Dane Alternatywne to rewolucja. Ważniejsza niż AI! Cz. 2Ocena zapasów
Obecnie istnieje kilka firm szacujących zapasy ropy i wielkość produkcji paliw. Analizują, ile surowca jest w zbiornikach (mierząc cień rzucany przez zbiornik), analizują, ile paliwa jest w drodze (tankowce, manifesty statków) oraz w cysternach na bocznicach.
Dzięki zdjęciom satelitarnym analitycy potrafią też oszacować zapasy aluminium na kluczowych składach.
A niedługo pójdziemy jeszcze o krok dalej – będziemy w stanie bardzo precyzyjnie przewidzieć zapasy, ich zużycie oraz popyt na produkty. Stanie się to możliwe dzięki mapowaniu łańcuchów zaopatrzenia. Oczywiście będą to w stanie zrobić najwięksi i najbogatsi z największymi zespołami. Fragmenty tych informacji już są dostępne (za subskrypcją) w wielu firmach specjalizujących się w analizach surowców.
Analiza nieoczywistych źródeł ryzyka
Analiza maszynowa sieci powiązań w sektorach może być ciekawym źródłem wczesnych informacji o źródłach ryzyka, którego jesteśmy nieświadomi.
Kłopoty jednej z firm, bądź grupy, kompletnie niezwiązane na pierwszy rzut oka z naszymi pozycjami mogą mieć negatywny wpływ na nasze pozycje. Może to pokazać analiza wcześniejszych korelacji, które następowały w sektorze.
Nasze pozycje (o czym możemy nie wiedzieć) mogą być skorelowane z jakimiś wydarzeniami, słowami kluczowymi i tematami, które mogą zostać namierzone przez systemy analizy maszynowej (Machine Learning).
Z kolei, pozytywne newsy na temat innej branży mogą sprawić, że kapitał odpłynie z sektorów, w których mamy pozycję.
Kapitał poszukuje lepszych okazji i zwrotów przy mniejszym ryzyku, dlatego ceny akcji mogą spadać nawet jeśli z naszą branżą jest „wszystko w porządku”, bo okazje konkurują ze sobą. Największe fundusze obecnie budują narzędzia, które pozwalają śledzić tego typu sentymenty i idące za nimi przepływy kapitału. To pozwala lepiej zrozumieć sytuację na rynku.
Zebrane opinie mogą być interesującym wskaźnikiem uprzedzającym (sentyment social mediów i newsów)
Sentyment online to opinie wyrażane w Internecie (newsy, blogi, posty na FB i X).
Sentyment może być pozytywny lub negatywny i najlepiej myśleć o nim, jako o continuum, które możemy zobrazować linią. Sentyment ewoluuje, czasem może poprzedzać zmiany rynkowe, czy zmiany na wskaźnikach. Autorzy opinii mogą dobrze przewidywać zmiany zanim one nastąpią. Tak było np. z sentymentem wokół ropy w roku 2017 roku. Pozytywne opinie w kwietniu zaczęły się zmieniać na negatywne po czym nastąpiły spadki.
Sentyment, w szczególności wyrażany przez analityków i specjalistów, jest ciekawym wskaźnikiem, który niekoniecznie powinien być używany wprost, ale może stanowić sygnał, że warto się czymś bliżej zainteresować.
Gdy świetnie zdywersyfikowane portfolio okazuje się… silnie skorelowane
Istnieje szczególna klasa wydarzeń, które silnie wpływają na ruchy cen. To wydarzenia typu „black swann” – gdzie nie tylko całe sektory, ale całe rynki wchodzą w głębokie spadki. Przykładem są ostatnie spadki z powodu pandemii.
Podobne wydarzenia mogą wystąpić również na mniejsza skalę. Możemy mieć bardzo dobrze zdywersyfikowane portfolio, które pod wpływem wydarzeń nagle zachowuje się w sposób bardzo skorelowany. Zwykle jest to wynikiem wydarzeń wywołujących silne paniczne ruchy.
Analiza otoczenia sektorów, firm czy walut może pozwolić nam wyłowić takie wydarzenia i wziąć pod uwagę niespodziewane zachowanie portfolio.
