27 августа 2013 long-short.ru
Исходные данные в теории вероятности и статистике позволяют вам рассматривать будущее не как нить достоверных фактов, а скорее как бесконечный набор возможностей, одни из которых более вероятны, чем другие. Для количественных инвесторов это имеет несколько значений.
Во-первых, это подчеркивает то, что стремится делать количественные инвесторы. Количественные инвесторы стремятся использовать математику, статистику и компьютерное моделирование для создания систематического процесса с высокой повторяемостью, чтобы постоянно быль на стороне «удачливых». Другими словами, они рассматривают будущее как распределение вероятных событий и пытаются заполучить положительное ожидание выгоды от всех событий. Если произойдут события, на которых они потеряют, они попытаются минимизировать убытки. В конце концов, словами ДеПодесты:
«Мы знаем, что часто будем неправы, но мы, по крайней мере, пытаемся дать себе шанс».
Мы отыгрываем распределение. Мы пытаемся использовать возможности в свою пользу. Но мы должны осознавать, что не можем контролировать будущее: мы можем контролировать только свою позицию (и свой портфель) в нем. Это также означает, что мы должны осознавать, что хотя и можем формировать наш портфель для получения прибыли при огромном количестве возможных сценариев, но существует возможность возникновения последовательности низко-вероятных событий, которые приведут к реализации убытков. Если не учитывать вероятность, то обычно возникает вопрос: «Как вы могли этого не предвидеть?». Вместо этого мы должны себя спросить: «Может быть мы посчитали это событие слишком маловероятным?». Я думаю, что Аарон Браун (Aaron Brown) сказал лучше: «Если вы будете считать, что практически невозможный сценарий может произойти с вероятностью, отличной от нуля, то это сильно вам не навредит. Вы можете потерять небольшую часть прибыли, но это не смертельно. Гораздо хуже, если вы присвоите нулевую вероятность сценарию, который фактически может произойти».
Например, рассмотрим фонд с «хвостовым хеджем», который теряет несколько сотен пунктов в год сверх комиссии за управление. Если риски никогда не реализуются, то хеджирование тоже никогда не произойдет, и фонд просто истечет кровью от тысячи прорезов бумагой. Это похоже на платеж по страховому взносу: если ураган или наводнение никогда не случатся, то мы никогда не получим деньги обратно. С другой стороны, если риски реализуются снова и снова, менеджер может выглядеть гением. Совсем не обязательно, что она была умнее своих коллег, она просто ставила себя в такое положение, чтобы получить большие выплаты, если некоторые события произойдут в будущем, и они происходили. (Конечно, это слишком упрощенно: существует некое искусство определять, переплачиваем ли мы или недоплачиваем определенную величину страховки, основываясь на нашем видении будущих вероятностей по сравнению с видением рынка).
Во-вторых, мы осознаем то, что прошедшее событие – это лишь одно из бесконечного числа событий, которые могли произойти. Это влияет на то, как мы используем данные для прогнозирования будущего. Только потому, что что-то произошло в прошлом, не значит, что это без сомнения случится и в будущем. Представим, например, что долгосрочная ожидаемая премия на риск акций составляет ~2,4%: это та средняя повышенная доходность, которую могут ожидать при любом возможном будущем сценарии за дополнительный риск. При некоторых сценариях реализованная премия может быть выше. Если эти риски реализуются, как это было в 2000-2010 году, то реализованная премия может даже быть отрицательной.
Таким образом, поскольку мы получаем информацию из исторических данных и на этой основе строим наши бэктесты, то мы всегда должны иметь в виду, что лишь потому, что произошла определенная последовательность действий, не факт, что она повторится. На самом деле реализованный путь может оказаться собранным лишь из низко-вероятных событий.
В конечном счете, все меняется. Когда люди узнали больше о роли стимуляторов в бейсболе, это вынудило ДеПодесту переоценить свою систему. Разве стимуляторы сделали статистические данные за последние 15-20 лет бессмысленными? Если вы используете историческую информацию для проверки своей модели, то вы считаете, что ближайшее будущее похоже на прошлое. Но как при настройке вашей модели или данных вы объясняете разительные перемены?
