Jim Simons – trader, który rozgryzł rynki, część 4

Na deser, jak już wcześniej zapowiadałem, proponuję przejrzeć wszystkie strategie, pomysły i odkrycia, które doprowadziły fundusz Jima Simonsa do średniorocznych zysków 66% brutto przez ostatnie 3 dekady.

Krótki wstęp zanim zanurzymy się w ten świat.

Tak jak w książce o Simonsie „Man who solved the market” chronologicznie w czasie dostajemy opis ewolucji jego funduszu, tak robiłem sobie notatki dotyczące strategii i tak samo postaram się je zaprezentować poniżej wraz ze swoimi komentarzami i ocenami. Te opisy w książce często są szczątkowe, pobieżne, więc nie zawsze w pełni mogę się do nich odnieść czy je wyjaśnić. W wielu miejscach dostajemy opis o dużym stopniu ogólności, więc i przedstawiona tutaj wiedza będzie wyglądać niestety dość wybiórczo, ale mam nadzieję, że uda mi się jakoś oddać przynajmniej zarys tego, co w tym funduszu się robiło i nadal robi.

Część z tych pomysłów prawdopodobnie została na jakimś etapie porzucona albo przeszła znaczący tuning, a może nadal jest używana, tego nie wiemy. Chodzi jednak o twórcze poznanie, o jakieś inspiracje, nie o encyklopedyczną wiedzę. Część z tych pomysłów można żywcem wykorzystać w tradingu do dziś, co wiem z własnych doświadczeń. Czasami okraszam opis swoją wiedzą spoza książki, jak choćby w kwestii porzucenia przez Simonsa systemów trend-following, o czym wcześniej wspominałem.

***

Pierwsze testy i strategie powstały na początku lat 80-tych, gdy Simons przeżył rozczarowanie tradingiem na kontraktach terminowych w oparciu o intuicję, studiowaniu raportów, wykresów i informacji z rynku. Rozpoczął wówczas współpracę z matematykiem Leonardem Baumem, który pierwszy algorytm utworzył dla niego w oparciu o zasadę „powrotu do średniej” (ang. mean revert):

Kupno waluty gdy cena odchyla się o określony poziom poniżej linii trendu (lub średniej), sprzedaż, gdy znalazła się zbyt daleko powyżej niej.

W tamtych czasach normą na giełdzie było kupowanie instrumentów gdy cena spada, natomiast całkowitą innowacją na rynkach okazało się coś zupełnie przeciwnego, czyli kupno gdy cena rośnie, z nadzieją, że trend ten będzie kontynuowany. To były początki tradingu w oparciu o impet (ang. momentum). I z tym zaczęli kombinować na danych dziennych, które były dość słabej jakości i posiadały sporo luk.

Jako matematyków zaczęły ich również interesować korelacje ruchów między rożnymi towarami, które byłyby na tyle powtarzalne, że dałoby się to wykorzystać. Poszukiwano np. zależności ruchów cen srebra w relacji do zmian kursów złota, czyli czy ruch tego drugiego mógł wyprzedzać podobny kierunek tego pierwszego (albo innych towarów). Simons próbował również odkryć zależności między „fenomenami natury”, bo takie określenie pada w książce, a cenami towarów. Rezultat? Zespół nie wykrył żadnych stabilnych i istotnych statystycznie korelacji.

Jeszcze inny szlak poszukiwań wiódł w stronę, którą sam bardzo lubię, czyli poszukiwanie statystycznych anomalii w cenach, które dałoby się uzasadnić oczekiwaniami i reakcjami inwestorów. Na przykład:

Po 3 dniach spadku kursu waluty, jaka jest szansa spadku na czwartej sesji?

Tego typu układów i scenariuszy układu różnych cen można wymyślić dziesiątki. Wiem, że wielu inwestorów dość sceptycznie do nich podchodzi. Jednak zadziwiające jest to, że kilka z nich działa do dziś, i to również na rynku amerykańskim, gdzie rządzą algorytmy, nie będące w stanie ich skutecznie arbitrażować aż do zniknięcia.

