Interview mit dem Händler und Programmierer Ivan

Hallo, könnten Sie sich kurz vorstellen? Was ist Ihr Beruf?

Mein Name ist Ivan. Ich bin mittleren Alters und wohne in Bratislava, Slowakische Republik.

Viele Jahre lang arbeitete ich auf der Verkaufsseite bei einem Futures-Broker in der Tschechischen Republik. In den letzten Jahren habe ich neben dem Handel auch für ein Familienunternehmen gearbeitet. Derzeit verkaufen wir das Familienunternehmen und ich plane, mich endlich 100% meiner Zeit dem algorithmischen Handel und allen damit verbundenen Angelegenheiten zu widmen.
Individuelle Programmierung, Beratung, Schulung und Schreiben über meine Erfahrungen im Bereich des algorithmischen Handels.

 Was verstehen Sie unter verbundenen Aktivitäten im Algo-Handel? Warum sind sie wichtig?

Eine der damit verbundenen Tätigkeiten, mit denen ich mich beschäftige, ist zum Beispiel die Entwicklung und Programmierung von Indikatoren oder Skripten. Ich arbeite mit dem SQX-Team zusammen und entwickle die neuen Indikatoren, einschließlich neuer Ideen, die ihnen helfen, ihre Handelsplattform viel effektiver zu machen. Ich programmiere die Indikatoren auch kommerziell, so dass ich die Indikatoren nach den spezifischen Anforderungen und Bedürfnissen meiner Kunden programmieren kann.

 Wie haben Sie mit dem Algo-Trading begonnen?

Es ist lustig, sich daran zu erinnern, wie ich zum Handel gekommen bin. Zufällig gab ich den Begriff falsch geschrieben in eine Google-Suchmaschine ein. Schon 2007, als ich mit dem Trading im Allgemeinen begann, ahnte ich, dass mir der systematische Handel am nächsten lag. Allerdings habe ich 2011 begonnen, mich mehr auf den Algo-Handel selbst zu konzentrieren und 2014, als ich anfing, StrategyQuant als primäre Plattform für die Strategieentwicklung zu nutzen, auf täglicher Basis.

Wie lange hat es gedauert, bis sich die ersten Erfolge eingestellt haben? Was war die Sollbruchstelle?

Irgendwie habe ich das Gefühl, je mehr ich lerne, desto weniger weiß ich. Es gab mehrere Bruchstellen. Die wichtigsten waren die Verluste und Drawdowns während meiner Handelsreise. Nur sie halfen mir, mich weiter zu verbessern und an mir zu arbeiten. Die Sollbruchstelle war das StrategyQuant selbst, obwohl ich zuvor ähnliche Programme verwendet hatte. Und natürlich war der Knackpunkt eine neue Version von SQX. Damit konnte ich einen Teil meines Arbeitsablaufs automatisieren. Außerdem war es sehr wichtig, mit Python zu beginnen, einer einfachen Sprache, mit der ich schnell verschiedene Skripte für die Datenanalyse erstellen kann. Ich halte es auch für sehr wichtig, dass ich seit eineinhalb Jahren mit einem anderen StrategyQuant-Benutzer, Bob, zusammenarbeite. Ich war noch nie ein Fan von uneffektiven großen Kooperationen, aber in einem kleinen Team mit einer so großen Menge an Daten und Ideen geht es wirklich viel besser.

Was gefällt Ihnen am meisten am Algo-Trading?

Ich mag Überprüfbarkeit, Modellierbarkeit und Objektivität. Es macht mir Spaß, etwas zu erfinden und zu "bauen". Ich erinnere mich auch sehr gut daran, wie es ist, den ganzen Tag auf Diagramme zu schauen.

Die Tatsache, dass die Strategien die Geschäfte ausführen, ohne dass ich über jedes einzelne Geschäft entscheiden muss, hat also einen großen Wert.

Können Sie uns mehr über den Arbeitsablauf erzählen, den Sie bei der Erstellung und Auswahl der besten Strategien anwenden?

