Dane Alternatywne to rewolucja. Ważniejsza niż AI! Cz.1
Wykorzystanie alternatywnych danych to aktualny super trend kształtujący silnie teraźniejszość i przyszłość inwestowania.
To rewolucja ważniejsza niż rewolucja jaką da Artificial Intelligence.
Główna korzyść z alternatywnych danych (AD): większość ważnych dla ciebie danych możesz mieć szybciej i z większą dokładnością niż kiedykolwiek wcześniej.
Alternatywne dane aktualnie ulepszają jakość sygnałów i zmniejszają ryzyko. W przyszłości będą głównym źródłem sygnałów. Dziś w wielu wypadkach są głównym źródłem przewagi konkurencyjnej pozwalającym znaleźć i wykorzystać sygnały przed innymi.
Oprócz bieżącego wykorzystania danych alternatywnych bardzo ważne jest tworzenie w funduszu kompetencji jakie pozwolą wykorzystać je mądrze w przyszłości, ponieważ ten obszar będzie teraz szybko ewoluował.
Dzięki AD sygnał otrzymamy wcześniej, będzie lepszy, mniej ryzykowny, prowadzenie pozycji będzie łatwiejsze, a wyjście lepsze.
Przygotowałem kilka przykładów wykorzystania alternatywnych danych. Chcę pokazać szerokie spektrum sytuacji, w których do tej pory ich użyto i w jakich mogą zostać użyte w przyszłości.
Często jest tak, że ciekawy inspirujący pomysł przychodzi z zupełnie nieoczekiwanej strony, dlatego warto bywać na konferencjach branżowych i gromadzić jak największą ilość case studies tego, co zrobili inni.
Liczenie samochodów na parkingu Tesli.
Jeden z funduszy zastosował narzędzia Machine Learning (ML) do maszynowej analizy obrazów satelitarnych z parkingu przed Megafactory Tesli. Narzędzie analizowało pozycję samochodów i ich kolory. Celem było określenie, czy i jak ilość samochodów się zmienia. Okazało się, że samochody szybko znikają i na ich miejsce pojawiają się nowe co wskazywało, że firma dotrzyma powziętych zobowiązań i planów. Dzięki takiej analizie wiedziano o tym na tygodnie przed oficjalną informacją. Jest to konkretna wiedza dająca przewagę nad innymi uczestnikami rynków.
To dość znany i budzący respekt przykład, więc warto opatrzyć go komentarzem. Jeśli spojrzymy na okolice tej fabryki w Newadzie zobaczymy, że jest tam jedna droga dojazdowa.
Ustawienie tam samochodu z kamerą i zlecenie komuś liczenia samochodów wywożonych z parkingu dałoby ten sam rezultat (a być może znacznie tańszy) co wykorzystanie całego zespołu do maszynowej analizy zdjęć satelitarnych. Warto o tym wiedzieć i szukać sposobu by te same dane mieć nie za ćwierć miliona dolarów, ale za 1% tej sumy.
Dane o zatrudnieniu Non Farm Payrolls
Duży fundusz zauważył, że można z dużą precyzją oszacować dane NFP obserwując, ile nowych ofert od osób poszukujących pracy pojawia się w pewnym serwisie internetowym łączącym pracowników z pracodawcami.
Używając narzędzi ML zbadano związek ilości nowych ogłoszeń o poszukiwaniu pracy z publikowanymi później danymi o zatrudnieniu i znaleziono bardzo dobrze działającą formułę. Dzięki niej, na kilka dni przed publikacją danych o zatrudnieniu, można było oszacować wielkość i kierunek ruchu cen walut. Plotka mówi, że traderzy znaleźli ten sposób już w 2012 roku.
Wcześniejsza wiedza, jak mogą wyglądać kluczowe dane pozwala zbudować pozycję pod oczekiwany ruch, utrzymać pozycję już istniejącą bądź z niej wyjść. Część traderów (ale też wiele podręczników) zaleca wyjście z rynków przed publikacją najważniejszych danych („bo rynek może ruszyć setki pips w dowolnym kierunku”). Jeśli jednak wiemy, jakie te dane będą i jakie są oczekiwania rynku w stosunku do nich to w praktyce posiadamy maszynkę do robienia pieniędzy.
