إستراتيجية التداول أهل
قامت هيئة الإمارات للمواصفات والمقاييس بنشر سؤال وجواب محدث ل إيفمد بما في ذلك ثلاثة أسئلة وأجوبة جديدة حول: تطبيق متطلبات الإفصاح عن المكافآت لموظفي مندوبي إيفم الذين تم تفويض إدارة المحافظ أو أنشطة إدارة المخاطر؛ طريقة اإلفصاح عن مكافأة أعضاء مجلس اإلدارة في التقارير السنوية. والتقارير الدورية بموجب المادة 13 من اتفاقية فيينا بشأن هيئات التوظيف الجماعي في القيم المنقولة وصناديق الاستثمار المتداولة للمستثمرين بشأن استخدام مقايضات التحويلات النقدية القصيرة وعقود مقايضة العائد الإجمالية.
قامت هيئة الإمارات للمواصفات والمقاييس بنشر توجيهات أسئلة وأجوبة محدثة لتوجيهات مؤسسات التوظيف الجماعي في القيم المنقولة، بما في ذلك سؤال وجواب جديد بشأن التقارير الدورية بموجب المادة 13 من اتفاقية التجارة الحرة للمنظمات غير الهادفة للربح إلى مؤسسات التوظيف الجماعي في القيم المنقولة وصناديق الاستثمار المتداولة للمستثمرين بشأن استخدام مقايضات التحويلات النقدية القصيرة وعقود مقايضة العائد الإجمالية ..
إم بجبل. I نر. 106/2017 وورد داس ميتلستاندسفينانزيرونزجيسيلزشافتنجيزيتز 2017 - ميفيغ 2017، ميت ديم داس إينكومنستيويرجيزيتز 1988، داس كوربيرشافتستيويرجيزيتز 1988، داس أومزاتستيويرجيزيتز 1994 أوند داس ألترناتيف إنفستمنتفوندز ماناجر-جيسيتز جيندرت ويردن، فيروفنتليشت.
Veranstaltungstipps.
الاتحاد إيفم فاكتاغونغ فور إنستيتوتيونيل إنفستورن.
باي مؤتمر المستثمرين البديل (إيك) في فرانكفورت.
داي إيفم فيديراشيون النمسا هي داي إنتيرسنفرترتونغ ألر تيلنهمر آم هايميسشن كابيتالماركت، داي أوس ريجولاتيفر سيشت فون دير يوروبايشن إيفم-ريتشتليني أوند ديم österreichischen إيفمغ إرفاست ويردن. داس سيند بريمار داي إن Österreich تاتيجن ألترناتيفن إنفستمنتفوندز ماناجر (إيفم)، يبر أوتش سيرفيسبروفيدر أوند إنستيتوتيون إنفستورن.
داي إيفم فيديراشيون النمسا غهت أوس دير فيرينيغونغ ألترناتيفير إنفستمينتس (فاي) هيرفور، داي 2003 إرستمالس داي ألترناتيف إنفستمنت برانش زوسامنزكلوس أوند سيتش إرفولغريش فور إين فيربيسيرونغ دير رحمنبيدينغونجن ديزر أسيت-كلاس أند أوند إين بوسيتيفس أومفيلد زور ناشالتيغن إنتواكلونغ ديس & كوت؛ أي ستاندورتيس Österreich & كوت؛ إينجيستت، القبعة.
فورتسيتزونغ إيفم براكتيكر ورش العمل.
داي إيفم فيديراشيون أوستريا سيزت داي 2018 جيستارتيت وركشوبسيري زور نيوين يوروبايشن إيفم ريجوليرونغ أوند دير österreichischen أومسيتزونغ (إيفمغ) ميت إينر 4. سبيزيالفيرانستالتونغ فور إموبيلينفيرانلاغونجن آم 20.06.2017 فورت. جيبلانت سيند أويردم مودول فور ديبوتبانكين أوند إنستيتوتيون إنفستورن سوي داي ويدرهولونغ bzw. فيرتيفونغ دير بيريتس بيهاندلتن إنهالت أوف باسيس ديس أكتواليسرتن ويسنسستاندس أوند إرستر براكتيشر إرفارونجن ميت دير نيوين جيزيتززماتيري.
واحدة من أكبر صناديق التحوط في العالم أصدرت فيديو ل "إزالة الغموض" كيف يجعل المال.
مان أهل، وهي مؤسسة تحوط كمي مقرها لندن تدير نحو 19 مليار دولار، تحاول "إزالة الغموض" عن كيفية كسب المال.
ويوضح الفيديو الجديد، الذي يمكنك مشاهدته أدناه، "تداول الاختراق"، وهو أحد استراتيجيات التداول المنهجي الأكثر شعبية. ويقول أنثوني ليدفورد، كبير العلماء في عالم أهل، في الفيديو أن الاستراتيجية تستخدم في تداول الأسهم النقدية، والعقود الآجلة، وأسواق الفوركس.
ويأتي هذا الإصدار بعد مجموعة من مقاطع الفيديو التي تم توفيرها في العام الماضي، وهي أول مقاطع فيديو أخرى ستبدأ في وقت لاحق من هذا الخريف. وتشكل مقاطع الفيديو هذه جزءا من اتجاها أوسع نطاقا، حيث تبحث صناديق التحوط السرية مرة واحدة عن تفسير ما يمكن أن يقوم به المجندون المحتملون.
أصدرت بريدجواتر مؤخرا سلسلة من أشرطة الفيديو التي تبدو وكأنها شيء الفيسبوك أو جوجل سوف تنتج، في حين أن الصندوق الكمي العملاقة اثنين سيغما أصدرت شريط فيديو يعرض المنافسة السنوية الذكاء الاصطناعي.
وقال ساندي راتراي، الرئيس التنفيذي لشركة مان أهل و سيو أوف مان: "نأمل أن تؤدي مجموعتنا الجديدة من مقاطع الفيديو، التي تقترب من المفاهيم الأساسية بطريقة يسهل الوصول إليها، إلى مزيد من الغموض عن الاستثمار الكمي وتقديم نظرة ثاقبة حول ما نقوم به في مان أهل" فى بيان لها.
وقد أصبح الاستثمار الكمي واحدا من المناطق الأكثر سخونة في صناعة صناديق التحوط، وأولئك الذين لديهم مجموعة المهارات المناسبة هي في ارتفاع الطلب.
إستراتيجية التداول أهل
نحن نشارك بنشاط مع عملائنا في شراكة استراتيجية. ونحن نعتقد جوهريا أن مخاطر عدم المشاركة تتجاوز بكثير من مخاطر المشاركة.
وعلى هذا النحو، فإننا ننشئ حوارا مستمرا مع مستثمرينا ونبذل قصارى جهدنا لتجاوز التوقعات من خلال توفير مستويات متميزة من خدمة العملاء والشفافية.
نحن متحمسون لاستراتيجياتنا ونعتقد أنها يمكن أن توفر قيمة كبيرة لعملائنا على المدى الطويل.
ونحن حريصون على تقديم الحل الأمثل في كل ما نقوم به، سواء كان ذلك هو البحث والتكنولوجيا أو التداول القائم.
أي سوق، أي نموذج.
ونحن نعتقد أنه لا توجد بيانات مجموعة، السوق أو نموذج خارج الحدود. نحن نبحث باستمرار عن فرص تجارية منهجية في جميع أنحاء العالم ونشجع بنشاط شعبنا للعثور على ألفا في أماكن جديدة.
العملية التي تحول فكرة إلى استراتيجية التداول هي منهجية ومنهجية جدا. نبدأ مع عدد كبير من الأفكار، ونحن بحاجة إلى العمل على أي منها لديه القدرة على إنتاج عوائد مستدامة لمستثمرينا.
ونحن نفعل ذلك في عملية من مرحلتين. الأول هو محاكاة، حيث نأخذ الأفكار، وبناء استراتيجيات من هذه الأفكار، ونرى كيف أنها قد تصرفت على مدى فترة طويلة من الزمن ومن خلال العديد من البيئات المختلفة. إذا كنا راضين عن هذا، ونحن ننتقل إلى المرحلة الثانية من العملية حيث نحن ورقة التجارة الفكرة. نحن نبيعها مباشرة ولكن على الورق، لذلك لا يتم استخدام أي أموال في التداول ولكن نحن محاكاة التداول المباشر من خلال عملية الوقت للتأكد من أن هذه الاستراتيجية هي قوية خلال هذه الفترة الحية.
التفكير غير التقليدي وغير المقيد.
نأتي بالعقل العلمي التجريبي للاستثمار. نحن فقط التجارة الأفكار والنظريات التي يمكننا اختبار وإثبات. نحن نعمل على الأدلة والسعي لنمذجة وفهم جميع جوانب عالم الاستثمار. لكننا لسنا منظمين أكاديميين. نحن علماء عملية الذين يطبقون معرفتنا لإنتاج شيء من القيمة المالية.
شراكتنا الفريدة مع جامعة أكسفورد، معهد أكسفورد مان، يسلط الضوء على هذا.
معهد أكسفورد مان هو معهد أبحاث يجمع بين أعضاء هيئة التدريس، وما بعد الوثائق والطلاب الذين يرغبون في التمويل الكمي، وخاصة تقنيات التعلم الآلي وتحليلات البيانات. يعمل باحثو معهد "أهل" جنبا إلى جنب مع أكاديميي أومي، وهذا النهج التعاوني يعطي رؤية أكاديمية عميقة للبحث العملي العملي.
دولة ما توصلت إليه التكنولوجيا.
ونحن نؤمن حقا بأن إستراتيجيات التداول الكمي المتطورة تتطلب أحدث ما توصلت إليه التكنولوجيا في جميع المراحل. من اقتناء بيانات السوق والبحوث الأولية من خلال تنفيذ نموذج وتنفيذ التجارة. ويتيح هذا التركيز الأساسي لنماذجنا العلمية الانتقال من المفهوم من خلال الاختبار الخلفي إلى تجارة الإنتاج مع الحد الأدنى من الكفاءة العامة والحد الأقصى من الكفاءة.
إن وجود لغة برمجة موحدة وتوحيد قواعد السلوك يعزز ممارسات العمل التعاونية والمحفزة، حيث يتبادل الباحثون والتكنولوجيون الأفكار بشكل طبيعي في بيئة مفتوحة. لدينا أفضل من سلالة الأجهزة والأدوات وممارسات هندسة البرمجيات ضمان مستويات عالية من الإنتاجية والجودة والرشاقة اللازمة لتلبية بسرعة احتياجات الأعمال الحيوية.
في تكنولوجيا التنفيذ، هدفنا الأساسي هو ضمان أفضل تنفيذ لعملائنا. ونحن نعتبر أساسا أن المنافسة هو المفتاح لهذا، لدينا طرق تجارية متعددة. خوارزميات أهل المتقدمة، وأفضل من سلالة خوارزميات طرف ثالث ومكتب التداول اليدوي. نحن باستمرار فرض المنافسة الصارمة بين هذه الطرق لضمان نحن دائما التداول على النحو الأمثل.
