„Denk an Finanzmodelle“: Wer sind Quanten und wie werden sie?

Ursprünglicher Autor: Stuart Reid
  • Übersetzung


Der Blog-Redakteur von Turing Finance und gleichzeitig der Hedge-Fund-Finanzanalyst Stuart Reed haben einen praktischen Leitfaden für diejenigen veröffentlicht, die aufgrund ihrer Berufserfahrung ihre Zukunft auf dem Finanzmarkt sehen. Er verspricht, nicht zu sagen, wie man ein Quantum wird, sondern wie man es in einem der Sektoren der Finanzindustrie macht, in denen Sie derzeit arbeiten. Seiner Meinung nach ist dies nicht einmal eine Frage des Lernens, sondern vielmehr eine Frage der Ideologie. Wir legen Ihrer Aufmerksamkeit eine angepasste Übersetzung dieses Materials vor.

Quantitative Methoden oder quantitative Analysen in der Finanzindustrie sind eine Wissenschaft, aber kein Beruf, sagt Reed. Das bedeutet, dass das Wissen, wie man ein Quantum wird, nichts zu Ihren Fähigkeiten beiträgt. Sie müssen wissen, wie man er ist. Im zweiten Fall sprechen wir über die Prinzipien und die Ideologie, die der quantitativen Analyse zugrunde liegen. Bei der ersten Option geht es darum, einige praktische Aktivitäten zu zeigen, um einen Job zu finden, bei dem das Wort „Quantum“ in der Beschreibung vorkommt.

Ein Quant zu sein bedeutet im Grunde nicht die Fähigkeit, ausgefeilte Formeln für die Bewertung der Möglichkeiten eines seltsamen stochastischen Modells abzuleiten. Dies bedeutet nicht, Handelsstrategien unter Verwendung des statistischen Regressionsmodells zu erstellen, zu trainieren und zu testen. Ein Quantum zu sein bedeutet zu glauben, dass wissenschaftliche Modelle für eine allgemeine Analyse der Finanzmärkte geeignet sind.

Eine ähnliche Ideologie gewann bei der Bewertung von Derivaten an Gewicht und wechselte dann zu Risikomanagement, Vermögensverwaltung und Aktienhandel. Wahrscheinlich werden wir im nächsten Jahrzehnt die Verbreitung dieses Ansatzes im Bereich der Unternehmensfinanzierung, bei Risikokapital- und Bankinvestitionen beobachten können.

Wissenschaftstheorie


In seinem letzten Jahr in der Informatik verbrachte der Autor zusammen mit den anderen Studenten ein Jahr damit, ein Modul namens "Forschungsmethoden" zu entwickeln. Es basierte auf zwei Lehrbüchern: „Wissenschaftstheorie: Von Problemen zur Theorie“ und „Wissenschaftstheorie: Von der Erklärung zur Rechtfertigung“. Beide sind von Mario Bunge geschrieben. Trotz aller Versuche des Lehrers, dieses Fach so langweilig wie möglich zu gestalten, studierte der Autor gern Philosophie. Viele Ideen des Moduls haben sich in der weiteren Praxis als gefragt erwiesen.

Tatsächlich erzählt das Fach „Wissenschaftsphilosophie“ selbst von den logischen Grundlagen, Methoden und Schlussfolgerungen der Wissenschaft. Einfach ausgedrückt versucht er, die Fragen zu beantworten: Was ist Wissenschaft? Wie funktioniert es Was sind die Grenzen wissenschaftlicher Erkenntnisse? Die Geschichte hat viele Antworten auf diese Fragen gegeben. Oft das Gegenteil. Sie können auf reduziert werdenverschiedene Richtungen : Realismus, Empirismus, Instrumentalismus und Induktion, logischer Positivismus und Fälschbarkeit.

Realismus versus Empirismus


Der Realismus ist davon überzeugt, dass sich die Wissenschaft in ihrer Forschung mit der realen Welt befasst und nicht mit ihrer Konstruktion, die nur in Empfindungen gegeben ist. Empirismus geht im Gegenteil davon aus, dass wir alles wissen, was wir durch die Sinne wissen. Unser Wissen ist also vorübergehend und begrenzt.

Das Hauptargument für den Realismus könnte die Richtigkeit wissenschaftlicher Theorien sein. Wenn wir eine Theorie haben, die genau genug ist, um den zukünftigen Zustand des Systems damit vorhersagen zu können, dann beschreiben wir die reale Welt. Dies gilt eher für die Naturwissenschaften. In der Finanzwelt wird jede Theorie in ihrer Fähigkeit, Verzerrungen vorherzusagen und zu unterwerfen, eingeschränkt sein.