Albo inna strategia, bardziej intuicyjna, którą chyba i dziś wielu traderów używa:

Kupno kontraktów, gdy otwarcie rynku następuje nadzwyczajnie nisko poniżej zamknięcia poprzedniej sesji i sprzedaż (lub krótka sprzedaż), gdy otwarcie nastąpiło niespodziewanie wysoko ponad zamknięciem sesji poprzedniej.

Jako chyba jedyni kolekcjonowali wówczas dane spisywane ręcznie w bibliotekach, sięgając do tekstów nawet od roku 1800. Mogli wówczas zbadać statystycznie szanse zysków przy kupnie podczas nadzwyczajnych zdarzeń, np. krachów, załamań.

To zaczęło procentować stabilnie rosnącymi zyskami funduszu – ok.20% średniorocznie.

Do zespołu dołączył Rene Carmona, spec od równań stochastycznych, który wprowadził dość istotną innowację:

Estymator jądrowy gęstości wyższego rzędu (ang. higher dimensional kernel regression).

//proszę o wybaczenie jeśli tłumaczenie nie jest dość precyzyjne//

Pozwalało im to określać szacunkowe długości trendów. W bardzo dużym uproszczeniu – estymator jądrowy można sobie zwizualizować jako kropki na wykresie pokazujące zależności między dwoma (lub więcej zmiennymi), z których wydobywa się potem najczęstsze przebiegi.

To były lata, gdy na rynkach zapanowała moda na trend-following (Paul Tudor Jones, Seykota, Turtles). Jednakże zespół Simonsa doszedł do pewnego odkrycia, które zrewolucjonizowało jego fundusz już na zawsze: testy i praktyka pokazywały, że KRÓTKOTERMINOWY trading bije na głowę trzymanie się długich terminów! Odkryli w ten sposób przewagę, którą przyrównali do przewagi kasyna – duża ilość transakcji o niskich wygranych. To wówczas narodziła się dewiza, że wystarczy iż trafią w 51% transakcji by zarabiać.

Nota bene: sam legendarny Ed Thorp chciał wykupić udziały w funduszu, ale zanim wnikliwie przejrzał dokumenty zniechęcił się z dość nieoczekiwanego powodu – nałogu palenia Simonsa, który odstręczał wiele osób!

Kilka czynników przeszkadzało w poprawieniu wyników i ich wyeliminowanie pozwoliło na efektywniejszy trading.

Po pierwsze –trading na mało płynnych rynkach, do tego robiony przez telefon, zbyt mocno ruszał cenami, dlatego zlecenia dawali teraz częściej, ale o mniejszej wielkości.

Po drugie – grali wyłącznie na zamknięciach, co pozbawiało ich sporej części zysku, jaką można by osiągnąć gdyby użyli wejść/wyjść w ciągu dnia (trwała o to wewnętrzna batalia między zarządzającymi)

Po trzecie – mimo posiadania całkiem niezłego algorytmu, choć na dość prymitywnym z dzisiejszego punktu widzenia sprzęcie, szefujący działem matematyk i prekursor fizyki kwantowej James Ax grał RĘCZNIE, przy cichym poparciu Simonsa, lub raczej braku jego reakcji.

Musiało dojść do strat i wstrząsu, by Simons pozbył się marzeń o ręcznym sterowaniu. Elwyn Berlekamp, nowy zarządzający programem, wreszcie mógł dobrać się do danych z całej sesji, a nie tylko zamknięcia i otwarcia. Testy ruszyły w nowych kierunkach, typu:

Zidentyfikowano te dane ekonomiczne ogłaszane w USA niemal co dzień, które dawały największe szanse na zysk ze strategii ‘kup chwilę przed danymi, sprzedaj chwilę po‚.

