградой является гораздо большая ликвидность на этих рынках. Надежные альфа-
акции на ликвидные фьючерсы можно торговать в больших объемах, не неся при этом
затраты и регуляторные риски, связанные с воздействием на рынок.
БАЗОВЫЙ КОНТРОЛЬНЫЙ СПИСОК ДЛЯ АЛЬФА-ТЕСТИРОВАНИЯ
Начиная с основной идеи альфа-версии, первым шагом является определение секторов, в

которых мы ожидаем ее появления, и временных рамок, в которых мы ожидаем ее
проявления. В качестве примера рассмотрим энергетический рынок США и альфу, основанную
на прогнозе экстремальных погодных условий на крупном морском нефтегазовом
месторождении США. Прежде чем мы даже посмотрим на данные, мы можем определить
инструменты, которые, по нашему мнению, будут актуальными (нефть, газ и продукты их
переработки), а также временные рамки, на которые, по нашему мнению, данные окажут
влияние – в данном случае продолжительность типичного шторм и время, необходимое для
остановки и возобновления производства. (На оба эти горизонта будут существовать разные
точки зрения, но мы все равно можем использовать подразумеваемую причинно-
следственную связь между экстремальными погодными условиями и предложением сырьевых
товаров, чтобы сузить круг кандидатов.) Теперь мы можем проверить нашу идею, собрав
исторические данные. расчет прогнозов погоды и изменений цен по основным
энергетическим контрактам, а также проверка связи между двумя наборами данных с
использованием частичного выборочного набора исторических данных.
Следующий шаг — подобрать простую статистическую модель и проверить ее на
устойчивость, варьируя при этом параметры аппроксимации. Одним из хороших тестов на
надежность является включение аналогичного актива для сравнения, где мы ожидаем, что
эффект будет слабее. В случае нашего примера с альфа-погодой сырая нефть марки Brent
была бы разумным выбором. Сырая нефть является глобальным рынком, поэтому мы
ожидаем некоторых побочных эффектов от перебоев в поставках в США. Однако нефть,
поставляемая в Европу, не является идеальной заменой поставок из США, поэтому мы
ожидаем размытого воздействия. Опять же, мы можем проверить это на данных в выборке.
Исследовав случаи, в которых мы ожидаем, что альфа будет работать, мы теперь можем
проверить обратное: где мы ожидаем отсутствия связи? В нашем примере основная идея
довольно тесно ориентирована на один сектор, поэтому мы ожидаем, что не обнаружим
никакой связи, если повторно протестируем ее на других секторах, таких как промышленные
металлы или фьючерсы на облигации.
Этот шаг на удивление хорош для поиска неправильно закодированных или заданных
статистических тестов.
В зависимости от результатов наших тестов мы теперь сможем проверить нашу идею

на нашем наборе данных за пределами выборки. При таком небольшом наборе
инструментов тест вне выборки становится важнейшей частью процесса, помогая
избежать непреднамеренного переобучения.
Следующие явления и источники информации являются одними из
наиболее интересные и полезные источники альфы для фьючерсных трейдеров.
Следуйте за (умными) деньгами
Отчет «Обязательства трейдеров» (COT) (рис. 30.1) публикуется каждую пятницу Комиссией
по торговле товарными фьючерсами (CFTC).
Чрезвычайно полезно знать, на что делают ставки «умные деньги», а затем следовать
этому. В отчете представлена разбивка открытого интереса по различным участникам
рынка, таким как коммерческие трейдеры (крупный бизнес и производители),
некоммерческие трейдеры (крупные спекулянты) и непереносные трейдеры (мелкие
спекулянты). Дополнительную информацию об этом отчете можно найти по адресу http://
www.cftc.gov/marketreports/commitmentsoftraders/.
index.htm.
Ценность отчета COT основана на предположении, что сделки коммерческих трейдеров,

как правило, отражают их потребности в хеджировании, что может быть
Рисунок 30.1 Отчет COT по пшенице по состоянию на 13 ноября 2018 г.

Источник: Комиссия по торговле товарными фьючерсами США.
не коррелируют или даже отрицательно коррелируют с их взглядами на стоимость

активов, в то время как сделки спекулянтов выражают их взгляды на рынок.
Если спекулянты имеют доступ к соответствующей информации, их сделки могут быть
прогнозирующими. Когда спекулянты демонстрируют эффект следования за трендом и
подножия рынка, их сделки могут даже оказаться самоокупающимися. Рассмотрим
альфа-идею открытия длинных инструментов с увеличивающимся открытым интересом
спекулянтов и коротких инструментов с уменьшающимся открытым интересом
спекулянтов. Можно ожидать, что эта идея сработает с активами на рынках, где на
спекулянтов приходится значительная часть активности. Имеет смысл сравнивать
потоки спекулянтов в разрезе по небольшим группам инструментов, таких как зерно,
энергоносители, европейские валюты или североамериканские фондовые индексы,
которыми, как правило, торгуют одни и те же спекулянты. Соответствующие временные
горизонты для каждой группы активов должны быть наиболее распространенными
временными горизонтами для спекулянтов в этой группе. Эта альфа-версия не должна
работать с группами несвязанных активов или активов с низким покрытием спекулянтов.
Также можно ожидать, что он потерпит неудачу, если что-то непредвиденное застанет
спекулянтов врасплох; возможно, имеет смысл подстраховаться или выйти из этой
альфы, когда велика вероятность неожиданности – скажем, когда запланировано
заседание Федеральной резервной системы (для финансовых фьючерсов) или
публикация отчета об урожае (для сельскохозяйственных фьючерсов).
Сезонность на рынках
Сезонность – это тенденция рынков двигаться в определенном направлении в

определенное время года. Это особенно заметно на рынках сельскохозяйственных и
энергетических товаров из-за структуры сбора урожая и циклов нагрева и охлаждения.
Но это не ограничивается сельскохозяйственными и энергетическими товарами;
циклические модели спроса, потребления, запасов или предложения могут привести к
аналогичному поведению на других рынках. Простая альфа может использовать
поведение предыдущих лет для прогнозирования текущего периода. Можно ожидать,
что эта альфа будет лучше всего работать с товарными фьючерсами и валютами, такими
как австралийский доллар (AUD), которые тесно связаны с сырьевыми товарами. Это
также должно иметь определенное значение на фондовых рынках, которые движимы
краткосрочными потребительскими настроениями. Он должен быть самым слабым по
облигациям и несырьевым валютам. Наиболее вероятный временной горизонт
составляет 1–3 месяца – достаточно короткий, чтобы уловить различия между сезонами,
но достаточно длинный, чтобы усреднить ежедневный шум. Можно ожидать, что
сезонные закономерности потерпят неудачу в случае необычных потрясений спроса
или предложения (например, несвоевременная погода или ураган в Мексиканском
заливе для энергетических альфа) или краткосрочных настроений (например, новостей).
миллиард кубических футов
4400
4000
3600
3200
2800
2400
2000
1600
1200
800
400
0
16 октября 17 января 17 апреля 17 июля 17 17 октября 18 января 18 апреля 18 июля 18 октября 18 года
5-летний максимальный–минимальный диапазон

Нижний 48
среднее за 5 лет
Рисунок 30.2 Рабочий газ в подземных хранилищах в сравнении с пятилетним

максимумом и минимумом (по состоянию на ноябрь 2018 г.)
Источник: Управление энергетической информации США.
На рисунке 30.2 показана сезонность запасов природного газа. С приближением зимы

спрос на природный газ увеличивается, поскольку его запасы сокращаются из-за его
использования для отопления домов.
Риск включен и риск выключен
Бывают случаи, когда настроения рынка в целом позитивны, а инвесторы настроены

оптимистично и готовы пойти на больший риск, чтобы получить более высокую прибыль.
Такая среда называется рынком риска, поскольку участники рынка стремятся взять на себя
больший риск. С другой стороны, бывают случаи, когда инвесторы настроены пессимистично и
пытаются снизить риск, продавая свои позиции в рискованных активах и переводя деньги в
наличные позиции или в безопасные убежища с низким уровнем риска, такие как казначейские
облигации США. Это время называется временем отказа от риска (рис. 30.3).
Такое поведение инвесторов – стекаться в активы, которые считаются рискованными в

периоды риска, и в активы, которые считаются безрисковыми в периоды отсутствия риска –
увеличивает корреляцию между различными классами активов.
Чтобы построить альфу принятия/отключения риска, мы должны определить, находится ли
рынок в режиме принятия или отказа от риска на ежедневной, еженедельной, ежемесячной и
ежеквартальной основе; классифицировать различные активы как активы, подверженные
риску или активы, не связанные с риском (абсолютно или относительно других активов в
группе); и назначать им позиции на основе текущего состояния рынка.
1.2
Риск включен Риск ВЫКЛ. Риск включен Диапазон рынка
0,8
0,6
австралийский доллар/доллар США
0,4
0,2
0,0
24.05.2006 12.10.2007 05.03.2009 26.07.2010 12.12.2011
Рисунок 30.3. Режимы принятия/снятия риска на ценовой кривой AUD/USD
Одним из популярных индикаторов восприятия рыночного риска является VIX, индекс

волатильности, построенный на основе подразумеваемой волатильности опционов S&P 500.
Традиционно корреляция между ценой и волатильностью отрицательна для акций, которые
обычно являются активом, подверженным риску. Таким образом, высокие или растущие
уровни VIX связаны с перемещением денег с фондовых рынков в более безопасные активы,
что указывает на наступление режима отказа от рисков. VIX сам по себе является торгуемым
фьючерсным инструментом, который многие используют для получения прибыли от
падения рынков. Другие индикаторы включают кривую доходности (чем выше и круче риск,
тем ниже и более плоская или перевернутая — отказ от риска); потоки между секторами,
подверженными риску, такими как потребительские дискреционные и нерисковые сектора,
такие как коммунальные услуги, или между развивающимися (рискованными) и развитыми
(рискованными) рынками; носить с собой валютные пары, такие как AUD/JPY; и
ковариационная структура рынка (верхний собственный вектор обычно не связан с риском).
Альфами риска-включения/выключения риска можно торговать на VIX и на рынках

широкого спектра, поскольку они основаны на широких рыночных корреляциях.
Они лучше работают на более длительных временных горизонтах от недель до месяцев.
Керри и контанго/бэквардация
Когда ближайший месяц фьючерсы дешевле, чем фьючерсы с последующим истечением

срока действия, ценовая кривая имеет наклон вверх, и контракт называется контанго (рис.
30.4). Обычно это относится к товарам и может быть отнесено к стоимости хранения или
стоимости транспортировки.
Однако в некоторых случаях фьючерсы на ближайший месяц дороже, чем на ближайший
месяц, что создает нисходящую кривую, и
2300
2250
2200
2150 07.06.2012
01.06.2012
2100
2050
2000
1950
Рисунок 30.4 Распределение какао в контанго
Говорят, что контракт находится в бэквордации. Финансовые фьючерсы, как правило,
в бэквордации, поскольку базовые активы платят премии или купоны и не требуют

затрат на хранение.
Некоторые трейдеры зарабатывают деньги, продавая контракты в контанго и
покупая контракты в бэквордации, что известно как керри-трейд. Прибыль поступает из
двух источников: доходность отдельных контрактов по мере приближения к их сроку
действия и доходность от роллинга, реализуемая при переходе портфеля от одного
контракта к другому. Можно ожидать, что это контанго и альфа-бэквордация будут
работать с сырьевыми товарами, акциями, облигациями и валютными парами, где по
крайней мере одна сторона имеет значительную ненулевую процентную ставку. Это не
работает, когда все кривые плоские. Классическая курица G-10.
Функция «керри-трейд» перестала работать после мирового финансового кризиса 2008–

2009 годов, когда многие центральные банки снизили ставки по кредитам до нуля. Кэрри-
трейды, как правило, приносят медленную и стабильную прибыль, когда они работают,
но они уязвимы для внезапных сбоев, связанных с риском.
Для финансовых активов (акций, облигаций, валют, ставок) доходность должна
представлять собой доход от риска. Когда рынок вступает в фазу снижения риска,
инвесторы отказываются от высокодоходных активов, которые они считают слишком рискованными.
Группировка инструментов в сектора на основе базового актива является важным

аспектом альфа-исследования фьючерсов и валют, поскольку поведение отдельных
групп участников рынка внутри каждого сектора и
общие участники во всех секторах приводят к корреляциям между этими инструментами.