Abzug, Induktion und Abduktion


In der Wissenschaftsphilosophie unterscheiden wir verschiedene Formen des logischen Denkens.

  • Deduktion bedeutet, aus einer oder mehreren Annahmen auf eine konsistente Schlussfolgerung zu schließen. Es wird häufig in der Mathematik und in formalen Methoden der Informatik verwendet.
  • Die Abduktion ist eine etwas vereinfachte Form der Deduktion, die behauptet, dass die durch die letztgenannten Schlussfolgerungen erhaltenen Aussagen möglicherweise nicht als notwendig erachtet werden. Dies ist jedoch in jedem Fall das Beste, was wir basierend auf den verfügbaren Daten und Annahmen tun können.
  • Die Induktion zieht Schlussfolgerungen auf der Grundlage einer oder mehrerer starker Prämissen, die auf Beweisen und Beobachtungen beruhen, um eine probabilistische Wahrheit zu erhalten, die durch Fälschung überprüft werden kann.

Der Nachteil der letzteren Methode besteht darin, dass Schlussfolgerungen hier nicht zuverlässig sind. Dies zeigt das bekannte Beispiel eines schwarzen Schwans. Solange alle Schwäne, die uns begegnen, weiß sind, können wir uns von der Aussage leiten lassen, dass "alle Schwäne weiß sind". Der erste schwarze Schwan, dessen Aussehen das Modell nicht vorhersagen kann, wird diese Wahrheit widerlegen. Auf dieses Beispiel wird in seinen Schriften von Nassim Taleb näher eingegangen .

Quantitative Markttheorien bauen auf der Induktion durch empirische Beobachtung auf. Solche Theorien lassen sich bei widersprüchlichen Daten leicht widerlegen. Sie mögen auf dem Papier schmal sein, aber in der Praxis sind sie am häufigsten das Glaubenssubjekt ihrer Anhänger, die Tatsachen übersehen, die nicht in das Modell passen.

Der Leser wundert sich wahrscheinlich schon, wie die Wissenschaftsphilosophie dazu beiträgt, ein Quant zu werden? Ihre Ideologie ist wichtig, um die Grenzen unserer Finanzmarktkenntnisse zu verstehen. Ganz gleich, wie tief Finanztheorien in empirischen Belegen verwurzelt sind, sie scheinen unfehlbar und von Natur aus fragil zu sein. Dazu gehören alle gängigen Prämissen quantitativer Modelle: Normalverteilungsrenditen, Linearität, Stationarität, Random-Walk-Hypothesen und Markteffizienz.

Wissenschaftliche Methode


Die wissenschaftliche Methode trägt dazu bei, das Denken klarer und strenger zu machen und die Testbarkeit des Modells sowie die Überprüfbarkeit der zugrunde liegenden Hypothesen zu verbessern.

Die wissenschaftliche Methode ist ein kontinuierlicher Prozess, der systematische Beobachtungen, quantitative Messungen, Experimente, das Erhalten von Hypothesen, das Testen von Hypothesen und deren Verbesserung umfasst. Der Autor schlägt vor, die wissenschaftliche Methode am Beispiel der Random-Walk-Theorie zu durchlaufen.

Bild

Beobachtungen


Im Kontext der Finanzmärkte extrahieren wir in der Regel nützliche Informationen aus Büchern, Artikeln, Medien und lesen manchmal gute (oder nicht so gute) Blogs zu einem bestimmten Thema. Was finden wir in ihnen? In vielen wissenschaftlichen Publikationen gibt es eine Aussage, dass sich der Markt zufällig verhält und stochastische Prozesse darin ablaufen.

Hier ist es wichtig, Fragen zu stellen. Die ersten Fragen, die uns helfen, diese Annahme zu bewerten, sind möglicherweise die einfachsten: Wer, was, wann und warum? Lassen Sie uns versuchen, die Random-Walk-Hypothese unter diesem Gesichtspunkt zu betrachten .