I nadal tak jest, kilka dni temu czytałem typowe spekulacje jakie będą dane NFP i czego się rynki spodziewają. A już jest grupa, która wie i potrafi to wykorzystać.
Dane o wykorzystaniu lotów korporacyjnych użyteczne przy przewidywaniu M&A
Dla firm inwestujących w mergers and acquisitions informacje o lotach odrzutowcami wynajmowanymi przez korporacje są dobrym źródłem informacji o możliwych wydarzeniach.
Jako jeden z lepiej znanych przykładów podaje się dwa fundusze, z których jeden zarobił ponad 300 milionów, a drugi 700 korzystając z takich właśnie danych.
Traderzy śledzili loty kluczowych ludzi pewnej spółki do miasta, gdzie mieści się siedziba innej dużej firmy zainteresowanej przejęciem. Dane lotów zarządu były pierwszym sygnałem, że może się dziać coś ciekawego.
Gdy informacje zaczęły się potwierdzać zbudowano duże pozycje. Wcześniejsza wiedza pozwoliła wejść na rynek przed wszystkimi.
Dane z social media mogą być samodzielnym źródłem wartościowych sygnałów.
Inny duży fundusz zbadał, którzy z analityków publikujących na Twitterze mają najlepsze rezultaty i ustawił następujący system: aplikacja obserwuje Twitter feed wybranej grupy najlepszych analityków i składa zlecenia, gdy pojawiają się rekomendacje. Całość odbywa się automatycznie.
Wielu dobrych analityków spędziło całe lata studiując branże i sektory, mają olbrzymie doświadczenie, którym dzielą się w social media. Ta strategia to tak naprawdę „no brainer”.
Sczytywanie danych z dokumentów firmowych przy użyciu ML pozwala wyłowić te firmy, które z dużym prawdopodobieństwem stosują kreatywną księgowość („cooking books”)
Pewien trader tego typu narzędzia. Pozwalają mu wyłowić podejrzane firmy, tworzy ich listę i analizuje dalej sytuacje. W momencie, gdy podejrzenia zaczynają się potwierdzać – buduje pozycje na spadki. To przykład systemu bazującego na wyławianiu anomalii w dokumentach.
Nie słyszałem, aby któryś z funduszy robił to na duża skalę, aczkolwiek mają do dyspozycji podobne narzędzia. Działają one w połączeniu z innymi metodami, aby dać lepszy, pełniejszy obraz danej firmy.
Automat składa pozycję analizując newsy.
Newsy poruszają rynkami, ale ich ogromna ilość jest problemem.
Jeden z funduszy stworzył samodzielny system do analizy newsów na temat wybranej grupy firm. Automat sczytuje wiadomości i analizuje sentyment w nich zawarty. Jeśli jest pozytywny - kupuje, jeśli negatywny – sprzedaje.
Oczywiście są tu jeszcze dodatkowe elementy, ale chcę pokazać samą istotę rozwiązania. Wszystko odbywa się automatycznie. Trader jak najbardziej jest w stanie powtórzyć część z tych pozycji ale… tylko małą część. Automat nigdy nie śpi, stąd jest w stanie stale działać i na każdym rynku od Tokio do NY.
Co więcej, z czasem do analizy sentymentu newsów dojdą inne czynniki, dzięki czemu strategia będzie rozbudowywana i ulepszana.
Kapitał będzie systematycznie odpływał do automatów tego typu. A to nie jest dobra wiadomość dla inwestorów i traderów.
Analiza wyszukiwań w sieci skupiająca się wokół marek sportowych pokazuje pogłębiającą się słabość sektora
Jak również największych marek w tym sektorze. Ta słabość została potwierdzona gorszymi wynikami, co z kolei przyniosło spadki cen akcji.