Трейдеры фьючерсами и валютой представляют собой относительно небольшую группу,
которая следит за конкретными активами и показателями и реагирует предсказуемыми
и часто самореализующимися способами на общеизвестные знания.
Понимание ключевых идей, которыми движут трейдеры-люди, может стать плодотворным
источником идей для альфа-исследований. Если вы потратите время на то, чтобы
подумать, как воздействие факторов в каждом секторе должно отреагировать на идею,
которую вы изучаете, вы можете найти полезную почву для начала проверки своих идей.
ЧАСТЬ IV
Новый горизонт – WebSim
31
Введение в Вебсим
Джеффри Скотт
ВВЕДЕНИЕ
Прочитав все идеи, представленные в предыдущих главах, вы можете спросить: «Как я

могу проверить свои собственные идеи?» Ответ прост: WebSim.
WebSim — это веб-платформа моделирования рынка WorldQuant, которая является
общедоступной и может использоваться для проверки идей на прошлых рыночных
данных. В этой главе основное внимание будет уделено:
• Почему был разработан WebSim

• Как WebSim используется во всем мире
• Кто использует WebSim
• Откуда берутся альфа-идеи

• Примеры типов данных
• Создание альфа-версии
• Управление настройками моделирования.
• Анализ результатов
• Альфа-пример
ПОЧЕМУ БЫЛ РАЗРАБОТАН WEBSIM
WebSim был разработан как инструмент, позволяющий людям создавать и тестировать альфа-
версии. WebSim также используется для квалификации потенциальных консультантов по
исследованиям, которые работают удаленно в рамках виртуального исследовательского центра WorldQuant.
Являясь платформой моделирования рынка со встроенной базой знаний и

образовательным компонентом, WebSim позволяет людям изучать искусство и науку
создания альф, тестировать свои идеи и получать количественную обратную связь о
своей работе, как по отношению к рынку, так и по отношению к коммерческому сектору.
по сравнению со своими количественными коллегами. Это основополагающая платформа для
такие соревнования, как WorldQuant Challenge и International Quant Championship, где

лучшие специалисты получили различные возможности, в том числе стали
оплачиваемыми консультантами по исследованиям.
КАК WEBSIM ИСПОЛЬЗУЕТСЯ В МИРЕ
Хотя первоначальная цель заключалась в квалификации консультантов-исследователей

и обеспечении им основы для разработки альфа-версий, WebSim с годами развивался и
в настоящее время используется в нескольких целях:
• Традиционная и нетрадиционная образовательная среда: к ним относятся как
университеты, так и массовые открытые онлайн-курсы (МООК), которые предпочитают

использовать WebSim в учебных программах, связанных с количественными
финансами и аналогичными темами.
• Самообразование. Многие люди по всему миру получают доступ к WebSim исключительно
с целью самостоятельного обучения, используя преимущества образовательного
компонента платформы, который включает образовательные видеоролики, учебные
пособия и доступ к исследовательским работам.
• Соревнования: университеты по всему миру используют WebSim в качестве платформы
для проведения соревнований в рамках определенного класса или факультета или в
более широком масштабе: функции оценки в WebSim используются для количественной
оценки лучших результатов.
КТО ИСПОЛЬЗУЕТ WEBSIM
Пользователи WebSim невероятно разнообразны и приезжают со всего мира.

Хотя многие пользователи WebSim являются студентами университетов, они имеют
разное образование и включают в себя руководителей, любителей видеоигр,
профессоров, дантистов и даже фермеров. Их общими качествами, как правило, являются
высокий уровень математических знаний и желание узнать больше о финансовых
рынках.
ОТКУДА БЕРУТСЯ АЛЬФА-ИДЕИ
Будучи платформой моделирования, WebSim принимает данные пользователя и

выполняет обратное тестирование, чтобы определить общее качество идеи. Проблема
для многих пользователей заключается в том, как найти идеи. Хотя нет
Введение в Вебсим 255
Простой ответ на этот вопрос: существует множество ресурсов, которые могут помочь
генерировать идеи для альф. Исследовательские статьи, финансовые журналы, блоги и
технические индикаторы — все это может стать полезной отправной точкой. Полезные
статьи часто можно найти на таких сайтах, как SSRN, Seeking Alpha и Wilmott.
Технические индикаторы можно использовать для анализа краткосрочных движений
цен. Они основаны на общей ценовой активности акций или других активов и направлены
на прогнозирование будущих уровней цен или общего направления цен на ценные
бумаги, рассматривая прошлые модели.
Примерами распространенных технических индикаторов являются индекс
относительной силы, индекс денежного потока, схождение/расхождение скользящих
средних (MACD) и полосы Боллинджера. Описания некоторых из этих индикаторов, а
также формулы и соответствующие интерпретации можно найти на таких сайтах, как
StockCharts и Incredible Charts.
ПРИМЕРНЫЕ ТИПЫ ДАННЫХ
Использование новых и альтернативных наборов данных на платформе WebSim

продолжает расти, и ожидается, что набор доступных данных будет продолжать расти с
течением времени. Ниже вы найдете неисчерпывающий список некоторых примеров
типов данных:
• Данные о цене и объеме (информация о динамике конкретных акций, включая цену

открытия/закрытия, максимальную/минимальную цену и ежедневный объем торгов).
• Фундаментальные данные (подробная информация о финансовых результатах компании,

отраженная в квартальном отчете о прибылях и убытках или финансовых отчетах,
например, продажи, расходы, EBITDA и долг).
• Новостные данные.
• Данные об настроениях, включая социальные сети.

• Данные о взаимоотношениях, включая компании, которые являются конкурентами или
клиенты.
СОЗДАНИЕ АЛЬФЫ
Как определено в этой книге, альфа — это математические модели, предназначенные для
прогнозирования движения цен на мировых финансовых рынках.
В WebSim альфа обычно состоит из трех элементов:
• Данные
• Математические операторы
• Константы
Платформа WebSim позволяет использовать простые математические выражения в

качестве основной формы ввода. Например, рассмотрим следующую альфу:
дельта (близко, 5)
Это простое выражение присваивает каждой акции положительную или отрицательную

позицию, равную разнице между дневной ценой закрытия акции и ценой закрытия пятью
днями ранее.
В WebSim значение альфа для каждого инструмента интерпретируется как положительный
или отрицательный относительный вес в моделируемом портфеле. Акциям с положительными
весами назначаются длинные позиции, а акциям с отрицательными весами — короткие
позиции. Позже в этой главе мы обсудим юниверс, который определяет набор акций, которым
будут присвоены позиции в конкретной альфе.
Альфы могут быть очень простыми, как в примере выше, или более сложными.
Пользователи имеют доступ к различным библиотекам, которые могут помочь им в процессе
создания альфа-версии.
УПРАВЛЕНИЕ НАСТРОЙКАМИ МОДЕЛИРОВАНИЯ
Перед созданием альфа-версии пользователю следует учесть несколько настроек, которые

повлияют на результаты моделирования. Пример этих настроек можно увидеть на рисунке
31.1, после чего следует краткое описание каждой из них.
Первый параметр, который следует учитывать, — это регион , используемый в моделировании.
Это могут быть рынки США, Европы или Азии. В моделирование будут включены только
акции из выбранного региона.
После выбора региона пользователь должен выбрать совокупность акций в этом регионе.
Это могут быть акции 200 крупнейших компаний, акции от 1000 до 3000 крупнейших; число
отражает самые ликвидные акции в выбранном регионе (определяется по самому высокому
среднему дневному объему торгов в долларах).
Рисунок 31.1 Настройки WebSim
Настройка задержки относится к доступности данных и указывает, используются ли в

анализе сегодняшние или вчерашние цены.
Delay-0 использует сегодняшнюю цену, а Delay-1 использует вчерашнюю цену.
Еще один важный параметр называется затухание. Это выполняет функцию линейного
затухания указанного количества дней, применяя взвешенную линейную комбинацию
сегодняшнего значения альфа со значениями предыдущих дней.
Это обеспечивает эффект сглаживания и может быть полезно для уменьшения
переворачивания альфы. (Об обороте будет сказано позже.)
Максимальный вес запаса ограничивает вес, назначенный любому отдельному запасу
в симуляции. Рекомендуется составлять от 0,05 до 0,1, что означает максимум 5–10 % веса
для любой конкретной акции в выбранной совокупности. Это помогает защититься от

ненужного воздействия на какие-либо конкретные акции. Более высокие значения
максимального веса акций позволяют альфе придавать больший вес самым сильным
прогнозам, потенциально увеличивая доходность за счет большего идиосинкразического
риска. Более низкие значения выравнивают альфу, контролируя индивидуальный риск
акций. Максимальный вес запаса может быть больше для меньших вселенных, где меньше
запасов, которым можно присвоить веса.
Нейтрализация позволяет пользователю группировать акции и нейтрализовать

(унижать их) в зависимости от отрасли, рынка или подотрасли, гарантируя, что общий
портфель является рыночно нейтральным, без направленного воздействия.
Дни ретроспективного анализа задают количество данных за предыдущие дни для
анализа при запуске альфа-анализа для каждого дня. Хотя этот параметр не влияет на
значения, генерируемые альфа, более низкое значение может ускорить симуляцию за счет
ограничение объема данных, используемых на каждой итерации. Более высокое значение позволяет
альфе использовать более старые исторические данные; это полезно для наборов фундаментальных
данных, которые, как правило, обновляются ежеквартально или ежегодно.
АНАЛИЗ РЕЗУЛЬТАТОВ
После того как параметры установлены и введено альфа-выражение, WebSim выполняет

бэктест идеи, используя исторические данные. Обычно симулятор использует
фиктивную книгу стоимостью 20 миллионов долларов, ежедневно перераспределяя
капитал между длинными и короткими позициями по выбранному набору акций,
соответствующим положительным и отрицательным значениям альфа-функции после
применения нейтрализации и затухания.
Имитация торговли происходит ежедневно, и WebSim производит
результаты моделирования как в графическом, так и в числовом виде.
Первый результат, который увидит пользователь, — это график, показывающий PnL
(прибыль и убыток) смоделированных результатов торговли. График на рис. 31.2
является примером хорошей альфа.
Только образец
3000 тыс.
2500 тыс.
ПНЛ
2000 тыс.
1500 тыс.
тнеициафпфрэаоШ
К
1000 тыс.
500 тыс.
–500 тыс.
2013–07 2014–01 2014–07 2015–01 2015–07 2016–01 2016–07 2017–01 2017–07 2018–01
Рисунок 31.2 График PnL для примера WebSim альфа1
1
Альфа = ранг (продажи/активы).
Таблица 31.1. Показатели производительности для образца альфа-версии WebSim на рисунке 31.2.
Кроме того, отображаются многочисленные показатели, дающие пользователю

возможность оценить совокупную производительность альфа-версии, как показано в
Таблице 31.1.
Эти показатели эффективности отражают распределение капитала по акциям и

эффективность «альфы», включая годовой и совокупный PnL, коэффициент Шарпа, оборот
и другие параметры.
Первое, что следует учитывать, — прибыльна ли альфа. Были ли PnL и доходность
адекватными?
Коэффициент Шарпа – это показатель доходности, скорректированной с учетом риска (доходность/
волатильность). Его можно рассматривать как показатель прогнозирующей способности

модели. Чем выше коэффициент Шарпа, тем более надежным является альфа.
Оборот — это мера объема торгов, необходимого для достижения желаемых позиций
альфы в течение периода моделирования. Каждая сделка входа или выхода из позиции
несет транзакционные издержки (комиссии и затраты на спред). Если показатель оборота
высок (например, более 40%), транзакционные издержки могут полностью или частично
свести на нет прибыль, полученную с помощью альфа-проекта во время моделирования.
Другие показатели производительности и их использование при оценке альфа-

производительности более подробно обсуждаются в руководствах пользователя WebSim и
в видеороликах в образовательном разделе веб-сайта.
В дополнение к совокупным показателям производительности диаграммы и графики

визуализации данных WebSim помогают подтвердить, что альфа имеет приемлемое
распределение позиций и доходности по акциям, сгруппированным по капитализации,
отрасли или сектору.
Если установленные пороговые значения соблюдены, альфа-тесты могут быть обработаны при
тестировании вне выборки с использованием более актуальных данных для подтверждения

обоснованности идеи.
АЛЬФА-ПРИМЕР
Как объяснялось ранее, многие веб-сайты предоставляют общедоступные исследовательские

работы, которые можно использовать для разработки альфа-версий. Альфа-идеи могут
исходить из многих источников и создаваться с использованием разных подходов. Альфа
может сосредоточиться на конкретном финансовом коэффициенте, как в следующем
примере, или может попытаться реализовать классическую торговую стратегию, такую как
импульс или возврат.
В качестве конкретного примера рассмотрим концепцию соотношения долга к