Wydźwięk wiadomości i dokumentów firmy używany przy ocenie ryzyka
Jeden z funduszy analizuje ton komunikatów, jakie płyną z firmy. Ton może być pozytywny, negatywny, neutralny, może zawierać ciekawe anomalie (próba ukrycia czegoś). Zauważono między innymi, że czytelność i przejrzystość komunikatów jest skorelowana z lepszymi wynikami.
Ton nie stanowi sygnału samego w sobie, ale daje wartościowy kontekst. Jeśli wyniki firmy są w porządku – dobry ton może sugerować, że nadal takie będą, zły ton – że coś jest nie tak i trzeba bardziej uważać na spółkę.
Dla przykładu, dane kontekstowe stają się wartościowe dopiero wraz z sygnałem. Mogą przedłużyć pozycję, mogą też zmniejszyć ryzyko. Wato zainteresować się tym, które dane kontekstowe pomogą ci w tradingu.
Analiza ilości i rodzaju zgłoszeń patentowych pozwala ocenić potencjał firmy w przyszłości
Na razie nie jest to jeszcze rutynowe badanie, ale wiele funduszy już z tego korzysta. Analiza ilości zgłoszeń patentowych i ich rodzaju może stanowić wartościową informację o potencjale zysków firmy w przyszłości.
Stanie się to bardziej oczywiste, jeśli pomyślisz, że masz dwie bardzo podobne firmy, jedna ma sto patentów, a druga zero. Obie działają w dziedzinie, w której innowacje mają kluczowe znaczenie. Jaki wpływ struktura patentowa może mieć na wyniki finansowe za 3-5 lat?
Podobne znaczenie mogą mieć dane o ilości publikacji naukowych w firmie. Jest to ciekawy wskaźnik możliwych zysków w przyszłości.
Analiza ryzyka geopolitycznego we wrażliwych rejonach
System filtruje informacje z mediów w lokalnych językach i według przygotowanego klucza wyławia informacje, jakie mogą świadczyć o narastającym napięciu w rejonie i możliwych kryzysach.
Analityk nie musi nawet rozumieć języka (np. farsi) by odczytać komunikat ze skali np. że coś jest nie w porządku i napięcie jest bardzo duże.
Dla inwestujących w ropę może to mieć kapitalne znaczenie. Weźmy pod uwagę raptowny skok ceny po ataku dronów na rafinerię Saudi Aramco w Abqaiq–Khurais (14 wrzesień 2019)
To było nagłe wydarzenie raczej niemożliwe do przewidzenia, ale informacje o rosnącym napięciu były już kilka dni wcześniej i teraz już wiemy, że takie informacje można wykorzystywać.
Oczywiście nie znaczy to, że rosnące napięcie powinno skutkować wyjściem z pozycji, ale… na pewno przygotowaniem sensownego działania na wypadek, gdy czarny scenariusz się zacznie realizować.
Analiza dokumentów firmy w połączeniu z analizą na potrzeby regulatorów pokazuje, czy firma nie naciąga rzeczywistości w obszarze ESG
Firmy zaczynają dostrzegać, że informacje o wprowadzaniu przez nie polityki odpowiedzialnego biznesu (ESG) wpływa bardzo pozytywnie na ich obraz i zwykle powiększa cenę akcji. Ale niektóre firmy tylko mówią i niewiele robią.
Jeden z największych funduszy analizuje zachowania firm porównując dane podawane publicznie z dokumentami wysyłanymi do różnych regulatorów. Omija akcje tych firm, gdzie występują duże rozbieżności w tych obszarach.
Ten fundusz przygotowuje się na olbrzymią, systemową zmianę w podejściu do inwestowania i widzi w ESG przyszłość, która przyniesie największe zyski.
Dla portfolio tematycznych – źródło wiedzy o sentymencie, który może mieć wpływ
Wiele funduszy buduje portfolio tematyczne inwestując w spółki z podobnej branży lub sektora. Takie portfolio tematyczne jest wrażliwe na sentymenty związane z danym tematem.