Zidentyfikowano sekwencje najbardziej zyskownych zagrań związanych z dniami tygodnia. Ponownie wielu inwestorów jest mocno sceptycznie nastawiona do tego typu regularności, ale skoro występują w miarę często i pozwalają zarabiać, to dlaczego tego nie wykorzystać, przynajmniej tak długo jak owa anomalia zachodzi. I tak na przykład kierunek ruchu rynku w poniedziałek bardzo często jest  kontynuacją ruchu z piątku, ale już we wtorek lubi się odwrócić.

Kolejna grupa strategii pod nazwą „24-godzinny efekt” opierała się znaczącym statystycznie zjawisku prognozowania pewnych charakterystycznych ruchów na danej sesji zależnych od tego, jak układały się ceny na sesji poprzedniej.

Do tego doszedł znany z literatury „Efekt poniedziałku”, a więc kupna pod koniec sesji w piątek, jeśli miał miejsce wyraźny trend wzrostowy, i zamykania pozycji zaraz na początku sesji poniedziałkowej.

Zgodnie z zasadą znajdowania uzasadnień do anomalii, wykryli na przykład, że „Efekt poniedziałku” związany był z tym, iż marekt-makerzy pozbywali się pozycji przed weekendem i odkupowali je w poniedziałek rano. Podobnie postępowali w momencie ogłaszania ważnych danych, wszystko po to, by zminimalizować ryzyko. Simons i spółka kupowali te kontrakty od nich, żartując, że pracują w biznesie ubezpieczeniowym.

Podobne zależności wykryli wkrótce na rynku walutowym, a niewyczerpanym źródłem anomalii była nieistniejąca dziś marka niemiecka w relacji do dolara. Wyjątkowo często zachodziła tu korelacja jednodniowa, czyli jeśli kurs dziś spadał, to istniały znaczące szanse spadku także na kolejnej sesji (albo wzrost po wzroście). Co więcej- taki efekt dawał zarobić w układzie tydzień do tygodnia, miesiąc do miesiąca, a nawet godzina do godziny! Wykryta przez nich korelacja wynosiła 20% na marce, 10% na innych walutach, 7% na złocie, 4% na towarach i TYLKO 1% na akcjach.

Ponownie zbadali źródła tych ruchów, na których zgodnie z zaczynającą być modną Hipotezą Efektywnego Rynku nie można było pokonać rynków. Okazało się, że za tymi korelacjami stały interwencje banków centralnych. W późniejszym okresie w intensywności efektu to jen zastąpił markę.

Ponieważ ilość tych strategii, których ponoć w książce nie ma, zajmuje jednak sporo miejsca, dlatego drugą część przenoszę do kolejnego wpisu.

—kat—

1 Komentarz

  1. pit

    Estymator jądrowy gęstości wyższego rzędu (ang. higher dimensional kernel regression).

    Ja bym to nazwał wielowymiarową lub /w wielu wymiarach/ regresją kernela lub jądrem( aka skondensowanym wskaźnikiem) dla regresji wielowymiarowej.
    higher dimensional – czyli wiecej niz dwa wymiary /2 parametry, wskażniki/
    Słowem coś wiecej niz zwykły wskażnik regresji liniowej na wykresie xy.

    https://pjastr.github.io/AnalizaStatystycznaWielowymiarowa/regresjawielowymiarowa.html

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *


Twoje dane osobowe będą przetwarzane przez Dom Maklerski Banku Ochrony Środowiska S.A. w celu: zapewnienia najwyższej jakości naszych usług oraz dla zabezpieczenia roszczeń. Masz prawo dostępu do treści swoich danych osobowych oraz ich sprostowania, a jeżeli prawo na to pozwala także żądania ich usunięcia lub ograniczenia przetwarzania oraz wniesienia sprzeciwu wobec ich przetwarzania. Masz także prawo wniesienia skargi do organu nadzorczego.

Więcej informacji w sekcji "Blogi: osoby komentujące i zostawiające opinie we wpisach" w zakładce
"Dane osobowe".

Proszę podać wartość CAPTCHA: *