собственному капиталу из фундаментального анализа. Идея состоит в том, что если у компании есть
высокое и растущее соотношение долга к собственному капиталу, оно находится под угрозой,
поэтому вам следует продать акции; и наоборот, если соотношение долга к собственному капиталу
низкое, акции имеют хорошую стоимость, поэтому вам потребуется длинная позиция. Используя
эту гипотезу, можно разработать альфу, которая использует соотношение долга к собственному
капиталу для выбора акций для длинных и коротких позиций, как показано ниже:
Ts_rank(-долг/капитал, 240)
В этом примере оператор ранга временных рядов применяется к соотношению долга к

собственному капиталу за период 240 дней. В течение периода моделирования WebSim будет
определять, по каким акциям открывать длинные позиции, а по каким — короткую, основываясь
на их последних балансовых отчетах, используя выбранную юниверс. Имитация торговли
будет происходить с использованием введенных параметров, а WebSim выдаст результаты.
WebSim — это платформа моделирования финансового рынка, которую пользователи могут

использовать для реализации и проверки своих идей с помощью простых выражений. WebSim
доступен во всем мире и профессионально используется консультантами по исследованиям,
работающими по контракту, а также в качестве образовательного инструмента как
индивидуально, так и через поставщиков образовательных услуг. WebSim принимает вводимые
пользователем данные и выполняет имитацию торговли с использованием исторических
данных в соответствии с введенными пользователем параметрами. Будучи автономной
платформой, WebSim хранит исторические данные для моделирования, а также многочисленные
предопределенные математические операторы, которые можно использовать для генерации альфа-канала.
Доступ к WebSim, как общедоступной платформе, можно получить по адресу:
www. WorldQuantVRC.com.
ЧАСТЬ V
Последнее слово
32
Семь навыков высокого уровня
Успешные количественные оценки
Ричард Ху и Чали Асаватиратам
Кванта иногда называют «ученым-ракетчиком с Уолл-стрит» — эта фраза вызывает в

воображении образ человека умного, хорошо образованного и очень
высокооплачиваемого. В типичной инвестиционной фирме, занимающейся
количественными инвестициями, рабочая среда является коллегиальной и
профессиональной и предлагает множество возможностей для получения новых знаний.
Поэтому нетрудно понять, почему многие ведущие выпускники инженерных и естественных
наук из лучших университетов мира хотят стать квантовыми.
Но что нужно, чтобы стать успешным количественным аналитиком? Мы сталкивались
с этим, казалось бы, простым вопросом бесчисленное количество раз, и нам потребовалось
более десяти лет, чтобы управлять сотнями квантов, чтобы найти на него ответ. Да,
успешные кванты очень умны; они обычно являются лучшими выпускниками
количественных дисциплин, таких как математика, инженерное дело и информатика. Тем
не менее, мы заметили некоторые дополнительные черты, которые характеризуют
наиболее успешных квантов. Чтобы подтвердить наши наблюдения, мы провели опрос
среди ведущих количественных аналитиков нашей фирмы и обобщили результаты.
Отсылая к книге Стивена Кови « 7 навыков высокоэффективных людей», вот семь привычек
успешных квантов.
1. РАБОТАЙТЕ УСИЛЕННО, ДАЖЕ НЕ ОСОЗНАВАЯ ЭТОГО
Очень успешные квантовые специалисты готовы приложить дополнительные усилия,

необходимые для максимизации своего потенциала. Если неудача — мать успеха, то
дополнительные усилия — отец.
Однажды мы наняли чрезвычайно умного молодого человека из ведущего

университета. Во время интервью он мог решать наши сложные аналитические вопросы
с такой быстрой скоростью, что мы заподозрили, что он уже видел
вопросы. Поскольку он так хорошо давал все наши интервью, мы решили подготовить для
него совершенно новый набор очень сложных вопросов; И снова он справился с ними с
молниеносной скоростью. Мы были рады, что нашли такое сокровище. Однако после того,
как он присоединился к нам, мы обнаружили, что у него был серьезный недостаток: он
мало работал. Вечером он устраивал вечеринки и задерживался допоздна, потом поздно
вставал и бежал в офис в 10 утра, когда другие уже работали два часа. Мы говорили с ним
об этом. На какое-то время он придет в себя, но вскоре после этого вернется к своим
старым привычкам и отстанет, как спящий заяц. Он так и не стал лучшим.
Затем мы наняли умных людей, но не обязательно самых умных, но они были одними
из первых сотрудников, пришедших в офис утром, и одними из последних, уходящих —
день за днем, месяц за месяцем и год за годом. Такие люди медленно, но верно будут
опережать остальных, в конечном итоге достигая уровня наших лучших специалистов.
Самое удивительное наблюдение заключается в том, что эти лучшие работники обычно
даже не чувствуют, что усердно работают; они просто развлекаются, делая это. Когда их
спрашивают об их работе, они просто улыбаются и говорят что-то вроде:
«Это лучшая работа, которую только можно получить».
«Я не могу поверить, что мне за это платят».
«Для меня это больше похоже на игру, чем на работу».
Им нравится работать с математикой, кодом, данными и финансами — четырьмя

ключевыми компонентами количественной работы. Им нравится первыми находить
новые сигналы, раньше всех на рынке. Они любят свою работу и наслаждаются каждой
минутой.
2. СТАВЬТЕ АМБИЦИОННЫЕ ДОЛГОСРОЧНЫЕ ЦЕЛИ, НО ДОСТИЖИМЫЕ ЕЖЕНЕДЕЛЬНЫЕ

ЦЕЛИ
Успешный исследователь всегда работает с двумя видами целей: одна долгосрочная цель
и один набор краткосрочных шагов. Долгосрочные цели могут быть амбициозными и
должны представлять собой четко определенные, осязаемые достижения – например,
достижение определенного уровня прибылей и убытков, становление экспертом по
определенному классу активов или становление менеджером по количественному анализу. Короткий сро
Семь навыков очень успешных квантов 267
цели обычно более специфичны для конкретной задачи, например, написание определенного
инструмента, сценария или части анализа — как правило, это задачи, на выполнение которых
уходит не более дня.
Один из наших очень успешных исследователей описывает свой распорядок дня
следующим образом:
«Каждый понедельник я начинаю неделю с составления плана того, чего я хочу достичь на
этой неделе. Затем, в конце недели, я возвращаюсь к этому списку по пунктам и добавляю
то, что на самом деле было достигнуто. Чтобы это имело значение, я пишу этот
еженедельный план так, как будто мне нужно отправить его нашему генеральному директору».
Кванты, у которых есть высокие долгосрочные цели, но которые также могут ставить и
достигать краткосрочные цели, смогут сохранять сбалансированную перспективу и в
конечном итоге добиться успеха.
3. Расставьте приоритеты на основе риска и вознаграждения
Количественные исследователи подобны инвесторам, чьи инвестиции делаются с
использованием времени, а не денег. Учитывая разнообразие задач, стоящих перед

количественным аналитиком, как ему или ей следует расставить их приоритеты? Чтобы
ответить на этот вопрос, может быть полезно оценить задачи на основе их предполагаемых рисков и выгод
Высокий Избегать Диверсифицировать
Риск
Первый
Низкий Диверсифицировать
приоритет
Низкий Высокий
Награда
Рисунок 32.1. Матрица риска и вознаграждения

Для каждой задачи количественный анализатор должен оценить относительный риск и вознаграждение и
поместить их в матрицу риска и вознаграждения, показанную на рисунке 32.1. Это поможет количественному
оценить действия, которые необходимо предпринять:
• Задачи с низким уровнем риска и высоким вознаграждением заслуживают того, чтобы быть первым приоритетом.
• Задачи с высоким риском и высоким вознаграждением должны сочетаться с задачами с низким риском и низким вознаграждением.
вознаграждайте задания как форму диверсификации.
• Следует просто избегать задач с высоким риском и низким вознаграждением.
Кроме того, количественный специалист должен периодически обновлять свое представление о возможных
рисках и выгодах каждой инициативы и всегда быть готовым к новым возможностям, которые можно добавить в
матрицу.
4. ОСТАВАЙТЕСЬ ЛЮБОПЫТНЫМ
Как однажды заметил один мудрый трейдер: «Вы хороши настолько, насколько хороша ваша последняя сделка».
Успешный количественный анализ никогда не должен успокаиваться, а всегда должен быть готов
экспериментировать с новыми идеями. Квантам никогда не следует погружаться в свою зону комфорта по
нескольким причинам. Во-первых, все альфа-кислоты имеют ограниченный и непредсказуемый срок годности;
Никогда нельзя сказать, когда упадет предсказательная сила альфы. Если кванты не будут продолжать вводить
новшества, их альфа-технологии могут в конечном итоге устареть. Лучше всего продолжать диверсифицировать
портфель альф за счет новых наборов данных, методов, проектов или классов активов.
Во-вторых, всегда есть лучший способ сделать что-то. Успешный количественный анализ постоянно исследует
новые и различные идеи, выходя за рамки наименьшего сопротивления. Лучшие исследователи всегда учатся;
они посещают семинары, читают исследовательские журналы и участвуют в групповых дискуссиях. Они ищут
интересные книги для чтения и делятся наиболее полезными со своими товарищами по команде. В любой момент
времени их списки дел наполнены идеями, которые они хотят реализовать, и они расставляют приоритеты,
используя описанный выше анализ риска и вознаграждения.
Успешные квантовые люди — существа с прирожденным любопытством. Когда они читают новостные статьи,
они останавливаются и задаются вопросом: «Можно ли превратить это в альфу?»
Когда они слышат о новых проектах, они стремятся узнать, какой вклад они могут внести. Они постоянно ищут
возможности для обмена идеями с другими квантовами, портфельными менеджерами и технологами. Короче
говоря, успешные исследователи постоянно думают об альфах.

5. ВЫПОЛНЯЙТЕ РАБОТУ, ДОБАВЛЯЮЩУЮ ЦЕННОСТЬ – И АВТОМАТИЗИРУЙТЕ,

АВТОМАТИЗИРУЙТЕ, АВТОМАТИЗИРУЙТЕ.
Успешные исследователи тратят свое время на те направления работы, которые приносят

наибольшую добавленную стоимость. В идеале, большая часть времени квантована должна
быть сосредоточена на действительно инновационной работе, например, чтении о новых
исследованиях, создании инструментов и разработке новых тестов качества. Любой вид
рутинной работы должен быть автоматизирован. Кванты обычно требуют достаточных
навыков программирования для реализации сценариев, экономящих время. Например, работа
квантового исследователя часто включает в себя ряд шагов: очистка данных, визуализация
данных, формулирование, кодирование, моделирование, настройка параметров, статистический анализ и так
Почти все эти шаги можно автоматизировать, за исключением, пожалуй, формулирования и
кодирования основной идеи.
Раньше в WorldQuant на создание одной альфа-версии уходило в среднем три месяца.
Теперь, благодаря нашему обширному набору инструментов автоматизации, наши
квантователи могут создавать в среднем одну новую альфу в день с помощью существующих
инструментов и методов, посвящая при этом большую часть своего человеческого времени
поиску новых направлений исследований с более высоким соотношением риска и вознаграждения.
6. ВНЕСИТЕ РАЗУМНЫЕ ИЗМЕНЕНИЯ И ОСТЕРЕГАЙТЕСЬ ПЕРЕОБОРУДОВАНИЯ
Переобучение — одна из самых распространенных ошибок как новичков, так и опытных

квантов. Переоснащение происходит, когда кто-то слишком старается заставить модель
хорошо работать с историческими данными за счет ее устойчивости в неизвестных будущих
условиях. Существует несколько способов, которыми квант может переобучиться. Например,
пытаясь заставить модель работать хорошо, исследователь может ввести дополнительные
параметры или продолжать «крутить ручки», чтобы максимизировать историческую
производительность. Риск чрезмерной подгонки выше, когда в модели меньше доступных
точек данных, как в случае с менее часто встречающимися данными или классами активов,
которые имеют относительно мало инструментов, таких как валюты. Иногда переобучение
может проявиться в модели незаметно для исследователя. Одной из ключевых отличительных
характеристик опытного и новичка является способность определить, когда модель достигла
«золотой точки» – точки, в которой она достигает идеального баланса между оптимизацией
производительности и переобучением.
Как избежать переобучения? Хотя однозначного ответа не существует, успешные

квантователи, как правило, следуют нескольким золотым правилам. Первый,
всегда вносите разумные изменения в свою модель; избегайте простой подгонки модели к данным.
Прежде чем вносить изменения в модель, всегда спрашивайте, имеет ли это изменение экономическую
подоплеку, обоснование или какое-либо разумное обоснование ожидания улучшения модели. Во-вторых,
хорошей практикой является исключение части данных для тестирования вне выборки. Соответствующий
объем данных, который следует исключить, зависит от множества факторов, таких как ожидаемый
диапазон волатильности, количество базовых инструментов и стабильность результатов. Это деликатный
компромисс, который квант должен тщательно сбалансировать; Хотя исключение слишком малого
количества данных может привести к переобучению, исключение слишком большого количества данных
может привести к недостаточному подгонке модели.
Еще одна хорошая привычка, позволяющая оценить, имеет ли смысл предлагаемое изменение, —
это провести набор тестов на надежность. Как меняется производительность модели при настройке
параметров? Работает ли модель одинаково на большей части вселенной или прибыль сконцентрирована
всего в нескольких инструментах? Насколько быстро модель разрушается со временем?
Эти и другие подобные тесты помогают успешному количественному анализу обнаружить переобучение
и избежать его.
7. СОЗДАВАЙТЕ СИНЕРГИЧЕСКИЕ КОМАНДЫ
Редко можно встретить весьма успешного количественного аналитика, который не работает в сплоченной
команде. Хотя большинство людей в целом понимают преимущества командной работы, для квантов она
дает несколько конкретных преимуществ.
Во-первых, наличие хорошей команды отлично подходит для инкубации идей. Лучшие идеи часто не
возникают мгновенно в чьей-то голове; скорее, они, как правило, начинаются как смутная интуиция в
сознании члена команды. При хорошей командной динамике идея может быть описана, обсуждена и
развита командой, пока она не выкристаллизуется и не станет действенным набором задач, повышающих
ценность.
Кроме того, хорошая команда количественных специалистов помогает распределять рабочую
нагрузку. Это может быть особенно эффективно, когда речь идет о создании экономящих время
инструментов для автоматизации исследовательского процесса. Командная работа также может
позволить членам квантовой группы разнообразить свои исследования. Поскольку каждый
исследовательский проект предлагает различный профиль рисков и выгод, формирование команд
является эффективным способом оптимизации для достижения наилучших результатов.
И наконец – и это, пожалуй, наименее очевидная причина – наличие хорошей команды вдохновляет
квантованов мечтать о больших, амбициозных проектах. Кванты, работающие в одиночку, в конечном
итоге будут ограничены своими возможностями.