الاعتراف الصناعة.
وقد تم الاعتراف جهودنا البحثية المستمرة مع العديد من الجوائز في السنوات ال 3 الماضية، وهي مجموعة مختارة أدناه.
الجوائز و / أو التصنيفات هي لأغراض المعلومات فقط، ولا ينبغي أن تفسر على أنها تأييد لأي شركة مجموعة مان ولا لمنتجاتها أو خدماتها. يرجى الرجوع إلى مواقع الكفيل / المصدرين للحصول على معلومات بشأن المعايير التي يتم تحديد الجوائز / التصنيفات.
معهد أكسفورد مان.
معهد أكسفورد مان ('أومي') هو تعاوننا الفريد مع جامعة أكسفورد. على مدى العقد الماضي، و أومي، وهي جزء من قسم العلوم الهندسية في الجامعة، وقد تم إجراء بحوث رائدة في مجال التمويل الكمي، ويركز الآن في المقام الأول على تقنيات التعلم الآلي وتحليلات البيانات.
ونحن نعتقد أن هذه المبادرة تدعم بقوة التطور المستمر لاستراتيجياتنا الكمية للاستثمار. نحن باستمرار يتم تقديمها مع مجموعات البيانات الجديدة والتوسع وتعلم الآلة لديها كمية كبيرة لتقدمه في تفسير هذه المعلومات.
و أومي هو جزء من جامعة أكسفورد قسم العلوم الهندسية. تقع في نفس مبنى مختبر أكسفورد للبحوث مان أهل، فإنه يوفر لنا اتصال مباشر إلى أحدث الأبحاث التعلم الآلي ويسمح للتلاقي بين مثمرة من الأفكار بين المجتمعات الاستثمارية والأكاديمية. وقد ساهم العمل الذي تم إنجازه في مركز البحوث الزراعية في مجالات لا تبدو لها صلة بالاستثمار كتصنيف المجرات وقياس ارتفاع المد والجزر، بشكل مباشر في منهجياتنا الاستثمارية. نحن بنشاط استخدام تقنيات التعلم الآلي في برامج التداول لدينا وهذه أصبحت نهج القيمة المضافة الحقيقية للعملاء مان أهل ل.
يرجى تحديث المتصفح.
للأسف لم يعد لدينا دعم إنترنيت إكسبلورر 8 و 7 أو أكثر لأسباب تتعلق بالأمان.
يرجى تحديث المتصفح إلى إصدار أحدث ومحاولة الوصول إلى موقعنا مرة أخرى.
إستراتيجية التداول أهل
ونحن نحقق في استراتيجيتين ديناميكيتين، على عكس هذه الاستثمارات السلبية، يبدو أنها حققت أداء إيجابيا على المدى الطويل وخاصة خلال الأزمات التاريخية.
التكنولوجيا في مان أهل هو أكثر من حساب سريع. ونحن نعتقد التكنولوجيا الجيدة تمكن طرق جديدة للتفكير.
مجرد مثال واحد على نهجنا الشامل للاستثمار؛ مما يتيح لنا اكتشاف الفرص التي قد يتجاهلها الآخرون.
وكما يستخدم المهندسون المعماريون الرياضيات لحساباتهم، فإننا نستخدم الرياضيات لإنشاء أدوات تنبؤية.
رجل أهل.
رائد في التجارة المنهجية لأكثر من 30 عاما 100٪ بديل منهجي وطويلة الاستراتيجيات فقط موجهة مؤسسيا تعاون فريد مع جامعة أكسفورد عضو في مجموعة مان بلك مقرها في لندن.
البحوث العلمية.
ونحن نعتقد أن أفضل طريقة لاستخراج القيمة من العقول الرائدة هو تشجيع تبادل متعمق من الأفكار في بيئة مفتوحة.
تعلم الآلة عبارة عن مصطلح واسع النطاق لجميع أنواع الخوارزميات الحاسوبية المصممة لتحديد الهياكل والعالقات القابلة للتكرار في البيانات دون الحاجة إلى تعليمات صريحة حول ما يجب البحث عنه.
ونحن نحقق في استراتيجيتين ديناميكيتين، على عكس هذه الاستثمارات السلبية، يبدو أنها حققت أداء إيجابيا على المدى الطويل وخاصة خلال الأزمات التاريخية.
كيف يقود معهد أكسفورد مان البحث في تعلم الآلة.
الناس، الحرية والتعاون.
نحن لسنا نظريين أكاديميين؛ ونحن العلماء العمليين باستخدام مهاراتنا للبحث عن ألفا. ال نرى األسواق من خالل عدسة مالية تقليدية. نحن نبحث عن ألفا دون قيود. نحن تعاونية وشفافة.
أهل يفسر.
و أهل يفسر سلسلة الفيديو تم إنشاؤها لشرح المفاهيم الرئيسية في الاتجاه الآجلة التالية. رواه رجل كبير العلماء أهل، الدكتور أنطوني ليدفورد، والقصد من هذه أشرطة الفيديو القصيرة هو جلب كل مفهوم في الحياة من خلال التركيز على المبادئ بدلا من التفاصيل.
برامج أهل.
نحن متحمسون لبرامجنا وكيف يمكن أن توفر قيمة لعملائنا على المدى الطويل. يرجى الاختيار من الرائد لدينا، والقطاع القائم والطويل فقط البرامج أدناه لمعرفة المزيد من المعلومات.
جميع القطاعات الرئيسية القائمة طويلة فقط.
21.5 دولار أمريكي أصول بنكية تحت الإدارة.
145 مستثمرين استثماريين.
المعلومات حتى 30 سبتمبر 2017.
يرجى تحديث المتصفح.
للأسف لم يعد لدينا دعم إنترنيت إكسبلورر 8 و 7 أو أكثر لأسباب تتعلق بالأمان.
يرجى تحديث المتصفح إلى إصدار أحدث ومحاولة الوصول إلى موقعنا مرة أخرى.
إستراتيجية التداول أهل
تعلم الآلة عبارة عن مصطلح واسع النطاق لجميع أنواع الخوارزميات الحاسوبية المصممة لتحديد الهياكل والعالقات القابلة للتكرار في البيانات دون الحاجة إلى تعليمات صريحة حول ما يجب البحث عنه. لقد كتبنا من قبل على تطوير هذا المجال عبر التخصصات بما في ذلك الهندسة وعلوم الكمبيوتر والإحصاء والرياضيات، وتطبيقها المتطور ضمن استراتيجيات الاستثمار الكمية. وفي الواقع، فإن معظم تقنيات التعلم الآلي تم تطويرها ويجري تطويرها خارج نطاق التمويل، ولكننا نعتقد أن طلباتهم للاستثمار ستستمر في النمو مع مرور الوقت. في مان أهل، ونحن نطبق التعلم الآلي في عدة مجالات، وليس فقط لدينا استراتيجيات التداول الكمي. توضح هذه المقالة بعض تطبيقاتها الواسعة للاستثمار.
غراهام روبرتسون هو رئيس إدارة محفظة العملاء في مان أهل ('أهل') مع المسؤولية الرئيسية للاتصال العميل.
قبل انضمامه إلى أهل في عام 2018، وضعت الدكتور روبرتسون استراتيجيات هيكل رأس المال التحكيم في كبك إدارة الاستثمارات البديلة ونماذج الأسهم المشتقة القيمة النسبية لشركة فيسيس كابيتال. بدأ حياته المهنية في كريدي سويس في أسواق الدخل الثابت قبل أن ينتقل إلى كوميرزبانك حيث أسس فريق القيمة النسبية وأصبح بعد ذلك رئيسا للاستراتيجية الائتمانية.
ويحمل غراهام شهادة دكتوراه من جامعة أكسفورد في علم الزلازل وبكالوريوس في الجيوفيزياء من جامعة إدنبره.
مارك ريفرمات هو مدير محفظة العملاء ل مان أهل ('أهل') في مجموعة مان ('مان'). وهو مسؤول عن العمل بشكل وثيق مع العملاء لتعزيز فهمهم لاستراتيجيات أهل الاستثمارية بالإضافة إلى العمل عن كثب مع فريق البحث.
انضم مارك إلى الشركة في عام 2009. قبل انضمامه إلى مان عمل في دخل ثابت في دريسدنر كلينورت.
يحمل مارك درجة البكالوريوس في علوم الكمبيوتر في جامعة ويسكونسن ماديسون، وهو ماجستير في إدارة الأعمال من كلية كاس للأعمال في لندن، وهو يسعى للحصول على درجة الدكتوراه في العلوم المالية في كلية الدراسات العليا.
تعلم الآلة عبارة عن مصطلح واسع النطاق لجميع أنواع الخوارزميات الحاسوبية المصممة لتحديد الهياكل والعالقات القابلة للتكرار في البيانات دون الحاجة إلى تعليمات صريحة حول ما يجب البحث عنه. لقد كتبنا قبل 1 على تطوير هذا المجال عبر التخصصات بما في ذلك الهندسة وعلوم الكمبيوتر والإحصاء والرياضيات، وتطبيقها المتطور ضمن استراتيجيات الاستثمار الكمي. وفي الواقع، فإن معظم تقنيات التعلم الآلي تم تطويرها ويجري تطويرها خارج نطاق التمويل، ولكننا نعتقد أن طلباتهم للاستثمار ستستمر في النمو مع مرور الوقت. في مان أهل، ونحن نطبق التعلم الآلي في عدة مجالات، وليس فقط لدينا استراتيجيات التداول الكمي. توضح هذه المقالة بعض تطبيقاتها الواسعة للاستثمار.
التعلم مباشرة من البيانات.
بالنسبة لمعظم تاريخنا الذي استغرق 30 عاما في الاستثمار الكمي، كان باحثونا "يقرون" الحواسيب التي تبدو عليها الاتجاهات، ثم يطلب منهم العثور على هذه الأنماط في أكبر عدد ممكن من الأسواق. ومع ذلك، يسمح التعلم الآلي لأجهزة الكمبيوتر باتخاذ نهج أكثر حرية الشكل، بهدف تحديد أنماط يمكن التنبؤ بها في بيانات الأسعار دون إعطاء توجيهات محددة حول ما قد تبدو عليه العلاقات الأساسية. وهذا يعد خروجا كبيرا عن الاستثمار الكمي التقليدي، وقد بدأنا نرى إمكانياتنا لإضافة قيمة، مما يساعدنا على تحديد المزيد من الفرص المتنوعة في الأسواق. ما الذي يمكن أن يعنيه هذا بالضبط للمستثمرين على المدى الطويل؟ صناعتنا هي في المراحل الأولى من الإجابة على هذا السؤال، ولكننا نرى شيئا واحدا هو واضح: التعلم الآلي يساعدنا على رؤية العالم من خلال عدسة مختلفة، وليس دائما الخطية.
بعض الأمثلة على تقنيات التعلم الآلي.
