Jim Simons – trader, który rozgryzł rynki, część 5

Listy strategii używanych przez Jima Simonsa i jego współpracowników ciąg dalszy.

Jest to kontynuacja poprzedniego wpisu i w jej ramach prezentuję w skrócie wszystkie pomysły, metody, strategie używane na przestrzeni lat w funduszach Medallion i Renaissance Technologies, które to znalazły się w książce „The man who solved the market”.

Pod koniec lat 80-tych grupa matematyków i informatyków w Medallionie zaczęła poszukiwać za pomocą komputerów w coraz dokładniejszych danych tzw. „inwestowalnych efektów”. Polegało to na sprawdzeniu jak wszystkie wydarzenia dziejące się na rynku i wokół niego wpływają na ceny. Jeśli powtarzalność i efekt zmian ceny były znaczące, implementowano je do kodu. Próbowano znaleźć uzasadnienie dla tego typu wpływów, ale ponieważ nie było tam ekonomistów czy speców od finansów, więc nie zawsze było to możliwe. Jak jednak sam Simons stwierdził pewnego dnia:

Drugi kierunek poszukiwań polegał na identyfikowaniu wyskoków cenowych, krótkich, ale powtarzających się, którym nie sposób było przypisać jakiejś przyczyny w wydarzeniach okołorynkowych. Nazywano je „duchami” i również włączono do tradingu. Było to możliwe, ponieważ zaczęli pracować na danych tikowych, które 20 lat temu były raczej rzadkością w takim użyciu. O dziwo, znajdowano takich „duchów” w tysiącach sztuk, wiele z nich niedostrzegalnych gołym okiem.

Niektóre z anomalii cenowych trwały dni, inne tylko sekundy, nie potrafili jednak odnaleźć ich w cenach akcji. Nadal więc handlowali kontraktami terminowymi na waluty, towary i obligacje. Ich przewagą było to, że inni ignorowali tego typu anomalie z przynajmniej jednego ważnego powodu – częstotliwości powtarzania się nieco tylko ponad 50%. A jak wspominałem już we wcześniejszych wpisach – Medallion czuł się w środowisku tak niskiej trafności jak ryba w wodzie.

To podejście przyniosło natychmiastową poprawę wyników, natomiast  ich średni czas utrzymywania transakcji w 1989 roku spadł do 1,5 dnia z 1,5 tygodnia w poprzednich latach. Poza transakcjami tylko na otwarciu i zamknięciu sesji, dodali kolejną w południe. 10% ich transakcji miała jednak nadal długoterminowy charakter.

Co ciekawe – Simons przekonany niemal w 100% do tradingu komputerowego, nadal kilka godzin w tygodniu poświęcał na transakcje intuicyjne na złocie czy miedzi! Ale ponieważ nie jest to książka stricte o samym Simonsie, więc nie dowiadujemy się nic więcej o jego motywacjach i przekonaniach z tym związanych.

Kolejna faza rozwoju opierała się na poszukiwaniu zależności w ciągu dnia przez podzielenie sesji na 5 minutowe fragmenty, co pozwoliło na odkrycie niedostrzegalnych wcześniej regularności. Dzięki temu odkryli na przykład, że pewne zakresy ruchu cen w piątkowe poranki pozwalały przewidywać ruchy cen w piątek po południu, tuż przed zamknięciem. Albo jeśli pod koniec sesji ceny wspinały się dość silnie w górę, opłacało się kupić kontrakty na zamknięciu i zyskownie wyładować jej na początku kolejnej sesji. Co ważne jednak, jednocześnie intensywnie przeprowadzali stosowne testy istotności (p-value), które pozwalały ocenić, czy czasem odkrycia nie są wynikiem zbyt głębokiego kopania w danych, co mogłoby wyprodukować sztuczne, losowe strategie.

Nie ma za wiele informacji w książce na temat kolejnego odkrycia – prognozowania ruchów zależnie od zmienności. Nie chodzi jednak o opcje – z tymi akurat mieli spory kłopot by skutecznie dobrać się do nich od strony statystycznej.

Więcej wiemy na temat tzw. efektu kombinacji. Polega on na skłonności podobnych instrumentów czy aktywów do częstego naśladowania siebie nawzajem w pewnych porach sesji. Jeśli np. ruszało złoto, istniała duża szansa, że za chwilę w tym samym kierunku ruszy srebro. Albo gdy skoczyła ropa, za moment spodziewano się podobnego ruchu na oleju grzewczym. W sumie naturalne zależności – powiedziałby niemal każdy trader. Sztuką jest jednak odkryć tylko takie przypadki ich pojawienia się, które dają największą szansę zysku.

W takim momencie powstał dylemat wielkości pozycji w sytuacji, gdy pojawia się w ciągu sesji wiele sygnałów, a kapitał był limitowany (nie byli jeszcze częścią mainstreamu w latach 90tych). Odpowiedzią stał się tzw. „betting algorithm”. To pierwsza jaskółka „uczenia maszynowego” w inwestowaniu. Algorytm powstał na bazie dynamicznego kodu, który sprawdzał aktualnie posiadane pozycje w czasie rzeczywistym i dodawał tylko te pojawiajace się nowe transakcje, które dawały najwyższe prawdopodobieństwo przyszłego ruchu cen kontraktów.