в течение разумного периода времени. В результате они вряд ли возьмутся за

крупные долгосрочные проекты, опасаясь отстать от своих коллег до того, как
проект принесет плоды.
Это лишь некоторые из наиболее важных общих привычек успешных
квантов, но они не обязательно должны быть единственным способом
процветания. Просто помните старую поговорку: «Стреляй в Луну. Если
промахнешься, приземлишься среди звезд».
Рекомендации
СТАТЬИ ЖУРНАЛА (ПЕЧАТНЫЕ)
Абарбанелл Дж. и Буши Б. (1997) «Фундаментальный анализ, будущие доходы и

цены на акции». Журнал бухгалтерских исследований 35, вып. 1:1–24.
Амихуд, Ю. (2002) «Неликвидность и доходность акций: эффекты поперечного

сечения и временных рядов». Журнал финансовых рынков 5, вып. 1: 31–56.
Амихуд Ю. и Мендельсон Х. (1986) «Ценообразование активов и спред между ценой

покупки и продажи». Журнал финансовой экономики 17: 223–249.
Бэйли Д., Борвейн Дж., Лопес де Прадо М. и Чжу К. (2014a)

«Псевдоматематика и финансовое шарлатанство: последствия
Переоснащение бэктеста при производительности за пределами выборки». Уведомления

Американского математического общества 61, вып. 5: 458–471.
Банц, Р. (1981) «Взаимосвязь между доходностью и рыночной стоимостью

обыкновенных акций». Журнал финансовой экономики 9, вып. 1:3–8.
Барберис Н., Шлейфер А. и Вишны Р. (1998) «Модель настроений инвесторов».

Журнал финансовой экономики 49, вып. 3: 307–343.
Баррозу П. и Санта-Клара П. (2015) «Импульс имеет свои моменты».

Бартов Э. и Моханрам П. (2004) «Частная информация, манипуляции с доходами и

опционы на акции руководителей». Обзор бухгалтерского учета 79, вып. 4: 889–920.
274 Рекомендации
Басу, С. (1983) «Взаимосвязь между доходностью, рыночной стоимостью и доходностью

обыкновенных акций NYSE: дополнительные доказательства». Журнал финансовой
экономики 12, вып. 1: 129–156.
Бенджио, Ю. (2009) «Изучение глубокой архитектуры для искусственного интеллекта».

Основы и тенденции в машинном обучении 2, вып. 1:1–127.
Берцимас Д., Лопрет Г. и Самаров А. (2004) «Дефицит как мера риска: свойства,
оптимизация и применение». Журнал экономической динамики и контроля 28, вып. 7:
1353–1381.
Блэк, Ф. (1975) «Факты и фантазии в использовании вариантов». Журнал финансовых

аналитиков 31, вып. 4: 36–72.
Боллен Дж., Мао Х. и Цзэн Х. (2011) «Twitter Mood предсказывает фондовый рынок».
Журнал вычислительной науки 2, вып. 1:1–8.
Боллен Н. и Уэйли Р. (2004) «Влияет ли чистое покупательское давление на форму

функций подразумеваемой волатильности?» Финансовый журнал 59, вып. 2: 711–753.
Брейман, Л. (2001) «Случайные леса». Машинное обучение 45, вып. 1:5–32.
Берджес, К. (1998) «Учебное пособие по машинам опорных векторов для распознавания

образов». Интеллектуальный анализ данных и обнаружение знаний 2, вып. 2: 121–167.
Баттерворт, С. (1930) «К теории усилителей с фильтрами». Экспериментальная

беспроводная связь и инженер беспроводной связи 7: 17–20.
Чан К., Хамид А. и Тонг В. (2000) «Прибыльность стратегий импульса на международных

фондовых рынках». Журнал финансового и количественного анализа 35, вып. 2: 153–
172.
Чан Л., Джегадиш Н. и Лаконишок Дж. (1996) «Стратегии импульса». Финансовый

журнал 51: 1681–1713.
Чан Л., Лаконишок Дж. и Сугианнис Т. (2001) «Оценка расходов на исследования и

разработки на фондовом рынке». Финансовый журнал 56, вып. 6: 1681.
Рекомендации 275
Чанг С., Чанг Л. и Ван Ф. (2014) «Динамическая внутридневная мера вероятности

информированной торговли и изменения доходности для конкретной фирмы».
Журнал эмпирических финансов 29: 80–94.
Клэр А., Ситон Дж., Смит П. и Томас С. (2013) «Прорыв в черный ящик: следование
за трендом, стоп-лоссы и частота торговли – на примере S&P 500». Журнал
управления активами 14, вып. 3: 182–194.
Кортес К. и Вапник В. (1995) «Сети опорных векторов». Машинное обучение 20,

вып. 3: 273–297.
Корвин, С. и Шульц, П. (2012) «Простой способ оценить спреды между ценой

покупки и продажи на основе дневных высоких и низких цен». Финансовый
журнал 67, вып. 2: 719–760.
Кремерс М. и Вайнбаум Д. (2010) «Отклонения от паритета пут-колл и

предсказуемость доходности акций». Журнал финансового и количественного
анализа 45, вып. 2: 335–367.
Дэниел К., Хиршлейфер Х. и Субраманьям А. (1998) «Теория чрезмерной

самоуверенности, самоатрибуции и недостаточной и чрезмерной реакции рынка
ценных бумаг». Финансовый журнал 53: 1839–1885.
Дэниел К. и Титман С. (1999) «Эффективность рынка в иррациональном мире».

Журнал финансовых аналитиков 55, вып. 6: 28–40.
Исли Д., Хвидкьяер С. и О'Хара М. (2002) «Является ли информационный риск

определяющим фактором доходности активов?» Финансовый журнал 57, вып. 5:
2185–2221.
Исли Д., Лопес де Прадо М. и О'Хара М. (2011) «Микроструктура «внезапного

краха»: токсичность потоков, крах ликвидности и вероятность информированной
торговли». Журнал управления портфелем 37, вып. 2: 118–128.
Фама Э. и Френч К. (1992) «Срез ожидаемой доходности акций». Финансовый

журнал 47, вып. 2: 427–466.
Фама Э. и Френч К. (1993) «Общие факторы риска доходности акций и облигаций».

Журнал финансовой экономики 33, вып. 1:3–56.
Фама Э. и Френч К. (2015) «Пятифакторная модель ценообразования активов».

Журнал финансовой экономики 116, вып. 1:1–22.
Фергюсон Н., Филип Д., Лам Х. и Го Дж. (2015) «Медиаконтент и доходность

акций: предсказательная сила прессы». Многонациональный
Финансовый журнал 19, вып. 1:1–31.
Фрэнсис Дж., Шиппер К. и Винсент Л. (2002) «Объявления о доходах и

конкурирующая информация». Журнал бухгалтерского учета и экономики 33,
вып. 3: 313–342.
Франкель Р., Котари. С. и Вебер Дж. (2006) «Детерминанты информативности

аналитических исследований». Журнал бухгалтерского учета и экономики 41,
вып. 1: 29–54.
Фройнд Ю. и Шапир Р. (1997) «Теоретико-решающее обобщение онлайн-

обучения и применение к повышению». Журнал компьютерных и системных
наук 55, вып. 1: 119–139.
Фройнд Ю. и Шапир Р. (1999) «Краткое введение в повышение». Журнал

Японского общества искусственного интеллекта 14, вып. 5: 771–781.
Гарлеану Н. и Педерсен Л. (2016) «Динамический выбор портфеля с

препятствиями». Журнал экономической теории 165: 487–516.
Глостен Л. и Милгром П. (1985) «Цены спроса, предложения и сделок на

специализированном рынке с неоднородно информированными трейдерами».
Гранди Б. и Мартин Дж. (2001) «Понимание природы рисков и источника выгод

от импульсного инвестирования». Обзор финансовых исследований 14, вып.
1: 29–78.
Хафез П. и Се Дж. (2016) «Бета-версия новостей: учет риска настроений в

квантовых моделях». Журнал инвестирования 25, вып. 3: 88–104.
Гастингс К., Мостеллер Ф., Тьюки Дж. и Винзор К. (1947) «Низкие моменты для
небольших выборок: сравнительное исследование порядковой статистики».
Анналы математической статистики 18, вып. 3: 413–426.
Хинтон, Г. (2007) «Изучение нескольких уровней представления».

Тенденции в когнитивных науках 11, вып. 10: 428–434.
Хиршлейфер Д. и Шамуэй Т. (2003) «Хороший солнечный день: доходность

акций и погода». Финансовый журнал 58, вып. 3: 1009–1032.
Хонг Х., Лим Т. и Стейн Дж. (2000) «Плохие новости распространяются медленно:
размер, охват аналитиков и прибыльность стратегий импульса».
Финансовый журнал 55, вып. 1: 265–295.
Хонг Х. и Стейн Дж. (1999) «Единая теория недостаточной реакции, торговли

импульсом и чрезмерной реакции на рынках активов». Финансовый журнал 54,
вып. 6: 2143–2184.
Хубер, П. (1964) «Надежная оценка параметра местоположения». Анналы

математической статистики 35, вып. 1: 73–101.
Хаш Д. и Сковел К. (2001) «О измерении VC классификаторов с ограниченной

маржой». Машинное обучение 45, вып. 1: 33–44.
Джайн П. и Джо Г. (1988) «Зависимость между почасовыми ценами и объемом

торгов». Журнал финансового и количественного анализа
23, нет. 3: 269–283.
Джегадиш Н. и Титман С. (1993) «Доходность от покупки победителей и продажи

проигравших: последствия для эффективности фондового рынка». Финансовый
журнал 48, вып. 1: 65–91.
Джегадиш Н. и Титман С. (2001) «Прибыльность стратегий импульса: оценка

альтернативных объяснений». Журнал финансов
56, нет. 2: 699–720.
Джегадиш Н. и Титман С. (2011) «Импульс». Ежегодный обзор финансовой

экономики 3: 493–509.
Дженсен, М. (1967) «Результаты взаимных фондов в период 1945–1964 годов».

Джин В., Ливнат Дж. и Чжан Ю. (2012) «Цены опционов опережают цены на
акции: имеют ли опционные трейдеры информационное преимущество?»
Журнал бухгалтерских исследований 50, вып. 2: 401–432.
Юнг М., Вонг М. и Чжан Ф. (2015) «Интерес аналитиков как ранний индикатор
фундаментальных изменений фирмы и доходности акций». Обзор
бухгалтерского учета 90, вып. 3: 1049–1078.
Козак С., Нагель С. и Сантош С. (2018) «Интерпретация факторных моделей».