  1. Für wen ist diese Theorie in Bezug auf den Markt anwendbar? Verhalten sich alle Märkte gleich zufällig? Wie hängt die Zufälligkeit mit der Liquidität und anderen Parametern der relativen Effizienz zusammen?
  2. Was, welche Kräfte machen den Markt zufällig? Führt Effizienz wirklich zu Zufälligkeit? Wenn der Markt zufällig ist, macht es für seine Agenten keinen Sinn, darauf zu konkurrieren. Das heißt, wenn die Effizienz abnimmt, bleibt der Markt dann zufällig?
  3. Wo ist der Markt zufällig? Gibt es Orte auf der Welt, an denen es weniger zufällig ist, zum Beispiel in Entwicklungsländern? Wenn ja, was ist dann mit den Unterschieden in der Dynamik dieses Prozesses?
  4. Wann werden Märkte zufällig? Das heißt, sind sie während der gesamten Zeit zufällig oder werden durch Modi unterbrochen, in denen es keine Zufälligkeit gibt? Wenn ja, bedeutet dies, dass es in solchen Momenten möglich ist, von einem solchen Zustand zu profitieren?
  5. Warum sind Märkte zufällig? Welche Prozesse und Kräfte halten sie in einem Zustand der Zufälligkeit?
  6. Wie können Sie die Marktleistung messen und die Random-Walk-Hypothese testen? Können wir mithilfe des Basisagentenmodells eine effiziente Wirtschaftlichkeit simulieren und prüfen, ob der Mechanismus zur Preisoffenlegung zufällig ist?

Jemand hat einmal einen Teil dieser Fragen beantwortet. Daher ist es wichtig, sich über frühere Studien auf dem Laufenden zu halten. Nachdem Sie Ihre eigenen Fragen formuliert und Literatur zum Thema gelesen haben, entstehen in Ihrem Kopf kompetente und korrekte Ideen, die schließlich eine überprüfbare wissenschaftliche Hypothese bilden sollten.

Hypothesenbildung


Eine Hypothese ist eine deklarative Aussage, die die Beziehung zwischen einer Menge von Variablen rechtfertigt. Eine gute Hypothese sollte prägnant und überprüfbar sein und alle bisherigen Forschungserfahrungen berücksichtigen. Nehmen Sie zum Beispiel die folgende interessante Idee, die einer der regelmäßigen Leser seines Blogs an den Autor geschickt hat.

Marktrenditen sind ein Zufall, da sich der Markt schnell anpassen kann, um etwaige Schwächen zu beseitigen.

Der Gedanke ist gut. Aber die Hypothese selbst ist so lala. Viele Begriffe sind nicht definiert, zu viel ist in einem Stapel gemischt und es ist nicht so einfach zu überprüfen. Versuchen wir, diese Hypothese in mehrere separate zu zerlegen.

Hypothese 1 . Marktbewegungen (nach oben oder unten) sind nicht von Martin-Löf-Zufallszahlen zu unterscheiden.

Die Analyse des Autors der Random-Walk-Hypothese führte ihn zu dem Schluss, dass der Markt nicht zufällig ist, zumindest unter solch harten Bedingungen. Im Anschluss ergeben sich viele andere Fragen, die zusätzliche Forschung erfordern. Folglich kann diese neue Hypothese in zwei Teile geteilt werden.

Hypothese 2 . Markteffizienz und die vorübergehende Verfügbarkeit von Informationen für alle Beteiligten zwingen den Markt dazu, sich zufällig zu entwickeln.

In einem der folgenden Materialien verspricht der Autor zu erklären, wie diese Hypothese auf ihre Wahrheit überprüft werden kann. In der Zwischenzeit können Interessierte zwei Artikel zu diesem Thema lesen: „Risikoaversion und die Martingaleigenschaft der Marktpreise“, Le Roy, 1973, und „Vermögenspreise in der Börsenwirtschaft“, Lucas, 1978. (als Referenz sind beide Materialien aus irgendeinem Grund nicht verfügbar - ca. Übersetzer). In ihnen versuchen Forscher herauszufinden, wie sich der Zugang zu Informationen rationaler Marktakteure auf die zufällige Preisverteilung auswirkt. Im Allgemeinen lautet die Schlussfolgerung wie folgt: Der freie Zugang zu Daten kann zu zufälligen Marktbewegungen führen oder auch nicht. Das heißt, Effizienz bedeutet nicht Zufälligkeit.

Darüber hinaus führt uns all dies zu der dritten Hypothese, die relativ selten untersucht wird, da sie schwer zu überprüfen ist.

Hypothese 3 . Unabhängig davon, ob sich der Markt zufällig entwickelt oder nicht, werden alle Möglichkeiten, daraus Kapital zu schlagen, für die Anleger zu schnell weggespült, um eine fortlaufend wirksame Strategie zu entwickeln.