Warto zwrócić uwagę na ten przykład – pokazuje on trendy sentymentu wokół firm i w samym sektorze – czyli innymi słowy zmiany sentymentu w czasie.
Niedługo będziemy w stanie (powiedzmy, że najwięksi traderzy i największe fundusze będą w stanie) ocenić trendy sentymentu dla głównych grup odbiorców produktów firmy podobnie jak sentyment głównych grup posiadających akcje firmy. To sprawi, że obraz firmy stanie się bardziej przejrzysty, a sygnały wyraźniejsze i bardziej prawdopodobne.
Wygra ten, kto będzie miał tę wartościową wiedzę wcześniej.
Traderzy wykorzystują nowe dane będąc już w pozycji – do przedłużenie pozycji lub wyjścia z niej.
Trader mając akcje firmy produkującej grę zamówił badanie (survey), czy obecni klienci będą mieli ochotę kupić nową grę, którą firma przygotowuje. Większość odpowiedziała, że tak, więc zostawił swoją pozycje. Gra okazała się sukcesem, a za tym ceny pakietu akcji, jakie posiadał wzrosły.
Badanie było sposobem na prognozę popytu na nowy produkt długo przed jego sprzedażą i długo przed opublikowaniem wyników spółki. To przykład użycia danych nie jako sygnału, ale jako informacji, czy warto przedłużyć pozycję.
Traderzy wykorzystują AD do eliminacji słabszych sygnałów.
Jedne z funduszy używa strategii mean reversion. Polega ona na wyszukiwaniu „za dużych” odchyleń od średniej ceny spółki i wejściu na rynek licząc na ruch powrotny.
Przykład – cena poszła za wysoko i automat będzie starał się złapać korektę. Każdy z elementów systemu, czyli co to znaczy „za daleko”, jaka średnia (w sensie średnia krocząca – moving average) jest najlepsza – jest ustalone przy pomocy statystyki.
Ten system wchodzi na rynek po publikacji danych na temat spółek – ocenia czy ruch wzrostowy nie jest za silny i gra na spadki.
Ale okazało się, że jeśli ilość dobrych danych jest duża albo pozytywny nastrój wokół spółki utrzymuje się dłużej – spadki są słabsze.
W tym przypadku automat albo nie wchodzi na rynek albo wychodzi, jeśli już ma pozycję.
AD pozwalają lepiej zrozumieć co składa się na sygnał.
Jeden z dużych funduszy przenalizował czynniki, które mają wpływ na cenę akcji w sektorze i znalazł ich ponad 160 (PCA/ICA – Independent Component Analysis). Usuwając najmniej znaczące uzyskał 100 ważnych i dobry system przewidujący wyniki finansowe. System bada napływające dane i na tej podstawie podaje prognozę, nie ma prostej zależności analitycznej.
To jeden z przykładów systemów nowego typu. „Ręczna” analiza 100 czynników wymagałaby pracy dużego zespołu wykwalifikowanych analityków i być może kilku lat pracy, aby znaleźć działającą zależność. Potem podanie sygnału wymagałoby może kilku dni pracy.
Dziś budowa systemu wykorzystującego Machine Learning nie jest ani tania, ani krótka, ale za to gotowy system przeanalizuje i poda wynik w kilka sekund.
Warto chwilę zatrzymać się nad tym przykładem i pomyśleć, że jeszcze do niedawna głównym czynnikiem, jaki analizowano były wyniki kwartalne. Dziś można analizować 100 różnych czynników jednocześnie! – ale najpierw zbadać które (z np. 500-600 „podejrzanych”) mają rzeczywiście wpływ.
Czy taka wiedza daje przewagę rynkową? Jeśli zastanowimy się nad możliwościami tradera, a nawet całego zespołu analityków i traderów, a następnie zestawimy z systemem, który automatycznie analizuje 100 czynników codziennie dla każdej spółki w kilka sekund… To jest to kolejna zła wiadomość dla inwestorów.
Jeśli podoba Ci się ten materiał - daj boosta 🚀 lub komentarz, żebyśmy wiedzieli by publikować dalej. Dzięki!