Куремото Т., Кимура С., Кобаяши К. и Обаяши М. (2014)

«Прогнозирование временных рядов с использованием сети глубокого доверия с
ограниченными машинами Больцмана». Нейрокомпьютинг 137: 47–56.
ЛеКун Ю., Кавукчуоглу К. и Фарабет К. (2010) «Сверточные сети и приложения

в зрении». Материалы Международного симпозиума IEEE по схемам и
системам 2010 г.: 253–256.
Ледуа О. и Вольф М. (2004) «Дорогая, я уменьшил выборочную

ковариационную матрицу». Журнал управления портфелем 30, вып. 4: 110–119.
Ли, К. и Сваминатан, Б. (2000) «Ценовой импульс и объем торгов». Финансовый

журнал 55, вып. 5: 2017–2069.
Лесмонд Д., Шилл М. и Чжоу К. (2004) «Иллюзорная природа импульсной

прибыли». Журнал финансовой экономики 71, вып. 2: 349–380.
Ли Х., Миффр Дж., Брукс К. и О'Салливан Н. (2008) «Импульсная прибыль и

изменяющийся во времени несистематический риск». Журнал банковского
дела и финансов 32, вып. 4: 541–558.
Лин Х. и МакНиколс М. (1998) «Андеррайтинговые отношения, прогнозы

доходов аналитиков и инвестиционные рекомендации». Журнал бухгалтерского
учета и экономики 25, вып. 1: 101–127.
Линтнер Дж. (1965) «Оценка рисковых активов и выбор рискованных

инвестиций в портфели акций и капитальные бюджеты». Обзор экономики и
статистики 47, вып. 1: 13–37.
Ло, А. (2004) «Гипотеза адаптивных рынков: эффективность рынка с

эволюционной точки зрения». Журнал управления портфелем
30, нет. 5: 15–29.
Марковиц, Х. (1952) «Выбор портфеля». Финансовый журнал 7, вып. 1: 77–91.
МакКоннелл Дж., Сибли С. и Сюй В. (2015) «Динамика цен на акции выделенных

дочерних компаний, их материнских компаний и выделенного ETF, 2001–2013
гг.». Журнал управления портфелем 42, вып. 1: 143–152.
МакИниш Т. и Вуд Р. (1992) «Анализ внутридневных моделей спредов спроса и

предложения для акций NYSE». Финансовый журнал 47, вып. 2: 753–764.
Майкли Р. и Вомак К. (1999) «Конфликт интересов и достоверность

рекомендаций аналитиков страховщиков». Обзор финансовых исследований
12, вып. 4: 653–686.
Московиц Т. и Гринблатт М. (1999) «Объясняют ли отрасли момент?»

Моссин, Дж. (1966) «Равновесие на рынке капитальных активов». Эконометрика

34, вып. 4: 768–783.
Ниссим Д. и Пенман С. (2003) «Анализ кредитного плеча в финансовой

отчетности и то, как он влияет на прибыльность и соотношение цены к
балансовой стоимости». Обзор бухгалтерских исследований 8, вып. 4: 531–560.
Новый-Маркс Р. и Великов М. (2015) «Таксономия аномалий и их торговые

издержки». Обзор финансовых исследований 29, вып. 1: 104–147.
Офек Э., Ричардсон М. и Уайтлоу Р. (2004) «Ограниченный арбитраж и

ограничения на короткие продажи: данные рынков опционов».
Ормос М. и Тимотити Д. (2016a) «Микроструктура рынка во время финансового

кризиса: динамика информированной и эвристической торговли».
Письма о финансовых исследованиях 19: 60–66.
Пастор Л. и Стамбо Р. (2003) «Риск ликвидности и ожидаемая доходность

акций». Журнал политической экономии 111, вып. 3: 642–685.
Пирсон, К. (1895) «Заметки о регрессии и наследовании в случае двух

родителей». Труды Лондонского королевского общества 58: 240–242.
Педерсен, Л. (2009) «Когда все бегут к выходу». Международный журнал центрального

банка 5, вып. 4: 177–199.
Пиотроски, Дж. (2000) «Инвестирование в стоимость: использование исторической

финансовой информации для отделения победителей от проигравших». Журнал
бухгалтерских исследований 38: 1–41.
Рабинер, Л. (1989) «Учебное пособие по скрытым марковским моделям и избранным

приложениям в распознавании речи». Труды IEEE 77, вып. 2: 257–286.
Роджерс, Дж. и Найсвандер, Вашингтон (1988) «Тринадцать способов взглянуть на

коэффициент корреляции». Американский статистик 42, вып. 1: 59–66.
Розенберг Б., Рид К. и Ланштейн Р. (1985) «Убедительные доказательства неэффективности

рынка». Журнал управления портфелем 11, вып. 3: 9–17.
Росс, С. (1976) «Арбитражная теория ценообразования капитальных активов». Журнал

экономической теории 13, вып. 3: 341–360.
Рувенхорст, К. (1998) «Стратегии международного импульса». Финансовый журнал 53,

вып. 1: 267–284.
Шорфхайде Ф. и Вольпин К. (2012) «Об использовании непроверенных выборок для

выбора модели». Американский экономический обзор 102, вып. 3: 477–481.
Селесник И. и Буррус К. (1998) «Обобщенная конструкция цифрового фильтра

Баттерворта». Транзакции IEEE по обработке сигналов 46, вып. 6: 1688–1694.
Шарп, В. (1964) «Цены на капитальные активы: теория рыночного равновесия в

условиях риска». Финансовый журнал 19, вып. 3: 425–442.
Сигел Л., Кронер К. и Клиффорд С. (2001) «Величайшие истории возвращения, когда-

либо рассказанные». Журнал инвестирования 10, вып. 2: 91–102.
Слоан, Р. (1996) «Полностью ли цены на акции отражают информацию о начислениях и

денежных потоках о будущих доходах?» Обзор бухгалтерского учета 71, вып. 3: 289–315.
Спирман, К. (1904) «Доказательство и измерение связи между двумя вещами».

Американский журнал психологии 100, вып. 3–4: 441–471.
Спренгер Т., Тумасьян А., Санднер П. и Велпе И. (2014) «Твиты и сделки:

информационный контент стандартных микроблогов». Европейский
финансовый менеджмент 20, вып. 5: 926–957.
Вапник, В. (1999) «Обзор статистической теории обучения». Транзакции IEEE в

нейронных сетях 10, вып. 5: 988–999.
Вуд Р., МакИниш Т. и Орд Дж. (1985) «Исследование данных о транзакциях по

акциям NYSE». Финансовый журнал 40, вып. 3: 723–739.
Син Ю., Чжан Х. и Чжао Р. (2010) «Что ухмылка волатильности отдельных

опционов говорит нам о будущей доходности акций?» Журнал финансового и
количественного анализа 45, вып. 3: 335–367.
Ян Ю. и Чжан С. (2012) «Улучшенный метод оценки и эмпирические свойства

вероятности информированной торговли». Журнал банковского дела и
финансов 36, вып. 2: 454–467.
Заде, Л. (1996) «Нечеткая логика = вычисления со словами», IEEE Transactions

on Fuzzy Systems 4, no. 2: 103–111.
Чжан, X. (2006) «Информационная неопределенность и доходность акций».

Журнал финансов 61, вып. 1: 105–137.
Зоу Х., Хасти Т. и Тибширани Р. (2006) «Анализ разреженных главных

компонентов». Журнал вычислительной и графической статистики 15, вып. 2:
265–286.
СТАТЬИ ЖУРНАЛА (ЭЛЕКТРОННЫЙ/ОНЛАЙН)
Бэйли Д., Борвейн Дж., Лопес де Прадо М. и Чжу К. (2014b) «Вероятность

переобучения бэктеста». https://papers.ssrn.com/sol3/
Papers.cfm?abstract_id=2326253
Бодан, П. (2013 г.) «Отличить хорошее от плохого и плохого: как оценить

проверенные инвестиционные стратегии». http://ssrn.com/
абстрактное = 2346600
Бочкай К., Чава С. и Хейлз Дж. (2016) «Гипербола или реальность?

Реакция инвесторов на крайние высказывания на телеконференциях по
прибылям». https://ssrn.com/abstract=2781784
Будух Дж., Фельдман Р., Коган С. и Ричардсон М. (2016)

«Информация, торговля и волатильность: данные из новостей конкретных
компаний». https://ssrn.com/abstract=2193667
Бернс П. (2006) «Случайные портфели для оценки торговых стратегий». http://

ssrn.com/abstract=881735
Чан, В. (2001) «Реакция цен на акции на новости и отсутствие новостей: дрейф

и разворот после заголовков». https://ssrn.com/abstract=262452
Чен С., Холландер С. и Лоу К. (2016) «В поисках взаимодействия». https://

Друз М., Вагнер А. и Зекхаузер Р. (2016) «Чтение управленческого тона: как

аналитики и рынок реагируют на конференц-звонки»,
Исследовательский доклад Швейцарского финансового института №. 16-004. https://ideas.repec.
org/p/ecl/harjfk/16-004.html
Дзилински М. и Хассельтофт Х. (2017) «Разброс тона новостей и разногласия

инвесторов». https://ssrn.com/abstract=2192532
Фодор А., Кригер К. и Доран Дж. (2010) «Предвещают ли изменения открытого

интереса по опционам будущие доходы от акций?» http://ssrn.com/
FTSE Рассел. (2017) «Возвращение к эффектам восстановления Рассела 2000

года». http://www.ftserussell.com/sites/default/files/research/russell_2000_
reconstitution_effects_revisited_final.pdf
Грей, В. (2015) «Импульсное инвестирование: почему сезонность имеет

значение для импульса?» Alpha Architect, 30 ноября 2015 г. https://
alphaarchitect.com/2015/11/30/momentum- Seasonality/
Гюлен Х. и Хван Б. (2012) «Ежедневные колебания фондового рынка и реакция

инвесторов на новости конкретной фирмы». https://ssrn.com/abstract=1934873
Харви К., Лю Ю. и Чжу К. (2014)». . . и сечение ожидаемой доходности». http://

Джонсон Т. и Со Э. (2011) «Опцион на соотношение объема акций и будущую

доходность». https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1624062
Карабулут, Ю. (2013) «Может ли Facebook предсказать активность фондового рынка?»

https://ssrn.com/abstract=1919008
Хандани А. и Ло А. (2007) «Что случилось с квантовами в августе 2007 года?» https://

papers.ssrn.com/sol3/papers.cfm?abstract_
идентификатор=1015987
Лагадек, П. (2009) «Декалаж: мини-урок по Python». http://www.

decalage.info/files/mini_python_tutorial_0.03.pdf
Ларраби, Д. (2014 г.) «Небольшой опыт работы в отрасли может сделать вас лучшим
аналитиком». Институт CFA. http://blogs.cfainstitute.org/inves tor/2014/02/18/career-
matters-prior-industry-experience-improves -
Шансы на успех для аналитиков с Уолл-стрит
Лопес де Прадо, М. (2013) «На что обращать внимание при ретроспективном тестировании». https://
papers.ssrn.com/sol3/papers.cfm?abstract_id=2308682
Матлофф, Н. (2011) «Быстрый путь к Python». Калифорнийский университет в Дэвисе.

http://heather.cs.ucdavis.edu/matloff/Python/PLN/FastLanePython.pdf
Меуччи, А. (2010) «Управление диверсификацией». Отчет Bloomberg по образованию,

количественным исследованиям и образованию. https://ssrn.com/
Моханрам, П. (2004) «Отделение победителей от проигравших среди акций с низкой

балансовой стоимостью с использованием анализа финансовой отчетности». http://
Ормос, М. и Тимотити, Д. (2016b) «Микрооснования неоднородности цен на активы:

объяснение асимметричных моделей GARCH, основанное на неприятии потерь». https://
Прейс Т., Моат Х. и Стэнли Х. (2013) «Количественная оценка торгового поведения на

финансовых рынках с использованием Google Trends». http://www.nature.
com/srep/2013/130425/srep01684/full/srep01684.html
Ролл Р., Шварц Э. и Субраманьям А. (2009) «O/S: Относительная торговая активность

опционами и акциями». http://ssrn.com/
Щербина А. и Шлуше Б. (1915) «Межфирменные информационные потоки и

предсказуемость доходности акций». https://ssrn.com/
Шленс Дж. (2014) «Учебное пособие по анализу главных компонентов». https://

arxiv.org/abs/1404.1100
Слоан Р., Химич Н. и Дечоу П. (2011) «Точная аномалия». http://ssrn.com/abstract=1793364
Спренгер Т. и Велпе И. (2011) «Новости или шум? Реакция фондового рынка на

различные типы новостных событий, специфичных для компании». https://ssrn.com/
abstract=1734632
Страутс, Т. «В поисках альфы: импульсное инвестирование с помощью ETF». В поисках

Альфа, 18 апреля 2013 г. https://seekingalpha.com/article/1350651 –
поиск-альфа-импульса-инвестирования с-etfs
КНИГИ
Антоначчи, Г. (2014) Инвестирование с двойным импульсом: инновационная стратегия

для более высокой доходности с меньшим риском. Книжная компания МакГроу-Хилл.
Дауни, А. (2012) Подумайте, Python. http://www.greenteapress.com/

думаюпитон
Эдвардс, В. (1968) «Консерватизм в обработке информации человеком».