В количественном инвестировании это вопрос без ответа: мы отыгрываем распределение, но распределение всегда меняется. Иногда не сильно, а иногда сильно. В бейсболе реализация, которая увеличила использование стимуляторов, оказала влияние на значимость исторической информации, которую мы использовали. Будущее уже не выглядит как недавнее прошлое. Я провожу параллель от этого примера до динамического окна, которое управляет нашими импульсными моделями (momentum models). Пример, к которому мы часто обращаемся по поводу того, почему наши модели используют динамический прошедший период, заключается в том, что информация, поступающая на рынок, может изменить значимость исторических данных. В 2006 года была значима информация о доходе за последние несколько лет; в конце 2008 года – лишь за последние несколько недель.
Бейсбол и количественное управление активами могут отличаться, но методология ДеПодесты выделяет много общих черт и многие проблемы. Мы считаем, что четыре столпа Количественной Целостности, на основе которых формируются каждая модель и каждый портфель, помогают работать с этими общими проблемами.
Когда модель разрабатывается простой, это помогает препятствовать чрезмерному использованию исторических данных («подгонка под кривую»), которые работают как зеркало заднего вида, но не позволяют признать, что мы видим лишь один из возможных путей.
Мы проектируем наши модели и портфели, чтобы они были устойчивыми по всем временным горизонтам, классам активов и географии. Это дает нам большую уверенность в том, что при изменении распределения наша модель изменится вместе с ним. Пример, который мы часто приводим: если бы индекс S&P 500 внезапно начал вести себя как золото, то многие модели перестали бы функционировать – мы используем те же самые модели на акциях в качестве инструмента фиксированного дохода и товаров, что дает нам большую уверенность в их надежности.
Наши модели должны быть адаптивными для распознавания событий, которые могут изменить значимость исторической информации; будущее может не быть похожим на недавнее прошлое, и поэтому мы должны как можно быстрее приспосабливаться к новой рыночной среде.
Наши модели разрабатываются реагирующими (reactive). Рассмотрение будущего как бесконечного набора возможностей подчеркивает непрактичную природу прогнозирования. Проектируя наши модели и портфели вокруг преимуществ (edges), которые можно использовать «реагирующим» образом, такой как импульс (momentum), мы можем использовать в своих интересах изменение распределения будущей вероятности. Прогнозирование полагает, что будущее будет похоже на прошлое - это ставка, которую мы не готовы сделать.
http://www.long-short.ru/ (C) Источник
Не является индивидуальной инвестиционной рекомендацией
При копировании ссылка обязательна Нашли ошибку: выделить и нажать Ctrl+Enter
Во-первых, это подчеркивает то, что стремится делать количественные инвесторы. Количественные инвесторы стремятся использовать математику, статистику и компьютерное моделирование для создания систематического процесса с высокой повторяемостью, чтобы постоянно быль на стороне «удачливых». Другими словами, они рассматривают будущее как распределение вероятных событий и пытаются заполучить положительное ожидание выгоды от всех событий. Если произойдут события, на которых они потеряют, они попытаются минимизировать убытки. В конце концов, словами ДеПодесты:
«Мы знаем, что часто будем неправы, но мы, по крайней мере, пытаемся дать себе шанс».
Мы отыгрываем распределение. Мы пытаемся использовать возможности в свою пользу. Но мы должны осознавать, что не можем контролировать будущее: мы можем контролировать только свою позицию (и свой портфель) в нем. Это также означает, что мы должны осознавать, что хотя и можем формировать наш портфель для получения прибыли при огромном количестве возможных сценариев, но существует возможность возникновения последовательности низко-вероятных событий, которые приведут к реализации убытков. Если не учитывать вероятность, то обычно возникает вопрос: «Как вы могли этого не предвидеть?». Вместо этого мы должны себя спросить: «Может быть мы посчитали это событие слишком маловероятным?». Я думаю, что Аарон Браун (Aaron Brown) сказал лучше: «Если вы будете считать, что практически невозможный сценарий может произойти с вероятностью, отличной от нуля, то это сильно вам не навредит. Вы можете потерять небольшую часть прибыли, но это не смертельно. Гораздо хуже, если вы присвоите нулевую вероятность сценарию, который фактически может произойти».
Например, рассмотрим фонд с «хвостовым хеджем», который теряет несколько сотен пунктов в год сверх комиссии за управление. Если риски никогда не реализуются, то хеджирование тоже никогда не произойдет, и фонд просто истечет кровью от тысячи прорезов бумагой. Это похоже на платеж по страховому взносу: если ураган или наводнение никогда не случатся, то мы никогда не получим деньги обратно. С другой стороны, если риски реализуются снова и снова, менеджер может выглядеть гением. Совсем не обязательно, что она была умнее своих коллег, она просто ставила себя в такое положение, чтобы получить большие выплаты, если некоторые события произойдут в будущем, и они происходили. (Конечно, это слишком упрощенно: существует некое искусство определять, переплачиваем ли мы или недоплачиваем определенную величину страховки, основываясь на нашем видении будущих вероятностей по сравнению с видением рынка).