Przyszła wreszcie kolej na likwidację poślizgów, które powodowały, że cena zawarcia transakcji różniła się do ceny widocznej na widełkach, co spowodowane było albo zbyt dużą wielkością ich pozycji, albo słabą płynnością i/lub egzekucją zleceń przez brokerów. Kolejny algorytm wyłuskiwał te giełdy, na których koszty poślizgu były najmniejsze i tam puszczano zlecenia. A ponieważ sprawdzono również giełdy zagraniczne, więc do pakietu kontraktów dołączono po testach danych europejskie i japońskie kontrakty na obligacje oraz na japoński Nikkei. Średnia ilość transakcji dziennie wzrosła do 16, ale nadal były wykonywane przez telefon!

W połowie lat 90-tych wreszcie udało się z wieloma problemami stworzyć w osobnym dziale algorytmy na rynek akcji, co jest jednak historią na kolejny wpis. To jednak nadal kontrakty były źródłem obfitości i co ciekawe – tu kluczowymi strategiami były te polegające na otwieraniu pozycji w najbardziej sprzyjające statystyce dni tygodnia i o najbardziej sprzyjającej porze podczas sesji. Dziś wielu inwestorów uznałoby to za naiwność i głupotę, dla Medalliona była to dojną krową i sam jestem ciekaw, czy do dziś z tego rodzaju strategii korzystają. Bo jeśli chodzi o sam efekt dni tygodnia i godzin sesji, nadal istnieją tu regularności, co mam nadzieję również uda mi się w najbliższej przyszłości pokazać.

Częścią tych sukcesów była również organizacja pracy. W tej branży często pracuje się w tzw. silosach, czyli grupach eksperckich, które rywalizują ze sobą. Natomiast Simons stworzył wśród swoich naukowców jeden zespół, wymieniający się ciągle pomysłami, a co więcej każdy w funduszu, nawet sekretarka, miał dostęp do wszystkich linijek kodu (było ich już prawie pół miliona) i mógł go próbować usprawnić, co niestety zemściło się nieco w późniejszym okresie. A taki rodzaj współpracy w świecie naukowym wcale nie jest czymś, co przychodzi naturalnie. Naukowcy marzą przecież o indywidualnych sukcesach i spełnieniu, bywając raczej przy tym introwertykami. Zuckerman przytacza dowcip w tym temacie:

Po czym poznać ekstrawertycznego matematyka? To taki, który podczas rozmowy gapi się na czubki Twoich butów, a nie swoich.

W 1997 roku gwiazdą wśród strategii zaczęła się okazywać ta, która polegała na stawianiu na odwrócenia. Jak policzyli, w ok. 60% przypadków gwałtowny ruch w górę lub w dół okazywał się pułapką, a więc popłacało obstawienie na jego szybkie odwrócenie. Dla grających dziś na szybkim rynku walut czy indeksów to całkiem normalna praktyka, ale czy ktoś potrafi powiedzieć, jakie statystyki za nią stoją?

Jak policzyli właśnie w 1997 roku, około połowa znalezionych w danych prawidłowości nie została przez nich wyjaśniona na gruncie zjawisk deterministycznych. W większości tego typu firm w tamtych czasach nie wchodziło nawet w grę inwestowanie w takie nieintuicyjne zjawiska. Rywale tego nie tykali, więc mniejsza konkurencja dawała szansę, że sygnały nie zostaną szybko zajechane do zera. Jednakże Simons starał się, by włączać przynajmniej te sygnały, które nie wypadały poza limity logiki. Jak stwierdził w książce jeden z zarządzających w Medallionie:

„Obrót podzielony przez zmianę dzienną ceny 3 sesje wcześniej, tak, włączamy to. Ale nie coś bezsensownego, typu lepsze zwroty akcji tych spółek, których tiker zaczyna się na A”.

Jeśli jednak odkrywali w danych jakieś nieprawdopodobne zależności, typu korelacja zmian indeksu giełdy z cenami masła w Bangladeszu, i był to bardzo silny sygnał, którego nie sposób zignorować ze względu na zyskowność, dodawali go do kodu, przyznając bardzo niewielki kapitał do transakcji, po prostu by sprawdzić to w czasie rzeczywistym. Za jakiś czas mogło się okazać, że dana zależność ma jednak jakieś wytłumaczenie.

Dzięki coraz wydajniejszym komputerom mogli coraz więcej korzystać z najprostszych „uczenia maszynowego”. W skrócie – karmiąc system milionami danych czekali aż sam coś w nich znajdzie, i choć często nawet nie było się czego uczepić dla wyjaśnienia znalezionej anomalii, dodawano ją do kodu. Co więcej, system sam dodawał anomalię do zbioru algorytmów i sam przydzielał zależnie od skuteczności wielkość środków na transakcję.

Kolejny rozdział rozwoju funduszu związany był już z odkryciami nieefektywności na rynkach akcji, co zmieniło nieco filozofię działania, ale to przenoszę ponownie ze względu na wielkość materiału do kolejnego wpisu.

—kat—