Формальное представление человеческого суждения (Бенджамин Кляйнмунц, ред.).
Уайли.
Фуко Ф., Пагано М. и Рёлль А. (2013) Рыночная ликвидность: теория, доказательства и

политика. Издательство Оксфордского университета.
Грэм Б. и Додд Д. (2009) Анализ безопасности: принципы и методы (шестое издание).

Книжная компания МакГроу-Хилл.
Гринольд Р. и Кан Р. (1999) Активное управление портфелем: количественный подход

к получению высокой прибыли и контролю рисков.
Книжная компания МакГроу-Хилл.
Хубер П. и Рончетти Э. (2009) Надежная статистика (2-е издание). Уайли.
Халл, Дж. (2008) Опционы, фьючерсы и другие производные финансовые инструменты.

Пирсон Прентис Холл.
Канеман, Д. (2011) Мышление быстрое и медленное. Фаррар, Штраус и Жиру.
Лефевр, Э. (2006) Воспоминания биржевого спекулянта. Уайли.
Маронна Р., Мартин Д. и Йохай В. (2006) Надежная статистика: теория и методы.

Уайли.
Мерц, Д. (2006) Обработка текста в Python. Эддисон Уэсли. Также доступно в

программном обеспечении Gnosis: http://gnosis.cx/TPiP.
Николас, Дж. Г. (2004) Хедж-фонд инвестирования в фонды: Руководство

инвестора. Блумберг Пресс.
Поппер, К. (1959) Логика научных открытий. Хатчинсон.
Руссеу П. и Лерой А. (1987) Надежная регрессия и обнаружение выбросов. Уайли.
Сваруп, К. (2014) Байт Python. http://www.swaroopch.com/

заметки/питон
СЕРИЯ НЕПУБЛИКОВАННЫХ РУКОПИСИ/РАБОЧИХ ДОКУМЕНТОВ
Бениш М. и Николс Д. (2009) «Выявление переоцененного капитала».

Серия исследовательских статей школы Джонсона № 09-09. http://ssrn.com/
Будух Дж., Фельдман Р., Коган С. и Ричардсон М. (2013)

«Какие новости влияют на цены акций? Текстовый анализ». Рабочий документ
Национального бюро экономических исследований №. 18725. https://www.
nber.org/papers/w18725
Брэдшоу М., Хаттон А., Маркус А. и Тегеранян Х. (2010) «Непрозрачность, риск

краха и кривая ухмылки опциона». Рабочий документ. Бостонский колледж.
http://ssrn.com/abstract=1640733
Чан К., Чан Л., Джегадиш Н. и Лаконишок Дж. (2001) «Качество прибыли и доходность
акций». Рабочий документ NBER №. 8308. https://
www.nber.org/papers/w8308
Фраццини А. и Ламонт О. (2007) «Премия за объявление прибыли и объем торгов».

Рабочий документ Национального бюро экономических исследований №. 13090. https://
www.nber.org/papers/w13090.
Гарлеану Н., Педерсен Л. и Потешман А. (2009) «Ценообразование опционов на основе

спроса». Документ московских встреч ОДВ 2005. http://ssrn.com/
Камстра М., Крамер Л. и Леви М. (2002) «Зимний блюз: грустный цикл фондового рынка».
Рабочий документ Федерального резервного банка Атланты №. 2002-13а; Рабочий
документ Школы бизнеса Саудера. http://ссрн.
ком/абстракт=208622
Луо X., Чжан Дж. и Дуань В. (2013) «Социальные сети и стоимость капитала компании».
Исследовательский доклад Школы бизнеса Фокса №. 14-016. https://ссрн.
ком/абстракт=2260316
Мор, М. (2005) «Фильтр тренд-цикла (сезона)». Серия рабочих документов Европейского

центрального банка №. 499. https://www.ecb.europa.eu/pub/
pdf/scpwps/ecbwp499.pdf
Трейнор Дж. (1962) «К теории рыночной стоимости рискованных активов».

Неопубликованная рукопись.
Ван Бускирк, А. (2011) «Отклонение волатильности, объявления о прибылях и

предсказуемость сбоев». http://ssrn.com/abstract=1740513
ВЕБ-САЙТЫ
Блумберг. www.bloomberg.com
Институт CFA. Журнал финансовых аналитиков. www.cfapubs.org/loi/faj
Библиотека Корнеллского университета. АрXiv https://arxiv.org

Эльзевир. Журнал банковского дела и финансов. www.journals.elsevier.com/

journal-of-banking-and-finance
Эльзевир. Журнал корпоративных финансов. www.journals.elsevier.com/journal-

of-corporate-finance
Эльзевир. Журнал эмпирических финансов. www.journals.elsevier.com/журнал-

оф-эмпирических-финансов
Эльзевир. Журнал финансового посредничества. www.journals.elsevier. com/

журнал финансового посредничества
Эльзевир. Журнал финансовых рынков. www.journals.elsevier.com/journal-of-

financial-markets
Эльзевир. Журнал международных денег и финансов. www.журналы.

elsevier.com/journal-of-international-money-and-finance
Эльзевир. Финансовый журнал Тихоокеанского бассейна.

www.journals.elsevier.com/pacific-basin-finance-journal
Гугл Финансы. www.google.com/finance
Google Scholar. https://scholar.google.com
Невероятные графики. «Основы индикаторов: как использовать технические индикаторы».
http://www.incrediblecharts.com/indicators/indicators.php
Журналы интеллектуальной собственности. Журнал управления
портфелем. http://jpm.iijournals.com
Инвестопедия. «Определение тенденций рынка». http://investopedia.com/

articles/technical/03/060303.asp
ДЖСТОР. Журнал бизнеса. https://www.jstor.org/journal/jbusiness
Кауфман, П. (2016) «Учет сезонности с помощью товарных ETF».

Кауфмансигналс.com
Ли, С. (2012) «Стратегии инвесторов Morningstar ETF: модельные портфели

ETF». www.morningstar.com
Утренняя звезда. www.morningstar.com
НасдакТрейдер. Статистика доли рынка опционов. http://

www.nasdaqtrader.com/trader.aspx?id=marketsharenom
Национальное бюро экономических исследований.www.nber.org
Разработчики Numpy. www.numpy.org
Пиард, Ф. (2016) «3 лучших сезонных ETF». https://seekingalpha. com/article/4014414-3-

best- Seasonal-etfs
Пикардо, Э. (2018) «7 лучших торговых стратегий ETF для начинающих».

www.investopedia.com
Пилигрим М. «Погружение в Python». http://www.diveintopython.net
Ренатер. «Документация SourceSup». https://sourcesup.renater.fr/projects/scientific-py
SciPy. www.scipy.org
SciPy. «Справочник по NumPy». http://docs.scipy.org/doc/numpy/reference
SciPy. «Руководство пользователя NumPy». http://docs.scipy.org/doc/numpy/user
SciPy. «Статистические функции».

http://docs.scipy.org/doc/scipy/reference/stats.html
Сеть исследований социальных наук. https://ssrn.com/en/
Биржевые диаграммы. «Технические индикаторы и наложения». http://биржевые

диаграммы. com/school/doku.php?id=chart_school:technical_indicators
Время. «25 лучших финансовых блогов».
http://content.time.com/time/specials/packages/completelist/0,29569, 2057116,00
Учебник. «Краткое руководство по Python». www.tutorialspoint.com/python/

python_quick_guide.htm
Университет Вашингтона. Журнал финансового и количественного анализа.

http://depts.washington.edu/jfqa
Уолл Стрит Джорнал. www.wsj.com
Интернет-библиотека Уайли. Финансовый обзор. http://onlinelibrary.wiley.com/

journal/10.1111/(ISSN)1540-6288
Интернет-библиотека Уайли. Журнал финансовых

исследований. http://onlinelibrary.wiley.com/journal/10.1111/(ISSN)1475-6803
Интернет-библиотека Уайли. Журнал фьючерсных рынков. http://онлайн-

библиотека. Wiley.com/journal/10.1002/(ISSN)1096-9934
Уилмотт. www.wilmott.com
ВольфрамМатематический мир. Треугольник

Рело. http://mathworld.wolfram.com/ReuleauxTriangle.html
WorldQuantChallenge. https://websim.worldquantchallenge.com
Яху Финанс. www.finance.yahoo.com
ПУБЛИЧНЫЕ ОТЧЕТЫ
Опционная клиринговая корпорация. Годовой отчет 2013. https://www.

optionsclearing.com/comComponents/docs/about/annual-reports/occ_
2013_annual_report.pdf
Комиссия по Безопасности и Обмену. (2000) Окончательное правило:

выборочное раскрытие информации и инсайдерская торговля. https://
www.sec.gov/rules/final/33-7881.htm
Товарные фьючерсы США. Обязательства трейдеров. https://www.cftc. gov/

marketreports/commitmentsoftraders/index.htm
Индекс
«3964» формула 72 статистический арбитраж 10–11

пошаговое построение 5, 41
научные круги, влияние новостей UnRule 17–18, 20–21,
160 аномалия начисления значение 27–30.
96 приобретений 196–199 статистика партии 117–118

АдаБуст 125 из факторов 148
гипотеза адаптивного WebSim 255–256, 260–261 см. также
рынка (АМГ) 97 дизайн; оценка альфа-пространства

ADV см. алгоритмы 83–88 корреляция альфа-
среднедневного значений 66
объема AMH см. гипотезу адаптивного рынка
торгов, бэктестинг 69– Анализ неликвидности
76, создание 12–13 Амихуда
сокращение потерь 17–21 210, финансовая отчетность 141–154
источники данных 25–26 полный текст 164
оценка 20–21, 28–29 частота фундаментальные 149–154
прогнозирования 27 мышление новости 159–167
в 127–132 альфа-горизонты новизна 161–162

49–50 корреляция альфа- актуальность 162
пула 66 основные принципы настроение 160–161
альфа Вебсим 258–260
основные концепции аналитик сообщает 179–193

3–6 сокращение потерь доступ к 180–182
17–21 дизайн на основе предвзятость 190–
данных 5 191 падение освещения 191–

определение 3 192 звонки о доходах 181, 187–188
оценка 13, 20–21 наличие оценки доходов 184–185 сюрпризы
11–12 о доходах 185–186 отраслевые
выражения 4 знания 188–190 в
реализация 12–13 оценка средствах массовой
качества 5 информации 181–182, 192
Виртуальный исследовательский центр
WorldQuant. © 2020 Тульчинский и др., Виртуальный исследовательский центр WorldQuant. Опубликовано John Wiley & Sons, Ltd. в 2020 г.
292 Индекс
ценовые эффекты 190 оцифровка бэк-офиса 8 бэк-
целевые цены 184 тестирование 13–14, 69–76
мыслительный процесс 186–187 автоматический поиск 116–117
использование 182–190 перекрестная проверка 75
коэффициентов Шарпа в годовом просадки 107
выражении 97 годовая доходность 35 важность 70–71 тестов вне
приближение к нормальному выборки 74 переоснащения

распределению 91 72–75 отбора выборки
APT см. теорию арбитражного 74–75

моделирование 71–72
статистический арбитраж 69–70

ценообразования, структуру арбитражного капитала 204–205.
индексированные 223–230 Вебсим 33–41
индексная ребалансировка 203–204 бэквардация 248
слияния 196–199 балансы 143
статистические 10–11, 69–70 полосовые фильтры 128
теория арбитражного ценообразования статистика партии 117–118
(АПТ) 95, 157 поведенческая предвзятость 80–82
АсимБуст 125 поведенческая экономика 11–12, 46, 138, 155–
ATR см. средний истинный диапазон 156, 171–172

автоматических поисков 111–120. BE/ME см. соотношение балансового капитала
бэктестирование 116–117 к коэффициентам
пакетная статистика 117–118 рыночного капитала см. факторы риска
глубина 116 смещение 12, 19, 45, 77–82

диверсификация 118–119 отчеты аналитиков 190–192
эффективность 111–113 доступность 81
входные данные 113–114 поведенческие 80–82
промежуточные переменные 115 подтверждение 80–81
ручная подготовка 119 шум. 113 консерватизм 155–156
интеллектуальный анализ
оптимизация 112, 115–116 данных 79–80 формулировка 80
масштаб 111–113 дальновидный 72
пространства поиска 114–116 пастушеский 81–82, 190–191
чувствительность и значимость 119 позитивный 190

безразмерные отношения 113–114 отборный 117–118
автоматизация 269 системный 77–80,
смещение доступности 81 дисперсия, компромисс 129–130
среднедневной объем торгов Спред спроса и предложения

(ADV) 239 208–212 большие данные 46–
средний истинный диапазон (ATR) 136 47, 79–80 категоризация новостей
предотвращение переоснащения 163 ожидаемость 164

74–75, 269–270 оси полнотекстовый анализ 164
трехосного плана 85–86 анализ новостей 159–166

Индекс 293
анализ новизны 161–162 анализ предвзятость консерватизма 155–156
релевантности 162 анализ строительство
настроений 160–161 социальные сети пошагово 5 см .