التعلم العميق - يتم تدريب الخوارزميات باستخدام الشبكات العصبية الاصطناعية، المصممة لتقليد الشبكات البيولوجية للدماغ البشري، على مجموعات كبيرة من البيانات إلى "التعرف على" مجموعة من المحفزات. وقد استخدمت هذه الشبكات في مجالات مثل التعرف على الصور والألعاب مثل الذهاب والشطرنج. كما يمكن استخدامها لتعلم الأنماط التنبؤية في مجموعات البيانات المالية.
معالجة اللغة الطبيعية - تفسير اللغة المكتوبة أو المنطوقة أو الحوار. ويمكن استخدام التقنيات لتعيين درجات رقمية لقياس المشاعر الإيجابية أو السلبية للتقارير المالية للشركة بطريقة قابلة للتكرار وغير منحازة. هذه الدرجات يمكن أن تساعد تغذية الإشارات داخل نماذج التداول.
رجل أهل تم إجراء البحوث في هذا المجال لعقود. ومع ذلك، حتى وقت قريب جدا، نتائج البحث، التي ظهرت العبارات الطنانة في 1990s مثل "الخوارزميات الجينية" و "الشبكات العصبية"، تعثرت ضد متطلبات الطاقة الحسابية الخام وكثافة البيانات. مع التقدم الكبير في هذه المجالات، فضلا عن التحسينات في النظرية الكامنة، ونحن الآن بنشاط تطبيق التعلم الآلي، في أشكال مختلفة، ضمن بعض برامج العميل تركز على الاتجاه أقل منذ عام 2018. هذا العام، ومجموعة من خوارزميات التعلم الآلي ، مقيدة على التصرف بطريقة تشبه الزخم في الغالب، أدرجت في استراتيجيات الاتجاه الرئيسي مان أهل ل.
اكتشاف الاتجاهات غير الخطية في بيانات السوق.
وقد استند البحث الكمي عادة إلى اكتشاف العلاقات الخطية بين بيانات المدخلات (مثل تحركات الأسعار التاريخية وأسعار الفائدة أو أرباح الشركات) والتحركات المستقبلية في أسعار الأصول. وغالبا ما ينظر إلى الاتجاه التالي، على وجه الخصوص، باعتباره علاقة خطية بسيطة بين تحركات الأسعار السابقة والمستقبلية. إذا ارتفع السوق على بعض نافذة الوقت الأخيرة، فمن المرجح أن تستمر صعودا من أن تنخفض والعكس بالعكس. إذا كان قد انخفض في منحدر حاد، فمن المرجح أن تستمر في الانخفاض بشكل حاد مما لو أنها كانت تنخفض تدريجيا فقط.
لأن هذه العلاقة كانت قوية جدا في الماضي، فإنه ليس من المستغرب أنه عندما ترك لأجهزتهم الخاصة، العديد من خوارزميات التعلم الآلي "اكتشاف" الاتجاه التالية باعتبارها الطريقة الأولى للتنبؤ الأسعار في المستقبل عندما تعطى، والمدخلات والسوق التاريخية الأسعار. في البداية، كانت أهدافنا دائما أن ننظر إلى ما إذا كان هذا الشكل "المكتشوف" من الاتجاه التالي يختلف عن سلوك التداول الحالي الذي فهمناه لسنوات عديدة، وكيف، تم بناء أول نماذج تعلم الآلة الحقيقية التي طورناها، واستمرنا في استخدامها في برامج متعددة الإستراتيجيات، لتكون متعامدة - أي مستقلة إحصائيا - لإشاراتنا الحالية، وبالتالي لا تضاعف من التعرض الزخم للبرامج. ليس هناك قيمة في تداول نموذج أكثر تعقيدا إذا كان واحد أبسط هو مجرد جيدة كما.
ما تحولت هذه الخوارزميات التعلم الآلي في وقت مبكر إلى أن تكون جيدة في إكينغ أكثر خفية، غير الخطية، والعلاقات داخل البيانات. وهذا يعني، ضمن بيانات الأسعار، أنه ليس من المهم فقط أن ترتفع الأسعار إلى حد ما خلال العام الماضي، من المهم أن تأخذ الطريق إلى هناك. بعد ثلاث سنوات من التداول، ومع البحوث الجارية، ونحن نعتقد أن هذه الأنواع من النماذج، عندما غير مقيدة، قد تساعد في تحديد سلوك السوق الاتجاه بما في ذلك الاتجاهات، بطريقة يمكن أن تكون مكملة للنماذج القائمة. وعلى هذا النحو، نعتقد أنها تنطبق بوضوح على جميع استراتيجياتنا التي تسعى إلى الاستفادة من إمكانية التنبؤ بالاتجاهات السوقية.
طرق أخرى يمكن للتعلم الآلي دعم استراتيجيات الاستثمار المنهجي.
ومن المثير للاهتمام أن نلاحظ، مع ذلك، أنه ليس فقط في التنبؤ تحركات السوق المحتملة، أو ألفا، أننا قد وجدنا قيمة عملية من نهج التعلم الآلي. وهناك مجال رئيسي آخر في مجال تنفيذ التجارة، حيث ينصب التركيز دائما على تحقيق أدنى فرص الوصول إلى الأسواق من حيث التكلفة لعملائنا مع التسبب في الحد الأدنى من تأثير السوق. ولعل أوسع فائدة ممكنة من التعلم الآلي للمستثمرين مستمد من قدرته على التعامل مع كميات كبيرة من البيانات. الشكل 1 يعطي مثالا واحدا على كمية كبيرة من البيانات التي يتم إنشاؤها الآن من خلال السوق، حيث استحوذ رجل أهل ما يقرب من 2.7 مليار تحديث الأسعار في يوم واحد فقط في نوفمبر الماضي، بعد إعلان نتيجة الانتخابات الأمريكية.
الشكل 1: رجل أهل تحديثات الأسعار في 9 نوفمبر 2018.
المصدر: قاعدة بيانات مجموعة مان. يظهر أعلى علامات القراد البيانات التي تلقاها رجل أهل في اليوم الذي أعلنت نتائج الانتخابات الأمريكية. خطوط ملونة مختلفة تشير إلى تغذية البيانات مثل بلومبرغ، ومقدمي الفردية مثل البنوك.
إذا كان هذا هو عصر الطوفان البيانات، ثم خوارزميات التعلم الآلي لديها القدرة على زيادة كبيرة في قدرة المستثمرين على معالجة وتحليل المعلومات عن الأسواق.
وبشكل أكثر تحديدا، هناك خوارزميات التعلم الآلي التي يمكن أن تساعد أيضا في اتخاذ القرارات حول التوجيه بين مختلف السبل إلى السوق. مان استثمرت شركة أهل بشكل كبير في تطوير الخوارزميات الداخلية للتنفيذ في العقود الآجلة وأسواق الفوركس. أما بالنسبة للتداول في أسهم واحدة، فإننا عادة ما نستخدم خوارزميات طرف ثالث، والتي يوجد وفرة على العرض من البنوك والسماسرة. سوف يكون المستثمرون على بينة من الأسماء الملونة مثل قناص، حرب العصابات، تواب و فواب، وكل مزود عادة ما يقدم مجموعة متنوعة من الضوابط للسماح باستقلالية أكبر أو أقل للخوارزميات في مجالات مثل السرعة والعدوان أو الوصول إلى ما يسمى ب " أحواض السباحة المظلمة ".
ونحن نعتقد أنه من أجل أن نقدم بثقة أفضل تنفيذ نيابة عن أموالنا، ونحن بحاجة إلى "تعلم" تكاليف التداول لجميع التباديل المختلفة من هذه الخوارزميات المختلفة، والتي قد تختلف من خلال الوقت وعبر مناطق مختلفة أو أحجام السوق . تاريخيا قد يكون هذا قد تم إدارتها على شكل سلسلة من التجارب المعقدة مع التقييمات المتخذة مرة واحدة كانت التجارب تشغيل دوراتهم. ومع ذلك، هذا غير فعال كنهج، وأنها لا تتكيف بسرعة مع التغيرات في البيئة أو البيانات.
ولحسن الحظ، فإن المشكلة التي نحاول حلها هي مثال لما يعرف في نظرية الاحتمالات بأنها مشكلة "العصابات المسلحة المتعددة"، التي تسمى بعد صف خيالي لآلات القمار، وقد يكون لكل منها دفعات مختلفة. التحدي الذي يواجه المقامر في المشكلة هو معرفة الآلات التي يجب أن تقوم بها ومدى تكرارها، من أجل تحقيق أقصى قدر من دفعه. خلال الحرب العالمية الثانية، أراد الحلفاء حل هذه الفئة من المشكلة على أمل أن تساعد في تخصيص الموارد؛ ثبت أنه من الصعب جدا حل، في إطار تحليلي تقليدي، أن عالم الرياضيات بيتر ويتل اقترح إسقاطه على ألمانيا للعلماء هناك لإضاعة الوقت على! في الآونة الأخيرة فقط أن التعلم الآلي وضعت نهجا خوارزمية العملية التي الرجل أهل هو الآن تبني في محاولة لدعم تخصيص كفاءة التنفيذ لتجار العميل.
العلاقات الأكاديمية والصناعية تلعب دورا هاما.
وبما أن التعلم الآلي لا يزال في المراحل الأولى من التطبيق على الاستثمار، فمن الضروري أن المهنيين الماليين تعمل بشكل وثيق مع المجتمع الأكاديمي في تطوير هذه النهج. في مان أهل، يضم فريقنا من ذوي الخبرة العلماء والمتخصصين في الحوسبة والمهنيين الاستثمار، وتوفير القيادة والبنية التحتية للدولة من بين الفن في جميع أنحاء الأعمال التجارية. ونحن نعمل عن كثب مع معهد أكسفورد مان (أومي)، وهو جزء من قسم العلوم الهندسية بجامعة أوكسفورد، لدعم الأبحاث الأكاديمية المتطورة في التعلم الآلي.
الأكاديميين في أومي مجموعة التعلم آلة التعلم لديها تاريخ طويل من تطوير التطبيقات في العالم الحقيقي بنجاح، على سبيل المثال في شبكات الاستشعار عن بعد ورصد محركات الطائرات في رحلة. إن علاقتنا العميقة مع أومي - التي تحتفل بالذكرى السنوية العاشرة في صيف 2017 - تسمح للرجل أهل أن يستفيد من المناطق التي يمكن فيها نقل منهجية التعلم الآلي من التخصصات غير المالية إلى الاستثمار الكمي. وبطبيعة الحال، فإن الإدارة الفعالة والحوكمة أمران أساسيان، ويمكن أن يؤدي اختيار البيانات الصحيحة والخوارزميات الأنسب وتنفيذ التجارة المثلى إلى جعل أو خرق قدرة الخوارزمية على إضافة قيمة للمستثمرين.