Во-вторых, мы осознаем то, что прошедшее событие – это лишь одно из бесконечного числа событий, которые могли произойти. Это влияет на то, как мы используем данные для прогнозирования будущего. Только потому, что что-то произошло в прошлом, не значит, что это без сомнения случится и в будущем. Представим, например, что долгосрочная ожидаемая премия на риск акций составляет ~2,4%: это та средняя повышенная доходность, которую могут ожидать при любом возможном будущем сценарии за дополнительный риск. При некоторых сценариях реализованная премия может быть выше. Если эти риски реализуются, как это было в 2000-2010 году, то реализованная премия может даже быть отрицательной.
Таким образом, поскольку мы получаем информацию из исторических данных и на этой основе строим наши бэктесты, то мы всегда должны иметь в виду, что лишь потому, что произошла определенная последовательность действий, не факт, что она повторится. На самом деле реализованный путь может оказаться собранным лишь из низко-вероятных событий.
В конечном счете, все меняется. Когда люди узнали больше о роли стимуляторов в бейсболе, это вынудило ДеПодесту переоценить свою систему. Разве стимуляторы сделали статистические данные за последние 15-20 лет бессмысленными? Если вы используете историческую информацию для проверки своей модели, то вы считаете, что ближайшее будущее похоже на прошлое. Но как при настройке вашей модели или данных вы объясняете разительные перемены?
В количественном инвестировании это вопрос без ответа: мы отыгрываем распределение, но распределение всегда меняется. Иногда не сильно, а иногда сильно. В бейсболе реализация, которая увеличила использование стимуляторов, оказала влияние на значимость исторической информации, которую мы использовали. Будущее уже не выглядит как недавнее прошлое. Я провожу параллель от этого примера до динамического окна, которое управляет нашими импульсными моделями (momentum models). Пример, к которому мы часто обращаемся по поводу того, почему наши модели используют динамический прошедший период, заключается в том, что информация, поступающая на рынок, может изменить значимость исторических данных. В 2006 года была значима информация о доходе за последние несколько лет; в конце 2008 года – лишь за последние несколько недель.
Бейсбол и количественное управление активами могут отличаться, но методология ДеПодесты выделяет много общих черт и многие проблемы. Мы считаем, что четыре столпа Количественной Целостности, на основе которых формируются каждая модель и каждый портфель, помогают работать с этими общими проблемами.
Когда модель разрабатывается простой, это помогает препятствовать чрезмерному использованию исторических данных («подгонка под кривую»), которые работают как зеркало заднего вида, но не позволяют признать, что мы видим лишь один из возможных путей.
Мы проектируем наши модели и портфели, чтобы они были устойчивыми по всем временным горизонтам, классам активов и географии. Это дает нам большую уверенность в том, что при изменении распределения наша модель изменится вместе с ним. Пример, который мы часто приводим: если бы индекс S&P 500 внезапно начал вести себя как золото, то многие модели перестали бы функционировать – мы используем те же самые модели на акциях в качестве инструмента фиксированного дохода и товаров, что дает нам большую уверенность в их надежности.
Наши модели должны быть адаптивными для распознавания событий, которые могут изменить значимость исторической информации; будущее может не быть похожим на недавнее прошлое, и поэтому мы должны как можно быстрее приспосабливаться к новой рыночной среде.
Наши модели разрабатываются реагирующими (reactive). Рассмотрение будущего как бесконечного набора возможностей подчеркивает непрактичную природу прогнозирования. Проектируя наши модели и портфели вокруг преимуществ (edges), которые можно использовать «реагирующим» образом, такой как импульс (momentum), мы можем использовать в своих интересах изменение распределения будущей вероятности. Прогнозирование полагает, что будущее будет похоже на прошлое - это ставка, которую мы не готовы сделать.
http://www.long-short.ru/ (C) Источник
Не является индивидуальной инвестиционной рекомендацией
При копировании ссылка обязательна Нашли ошибку: выделить и нажать Ctrl+Enter