Diese Hypothese ist nicht zu prägnant und aussagekräftig. Es ist ziemlich schwer zu widerlegen oder zu bestätigen. Das heißt, es ist in jeder Hinsicht nicht so elegant wie die vorherigen. Daher kann es zu diesem Zeitpunkt vernachlässigt werden.

Entwicklung von Testvorhersagen


Um eine Prognose zu erstellen, müssen Sie zunächst feststellen, ob Ihre Hypothese zutrifft. Dann sollten Sie verstehen, welche Werte in die Prognose einbezogen werden sollen. Nehmen wir zum Beispiel die erste Hypothese als Basis, können die Marktrenditen (nach oben oder unten) mithilfe einer Reihe statistischer Tests NIST überprüft und berechnet werden. Ihr Verhalten sollte der Martin-Löf-Binärfolge entsprechen. In einem der vorherigen Beiträge hat der Autor diese Operation bereits mit einem Pseudozufallszahlengenerator namens Mersenne Whirlwind durchgeführt. Es stellte sich heraus, dass diese Hypothese falsch ist.

Viele Menschen machen den gleichen Fehler: Sie sind sich sicher, dass es bei der Forschung nur um eine Objektivität geht. In der Tat ist es nicht so wichtig, ob die Hypothese wahr oder falsch ist. Es ist wichtig, dass wir in jeder Situation neue Informationen zu wissenschaftlichen Erkenntnissen über ein bestimmtes Problem liefern.

Um die zweite Hypothese zu testen, muss man noch einen Schritt weiter gehen: ein Modell des Basismittels erstellen , bei dem die Effizienz garantiert wird. Aus diesem Modell extrahieren wir dann die Rückgabesequenzen und testen sie auf Zufälligkeit. Über die Modelle wird weiter unten diskutiert.

Vorhersage-Datenerfassung


Der Name dieser Etappe spricht für sich. Das einzige, was es zu warnen gilt: Die Daten für die Verifikation müssen aus der realen Welt stammen (empirische Daten). In extremen Fällen können sie von einem Modell stammen, das einer Hypothese entspricht. Beide Ansätze haben Vor- und Nachteile. Bei empirischen Daten hängt vieles davon ab, wie Sie sie messen, sammeln und speichern. Die Simulation von Daten deutet darauf hin, dass die Ausführung des Modells korrekt durchgeführt wurde.

Klärung oder Widerlegung einer Hypothese


Basierend auf den gesammelten Daten können wir die Frage beantworten, ob die Vorhersagen korrekt waren und ob die Beweise unsere Hypothese stützten. Es ist wichtig anzumerken, dass es bei einer positiven Option nur darum geht, die Hypothese zu stützen. Wir können nicht beweisen, dass es wahr ist. Im zweiten Fall wird die Hypothese als falsch angesehen.

Eine allgemeine Theorie erstellen


Wir haben also eine ausreichende Anzahl von Hypothesen gesammelt und sorgfältig getestet. Jetzt können wir aus ihnen eine allgemeine Theorie sammeln. Beispielsweise hat die Portfoliotheorie jahrzehntelange Untersuchungen zum Verhältnis von Risiko und Gewinn benötigt, bevor sie von der wissenschaftlichen Gemeinschaft akzeptiert wurde. Zum Zeitpunkt der Veröffentlichung der Dissertation von Markowitz glaubte praktisch niemand an die Portfoliotheorie. Sie wollten ihm sogar den Doktor der Wirtschaftswissenschaften verweigern.

Die Geschichte ist in Wahrheit sehr lehrreich. Wenn Ihre Idee unbeliebt ist, heißt das nicht, dass sie falsch ist. Die Finanziersgemeinschaft ist sehr konservativ. Veraltete Ideen und Ansätze werden hier mit fast religiösem Pathos und Ernsthaftigkeit verteidigt. Zu den Fähigkeiten von Quantum gehört die Fähigkeit, diese Welt objektiv zu betrachten und ständig mit Mythen über Finanzmärkte zu kämpfen. Konsens vergessen, Wahrheit suchen.

Denken Sie in Modellen


Wie werde ich ein Quantum? Gestalten Sie Ihre Ideen in einem Modell. Verwenden Sie diese Modelle dann, um Ihr Denken zu rationalisieren, Ihre Ideen zu testen und zu untermauern und verborgene Muster aufzudecken.