وسوف تستمر تطبيقات التعلم الآلي للتمويل في النمو مع مرور الوقت، وقد تم بالفعل تأسيس دورها في الاستراتيجيات. نحن ندخل عصر النمو السريع للمعلومات: من المرجح أن يستمر نمو البيانات في النمو بأوامر من حيث الحجم، وستكون القدرة الحاسوبية الواسعة متاحة بشكل أكثر روتينية في رأينا. في الواقع، قد يقول البعض أننا بالفعل هناك، والفرص المتاحة لنطاقات جديدة للبحوث التي تعتمد على البيانات هي الفيلق. مع استمرار تطور الحقل، ونحن نعتقد اعتقادا راسخا بأن التطبيق الذكي للتعلم الآلي لديه القدرة الحقيقية لمساعدة المستثمرين على التقاط فرص جديدة وتنويع في الأسواق.
آخر رجل أهل البحوث.
رجل مقابل آلة: مقارنة الأداء التحوطي والمنتظم صندوق التحوط.
وباستخدام البيانات من عام 1996 إلى عام 2018، نحقق في المفاهيم الخاطئة بشأن أداء صناديق التحوط التقديرية والمنهجية.
الاتجاه التالي: الأسهم وأزمة السندات ألفا.
نحن ندرس الاستراتيجيات التي تتبع الاتجاه وتبين كيف أنها تظهر خصائص أزمة ألفا للأسهم وكذلك للسندات.
معلومات مهمة.
الآراء المعرب عنها هي آراء المؤلف ولا يجوز أن يشارك فيها جميع أفراد مجموعة مان بلك ('مان'). تخضع هذه الآراء للتغيير دون سابق إنذار، لأغراض المعلومات فقط ولا تشكل عرضا أو دعوة لإجراء استثمار في أي أداة مالية أو في أي منتج تقدمه الشركة و / أو الشركات التابعة لها المشورة في مجال الاستثمار أو أي أموال مالية أخرى خدمات. أي منظمات أو أدوات مالية أو منتجات موصوفة في هذه المادة مذكورة لأغراض مرجعية فقط والتي لا ينبغي اعتبارها توصية لشرائها أو بيعها. ولا تكون الشركة ولا المؤلفين مسؤولين أمام أي شخص عن أي إجراء يتخذ بناء على المعلومات المقدمة. قد تكون بعض البيانات الواردة في هذه المادة المتعلقة بالأهداف والاستراتيجيات والنظرة أو المسائل الأخرى غير التاريخية بيانات تطلعية وتستند إلى المؤشرات والتوقعات الحالية. هذه البيانات التطلعية تتحدث فقط اعتبارا من تاريخ القيام بها، ولا تتحمل الشركة أي التزام بتحديث أو مراجعة أي بيانات تطلعية. وتخضع هذه البيانات التطلعية للمخاطر والشكوك التي قد تسبب نتائج فعلية تختلف جوهريا عن تلك الواردة في البيانات. يجوز للشركة و / أو الشركات التابعة لها أو قد لا يكون لها موقف في أي أداة مالية مذكورة وقد تكون أو لا تكون نشطة التداول في أي من هذه الأوراق المالية. هذه املادة هي معلومات مملوكة للشركة والشركات التابعة لها وال يجوز نسخها أو توزيعها بشكل كامل أو جزئي دون موافقة كتابية مسبقة من الشركة. وتعتقد الشركة أن المحتوى لتكون دقيقة. ولكن لا يبرر دقة أو مضمونة. لا تتحمل الشركة أي مسؤولية في حالة المعلومات التي تم الإبلاغ عنها بشكل غير صحيح أو غير كاملة. ما لم يذكر خلاف ذلك يتم توفير جميع المعلومات من قبل الشركة. الأداء السابق لا یشیر إلی النتائج المستقبلیة.
العالمية غير الموظفين.
جميع المستخدمين غير المصادق عليهم.
بقية العالم جميع.
العالمية السابقة سنغافورة و نا جميع الأسعار.
بقية العالم جميع (السابقين الأفراد)
بقية الجمهور العام (ضيف)
يرجى تحديد بلدك.
أوروبا، الشرق الأوسط، إفريقيا.
آسيا والمحيط الهادئ.
يرجى تحديث المتصفح.
للأسف لم يعد لدينا دعم إنترنيت إكسبلورر 8 و 7 أو أكثر لأسباب تتعلق بالأمان.
يرجى تحديث المتصفح إلى إصدار أحدث ومحاولة الوصول إلى موقعنا مرة أخرى.
نحن نشارك بنشاط مع عملائنا في شراكة استراتيجية. ونحن نعتقد جوهريا أن مخاطر عدم المشاركة تتجاوز بكثير من مخاطر المشاركة.
وعلى هذا النحو، فإننا ننشئ حوارا مستمرا مع مستثمرينا ونبذل قصارى جهدنا لتجاوز التوقعات من خلال توفير مستويات متميزة من خدمة العملاء والشفافية.
نحن متحمسون لاستراتيجياتنا ونعتقد أنها يمكن أن توفر قيمة كبيرة لعملائنا على المدى الطويل.
ونحن حريصون على تقديم الحل الأمثل في كل ما نقوم به، سواء كان ذلك هو البحث والتكنولوجيا أو التداول القائم.
أي سوق، أي نموذج.
ونحن نعتقد أنه لا توجد بيانات مجموعة، السوق أو نموذج خارج الحدود. نحن نبحث باستمرار عن فرص تجارية منهجية في جميع أنحاء العالم ونشجع بنشاط شعبنا للعثور على ألفا في أماكن جديدة.
العملية التي تحول فكرة إلى استراتيجية التداول هي منهجية ومنهجية جدا. نبدأ مع عدد كبير من الأفكار، ونحن بحاجة إلى العمل على أي منها لديه القدرة على إنتاج عوائد مستدامة لمستثمرينا.
ونحن نفعل ذلك في عملية من مرحلتين. الأول هو محاكاة، حيث نأخذ الأفكار، وبناء استراتيجيات من هذه الأفكار، ونرى كيف أنها قد تصرفت على مدى فترة طويلة من الزمن ومن خلال العديد من البيئات المختلفة. إذا كنا راضين عن هذا، ونحن ننتقل إلى المرحلة الثانية من العملية حيث نحن ورقة التجارة الفكرة. نحن نبيعها مباشرة ولكن على الورق، لذلك لا يتم استخدام أي أموال في التداول ولكن نحن محاكاة التداول المباشر من خلال عملية الوقت للتأكد من أن هذه الاستراتيجية هي قوية خلال هذه الفترة الحية.
التفكير غير التقليدي وغير المقيد.
نأتي بالعقل العلمي التجريبي للاستثمار. نحن فقط التجارة الأفكار والنظريات التي يمكننا اختبار وإثبات. نحن نعمل على الأدلة والسعي لنمذجة وفهم جميع جوانب عالم الاستثمار. لكننا لسنا منظمين أكاديميين. نحن علماء عملية الذين يطبقون معرفتنا لإنتاج شيء من القيمة المالية.
شراكتنا الفريدة مع جامعة أكسفورد، معهد أكسفورد مان، يسلط الضوء على هذا.
معهد أكسفورد مان هو معهد أبحاث يجمع بين أعضاء هيئة التدريس، وما بعد الوثائق والطلاب الذين يرغبون في التمويل الكمي، وخاصة تقنيات التعلم الآلي وتحليلات البيانات. يعمل باحثو معهد "أهل" جنبا إلى جنب مع أكاديميي أومي، وهذا النهج التعاوني يعطي رؤية أكاديمية عميقة للبحث العملي العملي.
دولة ما توصلت إليه التكنولوجيا.
ونحن نؤمن حقا بأن إستراتيجيات التداول الكمي المتطورة تتطلب أحدث ما توصلت إليه التكنولوجيا في جميع المراحل. من اقتناء بيانات السوق والبحوث الأولية من خلال تنفيذ نموذج وتنفيذ التجارة. ويتيح هذا التركيز الأساسي لنماذجنا العلمية الانتقال من المفهوم من خلال الاختبار الخلفي إلى تجارة الإنتاج مع الحد الأدنى من الكفاءة العامة والحد الأقصى من الكفاءة.
إن وجود لغة برمجة موحدة وتوحيد قواعد السلوك يعزز ممارسات العمل التعاونية والمحفزة، حيث يتبادل الباحثون والتكنولوجيون الأفكار بشكل طبيعي في بيئة مفتوحة. لدينا أفضل من سلالة الأجهزة والأدوات وممارسات هندسة البرمجيات ضمان مستويات عالية من الإنتاجية والجودة والرشاقة اللازمة لتلبية بسرعة احتياجات الأعمال الحيوية.
في تكنولوجيا التنفيذ، هدفنا الأساسي هو ضمان أفضل تنفيذ لعملائنا. ونحن نعتبر أساسا أن المنافسة هو المفتاح لهذا، لدينا طرق تجارية متعددة. خوارزميات أهل المتقدمة، وأفضل من سلالة خوارزميات طرف ثالث ومكتب التداول اليدوي. نحن باستمرار فرض المنافسة الصارمة بين هذه الطرق لضمان نحن دائما التداول على النحو الأمثل.
الاعتراف الصناعة.
وقد تم الاعتراف جهودنا البحثية المستمرة مع العديد من الجوائز في السنوات ال 3 الماضية، وهي مجموعة مختارة أدناه.
الجوائز و / أو التصنيفات هي لأغراض المعلومات فقط، ولا ينبغي أن تفسر على أنها تأييد لأي شركة مجموعة مان ولا لمنتجاتها أو خدماتها. يرجى الرجوع إلى مواقع الكفيل / المصدرين للحصول على معلومات بشأن المعايير التي يتم تحديد الجوائز / التصنيفات.
معهد أكسفورد مان.
معهد أكسفورد مان ('أومي') هو تعاوننا الفريد مع جامعة أكسفورد. على مدى العقد الماضي، و أومي، وهي جزء من قسم العلوم الهندسية في الجامعة، وقد تم إجراء بحوث رائدة في مجال التمويل الكمي، ويركز الآن في المقام الأول على تقنيات التعلم الآلي وتحليلات البيانات.
ونحن نعتقد أن هذه المبادرة تدعم بقوة التطور المستمر لاستراتيجياتنا الكمية للاستثمار. نحن باستمرار يتم تقديمها مع مجموعات البيانات الجديدة والتوسع وتعلم الآلة لديها كمية كبيرة لتقدمه في تفسير هذه المعلومات.
و أومي هو جزء من جامعة أكسفورد قسم العلوم الهندسية. تقع في نفس مبنى مختبر أكسفورد للبحوث مان أهل، فإنه يوفر لنا اتصال مباشر إلى أحدث الأبحاث التعلم الآلي ويسمح للتلاقي بين مثمرة من الأفكار بين المجتمعات الاستثمارية والأكاديمية. وقد ساهم العمل الذي تم إنجازه في مركز البحوث الزراعية في مجالات لا تبدو لها صلة بالاستثمار كتصنيف المجرات وقياس ارتفاع المد والجزر، بشكل مباشر في منهجياتنا الاستثمارية. نحن بنشاط استخدام تقنيات التعلم الآلي في برامج التداول لدينا وهذه أصبحت نهج القيمة المضافة الحقيقية للعملاء مان أهل ل.
يرجى تحديث المتصفح.