Zaobserwuj: pl.tradingview.com/u/drSwierk/
To rewolucja ważniejsza niż rewolucja jaką da Artificial Intelligence.
Główna korzyść z alternatywnych danych (AD): większość ważnych dla ciebie danych możesz mieć szybciej i z większą dokładnością niż kiedykolwiek wcześniej.
Alternatywne dane aktualnie ulepszają jakość sygnałów i zmniejszają ryzyko. W przyszłości będą głównym źródłem sygnałów. Dziś w wielu wypadkach są głównym źródłem przewagi konkurencyjnej pozwalającym znaleźć i wykorzystać sygnały przed innymi.
Oprócz bieżącego wykorzystania danych alternatywnych bardzo ważne jest tworzenie w funduszu kompetencji jakie pozwolą wykorzystać je mądrze w przyszłości, ponieważ ten obszar będzie teraz szybko ewoluował.
Dzięki AD sygnał otrzymamy wcześniej, będzie lepszy, mniej ryzykowny, prowadzenie pozycji będzie łatwiejsze, a wyjście lepsze.
Przygotowałem kilka przykładów wykorzystania alternatywnych danych. Chcę pokazać szerokie spektrum sytuacji, w których do tej pory ich użyto i w jakich mogą zostać użyte w przyszłości.
Często jest tak, że ciekawy inspirujący pomysł przychodzi z zupełnie nieoczekiwanej strony, dlatego warto bywać na konferencjach branżowych i gromadzić jak największą ilość case studies tego, co zrobili inni.
Liczenie samochodów na parkingu Tesli.
Jeden z funduszy zastosował narzędzia Machine Learning (ML) do maszynowej analizy obrazów satelitarnych z parkingu przed Megafactory Tesli. Narzędzie analizowało pozycję samochodów i ich kolory. Celem było określenie, czy i jak ilość samochodów się zmienia. Okazało się, że samochody szybko znikają i na ich miejsce pojawiają się nowe co wskazywało, że firma dotrzyma powziętych zobowiązań i planów. Dzięki takiej analizie wiedziano o tym na tygodnie przed oficjalną informacją. Jest to konkretna wiedza dająca przewagę nad innymi uczestnikami rynków.
To dość znany i budzący respekt przykład, więc warto opatrzyć go komentarzem. Jeśli spojrzymy na okolice tej fabryki w Newadzie zobaczymy, że jest tam jedna droga dojazdowa.
Ustawienie tam samochodu z kamerą i zlecenie komuś liczenia samochodów wywożonych z parkingu dałoby ten sam rezultat (a być może znacznie tańszy) co wykorzystanie całego zespołu do maszynowej analizy zdjęć satelitarnych. Warto o tym wiedzieć i szukać sposobu by te same dane mieć nie za ćwierć miliona dolarów, ale za 1% tej sumy.
Dane o zatrudnieniu Non Farm Payrolls
Duży fundusz zauważył, że można z dużą precyzją oszacować dane NFP obserwując, ile nowych ofert od osób poszukujących pracy pojawia się w pewnym serwisie internetowym łączącym pracowników z pracodawcami.
Używając narzędzi ML zbadano związek ilości nowych ogłoszeń o poszukiwaniu pracy z publikowanymi później danymi o zatrudnieniu i znaleziono bardzo dobrze działającą formułę. Dzięki niej, na kilka dni przed publikacją danych o zatrudnieniu, można było oszacować wielkość i kierunek ruchu cen walut. Plotka mówi, że traderzy znaleźli ten sposób już w 2012 roku.
Wcześniejsza wiedza, jak mogą wyglądać kluczowe dane pozwala zbudować pozycję pod oczekiwany ruch, utrzymać pozycję już istniejącą bądź z niej wyjść. Część traderów (ale też wiele podręczników) zaleca wyjście z rynków przed publikacją najważniejszych danych („bo rynek może ruszyć setki pips w dowolnym kierunku”). Jeśli jednak wiemy, jakie te dane będą i jakie są oczekiwania rynku w stosunku do nich to w praktyce posiadamy maszynkę do robienia pieniędzy.