165–166 также проектирование
балансовый капитал к рыночному капиталу контанго 247–248

(BE/ME) 96, 97–99 контроль товарооборота 53–55, 59–
бутстрэппинг 107 деловой 60
цикл 196 сверточные нейронные сети
Фильтры Баттерворта 128 (CNN) 125–126
корпоративное управление 146

С++ 12 корреляция 28–29, 61–68 значений
калибровка 12, 13–14 альфа 66 распределения
расшифровка звонков 181, 187–188 плотности 67 обобщенные 64–
емкость, биржевые фонды 234–235 66 макроэкономические

153
модель ценообразования капитальных активов Коэффициенты Пирсона 62–64, 90 пулов
(CAPM) 10, 95 66 прибыль
привлечение капитала 227–228 и убыток 61–62
арбитраж структуры капитала 204–205 Ранг Копейщика 90
CAPM см. модель (временно 63–64, 65).
ценообразования расходы
капитальных активов керри 247–248 биржевые

«carry trade» 248 исключений 200–202 фонды 232 выхода 19, 21 сделок 50–
отчеты о движении денежных средств 144– 52
145, 150–152
категоризация новостей 163 проблемы Отчет COT см. «Обязательства
прижигания 121 Трейдеры сообщают
CDS видят проблемы с кредитно- о ковариации 62
дефолтными свопами, биржевые см. также корреляция
фонды 239–240 снижение покрытия 191–192
«инвестирование в окурки» 202–203 кредитно-дефолтные свопы
ограничение 54 (CDS) 204–205
проблем классификации 121 перекрестный эффект 52–53

CNN видят сверточную перекрестная проверка 75
нейронные сети CRSP Общий рынок США
Отчет «Обязательства трейдеров» (COT) Индекс 226–227
244–245 завершение любопытство 268
слияний 199 внедрение компьютеров валютные форварды 241–249
7–9 предвзятость подтверждения контрольный список 243–244
80–81 Обязательства трейдеров
Путаница путаницы 7 скопление 197 отчет 244–245 группы
инструментов 242–243
294 Индекс
сезонность 245–246 базовые будущие результаты 29–30

активы 241–242 горизонты 4–50
сокращение потерь 17–21, 109 внутридневные альфа-тесты 219–

221 машинное обучение 121–126
дневная торговля против шумоподавление 26
внутридневной оптимизация 29–30 частота

торговли 218–219 дневной оборот 35 прогнозирования 27 качество 5
данные 43–47 альфа-
отчеты аналитиков 179–193 факторы «риск-вкл/риск»
автоматические поиски 111–120 246-247
бэктестинг 74–75 большие устойчивость 89–93
данные 46–47 сглаживание 54–55, 59–60

внутридневные 207–216 трехосный план 83–88
литература как 44 вселенная 26
добыча и предвзятость 79–80, 117–118 значение 27–30
анализ новостей 159–167 цифровые фильтры 127–128

торговля опционами 169–178 оцифровка 7–9
качество 12 размерность 129–132 раскрытие
источники 25–26, 43–44, 113–114 временные 192
метки 78 понимание проблемные активы 202–203
46 проверка 45–46 диверсификация

автоматизированный поиск 118–119
методологии оценки 189 биржевые фонды 233 портфеля 83–

Вебсим 255 88, 108
в письменном виде 164 DL см. точечное (внутреннее)
проектирование на основе произведение глубокого обучения 63–64.

данных 4 набора данных 85–86 Доу, Чарльз 7
распространение DPIN видит динамическую меру вероятности

сделки 198 глубокое обучение (DL) 125– осознанных
126 степеней свободы 75 торговых просадок
задержка, WebSim 257 106–107
распределения плотности 67 двойная временная метка 78

глубина автоматизированного поиска 116 динамическая мера вероятности
DE Shaw & Co. 8 информированной торговли
дизайн 25–30 (DPIN) 214–215
автоматический поиск 111–120 динамическая параметризация 132
тестирование на
исторических данных премия за досрочное исполнение 174

33–41 тематическое звонки о доходах 181, 187–188 оценки
исследование 31–41 основные понятия доходов 184–185 неожиданные
3–6 входные данные 4, доходы 185–186 эффективность,
25–26, 43–47 оценка автоматический поиск 111–
28–29 выражения 4 блок-схема 41 113
Индекс 295
гипотеза эффективных рынков среднедневной объем торгов 239 вызовов

(ЭМХ) 11, 135 эго 19 239–240 достоинств 232–
233
элегантность моделей 75 импульсные альфа 235–237

EMH видит эффективные рынки возможности 235–238
гипотеза исследования 231–240
эмоции 19 риски 233–235
ансамблевые методы 124–125 сезонность 237–238 см .
выступление ансамбля 117–118 оценка также индексные альфа-
цены на выход 19,
риска 102–106 21 ожидаемость новостей 164
исторический 103–106 экспоненциальные скользящие средние
по положению 102–103 усадка 54 выражения, простые 4
131 экстремальных значения альфа
ETF видят биржевые фонды 104 внешний риск 101, 106, 108–109
Евклидово пространство 64–
66 оценка 13–14, 28–29 факторный риск, гетерогенность 234
бэктестинг 13–14, 33–41, 69–76 смещение фактора
77–82 финансовая отчетность 147
бутстреп 107 корреляция к альфам 148

28–29 сокращение виды отказов 84
потерь 20–21 отбор честное раскрытие информации 192
данных 74–75 справедливая стоимость фьючерсов 223
просадки 107 Трехфакторная модель Фамы–Френча 96

информационное соотношение 28 предвзятость знакомства
маржа 28, 81 извлечение признаков 130–131
переоснащение 72–75 фильтры 127–128

риск 101–110 финансовые блоги 181–182
надежность 89–93 финансовые порталы 180–181, 192
оборачиваемость 49–60 анализ финансовой отчетности 141–154
см. также проверку балансы 143
стратегии, управляемые событиями 195– основы 142
205 деловой цикл 196 отчеты о движении денежных средств 144–
арбитраж структуры 145, 150–152

капитала 204–205 корпоративное управление 146
проблемные активы 202–203 факторы 147–148
арбитраж с фундаментальный анализ 149–154 рост

ребалансировкой 145–146
индексов 203–204 отчеты о прибылях и убытках 144
слияния 196–199 выделения, разделения и выделения

отрицательные факторы 146–
200–202 147 особенности 147 фильтры с
биржевые фонды конечной импульсной
(ETF) 223–240 характеристикой (FIR) 127–128
296 Индекс
КИХ-фильтры см . фильтры с конечной привычки, успешная 265–271 жесткая
импульсной характеристикой нейтрализация 108
Fisher Transform 91 заголовки 164
пятидневная реверсия альфа 55–59 бета-версии хедж-фондов см. факторы риска

Плавающее усиление 125 хедж-фонды, первоначальный 8–9
прогнозирование хеджирование 108–109

поведенческой экономики 11–12 стадное 81–82, 190–191 фильтры
внедрение компьютеров 7–9 верхних частот 128
частоты 27 горизонтов исторические меры риска 103–106
49–50 статистический горизонты 49–50
арбитраж 10–11 горизонтальные слияния 197

Отменить Правило 17–21 Функция потерь Губера 129 горбов
см. также прогнозы 54 гипотезы 4
формирование отрасли 8–9 предвзятость

формулировок 80
дальновидный уклон 72 нападающих идеи 85–86
241–249 матрицы идентичности 65

контрольный список 243–244 БИХ-фильтры видят бесконечные
Обязательства трейдеров импульсные фильтры
отчет 244–245 группы премии за неликвидность 208–211
инструментов 242–243 сезонность 245–246 основные концепции
базовые активы 241–242 реализации 12–13 трехосный
частоты 27 полнотекстовый анализ 164 план 86–88 неточность моделей
фундаментальный 10–11 отчеты о прибылях и убытках 144
анализ 149–154 будущие
результаты 29–30 фьючерсы 241–249 индекс альфа 223–240
изменения индекса 225–228

новые участники 227–228
контрольный список 243–244 принципы 223–225

Обязательства трейдеров искажение значения 228–230
отчет 244–245 см. также арбитраж с ребалансировкой

справедливая стоимость 223
индексов биржевых фондов 203–204 формирование
группы инструментов 242–243 сезонность отрасли 8–9 отраслевые факторы
245–246 базовые активы 241– 188–190 фильтры с бесконечной импульсной
242 нечеткая логика 126 характеристикой (БИХ) 127–128
коэффициент информации (IR) 28, 35–

Дженерал Электрик 200 36, 74–75 начальные
обобщенная корреляция 64–66 группировки, хедж-фонды 8–9 внутренний
фьючерсы и форварды 242–243 продукт см. входные данные скалярного
произведения, для проектирования
групповой импульс 157–158 анализ 25–26 целочисленный
роста 145–146 эффект 138 промежуточные переменные 115

Индекс 297
внутридневные данные 207–216 M&A см. слияния и поглощения
ожидаемая доходность 211–215 Пункт MAC см. в отношении существенных неблагоприятных обстоятельств
премия за неликвидность 208–211 пункт об изменении

микроструктуры рынка 208 MACD см. машинное обучение
вероятность осознанной торговли конвергенции-дивергенции
213–215 внутридневная скользящего среднего 121–126 глубокое
торговля 217–222 альфа-дизайн 219– обучение 125–126 ансамблевые
221 ликвидность 218–219 по методы 124–125
сравнению с ежедневной нечеткая логика 126
торговлей 218–219 внутренний риск предвзятость 79
102–103, 105–106, 109 инвариантность 89 обратные нейронные сети 124
биржевые фонды статистические модели 123
234 IR см . информацию соотношение контролируемые/неконтролируемые 122
машины опорных векторов (SVM) 122, 123–

итеративный поиск 115 124
макроэкономические корреляции 153
Альфа Дженсена 3 ручной поиск,
предварительная
L1 норма 128–129 автоматизация
L2 норма 128–129 119 маржа 28 сайты с комментариями о рынке
латентность 46–47, 128, 155–156 эффекты 181–182 рыночные эффекты
опережения-запаздывания изменения индекса 225–228 см .
158 продолжительность тестирования 75 также изменения цен на

Тиковые данные уровня 1/2 46 микроструктуру рынка 207–216
кредитное плечо 14– ожидаемая доходность 211–215
15 биржевые фонды с кредитным премия за неликвидность 208–211

плечом 234 вероятность осознанной торговли
методы ограничения 92–93 эффект 213–215 типы 208
ликвидности оговорка о
96 существенных неблагоприятных изменениях
внутридневные данные 208–211 (MAC) 198–199
внутридневная торговля 218–219 и максимальная просадка 35
спреды 51 литература, максимальный вес акций, WebSim 257
как источник данных 44 смещение правило возврата к среднему 70
прогноза 78–79 дней минимизация среднеквадратической ошибки 11
ретроспективного анализа, WebSim 257–258 СМИ 159–167
оглядываясь назад, см. тестирование на исторических данныхакадемические исследования 160
Гипотеза Ло 97 потерь категоризация 163
ожидаемость 164
сокращение 17–21, 109 финансовая информация
просадок 106–107 181–182, 192

функции потерь 128–129 фильтры импульс 165
нижних частот 128 новинка 161–162

298 Индекс
настроение 160–161 автоматический поиск 113

социальные 165–166 дифференциация 72–75
слияние и поглощение сокращение 26
(M&A) 196–199 модели нелинейные преобразования 64–66

нормальное распределение,
тестирование на приближение к 91
исторических новизна новостей 161–162
данных 69–76 элегантность
75 неточность 10–11 см . также открытый интерес 177–178
алгоритмы; дизайн; оценка; возможности 14–15
машинное оптимизация 29–30
обучение; оптимизация импульса автоматический поиск 112, 115–116
альфа 155–158, функции потерь 128–129
165, 235–237 эффект импульса 96 параметров 131–132
реверсия импульса 136–137 опционы 169–178
утреннее солнце 46 концепции 169
схождение скользящих средних открытый интерес 177–178
(MACD) 136 проверка популярность 170
множественных гипотез объем торгов 174–177 перекос
13, 20–21 волатильности 171–173 спред
волатильности 174
узкие рамки 81 запасы соотношение объема опционов к акциям
природного газа 246 (O/S) 174–177
негативные факторы, рынки, управляемые заказами 208