للأسف لم يعد لدينا دعم إنترنيت إكسبلورر 8 و 7 أو أكثر لأسباب تتعلق بالأمان.
يرجى تحديث المتصفح إلى إصدار أحدث ومحاولة الوصول إلى موقعنا مرة أخرى.
إستراتيجية التداول أهل
ونحن نحقق في استراتيجيتين ديناميكيتين، على عكس هذه الاستثمارات السلبية، يبدو أنها حققت أداء إيجابيا على المدى الطويل وخاصة خلال الأزمات التاريخية.
التكنولوجيا في مان أهل هو أكثر من حساب سريع. ونحن نعتقد التكنولوجيا الجيدة تمكن طرق جديدة للتفكير.
مجرد مثال واحد على نهجنا الشامل للاستثمار؛ مما يتيح لنا اكتشاف الفرص التي قد يتجاهلها الآخرون.
وكما يستخدم المهندسون المعماريون الرياضيات لحساباتهم، فإننا نستخدم الرياضيات لإنشاء أدوات تنبؤية.
رجل أهل.
رائد في التجارة المنهجية لأكثر من 30 عاما 100٪ بديل منهجي وطويلة الاستراتيجيات فقط موجهة مؤسسيا تعاون فريد مع جامعة أكسفورد عضو في مجموعة مان بلك مقرها في لندن.
البحوث العلمية.
ونحن نعتقد أن أفضل طريقة لاستخراج القيمة من العقول الرائدة هو تشجيع تبادل متعمق من الأفكار في بيئة مفتوحة.
تعلم الآلة عبارة عن مصطلح واسع النطاق لجميع أنواع الخوارزميات الحاسوبية المصممة لتحديد الهياكل والعالقات القابلة للتكرار في البيانات دون الحاجة إلى تعليمات صريحة حول ما يجب البحث عنه.
ونحن نحقق في استراتيجيتين ديناميكيتين، على عكس هذه الاستثمارات السلبية، يبدو أنها حققت أداء إيجابيا على المدى الطويل وخاصة خلال الأزمات التاريخية.
كيف يقود معهد أكسفورد مان البحث في تعلم الآلة.
الناس، الحرية والتعاون.
نحن لسنا نظريين أكاديميين؛ ونحن العلماء العمليين باستخدام مهاراتنا للبحث عن ألفا. ال نرى األسواق من خالل عدسة مالية تقليدية. نحن نبحث عن ألفا دون قيود. نحن تعاونية وشفافة.
أهل يفسر.
و أهل يفسر سلسلة الفيديو تم إنشاؤها لشرح المفاهيم الرئيسية في الاتجاه الآجلة التالية. رواه رجل كبير العلماء أهل، الدكتور أنطوني ليدفورد، والقصد من هذه أشرطة الفيديو القصيرة هو جلب كل مفهوم في الحياة من خلال التركيز على المبادئ بدلا من التفاصيل.
برامج أهل.
نحن متحمسون لبرامجنا وكيف يمكن أن توفر قيمة لعملائنا على المدى الطويل. يرجى الاختيار من الرائد لدينا، والقطاع القائم والطويل فقط البرامج أدناه لمعرفة المزيد من المعلومات.
جميع القطاعات الرئيسية القائمة طويلة فقط.
21.5 دولار أمريكي أصول بنكية تحت الإدارة.
145 مستثمرين استثماريين.
المعلومات حتى 30 سبتمبر 2017.
يرجى تحديث المتصفح.
للأسف لم يعد لدينا دعم إنترنيت إكسبلورر 8 و 7 أو أكثر لأسباب تتعلق بالأمان.
يرجى تحديث المتصفح إلى إصدار أحدث ومحاولة الوصول إلى موقعنا مرة أخرى.
إستراتيجية التداول أهل
تعلم الآلة عبارة عن مصطلح واسع النطاق لجميع أنواع الخوارزميات الحاسوبية المصممة لتحديد الهياكل والعالقات القابلة للتكرار في البيانات دون الحاجة إلى تعليمات صريحة حول ما يجب البحث عنه. لقد كتبنا من قبل على تطوير هذا المجال عبر التخصصات بما في ذلك الهندسة وعلوم الكمبيوتر والإحصاء والرياضيات، وتطبيقها المتطور ضمن استراتيجيات الاستثمار الكمية. وفي الواقع، فإن معظم تقنيات التعلم الآلي تم تطويرها ويجري تطويرها خارج نطاق التمويل، ولكننا نعتقد أن طلباتهم للاستثمار ستستمر في النمو مع مرور الوقت. في مان أهل، ونحن نطبق التعلم الآلي في عدة مجالات، وليس فقط لدينا استراتيجيات التداول الكمي. توضح هذه المقالة بعض تطبيقاتها الواسعة للاستثمار.
غراهام روبرتسون هو رئيس إدارة محفظة العملاء في مان أهل ('أهل') مع المسؤولية الرئيسية للاتصال العميل.
قبل انضمامه إلى أهل في عام 2018، وضعت الدكتور روبرتسون استراتيجيات هيكل رأس المال التحكيم في كبك إدارة الاستثمارات البديلة ونماذج الأسهم المشتقة القيمة النسبية لشركة فيسيس كابيتال. بدأ حياته المهنية في كريدي سويس في أسواق الدخل الثابت قبل أن ينتقل إلى كوميرزبانك حيث أسس فريق القيمة النسبية وأصبح بعد ذلك رئيسا للاستراتيجية الائتمانية.
ويحمل غراهام شهادة دكتوراه من جامعة أكسفورد في علم الزلازل وبكالوريوس في الجيوفيزياء من جامعة إدنبره.
مارك ريفرمات هو مدير محفظة العملاء ل مان أهل ('أهل') في مجموعة مان ('مان'). وهو مسؤول عن العمل بشكل وثيق مع العملاء لتعزيز فهمهم لاستراتيجيات أهل الاستثمارية بالإضافة إلى العمل عن كثب مع فريق البحث.
انضم مارك إلى الشركة في عام 2009. قبل انضمامه إلى مان عمل في دخل ثابت في دريسدنر كلينورت.
يحمل مارك درجة البكالوريوس في علوم الكمبيوتر في جامعة ويسكونسن ماديسون، وهو ماجستير في إدارة الأعمال من كلية كاس للأعمال في لندن، وهو يسعى للحصول على درجة الدكتوراه في العلوم المالية في كلية الدراسات العليا.
تعلم الآلة عبارة عن مصطلح واسع النطاق لجميع أنواع الخوارزميات الحاسوبية المصممة لتحديد الهياكل والعالقات القابلة للتكرار في البيانات دون الحاجة إلى تعليمات صريحة حول ما يجب البحث عنه. لقد كتبنا قبل 1 على تطوير هذا المجال عبر التخصصات بما في ذلك الهندسة وعلوم الكمبيوتر والإحصاء والرياضيات، وتطبيقها المتطور ضمن استراتيجيات الاستثمار الكمي. وفي الواقع، فإن معظم تقنيات التعلم الآلي تم تطويرها ويجري تطويرها خارج نطاق التمويل، ولكننا نعتقد أن طلباتهم للاستثمار ستستمر في النمو مع مرور الوقت. في مان أهل، ونحن نطبق التعلم الآلي في عدة مجالات، وليس فقط لدينا استراتيجيات التداول الكمي. توضح هذه المقالة بعض تطبيقاتها الواسعة للاستثمار.
التعلم مباشرة من البيانات.
بالنسبة لمعظم تاريخنا الذي استغرق 30 عاما في الاستثمار الكمي، كان باحثونا "يقرون" الحواسيب التي تبدو عليها الاتجاهات، ثم يطلب منهم العثور على هذه الأنماط في أكبر عدد ممكن من الأسواق. ومع ذلك، يسمح التعلم الآلي لأجهزة الكمبيوتر باتخاذ نهج أكثر حرية الشكل، بهدف تحديد أنماط يمكن التنبؤ بها في بيانات الأسعار دون إعطاء توجيهات محددة حول ما قد تبدو عليه العلاقات الأساسية. وهذا يعد خروجا كبيرا عن الاستثمار الكمي التقليدي، وقد بدأنا نرى إمكانياتنا لإضافة قيمة، مما يساعدنا على تحديد المزيد من الفرص المتنوعة في الأسواق. ما الذي يمكن أن يعنيه هذا بالضبط للمستثمرين على المدى الطويل؟ صناعتنا هي في المراحل الأولى من الإجابة على هذا السؤال، ولكننا نرى شيئا واحدا هو واضح: التعلم الآلي يساعدنا على رؤية العالم من خلال عدسة مختلفة، وليس دائما الخطية.
بعض الأمثلة على تقنيات التعلم الآلي.
التعلم العميق - يتم تدريب الخوارزميات باستخدام الشبكات العصبية الاصطناعية، المصممة لتقليد الشبكات البيولوجية للدماغ البشري، على مجموعات كبيرة من البيانات إلى "التعرف على" مجموعة من المحفزات. وقد استخدمت هذه الشبكات في مجالات مثل التعرف على الصور والألعاب مثل الذهاب والشطرنج. كما يمكن استخدامها لتعلم الأنماط التنبؤية في مجموعات البيانات المالية.
معالجة اللغة الطبيعية - تفسير اللغة المكتوبة أو المنطوقة أو الحوار. ويمكن استخدام التقنيات لتعيين درجات رقمية لقياس المشاعر الإيجابية أو السلبية للتقارير المالية للشركة بطريقة قابلة للتكرار وغير منحازة. هذه الدرجات يمكن أن تساعد تغذية الإشارات داخل نماذج التداول.
رجل أهل تم إجراء البحوث في هذا المجال لعقود. ومع ذلك، حتى وقت قريب جدا، نتائج البحث، التي ظهرت العبارات الطنانة في 1990s مثل "الخوارزميات الجينية" و "الشبكات العصبية"، تعثرت ضد متطلبات الطاقة الحسابية الخام وكثافة البيانات. مع التقدم الكبير في هذه المجالات، فضلا عن التحسينات في النظرية الكامنة، ونحن الآن بنشاط تطبيق التعلم الآلي، في أشكال مختلفة، ضمن بعض برامج العميل تركز على الاتجاه أقل منذ عام 2018. هذا العام، ومجموعة من خوارزميات التعلم الآلي ، مقيدة على التصرف بطريقة تشبه الزخم في الغالب، أدرجت في استراتيجيات الاتجاه الرئيسي مان أهل ل.
اكتشاف الاتجاهات غير الخطية في بيانات السوق.
وقد استند البحث الكمي عادة إلى اكتشاف العلاقات الخطية بين بيانات المدخلات (مثل تحركات الأسعار التاريخية وأسعار الفائدة أو أرباح الشركات) والتحركات المستقبلية في أسعار الأصول. وغالبا ما ينظر إلى الاتجاه التالي، على وجه الخصوص، باعتباره علاقة خطية بسيطة بين تحركات الأسعار السابقة والمستقبلية. إذا ارتفع السوق على بعض نافذة الوقت الأخيرة، فمن المرجح أن تستمر صعودا من أن تنخفض والعكس بالعكس. إذا كان قد انخفض في منحدر حاد، فمن المرجح أن تستمر في الانخفاض بشكل حاد مما لو أنها كانت تنخفض تدريجيا فقط.
لأن هذه العلاقة كانت قوية جدا في الماضي، فإنه ليس من المستغرب أنه عندما ترك لأجهزتهم الخاصة، العديد من خوارزميات التعلم الآلي "اكتشاف" الاتجاه التالية باعتبارها الطريقة الأولى للتنبؤ الأسعار في المستقبل عندما تعطى، والمدخلات والسوق التاريخية الأسعار. في البداية، كانت أهدافنا دائما أن ننظر إلى ما إذا كان هذا الشكل "المكتشوف" من الاتجاه التالي يختلف عن سلوك التداول الحالي الذي فهمناه لسنوات عديدة، وكيف، تم بناء أول نماذج تعلم الآلة الحقيقية التي طورناها، واستمرنا في استخدامها في برامج متعددة الإستراتيجيات، لتكون متعامدة - أي مستقلة إحصائيا - لإشاراتنا الحالية، وبالتالي لا تضاعف من التعرض الزخم للبرامج. ليس هناك قيمة في تداول نموذج أكثر تعقيدا إذا كان واحد أبسط هو مجرد جيدة كما.
ما تحولت هذه الخوارزميات التعلم الآلي في وقت مبكر إلى أن تكون جيدة في إكينغ أكثر خفية، غير الخطية، والعلاقات داخل البيانات. وهذا يعني، ضمن بيانات الأسعار، أنه ليس من المهم فقط أن ترتفع الأسعار إلى حد ما خلال العام الماضي، من المهم أن تأخذ الطريق إلى هناك. بعد ثلاث سنوات من التداول، ومع البحوث الجارية، ونحن نعتقد أن هذه الأنواع من النماذج، عندما غير مقيدة، قد تساعد في تحديد سلوك السوق الاتجاه بما في ذلك الاتجاهات، بطريقة يمكن أن تكون مكملة للنماذج القائمة. وعلى هذا النحو، نعتقد أنها تنطبق بوضوح على جميع استراتيجياتنا التي تسعى إلى الاستفادة من إمكانية التنبؤ بالاتجاهات السوقية.
طرق أخرى يمكن للتعلم الآلي دعم استراتيجيات الاستثمار المنهجي.
ومن المثير للاهتمام أن نلاحظ، مع ذلك، أنه ليس فقط في التنبؤ تحركات السوق المحتملة، أو ألفا، أننا قد وجدنا قيمة عملية من نهج التعلم الآلي. وهناك مجال رئيسي آخر في مجال تنفيذ التجارة، حيث ينصب التركيز دائما على تحقيق أدنى فرص الوصول إلى الأسواق من حيث التكلفة لعملائنا مع التسبب في الحد الأدنى من تأثير السوق. ولعل أوسع فائدة ممكنة من التعلم الآلي للمستثمرين مستمد من قدرته على التعامل مع كميات كبيرة من البيانات. الشكل 1 يعطي مثالا واحدا على كمية كبيرة من البيانات التي يتم إنشاؤها الآن من خلال السوق، حيث استحوذ رجل أهل ما يقرب من 2.7 مليار تحديث الأسعار في يوم واحد فقط في نوفمبر الماضي، بعد إعلان نتيجة الانتخابات الأمريكية.
الشكل 1: رجل أهل تحديثات الأسعار في 9 نوفمبر 2018.
المصدر: قاعدة بيانات مجموعة مان. يظهر أعلى علامات القراد البيانات التي تلقاها رجل أهل في اليوم الذي أعلنت نتائج الانتخابات الأمريكية. خطوط ملونة مختلفة تشير إلى تغذية البيانات مثل بلومبرغ، ومقدمي الفردية مثل البنوك.
إذا كان هذا هو عصر الطوفان البيانات، ثم خوارزميات التعلم الآلي لديها القدرة على زيادة كبيرة في قدرة المستثمرين على معالجة وتحليل المعلومات عن الأسواق.
وبشكل أكثر تحديدا، هناك خوارزميات التعلم الآلي التي يمكن أن تساعد أيضا في اتخاذ القرارات حول التوجيه بين مختلف السبل إلى السوق. مان استثمرت شركة أهل بشكل كبير في تطوير الخوارزميات الداخلية للتنفيذ في العقود الآجلة وأسواق الفوركس. أما بالنسبة للتداول في أسهم واحدة، فإننا عادة ما نستخدم خوارزميات طرف ثالث، والتي يوجد وفرة على العرض من البنوك والسماسرة. سوف يكون المستثمرون على بينة من الأسماء الملونة مثل قناص، حرب العصابات، تواب و فواب، وكل مزود عادة ما يقدم مجموعة متنوعة من الضوابط للسماح باستقلالية أكبر أو أقل للخوارزميات في مجالات مثل السرعة والعدوان أو الوصول إلى ما يسمى ب " أحواض السباحة المظلمة ".
ونحن نعتقد أنه من أجل أن نقدم بثقة أفضل تنفيذ نيابة عن أموالنا، ونحن بحاجة إلى "تعلم" تكاليف التداول لجميع التباديل المختلفة من هذه الخوارزميات المختلفة، والتي قد تختلف من خلال الوقت وعبر مناطق مختلفة أو أحجام السوق . تاريخيا قد يكون هذا قد تم إدارتها على شكل سلسلة من التجارب المعقدة مع التقييمات المتخذة مرة واحدة كانت التجارب تشغيل دوراتهم. ومع ذلك، هذا غير فعال كنهج، وأنها لا تتكيف بسرعة مع التغيرات في البيئة أو البيانات.
ولحسن الحظ، فإن المشكلة التي نحاول حلها هي مثال لما يعرف في نظرية الاحتمالات بأنها مشكلة "العصابات المسلحة المتعددة"، التي تسمى بعد صف خيالي لآلات القمار، وقد يكون لكل منها دفعات مختلفة. التحدي الذي يواجه المقامر في المشكلة هو معرفة الآلات التي يجب أن تقوم بها ومدى تكرارها، من أجل تحقيق أقصى قدر من دفعه. خلال الحرب العالمية الثانية، أراد الحلفاء حل هذه الفئة من المشكلة على أمل أن تساعد في تخصيص الموارد؛ ثبت أنه من الصعب جدا حل، في إطار تحليلي تقليدي، أن عالم الرياضيات بيتر ويتل اقترح إسقاطه على ألمانيا للعلماء هناك لإضاعة الوقت على! في الآونة الأخيرة فقط أن التعلم الآلي وضعت نهجا خوارزمية العملية التي الرجل أهل هو الآن تبني في محاولة لدعم تخصيص كفاءة التنفيذ لتجار العميل.
العلاقات الأكاديمية والصناعية تلعب دورا هاما.
وبما أن التعلم الآلي لا يزال في المراحل الأولى من التطبيق على الاستثمار، فمن الضروري أن المهنيين الماليين تعمل بشكل وثيق مع المجتمع الأكاديمي في تطوير هذه النهج. في مان أهل، يضم فريقنا من ذوي الخبرة العلماء والمتخصصين في الحوسبة والمهنيين الاستثمار، وتوفير القيادة والبنية التحتية للدولة من بين الفن في جميع أنحاء الأعمال التجارية. ونحن نعمل عن كثب مع معهد أكسفورد مان (أومي)، وهو جزء من قسم العلوم الهندسية بجامعة أوكسفورد، لدعم الأبحاث الأكاديمية المتطورة في التعلم الآلي.
الأكاديميين في أومي مجموعة التعلم آلة التعلم لديها تاريخ طويل من تطوير التطبيقات في العالم الحقيقي بنجاح، على سبيل المثال في شبكات الاستشعار عن بعد ورصد محركات الطائرات في رحلة. إن علاقتنا العميقة مع أومي - التي تحتفل بالذكرى السنوية العاشرة في صيف 2017 - تسمح للرجل أهل أن يستفيد من المناطق التي يمكن فيها نقل منهجية التعلم الآلي من التخصصات غير المالية إلى الاستثمار الكمي. وبطبيعة الحال، فإن الإدارة الفعالة والحوكمة أمران أساسيان، ويمكن أن يؤدي اختيار البيانات الصحيحة والخوارزميات الأنسب وتنفيذ التجارة المثلى إلى جعل أو خرق قدرة الخوارزمية على إضافة قيمة للمستثمرين.
وسوف تستمر تطبيقات التعلم الآلي للتمويل في النمو مع مرور الوقت، وقد تم بالفعل تأسيس دورها في الاستراتيجيات. نحن ندخل عصر النمو السريع للمعلومات: من المرجح أن يستمر نمو البيانات في النمو بأوامر من حيث الحجم، وستكون القدرة الحاسوبية الواسعة متاحة بشكل أكثر روتينية في رأينا. في الواقع، قد يقول البعض أننا بالفعل هناك، والفرص المتاحة لنطاقات جديدة للبحوث التي تعتمد على البيانات هي الفيلق. مع استمرار تطور الحقل، ونحن نعتقد اعتقادا راسخا بأن التطبيق الذكي للتعلم الآلي لديه القدرة الحقيقية لمساعدة المستثمرين على التقاط فرص جديدة وتنويع في الأسواق.
آخر رجل أهل البحوث.
رجل مقابل آلة: مقارنة الأداء التحوطي والمنتظم صندوق التحوط.
وباستخدام البيانات من عام 1996 إلى عام 2018، نحقق في المفاهيم الخاطئة بشأن أداء صناديق التحوط التقديرية والمنهجية.
الاتجاه التالي: الأسهم وأزمة السندات ألفا.
نحن ندرس الاستراتيجيات التي تتبع الاتجاه وتبين كيف أنها تظهر خصائص أزمة ألفا للأسهم وكذلك للسندات.
معلومات مهمة.
الآراء المعرب عنها هي آراء المؤلف ولا يجوز أن يشارك فيها جميع أفراد مجموعة مان بلك ('مان'). تخضع هذه الآراء للتغيير دون سابق إنذار، لأغراض المعلومات فقط ولا تشكل عرضا أو دعوة لإجراء استثمار في أي أداة مالية أو في أي منتج تقدمه الشركة و / أو الشركات التابعة لها المشورة في مجال الاستثمار أو أي أموال مالية أخرى خدمات. أي منظمات أو أدوات مالية أو منتجات موصوفة في هذه المادة مذكورة لأغراض مرجعية فقط والتي لا ينبغي اعتبارها توصية لشرائها أو بيعها. ولا تكون الشركة ولا المؤلفين مسؤولين أمام أي شخص عن أي إجراء يتخذ بناء على المعلومات المقدمة. قد تكون بعض البيانات الواردة في هذه المادة المتعلقة بالأهداف والاستراتيجيات والنظرة أو المسائل الأخرى غير التاريخية بيانات تطلعية وتستند إلى المؤشرات والتوقعات الحالية. هذه البيانات التطلعية تتحدث فقط اعتبارا من تاريخ القيام بها، ولا تتحمل الشركة أي التزام بتحديث أو مراجعة أي بيانات تطلعية. وتخضع هذه البيانات التطلعية للمخاطر والشكوك التي قد تسبب نتائج فعلية تختلف جوهريا عن تلك الواردة في البيانات. يجوز للشركة و / أو الشركات التابعة لها أو قد لا يكون لها موقف في أي أداة مالية مذكورة وقد تكون أو لا تكون نشطة التداول في أي من هذه الأوراق المالية. هذه املادة هي معلومات مملوكة للشركة والشركات التابعة لها وال يجوز نسخها أو توزيعها بشكل كامل أو جزئي دون موافقة كتابية مسبقة من الشركة. وتعتقد الشركة أن المحتوى لتكون دقيقة. ولكن لا يبرر دقة أو مضمونة. لا تتحمل الشركة أي مسؤولية في حالة المعلومات التي تم الإبلاغ عنها بشكل غير صحيح أو غير كاملة. ما لم يذكر خلاف ذلك يتم توفير جميع المعلومات من قبل الشركة. الأداء السابق لا یشیر إلی النتائج المستقبلیة.