Ein Modell ist eine Darstellung einzelner Objekte oder Prozesse, die in der realen Welt existieren. Um Modelle zu bauen, verwenden Quanten die Methoden der Mathematik und der Informatik. Ein Quantum kann zum Beispiel ein Modell der Risiken zusammenstellen, die mit einem bestimmten Portfolio von Vermögenswerten verbunden sind. Warum werden Modelle hervorgehoben? Darüber hinaus glauben einige, dass diese Art des Denkens im Zentrum der Finanzkrise von 2008 stand.

Modelle helfen uns, klarer zu denken.


Das Entwickeln einer Idee auf die Ebene eines geeigneten Modells, das in Code erstellt oder in mathematischen Formeln geschrieben wurde, spielt keine Rolle. Es macht klarer, welche Bedeutung, Vor- und Nachteile die Idee selbst hat. Wir betrachten spekulative Dinge in Bezug auf Inputs, Outputs und technologische Prozesse. Durch das Modell und die Prozesse können Sie fehlende Teile erkennen und Ungenauigkeiten korrigieren.

Modelle sind testbar, keine Intuition


Sobald eine Idee systematisiert und in ein Modell kodiert wurde, ist sie überprüfbar. Am Ende können wir sehen, wie die Idee der tatsächlichen Ausrichtung der Dinge entspricht. Nehmen wir zum Beispiel das stochastische Modell der Brownschen Bewegung für den Wertpapiermarkt. Wie ist es mit der realen Welt zu vergleichen? Berücksichtigen sie die Märkte? Berücksichtigt es Perioden mit hoher und niedriger Volatilität? Die Antwort lautet natürlich nein. All dies zwingt uns, ein besseres stochastisches Modell zu entwickeln: das Merton-Modell für Diffusionssprünge und das Heston-Modell für stochastische Volatilität.

Eine weitere, allgemeine Option zum Überprüfen des Modells besteht darin, das Verhalten in Verlaufsdaten zu überprüfen. Nehmen Sie die übliche Anlagestrategie mit voreingenommenem Wert. Solange es auf der Intuition des Brokers basiert, ist es unmöglich zu prüfen, ob es in der Vergangenheit gute Renditen bringen könnte. Sie können den Worten des Finanzmanagers nur glauben, dass er auf seinem Gebiet gut ist.

Modelle helfen Ihnen, versteckte Muster zu finden.


Vergessen Sie für eine Weile die Suche nach Mustern mit maschinellem Lernen und neuronalen Netzen. Selbst überholte einfache Modelle können versteckte Muster finden und ein neues Verständnis für vertraute Dinge eröffnen.

Nehmen Sie ein Beispiel aus einem anderen Bereich. Wie viele Menschen sollte eine bestimmte Stadt Ihrer Meinung nach rassistisch sein, damit die Rassentrennung 80% erreicht? Wissenschaftler haben herausgefunden, dass es ausreicht, wenn 30% der Menschen in einer relativ isolierten Gesellschaft Rassisten für Rassentrennung sind. All dies kann mit dem alten Schelling-Segregationsmodell berechnet werden. Und solche Beispiele sind Masse, wenn das Modell uns ein neues Wissen über vertraute Dinge offenbart. Für Interessierte empfiehlt der Autor einen Kurs zum Verständnis von Modellen bei Coursera .

Mathematische oder Computermodelle helfen uns, uns von spekulativen Konstruktionen zu entfernen und die kognitive Belastung einer einzelnen Person zu beseitigen. Einfach ausgedrückt, sie machen uns schlauer. Viel schlauer.

Fazit


Quantitative Finanzen sind eine Ideologie, und ein Quant zu sein bedeutet viel mehr als nur ein Mathematiker zu sein oder zu wissen, wie man Code schreibt. Dies ist eine Geschichte über das Engagement für die wissenschaftliche Methode und die Fähigkeit, sie auf das Studium der Finanzmärkte im Allgemeinen anzuwenden. In Anbetracht dessen gibt der Autor den einzigen Rat an diejenigen, die beabsichtigen, ein Quantum zu werden: Sei es, ungeachtet des Namens Ihrer Position. Es gibt keinen Grund, dass grundlegende Prinzipien und quantitative Methoden nicht auf andere Bereiche von Finanzdienstleistungen oder sogar auf nichtfinanzielle Unternehmen angewendet werden könnten. Es ist wahrscheinlich, dass in zehn Jahren sowohl quantitative Bankinvestitionen als auch quantitativer Risikokapitalismus bekannt werden. Auch wenn Sie die Prinzipien dieser Ideologie in Ihrem Interview nur richtig darstellen können, ist dies bereits ein großes Plus.

Weitere Materialien zum Thema Finanzen und Börse von ITI Capital :



Jetzt auch beliebt: