Czym jest Quantitative Analysis (QA)?

Quantitative Analysis (QA) to praktyka podejmowania decyzji handlowych na podstawie danych, nie przeczuc. Przekształca liczby w reguły za pomocą matematyki, statystyki i kodu. Wyobraź sobie opanowanego znajomego, który sprawdza rachunki przed zamówieniem kolejnej rundy i pyta, czy transakcja wciąż ma sens.

Mit

QA to nie roboty drukujące darmowe pieniądze. To ramy do testowania pomysłów i zarządzania prawdopodobieństwem, i nadal przegrywa, gdy rynki się zmieniają lub gdy dane są nieuporządkowane.

Jak to działa

Quantitative Analysis (QA) podąża za prostą pętlą: zbieraj, testuj, decyduj, powtarzaj. Wyobraź sobie tradera tworzącego prostą strategię momentum na BTC.

Krok 1: Pobierz czyste dane, np. historyczne i bieżące ceny rynkowe.
Krok 2: Utwórz cechy, na przykład średnią kroczącą i trend wolumenu, następnie odfiltruj oczywiste wartości odstające.
Krok 3: Napisz regułę, np. kupuj gdy cena jest powyżej swojej średniej i wolumen rośnie, w przeciwnym razie trzymaj pozycję neutralną.
Krok 4: Przeprowadź backtesty na danych z lat, uwzględnij opłaty i poślizg cenowy, oraz zostaw część danych nieużywaną do testów poza próbką.
Krok 5: Jeśli to wytrzyma, uruchom ręcznie lub wprowadź do Trading algorytmiczny z alertami i ustalaniem wielkości pozycji.

Utrzymaj to nudne i testowalne. Tak, o to chodzi.

Dlaczego ma to znaczenie

Dlaczego powinno cię obchodzić QA jeśli interesujesz się kryptowalutami i technologią?

Korzyść: Przekształca niejasne opinie w powtarzalne plany, które mogą oszczędzić czas i czasem pieniądze.
Perspektywa: Pasuje do trendu handlu opierającego się na danych i dodaje dyscyplinę dzięki lepszemu zarządzaniu ryzykiem.
Istotność: Spotkasz to na prop deskach, w quant DAO i w osobistych botach. W połączeniu z mądrą dywersyfikacją może wygładzić przebieg inwestycji między monetami i strategiami.

Wskazówka

Zacznij od jednej jasnej reguły, potem dodawaj tylko to, co poprawia wyniki poza próbką. Im więcej ustawień, tym większe ryzyko przeuczenia.

Kluczowe cechy

Co wyróżnia Quantitative Analysis (QA):

Dane: Duży nacisk na czyste, istotne dane wejściowe, nie na przeczucia.
Reguły: Decyzje opierają się na jawnej logice, którą można testować i powtarzać.
Testowanie: Backtesty i testy na danych przyszłych próbują wykryć, czy wzorzec jest rzeczywisty czy tylko szczęściem.
Automatyzacja: Łatwo zamienić w alerty lub boty, gdy sprawdzi się w działaniu.

Warianty

Różne odmiany, które zobaczysz:

Statystyczne: Powrót do średniej, momentum i klasyczne testy szeregów czasowych.
Maszynowe: Modele uczące się wzorców z cech i etykiet.
Faktorowe: Reguły zbudowane z czynników takich jak trend, carry lub wartość.
HFT: Modele o bardzo krótkim horyzoncie, które zwracają uwagę na prędkość i mikrostrukturę.
Onchain: Sygnały z opłat, przepływów, adresów i aktywności sieciowej.

Przypomnienie

Złe dane dają złe wyniki. Jeśli dane są błędne lub następuje zmiana reżimu, nawet dopracowany model potknie się, więc aktualizuj założenia i koszty.

Przykład

Fundusz kryptowalut testuje prostą regułę momentum na ETH, ogranicza ryzyko na transakcję, a następnie uruchamia ją na żywo dopiero po tym, jak test poza próbką potwierdzi backtest.

Ciekawostka

Słowo quant zyskało popularność na Wall Street po tym, jak wycena opcji rozwinęła się w latach 70, a wielu wczesnych quantów to byli fizycy; niektórzy później pomogli budować modele tworzenia rynku w krypto.

Podsumowanie

W skrócie: Quantitative Analysis (QA) przekształca dane w reguły, które można testować, którym można ufać i które można modyfikować, gdy nastroje na rynku się zmieniają.

Quantitative Analysis (QA)