العالمية غير الموظفين.
جميع المستخدمين غير المصادق عليهم.
بقية العالم جميع.
العالمية السابقة سنغافورة و نا جميع الأسعار.
بقية العالم جميع (السابقين الأفراد)
بقية الجمهور العام (ضيف)
يرجى تحديد بلدك.
أوروبا، الشرق الأوسط، إفريقيا.
آسيا والمحيط الهادئ.
يرجى تحديث المتصفح.
للأسف لم يعد لدينا دعم إنترنيت إكسبلورر 8 و 7 أو أكثر لأسباب تتعلق بالأمان.
يرجى تحديث المتصفح إلى إصدار أحدث ومحاولة الوصول إلى موقعنا مرة أخرى.
تعلم الآلة عبارة عن مصطلح واسع النطاق لجميع أنواع الخوارزميات الحاسوبية المصممة لتحديد الهياكل والعالقات القابلة للتكرار في البيانات دون الحاجة إلى تعليمات صريحة حول ما يجب البحث عنه. لقد كتبنا من قبل على تطوير هذا المجال عبر التخصصات بما في ذلك الهندسة وعلوم الكمبيوتر والإحصاء والرياضيات، وتطبيقها المتطور ضمن استراتيجيات الاستثمار الكمية. وفي الواقع، فإن معظم تقنيات التعلم الآلي تم تطويرها ويجري تطويرها خارج نطاق التمويل، ولكننا نعتقد أن طلباتهم للاستثمار ستستمر في النمو مع مرور الوقت. في مان أهل، ونحن نطبق التعلم الآلي في عدة مجالات، وليس فقط لدينا استراتيجيات التداول الكمي. توضح هذه المقالة بعض تطبيقاتها الواسعة للاستثمار.
غراهام روبرتسون هو رئيس إدارة محفظة العملاء في مان أهل ('أهل') مع المسؤولية الرئيسية للاتصال العميل.
قبل انضمامه إلى أهل في عام 2018، وضعت الدكتور روبرتسون استراتيجيات هيكل رأس المال التحكيم في كبك إدارة الاستثمارات البديلة ونماذج الأسهم المشتقة القيمة النسبية لشركة فيسيس كابيتال. بدأ حياته المهنية في كريدي سويس في أسواق الدخل الثابت قبل أن ينتقل إلى كوميرزبانك حيث أسس فريق القيمة النسبية وأصبح بعد ذلك رئيسا للاستراتيجية الائتمانية.
ويحمل غراهام شهادة دكتوراه من جامعة أكسفورد في علم الزلازل وبكالوريوس في الجيوفيزياء من جامعة إدنبره.
مارك ريفرمات هو مدير محفظة العملاء ل مان أهل ('أهل') في مجموعة مان ('مان'). وهو مسؤول عن العمل بشكل وثيق مع العملاء لتعزيز فهمهم لاستراتيجيات أهل الاستثمارية بالإضافة إلى العمل عن كثب مع فريق البحث.
انضم مارك إلى الشركة في عام 2009. قبل انضمامه إلى مان عمل في دخل ثابت في دريسدنر كلينورت.
يحمل مارك درجة البكالوريوس في علوم الكمبيوتر في جامعة ويسكونسن ماديسون، وهو ماجستير في إدارة الأعمال من كلية كاس للأعمال في لندن، وهو يسعى للحصول على درجة الدكتوراه في العلوم المالية في كلية الدراسات العليا.
تعلم الآلة عبارة عن مصطلح واسع النطاق لجميع أنواع الخوارزميات الحاسوبية المصممة لتحديد الهياكل والعالقات القابلة للتكرار في البيانات دون الحاجة إلى تعليمات صريحة حول ما يجب البحث عنه. لقد كتبنا قبل 1 على تطوير هذا المجال عبر التخصصات بما في ذلك الهندسة وعلوم الكمبيوتر والإحصاء والرياضيات، وتطبيقها المتطور ضمن استراتيجيات الاستثمار الكمي. وفي الواقع، فإن معظم تقنيات التعلم الآلي تم تطويرها ويجري تطويرها خارج نطاق التمويل، ولكننا نعتقد أن طلباتهم للاستثمار ستستمر في النمو مع مرور الوقت. في مان أهل، ونحن نطبق التعلم الآلي في عدة مجالات، وليس فقط لدينا استراتيجيات التداول الكمي. توضح هذه المقالة بعض تطبيقاتها الواسعة للاستثمار.
التعلم مباشرة من البيانات.
بالنسبة لمعظم تاريخنا الذي استغرق 30 عاما في الاستثمار الكمي، كان باحثونا "يقرون" الحواسيب التي تبدو عليها الاتجاهات، ثم يطلب منهم العثور على هذه الأنماط في أكبر عدد ممكن من الأسواق. ومع ذلك، يسمح التعلم الآلي لأجهزة الكمبيوتر باتخاذ نهج أكثر حرية الشكل، بهدف تحديد أنماط يمكن التنبؤ بها في بيانات الأسعار دون إعطاء توجيهات محددة حول ما قد تبدو عليه العلاقات الأساسية. وهذا يعد خروجا كبيرا عن الاستثمار الكمي التقليدي، وقد بدأنا نرى إمكانياتنا لإضافة قيمة، مما يساعدنا على تحديد المزيد من الفرص المتنوعة في الأسواق. ما الذي يمكن أن يعنيه هذا بالضبط للمستثمرين على المدى الطويل؟ صناعتنا هي في المراحل الأولى من الإجابة على هذا السؤال، ولكننا نرى شيئا واحدا هو واضح: التعلم الآلي يساعدنا على رؤية العالم من خلال عدسة مختلفة، وليس دائما الخطية.
بعض الأمثلة على تقنيات التعلم الآلي.
التعلم العميق - يتم تدريب الخوارزميات باستخدام الشبكات العصبية الاصطناعية، المصممة لتقليد الشبكات البيولوجية للدماغ البشري، على مجموعات كبيرة من البيانات إلى "التعرف على" مجموعة من المحفزات. وقد استخدمت هذه الشبكات في مجالات مثل التعرف على الصور والألعاب مثل الذهاب والشطرنج. كما يمكن استخدامها لتعلم الأنماط التنبؤية في مجموعات البيانات المالية.
معالجة اللغة الطبيعية - تفسير اللغة المكتوبة أو المنطوقة أو الحوار. ويمكن استخدام التقنيات لتعيين درجات رقمية لقياس المشاعر الإيجابية أو السلبية للتقارير المالية للشركة بطريقة قابلة للتكرار وغير منحازة. هذه الدرجات يمكن أن تساعد تغذية الإشارات داخل نماذج التداول.
رجل أهل تم إجراء البحوث في هذا المجال لعقود. ومع ذلك، حتى وقت قريب جدا، نتائج البحث، التي ظهرت العبارات الطنانة في 1990s مثل "الخوارزميات الجينية" و "الشبكات العصبية"، تعثرت ضد متطلبات الطاقة الحسابية الخام وكثافة البيانات. مع التقدم الكبير في هذه المجالات، فضلا عن التحسينات في النظرية الكامنة، ونحن الآن بنشاط تطبيق التعلم الآلي، في أشكال مختلفة، ضمن بعض برامج العميل تركز على الاتجاه أقل منذ عام 2018. هذا العام، ومجموعة من خوارزميات التعلم الآلي ، مقيدة على التصرف بطريقة تشبه الزخم في الغالب، أدرجت في استراتيجيات الاتجاه الرئيسي مان أهل ل.
اكتشاف الاتجاهات غير الخطية في بيانات السوق.
وقد استند البحث الكمي عادة إلى اكتشاف العلاقات الخطية بين بيانات المدخلات (مثل تحركات الأسعار التاريخية وأسعار الفائدة أو أرباح الشركات) والتحركات المستقبلية في أسعار الأصول. وغالبا ما ينظر إلى الاتجاه التالي، على وجه الخصوص، باعتباره علاقة خطية بسيطة بين تحركات الأسعار السابقة والمستقبلية. إذا ارتفع السوق على بعض نافذة الوقت الأخيرة، فمن المرجح أن تستمر صعودا من أن تنخفض والعكس بالعكس. إذا كان قد انخفض في منحدر حاد، فمن المرجح أن تستمر في الانخفاض بشكل حاد مما لو أنها كانت تنخفض تدريجيا فقط.
لأن هذه العلاقة كانت قوية جدا في الماضي، فإنه ليس من المستغرب أنه عندما ترك لأجهزتهم الخاصة، العديد من خوارزميات التعلم الآلي "اكتشاف" الاتجاه التالية باعتبارها الطريقة الأولى للتنبؤ الأسعار في المستقبل عندما تعطى، والمدخلات والسوق التاريخية الأسعار. في البداية، كانت أهدافنا دائما أن ننظر إلى ما إذا كان هذا الشكل "المكتشوف" من الاتجاه التالي يختلف عن سلوك التداول الحالي الذي فهمناه لسنوات عديدة، وكيف، تم بناء أول نماذج تعلم الآلة الحقيقية التي طورناها، واستمرنا في استخدامها في برامج متعددة الإستراتيجيات، لتكون متعامدة - أي مستقلة إحصائيا - لإشاراتنا الحالية، وبالتالي لا تضاعف من التعرض الزخم للبرامج. ليس هناك قيمة في تداول نموذج أكثر تعقيدا إذا كان واحد أبسط هو مجرد جيدة كما.
ما تحولت هذه الخوارزميات التعلم الآلي في وقت مبكر إلى أن تكون جيدة في إكينغ أكثر خفية، غير الخطية، والعلاقات داخل البيانات. وهذا يعني، ضمن بيانات الأسعار، أنه ليس من المهم فقط أن ترتفع الأسعار إلى حد ما خلال العام الماضي، من المهم أن تأخذ الطريق إلى هناك. بعد ثلاث سنوات من التداول، ومع البحوث الجارية، ونحن نعتقد أن هذه الأنواع من النماذج، عندما غير مقيدة، قد تساعد في تحديد سلوك السوق الاتجاه بما في ذلك الاتجاهات، بطريقة يمكن أن تكون مكملة للنماذج القائمة. وعلى هذا النحو، نعتقد أنها تنطبق بوضوح على جميع استراتيجياتنا التي تسعى إلى الاستفادة من إمكانية التنبؤ بالاتجاهات السوقية.
