Khi còn làm Kỹ sư phát triển hệ thống tại một công ty Quản lý đầu tư, tôi đã học được rằng để thành công trong lĩnh vực tài chính định lượng, bạn cần phải giỏi toán học, lập trình và phân tích dữ liệu.
Giao dịch thuật toán hoặc định lượng có thể được định nghĩa là quá trình thiết kế và phát triển các chiến lược giao dịch thống kê và toán học. Đó là một lĩnh vực cực kỳ phức tạp của tài chính.
Vì vậy, câu hỏi đặt ra là làm thế nào để bạn bắt đầu với Giao dịch thuật toán?
Tôi sẽ hướng dẫn bạn qua năm chủ đề thiết yếu mà bạn nên nghiên cứu để mở đường bước vào thế giới giao dịch hấp dẫn này.
Cá nhân tôi thích Python hơn vì nó cung cấp mức độ tùy chỉnh phù hợp, sự dễ dàng và tốc độ phát triển, khung thử nghiệm và tốc độ thực thi. Bởi vì điều này, tất cả các chủ đề này được tập trung vào Python để giao dịch.
Để có một sự nghiệp thăng hoa trong Khoa học dữ liệu nói chung, bạn cần có những nguyên tắc cơ bản vững chắc. Cho dù bạn chọn ngôn ngữ nào, bạn nên tìm hiểu kỹ các chủ đề nhất định trong ngôn ngữ đó.
Đây là những gì bạn nên tìm hiểu để thành thạo trong hệ sinh thái Python cho khoa học dữ liệu:
- Cài đặt môi trường— điều này bao gồm tạo môi trường ảo, cài đặt các gói cần thiết và làm việc với sổ ghi chép Jupyter hoặc Google colabs.
- Cấu trúc dữ liệu— một số cấu trúc dữ liệu Pythonic quan trọng nhất là danh sách, từ điển, mảng NumPy, bộ dữ liệu và bộ. Tôi đã thu thập một vài ví dụ trong bài viết được liên kết để bạn tìm hiểu những điều này.
- Lập trình hướng đối tượng –Là một nhà phân tích lượng tử, bạn nên đảm bảo rằng bạn giỏi viết mã có cấu trúc tốt với các lớp phù hợp được xác định. Bạn phải học cách sử dụng các đối tượng và phương thức của chúng trong khi sử dụng các gói bên ngoài như Pandas, NumPy, SciPy, v.v.
Chương trình giảng dạy freeCodeCamp cũng cung cấp chứng chỉ về Phân tích dữ liệu với Python để giúp bạn bắt đầu với những kiến thức cơ bản.
Tìm hiểu cách xử lý dữ liệu tài chính
Phân tích dữ liệu là một phần quan trọng của tài chính. Bên cạnh việc học cách xử lý các khung dữ liệu bằng Pandas, có một số chủ đề cụ thể mà bạn nên chú ý khi xử lý dữ liệu giao dịch.
Cách khám phá dữ liệu bằng Pandas
Một trong những gói quan trọng nhất trong ngăn xếp khoa học dữ liệu Python chắc chắn là Pandas. Bạn có thể hoàn thành hầu hết các nhiệm vụ chính bằng cách sử dụng các chức năng được xác định trong gói.
Tập trung vào việc tạo khung dữ liệu, lọc (loc, iloc, query), thống kê mô tả (tóm tắt), tham gia/hợp nhất, nhóm và tập hợp con.
Cách xử lý dữ liệu chuỗi thời gian
Dữ liệu giao dịch là tất cả về phân tích chuỗi thời gian. Bạn nên học cách lấy mẫu lại hoặc lập chỉ mục lại dữ liệu để thay đổi tần suất của dữ liệu, từ phút sang giờ hoặc từ dữ liệu OHLC cuối ngày sang dữ liệu cuối tuần.
Ví dụ: bạn có thể chuyển đổi chuỗi thời gian 1 phút thành dữ liệu chuỗi thời gian 3 phút bằng hàm lấy mẫu lại:
df_3min = df_1min.resample('3Min', label="left").agg({'OPEN': 'first', 'HIGH': 'max', 'LOW': 'min', 'CLOSE': 'last'})
3. Cách viết thuật toán giao dịch cơ bản
Sự nghiệp trong lĩnh vực tài chính định lượng đòi hỏi sự hiểu biết vững chắc về kiểm tra giả thuyết thống kê và toán học. Nắm bắt tốt các khái niệm như phép tính đa biến, đại số tuyến tính, lý thuyết xác suất sẽ giúp bạn đặt nền tảng tốt cho việc thiết kế và viết thuật toán.
Bạn có thể bắt đầu bằng cách tính toán các đường trung bình động trên dữ liệu giá cổ phiếu, viết các chiến lược thuật toán đơn giản như đường trung bình động chéo hoặc chiến lược đảo chiều trung bình và tìm hiểu về giao dịch sức mạnh tương đối.
Sau khi thực hiện bước nhảy vọt nhỏ nhưng quan trọng này trong việc thực hành và hiểu cách hoạt động của các thuật toán thống kê cơ bản, bạn có thể xem xét các lĩnh vực phức tạp hơn của kỹ thuật máy học. Những điều này đòi hỏi một sự hiểu biết sâu sắc hơn về thống kê và toán học.