I nadal tak jest, kilka dni temu czytałem typowe spekulacje jakie będą dane NFP i czego się rynki spodziewają. A już jest grupa, która wie i potrafi to wykorzystać.
Dane o wykorzystaniu lotów korporacyjnych użyteczne przy przewidywaniu M&A
Dla firm inwestujących w mergers and acquisitions informacje o lotach odrzutowcami wynajmowanymi przez korporacje są dobrym źródłem informacji o możliwych wydarzeniach.
Jako jeden z lepiej znanych przykładów podaje się dwa fundusze, z których jeden zarobił ponad 300 milionów, a drugi 700 korzystając z takich właśnie danych.
Traderzy śledzili loty kluczowych ludzi pewnej spółki do miasta, gdzie mieści się siedziba innej dużej firmy zainteresowanej przejęciem. Dane lotów zarządu były pierwszym sygnałem, że może się dziać coś ciekawego.
Gdy informacje zaczęły się potwierdzać zbudowano duże pozycje. Wcześniejsza wiedza pozwoliła wejść na rynek przed wszystkimi.
Dane z social media mogą być samodzielnym źródłem wartościowych sygnałów.
Inny duży fundusz zbadał, którzy z analityków publikujących na Twitterze mają najlepsze rezultaty i ustawił następujący system: aplikacja obserwuje Twitter feed wybranej grupy najlepszych analityków i składa zlecenia, gdy pojawiają się rekomendacje. Całość odbywa się automatycznie.
Wielu dobrych analityków spędziło całe lata studiując branże i sektory, mają olbrzymie doświadczenie, którym dzielą się w social media. Ta strategia to tak naprawdę „no brainer”.
Sczytywanie danych z dokumentów firmowych przy użyciu ML pozwala wyłowić te firmy, które z dużym prawdopodobieństwem stosują kreatywną księgowość („cooking books”)
Pewien trader tego typu narzędzia. Pozwalają mu wyłowić podejrzane firmy, tworzy ich listę i analizuje dalej sytuacje. W momencie, gdy podejrzenia zaczynają się potwierdzać – buduje pozycje na spadki. To przykład systemu bazującego na wyławianiu anomalii w dokumentach.
Nie słyszałem, aby któryś z funduszy robił to na duża skalę, aczkolwiek mają do dyspozycji podobne narzędzia. Działają one w połączeniu z innymi metodami, aby dać lepszy, pełniejszy obraz danej firmy.
Automat składa pozycję analizując newsy.
Newsy poruszają rynkami, ale ich ogromna ilość jest problemem.
Jeden z funduszy stworzył samodzielny system do analizy newsów na temat wybranej grupy firm. Automat sczytuje wiadomości i analizuje sentyment w nich zawarty. Jeśli jest pozytywny - kupuje, jeśli negatywny – sprzedaje.
Oczywiście są tu jeszcze dodatkowe elementy, ale chcę pokazać samą istotę rozwiązania. Wszystko odbywa się automatycznie. Trader jak najbardziej jest w stanie powtórzyć część z tych pozycji ale… tylko małą część. Automat nigdy nie śpi, stąd jest w stanie stale działać i na każdym rynku od Tokio do NY.
Co więcej, z czasem do analizy sentymentu newsów dojdą inne czynniki, dzięki czemu strategia będzie rozbudowywana i ulepszana.
Kapitał będzie systematycznie odpływał do automatów tego typu. A to nie jest dobra wiadomość dla inwestorów i traderów.
Analiza wyszukiwań w sieci skupiająca się wokół marek sportowych pokazuje pogłębiającą się słabość sektora
Jak również największych marek w tym sektorze. Ta słabość została potwierdzona gorszymi wynikami, co z kolei przyniosło spadki cen akcji.
Warto zwrócić uwagę na ten przykład – pokazuje on trendy sentymentu wokół firm i w samym sektorze – czyli innymi słowy zmiany sentymentu w czasie.