طرق أخرى يمكن للتعلم الآلي دعم استراتيجيات الاستثمار المنهجي.
ومن المثير للاهتمام أن نلاحظ، مع ذلك، أنه ليس فقط في التنبؤ تحركات السوق المحتملة، أو ألفا، أننا قد وجدنا قيمة عملية من نهج التعلم الآلي. وهناك مجال رئيسي آخر في مجال تنفيذ التجارة، حيث ينصب التركيز دائما على تحقيق أدنى فرص الوصول إلى الأسواق من حيث التكلفة لعملائنا مع التسبب في الحد الأدنى من تأثير السوق. ولعل أوسع فائدة ممكنة من التعلم الآلي للمستثمرين مستمد من قدرته على التعامل مع كميات كبيرة من البيانات. الشكل 1 يعطي مثالا واحدا على كمية كبيرة من البيانات التي يتم إنشاؤها الآن من خلال السوق، حيث استحوذ رجل أهل ما يقرب من 2.7 مليار تحديث الأسعار في يوم واحد فقط في نوفمبر الماضي، بعد إعلان نتيجة الانتخابات الأمريكية.
الشكل 1: رجل أهل تحديثات الأسعار في 9 نوفمبر 2018.
المصدر: قاعدة بيانات مجموعة مان. يظهر أعلى علامات القراد البيانات التي تلقاها رجل أهل في اليوم الذي أعلنت نتائج الانتخابات الأمريكية. خطوط ملونة مختلفة تشير إلى تغذية البيانات مثل بلومبرغ، ومقدمي الفردية مثل البنوك.
إذا كان هذا هو عصر الطوفان البيانات، ثم خوارزميات التعلم الآلي لديها القدرة على زيادة كبيرة في قدرة المستثمرين على معالجة وتحليل المعلومات عن الأسواق.
وبشكل أكثر تحديدا، هناك خوارزميات التعلم الآلي التي يمكن أن تساعد أيضا في اتخاذ القرارات حول التوجيه بين مختلف السبل إلى السوق. مان استثمرت شركة أهل بشكل كبير في تطوير الخوارزميات الداخلية للتنفيذ في العقود الآجلة وأسواق الفوركس. أما بالنسبة للتداول في أسهم واحدة، فإننا عادة ما نستخدم خوارزميات طرف ثالث، والتي يوجد وفرة على العرض من البنوك والسماسرة. سوف يكون المستثمرون على بينة من الأسماء الملونة مثل قناص، حرب العصابات، تواب و فواب، وكل مزود عادة ما يقدم مجموعة متنوعة من الضوابط للسماح باستقلالية أكبر أو أقل للخوارزميات في مجالات مثل السرعة والعدوان أو الوصول إلى ما يسمى ب " أحواض السباحة المظلمة ".
ونحن نعتقد أنه من أجل أن نقدم بثقة أفضل تنفيذ نيابة عن أموالنا، ونحن بحاجة إلى "تعلم" تكاليف التداول لجميع التباديل المختلفة من هذه الخوارزميات المختلفة، والتي قد تختلف من خلال الوقت وعبر مناطق مختلفة أو أحجام السوق . تاريخيا قد يكون هذا قد تم إدارتها على شكل سلسلة من التجارب المعقدة مع التقييمات المتخذة مرة واحدة كانت التجارب تشغيل دوراتهم. ومع ذلك، هذا غير فعال كنهج، وأنها لا تتكيف بسرعة مع التغيرات في البيئة أو البيانات.
ولحسن الحظ، فإن المشكلة التي نحاول حلها هي مثال لما يعرف في نظرية الاحتمالات بأنها مشكلة "العصابات المسلحة المتعددة"، التي تسمى بعد صف خيالي لآلات القمار، وقد يكون لكل منها دفعات مختلفة. التحدي الذي يواجه المقامر في المشكلة هو معرفة الآلات التي يجب أن تقوم بها ومدى تكرارها، من أجل تحقيق أقصى قدر من دفعه. خلال الحرب العالمية الثانية، أراد الحلفاء حل هذه الفئة من المشكلة على أمل أن تساعد في تخصيص الموارد؛ ثبت أنه من الصعب جدا حل، في إطار تحليلي تقليدي، أن عالم الرياضيات بيتر ويتل اقترح إسقاطه على ألمانيا للعلماء هناك لإضاعة الوقت على! في الآونة الأخيرة فقط أن التعلم الآلي وضعت نهجا خوارزمية العملية التي الرجل أهل هو الآن تبني في محاولة لدعم تخصيص كفاءة التنفيذ لتجار العميل.
العلاقات الأكاديمية والصناعية تلعب دورا هاما.
وبما أن التعلم الآلي لا يزال في المراحل الأولى من التطبيق على الاستثمار، فمن الضروري أن المهنيين الماليين تعمل بشكل وثيق مع المجتمع الأكاديمي في تطوير هذه النهج. في مان أهل، يضم فريقنا من ذوي الخبرة العلماء والمتخصصين في الحوسبة والمهنيين الاستثمار، وتوفير القيادة والبنية التحتية للدولة من بين الفن في جميع أنحاء الأعمال التجارية. ونحن نعمل عن كثب مع معهد أكسفورد مان (أومي)، وهو جزء من قسم العلوم الهندسية بجامعة أوكسفورد، لدعم الأبحاث الأكاديمية المتطورة في التعلم الآلي.
الأكاديميين في أومي مجموعة التعلم آلة التعلم لديها تاريخ طويل من تطوير التطبيقات في العالم الحقيقي بنجاح، على سبيل المثال في شبكات الاستشعار عن بعد ورصد محركات الطائرات في رحلة. إن علاقتنا العميقة مع أومي - التي تحتفل بالذكرى السنوية العاشرة في صيف 2017 - تسمح للرجل أهل أن يستفيد من المناطق التي يمكن فيها نقل منهجية التعلم الآلي من التخصصات غير المالية إلى الاستثمار الكمي. وبطبيعة الحال، فإن الإدارة الفعالة والحوكمة أمران أساسيان، ويمكن أن يؤدي اختيار البيانات الصحيحة والخوارزميات الأنسب وتنفيذ التجارة المثلى إلى جعل أو خرق قدرة الخوارزمية على إضافة قيمة للمستثمرين.
وسوف تستمر تطبيقات التعلم الآلي للتمويل في النمو مع مرور الوقت، وقد تم بالفعل تأسيس دورها في الاستراتيجيات. نحن ندخل عصر النمو السريع للمعلومات: من المرجح أن يستمر نمو البيانات في النمو بأوامر من حيث الحجم، وستكون القدرة الحاسوبية الواسعة متاحة بشكل أكثر روتينية في رأينا. في الواقع، قد يقول البعض أننا بالفعل هناك، والفرص المتاحة لنطاقات جديدة للبحوث التي تعتمد على البيانات هي الفيلق. مع استمرار تطور الحقل، ونحن نعتقد اعتقادا راسخا بأن التطبيق الذكي للتعلم الآلي لديه القدرة الحقيقية لمساعدة المستثمرين على التقاط فرص جديدة وتنويع في الأسواق.
آخر رجل أهل البحوث.
رجل مقابل آلة: مقارنة الأداء التحوطي والمنتظم صندوق التحوط.
وباستخدام البيانات من عام 1996 إلى عام 2018، نحقق في المفاهيم الخاطئة بشأن أداء صناديق التحوط التقديرية والمنهجية.
الاتجاه التالي: الأسهم وأزمة السندات ألفا.
نحن ندرس الاستراتيجيات التي تتبع الاتجاه وتبين كيف أنها تظهر خصائص أزمة ألفا للأسهم وكذلك للسندات.
معلومات مهمة.
الآراء المعرب عنها هي آراء المؤلف ولا يجوز أن يشارك فيها جميع أفراد مجموعة مان بلك ('مان'). تخضع هذه الآراء للتغيير دون سابق إنذار، لأغراض المعلومات فقط ولا تشكل عرضا أو دعوة لإجراء استثمار في أي أداة مالية أو في أي منتج تقدمه الشركة و / أو الشركات التابعة لها المشورة في مجال الاستثمار أو أي أموال مالية أخرى خدمات. أي منظمات أو أدوات مالية أو منتجات موصوفة في هذه المادة مذكورة لأغراض مرجعية فقط والتي لا ينبغي اعتبارها توصية لشرائها أو بيعها. ولا تكون الشركة ولا المؤلفين مسؤولين أمام أي شخص عن أي إجراء يتخذ بناء على المعلومات المقدمة. قد تكون بعض البيانات الواردة في هذه المادة المتعلقة بالأهداف والاستراتيجيات والنظرة أو المسائل الأخرى غير التاريخية بيانات تطلعية وتستند إلى المؤشرات والتوقعات الحالية. هذه البيانات التطلعية تتحدث فقط اعتبارا من تاريخ القيام بها، ولا تتحمل الشركة أي التزام بتحديث أو مراجعة أي بيانات تطلعية. وتخضع هذه البيانات التطلعية للمخاطر والشكوك التي قد تسبب نتائج فعلية تختلف جوهريا عن تلك الواردة في البيانات. يجوز للشركة و / أو الشركات التابعة لها أو قد لا يكون لها موقف في أي أداة مالية مذكورة وقد تكون أو لا تكون نشطة التداول في أي من هذه الأوراق المالية. هذه املادة هي معلومات مملوكة للشركة والشركات التابعة لها وال يجوز نسخها أو توزيعها بشكل كامل أو جزئي دون موافقة كتابية مسبقة من الشركة. وتعتقد الشركة أن المحتوى لتكون دقيقة. ولكن لا يبرر دقة أو مضمونة. لا تتحمل الشركة أي مسؤولية في حالة المعلومات التي تم الإبلاغ عنها بشكل غير صحيح أو غير كاملة. ما لم يذكر خلاف ذلك يتم توفير جميع المعلومات من قبل الشركة. الأداء السابق لا یشیر إلی النتائج المستقبلیة.
العالمية غير الموظفين.
جميع المستخدمين غير المصادق عليهم.
بقية العالم جميع.
العالمية السابقة سنغافورة و نا جميع الأسعار.
بقية العالم جميع (السابقين الأفراد)
بقية الجمهور العام (ضيف)
يرجى تحديد بلدك.
أوروبا، الشرق الأوسط، إفريقيا.
آسيا والمحيط الهادئ.
يرجى تحديث المتصفح.
للأسف لم يعد لدينا دعم إنترنيت إكسبلورر 8 و 7 أو أكثر لأسباب تتعلق بالأمان.
يرجى تحديث المتصفح إلى إصدار أحدث ومحاولة الوصول إلى موقعنا مرة أخرى.
No comments:
Post a Comment