Đây là hai cuốn sách bạn có thể bắt đầu với:
Và đây là một vài khóa học sẽ giúp bạn bắt đầu với Python dành cho Giao dịch và bao gồm hầu hết các chủ đề mà tôi đã nắm bắt ở đây:
Bạn có thể được giảm 10% cho khóa học Quantra bằng cách sử dụng mã của tôi NGHIÊM TÚC10.
4. Tìm hiểu về Backtesting
Một khi bạn đã mã hóa xong chiến lược giao dịch của mình, bạn không thể đơn giản đưa nó vào thử nghiệm trên thị trường thực với số vốn thực tế, phải không?
Bước tiếp theo là đưa chiến lược này vào luồng dữ liệu giao dịch lịch sử, thứ sẽ tạo ra các tín hiệu giao dịch. Sau đó, các giao dịch được thực hiện sẽ tích lũy lãi hoặc lỗ liên quan (P&L) và việc tích lũy tất cả các giao dịch sẽ mang lại cho bạn tổng P&L. Điều này được gọi là kiểm tra lại.
Backtesting yêu cầu bạn phải thành thạo trong nhiều lĩnh vực, như toán học, thống kê, công nghệ phần mềm và cấu trúc vi mô thị trường. Dưới đây là một số khái niệm bạn nên tìm hiểu để hiểu đúng về backtesting:
- Bạn có thể bắt đầu bằng cách hiểu các chỉ báo kỹ thuật. Khám phá gói Python có tên TA_Lib để sử dụng các chỉ báo này.
- Sử dụng các chỉ báo xung lượng như parabolic SAR và cố gắng tính toán chi phí giao dịch và trượt giá.
- Học cách vẽ biểu đồ lợi nhuận chiến lược tích lũy và nghiên cứu hiệu suất tổng thể của chiến lược.
- Một khái niệm rất quan trọng ảnh hưởng đến hiệu suất của backtest là độ chệch. Bạn nên tìm hiểu về xu hướng tối ưu hóa, xu hướng nhìn về phía trước, tâm lý khoan dung và xu hướng sống sót.
5. Số liệu hiệu suất — Cách đánh giá các chiến lược giao dịch
Điều quan trọng là bạn có thể giải thích chiến lược của mình một cách chính xác. Nếu bạn không hiểu chiến lược của mình, rất có thể đối với bất kỳ sửa đổi bên ngoài nào về quy định hoặc thay đổi chế độ, chiến lược của bạn sẽ bắt đầu hoạt động bất thường.
Sau khi bạn hiểu chiến lược một cách tự tin, các chỉ số hiệu suất sau đây có thể giúp bạn biết chiến lược thực sự tốt hay xấu như thế nào:
- Tỷ lệ Sharpe– đặc trưng theo kinh nghiệm tỷ lệ rủi ro/phần thưởng của chiến lược. Nó định lượng lợi nhuận mà bạn có thể tích lũy cho mức độ biến động mà đường cong vốn chủ sở hữu trải qua.
- biến động– định lượng “rủi ro” liên quan đến chiến lược. Tỷ lệ Sharpe cũng thể hiện đặc điểm này. Biến động cao hơn của một tài sản cơ bản thường dẫn đến rủi ro cao hơn trong đường cong vốn chủ sở hữu và dẫn đến tỷ lệ Sharpe nhỏ hơn.
- Rút tiền tối đa— tỷ lệ phần trăm giảm từ đỉnh xuống đáy tổng thể lớn nhất trên đường cong vốn chủ sở hữu của chiến lược. Rút tiền tối đa thường được nghiên cứu kết hợp với các chiến lược động lượng khi họ phải chịu đựng chúng. Tìm hiểu để tính toán nó bằng cách sử dụng
numpythư viện. - Công suất/Thanh khoản— xác định khả năng mở rộng của chiến lược để tiếp tục huy động vốn. Nhiều quỹ và công ty quản lý đầu tư gặp phải những vấn đề về năng lực này khi các chiến lược tăng cường phân bổ vốn.
- CAGR —đo tốc độ tăng trưởng trung bình của một chiến lược trong một khoảng thời gian. Nó được tính theo công thức: (lợi nhuận chiến lược tích lũy)^(252/số ngày giao dịch) — 1
Tài nguyên khác
Bài viết này phục vụ như một chương trình giảng dạy gợi ý để giúp bạn bắt đầu với giao dịch theo thuật toán. Đó là một danh sách tốt các khái niệm để nắm vững.
Bây giờ, câu hỏi đặt ra là tài nguyên nào có thể giúp bạn bắt kịp tốc độ với các chủ đề này?
Dưới đây là một vài cuốn sách cổ điển và các khóa học hữu ích với các bài tập và bài tập mà tôi thấy hữu ích:
Khoa học dữ liệu với Harshit
Với kênh này, tôi dự định tung ra một vài loạt phim về toàn bộ lĩnh vực khoa học dữ liệu. Đây là lý do tại sao bạn nên đăng ký kênh:
Nếu hướng dẫn này hữu ích, bạn nên xem các khóa học về khoa học dữ liệu và máy học của tôi trên Học viện Wiplane. Chúng toàn diện nhưng nhỏ gọn và giúp bạn xây dựng nền tảng vững chắc cho công việc để giới thiệu.