финансовая отчетность 146–147 методы заказа 90–92
неокогнитронные модели 126 O/S см. вариант с выбросами соотношения
нейронные сети (НС) 124 объемов запасов 13, 54, 92–
нейтрализация 108 93 тестирование вне выборки 13,
Вебсим 257 74 переоснащение 72–
вновь индексируемые компании 227–228 75 интеллектуальный
новости 159–167 анализ данных 79–80 сокращение
академические исследования 160 74–75, 269–270 ночные альфа-0 219–
категории 163 221 ночь-1 альфа 219
ожидаемость 164
финансовая информация минимизация параметров 75
181–182, 192 оптимизация параметров 131–132
импульс 165 PCA см. анализ главных
новизна 161–162 компонентов
актуальность 162 Корреляции Пирсона
настроение 160–161 коэффициенты 62–64, 90
волатильность 164–165 давление со стороны
НС видят нейронные сети коллег 156 процентов прибыльных
шум дней 35 параметры эффективности 85–86
Индекс 299
PH видит вероятность эвристической отношение паритета пут-колл 174

торговли Питон 12
PIN-код позволяет увидеть
вероятность осознанной торговли качество 5

PnL см. пулы прибылей и квантильная аппроксимация 91
убытков см. портфели квинтильное распределение 104–105
Поппер, Карл 17 котировочные рынки 208
популярность опционов 170
корреляция алгоритм случайного леса 124–125
портфелей 61–62, 66 случайные блуждания 11
диверсификация 83–88, 108 рейтинг 90

позиционный риск RBM см. с ограничениями
меры 102–103 Машина Больцмана
положительное инвестиционные фонды недвижимости
смещение 190 (REIT) 227
прогнозов 4 рекомендаций аналитиков

частота 27 горизонтов 182–183 рекуррентные
49–50 см . также нейронные сети
прогнозирование (РНН) 125
изменений цен, снижение

аналитические отчеты 190 поведенческая экономика размерность
11–12 130–131 шум 26
гипотеза эффективных рынков 11
выражений 4 переобучения 74–75, 269–270 риска 108–
изменения индекса 225–228 109
новостные эффекты 159–167 Reg FD см. Ярмарку регулирования.
относительные 12–13, Раскрытие информации
26 целевые цены 184 регион, WebSim 256 регионы

стратегии «цена-объем» 135–139 гордость 85–86 регрессионные
19 анализ модели 10–11 задачи регрессии
главных компонентов 121 регуляризация 129
(PCA) 130–131
вероятность эвристической торговли Регулирование Добросовестное раскрытие информации
(PH) 214 вероятность (рег. ФД) 192

информированной торговли REIT видят недвижимость
(PIN) 213–215 инвестиционные трасты
Корреляция прибылей и модели отношений 26

убытков (PnL) 61–62 относительные цены 12–13, 26
просадки 106–107 актуальность, новости 162
см. также потери Ренессанс Технологии 8 исследований
прибыль на доллар торговли 35 7–15
языков программирования 12 отчеты аналитиков 179–193

психологических факторов см. автоматические поиски 111–120
поведенческую экономику бэктестинг 13–14
300 Индекс
поведенческая экономика 11–12 импульсные стратегии 157

внедрение компьютеров 7–9 и солнце 46
оценка 13–14 предвзятость отбора 77–79, 117–118
биржевые фонды 231–240 реализация 12– аналитики продавцов 179–180 см.

13 внутридневные данные также отчеты аналитиков,
207–216 машинное обучение тесты на чувствительность
121–126 возможности 14–15 119 анализ настроений 160–161, 188
перспективы 7–15 акционерный капитал 151
статистический Коэффициенты Шарпа 71,
арбитраж 10–11 трехосный план 73, 74–75, 221, 260
83–88 ограниченная машина в годовом исчислении 97
Больцмана Шоу, Дэвид 8

(УКР) 125 оценщиков сокращения 131
Треугольник Рело 70 доклад
реверсивных альфа, пятидневный 55–59 аналитиков сигналов 190, 191–192
риск 101–110 сокращение потерь 20–21
арбитраж 196–199 источников данных 25–26
контроль 108–109 определение 73
просадки 106–107 вызовы доходов 187–188
оценка 102–106 выражения 4
внешние 101, 106, 108–109 шумоподавление 26, 72–75 объем
внутренние 102–103, 105–106, 109 факторы торгов опционами 174–177 сглаживание
риска 26, 95–100 альфа- 54–55, 59–60 перекос
факторы риска и отказа от риска 246–247 волатильности 171–173 спред
матрица риск-вознаграждение 267–268 волатильности 174
RNN видят повторяющиеся нейронные сети корреляция знаков 65
надежность 89–93, 103–106 правила тесты значимости 119
17–18 Саймонс, Джеймс 8
оценка 20–21 простых скользящих средних 55
см. также алгоритмы; отменить правило моделирование
Рассел, 2000 г., фонд IWM 225–226 бэктестинг 71–72

Настройки WebSim 256–258 см .
САР см. сезонное аффективное расстройство. также бэктестинг
масштаб автоматизированных размерного
поиск 111–113 коэффициента 96 сглаживание
поисковые системы, отчеты 54–55, 59–60 социальные
аналитиков 180–181 сети 165–166 источники данных 25–26, 43–44,
поисковые пространства, 74–75 автоматический поиск 113–114

автоматический поиск 114–116 см. также данные
сезонность разреженный анализ главных компонент

биржевые фонды 237–238 фьючерсы и (сПКА) 131
форварды 245–246 Ранговая корреляция Спирмена 90
Индекс 301
особые соображения, финансовая реализация 86–88 настройка

отчетность 147 оборота 59–60 см . также
побочные эффекты 200– сглаживание оборота 49–
202 разделения 200–202 60
спреды и бэктестинг 35
ликвидность 51 и контроль 53–55, 59–60
волатильность 51–52 stat затраты 50–52
arb см. статистический арбитраж пересечение 52–53

статистический арбитраж (stat arb) примеры 55–59
10–11, 69–70 горизонты 49–50
статистические модели, машинное сглаживание 54–55, 59–60

обучение 123 Вебсим 260
шаг за шагом строительство 5, 41 затраты

на хранение 247–248 неопределенность 17–
рассказывание 18 основополагающие принципы 72–
историй 80 73 изменения в 109
субъективность 17 солнечный свет 46 понимании данных 46
контролируемое машинное обучение 122 неожиданные новости 164
машины опорных векторов (SVM) 122, 123– вселенные 26, 85–86, 239–
124 системное 240, 256
смещение 77–80 UnRule 17–18, 20–21
неконтролируемое машинное обучение 122

TAP видит трехосный план
налоговой эффективности, биржевые валидация, данные 45–46
фонды 233 методологии оценки 189 значение
команды 270–271 альфа-факторов 27–30
временная искажение стоимости, индексы 228–230
корреляция 63–64, 65 факторы стоимости
соответствие теории 96 стоимостное инвестирование

80 мыслительные процессы 96, 141 дисперсия и систематическая ошибка 129–130
аналитиков 186–187 поставщики как источник данных 44

тиковые данные 46 вертикальные слияния 197
временные метки и предвзятость 78–
79 ошибки отслеживания 233– волатильность и новости
234 сделки 164–165 и спреды 51–52
стоимость 50–52 перекос волатильности 171–173
эффект пересечения 52–53 спред волатильности 174
задержка 46–47 объем
тренд после 18 обрезки торговли опционами 174–177

92 трехосный стратегии «цена-объем» 135–139 вероятность
план (TAP) 83–88 концепции 83–86 информированной торговли с синхронизацией
по объему (VPIN) 215
302 Индекс
VPIN позволяет увидеть синхронизированную по пример 260–261

объему вероятность настройки 256–258
информированной торговли цели на неделю 266–267
взвешенные
погодные эффекты 46 скользящие средние 55
Вебсим 253–261 Винсоризация 92–93
анализ 258–260 Yahoo Финансы 180

бэктестинг 33–41
типы данных 255 Z-рейтинг 92

Alphas A Quantitative Approach

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Alphas A Quantitative Approach

Загружено:

Авторское право:

Доступные форматы

Machine Translated by Google

В сфере финансов альфа — это мера превышения доходности инвестиций по сравнению

Появление вычислительных машин на торговых площадках крупных фирм с

Одним из первых, кто применил компьютерные инвестиционные методы для

Со временем количественное рыночно-нейтральное инвестирование стало известно как

Тем не менее, путь к тому, чтобы количественное инвестирование стало общепринятой

В следующем разделе мы более подробно рассмотрим альфы, определяющие

Термин «статистический арбитраж» (stat arb) иногда используется для описания

Но академические модели, даже если они обеспечивают основу для прикладных

обычно оцениваются на основе минимизации среднеквадратических ошибок для

Мы могли бы спорить о том, должны ли вообще существовать альфы и стратегии

Чтобы получить и проанализировать информацию, цены не будут отражать всю

в свою очередь, привлечет заинтересованных в прибыли инвесторов для решения

Альфа-версии обычно реализуются на языке программирования, например C++, Python

Что такое хорошая альфа? Не существует единого показателя, который мог бы

• Хорошая производительность внутри выборки не гарантирует хорошую производительность вне выборки.

• Выбросы могут разрушить модель и привести к ошибочным прогнозам.

Бэктестирование включает в себя взгляд назад во времени, чтобы оценить, как

• История не повторяется в точности. Таким образом, хотя альфа-идея может

скучать по лесу за деревьями. Имея вычислительные ресурсы, вы можете оценить очень

истинной моделью, а не простым статистическим артефактом.

• Новые разработчики алгоритмического моделирования оглядываются назад на историю и

несколькими эффектами. Во-первых, ретроспективный взгляд — 20/20. Во-вторых, очистка

Наконец, вычислительная мощность и технологии развиваются, а сегодняшние инструменты

рыночные возможности. Каждое поколение специалистов по алгоритмическому

моделированию имеет набор возможностей, включающий возможность получения мощных

рыночных прогнозов, которые принесут значительную прибыль.

Подходящие для использования ценовые модели и торгуемые модели прогнозирования

предпочтениями (например, толерантностью к риску) и своей способностью обрабатывать информацию.

Участники работают с ограниченным набором ресурсов и стремятся оптимизировать свои

инвестиционные стратегии с учетом ограничений, налагаемых этими ресурсами.

Они оставляют другим возможность воспользоваться любыми торговыми возможностями, на

которых у них не было возможности или возможности сосредоточиться. Участники рынка с

долгосрочными инвестиционными горизонтами, как правило, не обращают такого же внимания

на краткосрочные колебания цен, как участники с краткосрочными инвестиционными

горизонтами. И наоборот, трейдеры с краткосрочным инвестиционным горизонтом могут

действовать эффективно и результативно, не имея понимания фундаментальных принципов

оценки, которые используются институциональными инвесторами, заинтересованными в

масштабируемости, налоговой эффективности и долгосрочных результатах (или, в некоторых

случаях, эффективности). относительно индекса). Трейдеры, использующие кредитное плечо, не

Фирмы с более крупными технологическими бюджетами могут победить конкурентов в

например, монетизация краткосрочных альф через инфраструктуру с малой

Реальность описывает бесконечное количество возможных правил, и мы всегда пытаемся

Мы как художники, медленно рисующие изображения на холстах. Каждый мазок может

эволюционировали от веры в то, что Земля находится в центре космоса, до осознания

того, что мы крошечные, хрупкие существа, дрейфующие в огромной вселенной,

Трейдинг — это микрокосм реальности, динамическая среда огромной сложности, в

Мы представляем торговые правила в виде альфа-алгоритмов, которые стремятся

Идея сокращения торговых потерь существует уже давно. Он возник в результате,

Сокращение потерь требует дисциплины и подчинения своего эго.

Возможно, практика сокращения потерь не получила более широкого распространения

Мы собираем все идеи и позволяем времени и производительности показать, что

Старая поговорка гласит: в стране слепых одноглазый — король. Мы живем в стране

КАК ПРИМЕНИТЬ ПРИНЦИП НЕПРАВИЛЬНОСТИ

Мы признаем, что число несовершенных идей безгранично и что реальность неизвестна и

непознаваема. Но каждая несовершенная идея хоть немного описывает реальность, поэтому

мы можем стремиться к увеличению прибыли.

максимально приближен к совершенству.

Сочетание всех правил является ключом к успеху. Например, чтобы

переходя улицу, вы можете иметь в виду следующие три правила:

2. Если вы слышите громкий шум, повернитесь в сторону шума.

3. Если вы видите приближающуюся к вам машину, бегите!

звуковой сигнал, который активирует Правило 2. От Правила 1 следует немедленно отказаться,