Badając trendy web search wokół słów kluczowych można zorientować się w zmianach, wzroście lub spadku popularności. Także popularność innych wyszukiwań może być wskazówką – kapitał zainteresowany w spółki z jednej branży może odpłynąć do czegoś, co daje lepsze okazje, mimo pozytywnego sentymentu wokół „naszego” tematu.
Dane o zatrudnieniu w firmie
Przyjście lub odejście kluczowych osób może być dość oczywistym sygnałem o sytuacji w firmie. Firmy rozwijające się zatrudniają, a firmy mające kłopoty – zwalniają pracowników.
Wiedza o tym, kogo firma poszukuje, a kogo zwalnia jest interesującą informacją kontekstową. Może nawet być w szczególnych przypadkach samodzielnym sygnałem.
PODSUMUJMY:
Alternatywne dane pomagają dowiedzieć się, co składa się na sygnał. Dzięki temu traderzy rozumieją, które sygnały są lepsze, a które słabsze i dlaczego. Sygnały są bardziej precyzyjne, a to zmniejsza ryzyko. Ryzyko zmniejszają również informacje kontekstowe napływające z otoczenia. Analiza sentymentu w otoczeniu pozwala ulepszyć zyski z sygnału: przedłużyć pozycję lub wyjść wcześniej.
Alternatywne dane same w sobie również mogą być źródłem dobrych sygnałów, wstępem do bliższego zainteresowania się firmą (walutą, surowcem) lub porzucenia pomysłu. Narzędzia analizujące anomalie pozwalają szybko wyłowić podejrzane spółki: naciągające księgowość („cooking books”) lub wprowadzające w błąd na temat przestrzegania nowych polityk czy reguł prawa. Ilość alternatywnych danych narasta, ale niewiele z nich nadaje się do wykorzystania, jedynie niewielki procent.
Alternatywne dane stanowią podstawę do kolejnej rewolucji, która szybko nadchodzi – Artificial Intelligence wykorzysta je w pełni, w zakresie i z szybkością, jaka pozostawi dzisiejszych traderów i inwestorów daleko w tyle. Ale nie wszystko jest stracone. Rynki się zmienią, ale powstaną też nowe możliwości i nowe prawidłowości. Poświęcimy im wiele artykułów w przyszłości.
Kilka słów na temat ewolucji alternatywnych danych w tradingu
To, co widzimy obecnie to początek rewolucji, ilość danych będzie się tylko powiększała. Będzie rósł zakres ich wykorzystania w tradingu. „Alternatywne” dane ulepszą jakość sygnału, przedłużą lub skrócą pozycję, dostarczą informacji o kontekście, zmniejszą ryzyko pozycji i portfolio.
To dziś rewolucja równie ważna, a może nawet ważniejsza niż rewolucja AI. Jeśli ktoś nie weźmie udziału w tym wyścigu – będzie systematycznie tracił pozycje na rynku.
Jeśli ktoś nie weźmie udziału w wyścigu o wykorzystanie alternatywnych danych – będzie systematycznie tracił pozycje na rynku.
Pomyśl o swoim tradingu (pojedynczym instrumencie lub całym portfolio), jako o procesie decyzyjnym, który prowadzi cię przez od analizy do sygnału, zarządzania pozycją i analizy post trade. Zidentyfikuj główne kroki tego procesu.
Pomyśl, jakie dane pomogłyby ci na każdym z etapów twojego procesu decyzyjnego? Co ulepszy zrozumienie sytuacji wokół instrumentu, co lepiej pokaże kontekst?
Co ulepszy sygnał? Co pomoże odfiltrować słabsze spółki, waluty?
Co pokaże te elementy sytuacji, które mają znaczenie, gdy jesteś w pozycji? Jakie dane mogą przedłużyć pozycję? Jakie wiadomości mogą ją skrócić?
Analiza post trade: co jeszcze zadziałało, czego nie wziąłeś pod uwagę? Jakie dane warto byłoby jeszcze mieć?
Czy jest to opłacalne finansowo? Czy można dane za pół miliona mieć za kilka tysięcy, być może?