Niedługo będziemy w stanie (powiedzmy, że najwięksi traderzy i największe fundusze będą w stanie) ocenić trendy sentymentu dla głównych grup odbiorców produktów firmy podobnie jak sentyment głównych grup posiadających akcje firmy. To sprawi, że obraz firmy stanie się bardziej przejrzysty, a sygnały wyraźniejsze i bardziej prawdopodobne.
Wygra ten, kto będzie miał tę wartościową wiedzę wcześniej.
Traderzy wykorzystują nowe dane będąc już w pozycji – do przedłużenie pozycji lub wyjścia z niej.
Trader mając akcje firmy produkującej grę zamówił badanie (survey), czy obecni klienci będą mieli ochotę kupić nową grę, którą firma przygotowuje. Większość odpowiedziała, że tak, więc zostawił swoją pozycje. Gra okazała się sukcesem, a za tym ceny pakietu akcji, jakie posiadał wzrosły.
Badanie było sposobem na prognozę popytu na nowy produkt długo przed jego sprzedażą i długo przed opublikowaniem wyników spółki. To przykład użycia danych nie jako sygnału, ale jako informacji, czy warto przedłużyć pozycję.
Traderzy wykorzystują AD do eliminacji słabszych sygnałów.
Jedne z funduszy używa strategii mean reversion. Polega ona na wyszukiwaniu „za dużych” odchyleń od średniej ceny spółki i wejściu na rynek licząc na ruch powrotny.
Przykład – cena poszła za wysoko i automat będzie starał się złapać korektę. Każdy z elementów systemu, czyli co to znaczy „za daleko”, jaka średnia (w sensie średnia krocząca – moving average) jest najlepsza – jest ustalone przy pomocy statystyki.
Ten system wchodzi na rynek po publikacji danych na temat spółek – ocenia czy ruch wzrostowy nie jest za silny i gra na spadki.
Ale okazało się, że jeśli ilość dobrych danych jest duża albo pozytywny nastrój wokół spółki utrzymuje się dłużej – spadki są słabsze.
W tym przypadku automat albo nie wchodzi na rynek albo wychodzi, jeśli już ma pozycję.
AD pozwalają lepiej zrozumieć co składa się na sygnał.
Jeden z dużych funduszy przenalizował czynniki, które mają wpływ na cenę akcji w sektorze i znalazł ich ponad 160 (PCA/ICA – Independent Component Analysis). Usuwając najmniej znaczące uzyskał 100 ważnych i dobry system przewidujący wyniki finansowe. System bada napływające dane i na tej podstawie podaje prognozę, nie ma prostej zależności analitycznej.
To jeden z przykładów systemów nowego typu. „Ręczna” analiza 100 czynników wymagałaby pracy dużego zespołu wykwalifikowanych analityków i być może kilku lat pracy, aby znaleźć działającą zależność. Potem podanie sygnału wymagałoby może kilku dni pracy.
Dziś budowa systemu wykorzystującego Machine Learning nie jest ani tania, ani krótka, ale za to gotowy system przeanalizuje i poda wynik w kilka sekund.
Warto chwilę zatrzymać się nad tym przykładem i pomyśleć, że jeszcze do niedawna głównym czynnikiem, jaki analizowano były wyniki kwartalne. Dziś można analizować 100 różnych czynników jednocześnie! – ale najpierw zbadać które (z np. 500-600 „podejrzanych”) mają rzeczywiście wpływ.
Czy taka wiedza daje przewagę rynkową? Jeśli zastanowimy się nad możliwościami tradera, a nawet całego zespołu analityków i traderów, a następnie zestawimy z systemem, który automatycznie analizuje 100 czynników codziennie dla każdej spółki w kilka sekund… To jest to kolejna zła wiadomość dla inwestorów.
Jeśli podoba Ci się ten materiał - daj boosta 🚀 lub komentarz, żebyśmy wiedzieli by publikować dalej. Dzięki!
Zaobserwuj: pl.tradingview.com/u/drSwierk/