Staraj się wspierać swój proces decyzyjny w wielu ważnych punktach, korzystając z różnych rodzajów danych. Takie myślenie będzie dominowało w przyszłości (moim zdaniem) i takie postępowanie będzie dawało przewagę. Tradycyjni portfolio managerowie za bardzo skupiają się na jednym typie danych i jednym typie narzędzi.
Pomyśl, jakie dane pokażą sprawność firmy w wielu punktach? Sprawność produkcji, zarządzania, rekrutacji nowych ludzi? Co pozwoli ocenić innowacyjność firmy?
Jakie dane pokażą zainteresowanie produktami firmy? Jakie są trendy wśród głównych grup klientów? Czy wiesz, jakie są główne grupy, które kupują produkty firmy?
Jakie są główne grupy klientów, którzy kupują akcje firmy? Jakie są trendy ich sentymentu? Skąd weźmiesz takie dane? Czy jesteś w stanie jakoś je oszacować? Jednym ze skutecznych sposobów szacowania jest zbudowanie sobie sieci kontaktów (konferencje, networking, spotkania towarzyskie) wśród kluczowych klientów firm i zasięganie ich opinii co jakiś czas.
Działa do dzisiaj i jeszcze długo będzie nie do zastąpienia.
Ciekawą informacją są plany rozwojowe jakiegoś dużego klienta, który zamawia dużo produktów „naszej” firmy i bierze pod uwagę zwiększenie zamówień. Pomyśl co może świadczyć o takiej aktywności? Jakie dane mogą to pokazać?
Myśląc o analizie sentymentu myśl o analizie trendów sentymentu: czy wzrasta, czy maleje, co jest również wartościową informacją. Staraj się znaleźć trend sentymentu i zadawaj sobie pytania co sprawia, jakie czynniki sprawiają, że wzrasta lub maleje. W tym kierunku będzie szło wykorzystanie danych na temat sentymentu.
Osobny temat to nowa analiza ryzyka. Analiza źródeł w samej firmie i w jej otoczeniu. Alternatywne dane bardzo nam w tym pomogą. To temat na jaki można napisać już dziś grubą książkę i wiele książek, gdy nowe dane się upowszechnią zostanie napisanych.
Myśląc o danych nie myśl tylko o jednym typie, to bywa mylące. Ten sam proces możesz oszacować na wiele sposobów, poszukaj ich, poszukaj wiarygodnych i jednocześnie tanich źródeł. Myśl o tym, by zdublować ważne dane, spojrzeć na jakiś proces poprzez pryzmat wielu różnych danych, najlepsi tak właśnie robią, w ten sposób zmniejszasz ryzyko.
Z czasem analiza i prognoza pozycji głównych grup inwestorów stanie się dodatkowym ciekawym narzędziem.
W skrócie walka w ciągu kilku najbliższych lat będzie o lepszy wybór instrumentów (np. spółek), z czasem przeniesie się o walkę o wcześniejsze wejście i lepsze wykorzystanie sygnału w grupie najlepszych spółek. Będę z uwagą śledził tę ewolucję.
Ewolucja i dynamika to słowa kluczowe w przyszłości. Przyzwyczailiśmy się do tego, że np. dane spółek są podawane co kwartał i przez ten czas jest to wynik statyczny.
Tymczasem jest to tylko fotografia bardziej złożonego, dynamicznego procesu. To jak z fotografowaniem biegnących dzieci – samo zdjęcie jest obrazem bardzo dynamicznego procesu. W samych firmach i wokół nich bardzo dużo się dzieje. Świat przyspiesza, dzieci nie tylko biegną, ale biegną coraz szybciej.
Dzisiaj przechodzimy od statycznej fotografii czarno białej do kolorowego, dynamicznego filmu zrealizowanego w technologii 4k. Mamy w nim ujęcia z przodu, z boku i z góry, z dronów. I kiedy przyzwyczaimy się do tego nowego obrazu nigdy nie wrócimy do starego.
Daj boosta 🚀 lub komentarz, żebyśmy wiedzieli by publikować dalej. Dzięki!
Obserwuj: pl.tradingview.com/u/drSwierk/
Dane_alternatywne
Dane Alternatywne to rewolucja. Ważniejsza niż AI! Cz.1Wykorzystanie 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/