Es ist wichtig zu sagen, dass ich das, was ich heute benutze, morgen vielleicht nicht mehr brauche. Die Entwicklung und der Ausbau meiner Kenntnisse und Fähigkeiten waren in den letzten zwei Jahren sehr dynamisch. Ich würde damit beginnen, dass ich mich darauf konzentriere, die Überanpassung während des Bauprozesses zu reduzieren. Es gibt einige "schlechte" Einstellungen, die die Wahrscheinlichkeit einer Überanpassung erhöhen. Ich verwende statistische Hypothesentests und versuche, bei der Analyse mit einer großen Menge an Daten zu arbeiten. Es handelt sich um einen langfristigen Prozess, und in den letzten zwei Jahren habe ich zwei große Veränderungen in der Qualität meiner Analyse- und Entscheidungsprozesse vorgenommen.

Und es geht eigentlich nur darum, einen Arbeitsablauf zu finden, der mir möglichst viele Strategien liefert, mit denen ich mit hoher Wahrscheinlichkeit in nächster Zeit Geld verdienen kann, das ist alles.

Wir haben unter anderem mehrere Paradigmen getestet und festgestellt, dass viele von ihnen in den letzten Jahren nicht profitabel genug waren. Im Prinzip gibt es bei der Strategieauswahl eine Regel, die ich statistisch untermauert habe, und die immer noch gilt: Einfache Strategien, je mehr Daten, desto besser.

Was ist Ihre Philosophie bei der Zusammenstellung eines optimalen Portfolios?

Ideal ist es, unkorrelierte Strategien auf möglichst vielen Märkten zu haben. Im Prinzip funktioniert das, indem wir einen Pool von Strategien haben, die alle Tests durchlaufen haben und die wir mit unseren eigenen Python-Skripten entkorrelieren und die endgültigen Portfolios von Strategien auswählen. Es ist jedoch eine Frage der ständigen Forschung und des Testens. Ich kann mir den adaptiven Einsatz von Strategien auf den Märkten vorstellen, ich habe dazu geforscht, ebenso wie ein Backtester, aber wir haben derzeit andere Prioritäten. Ich plane, die volle Tiefe in diesem Bereich in der zweiten Hälfte des Jahres 2021 zu erreichen.

Verwenden Sie für die Entwicklung von Strategien die von der Optimierung empfohlenen Parameter oder gehen Sie andere Wege?

Bisher optimieren wir die Strategie nicht direkt, sondern wir arbeiten mit dem, was die genetische Engine von SQX für uns generiert. Und so wählen wir die Strategien aus, die entweder unsere oder die Filter in SQX (SPP und Optimierungsprofil) bestanden haben. Im Jahr 2021 werden wir uns jedoch näher mit dem Thema der Strategieoptimierung befassen. Je weiter ich komme, desto optimistischer bin ich, was die Walk-forward-Optimierung angeht. Aber auch hier muss ich genügend Daten sammeln, um sie zu bewerten. Wir verwenden Algorithmen des maschinellen Lernens zur Datenauswertung und -interpretation. Ich habe vor, einige Artikel darüber sowie über Phytone als solches zu schreiben und sie hier im Blog zu veröffentlichen.

 Jedes Portfolio leidet manchmal unter Drawdowns. Wie gehen Sie vor, um diese zu überwinden und das Vertrauen in Ihre Roboter zu erhalten?

Wir analysieren die Live-Performance unserer Strategien, und wenn sie den Schwellenwert erreichen, geben wir sie auf.

Nach gründlichen Tests sind wir zu dem Schluss gekommen, dass die Strategien im Durchschnitt nach zwei Jahren an Leistung verlieren. Dies ist jedoch ein Bereich, in dem noch viel Forschungsarbeit geleistet werden kann.

Gibt es eine Wissensquelle, die Sie anderen Händlern empfehlen möchten?

Es gibt einige interessante und wertvolle Quellen, mit denen ich arbeite:

Better System Trader, Machine Learning Mastery, Quantocracy, Khan Academy, Towards Data Science, verschiedene Medium-Blogs, Stack Overflow, und natürlich Google.

 Haben Sie irgendwelche Tipps, was man beim Algo-Trading vermeiden oder beachten sollte?

Erwarten Sie keine schnellen Erfolge oder lineare Kurven. Um in diesem Bereich erfolgreich zu sein, ist genau dasselbe erforderlich wie in jedem anderen Bereich, nämlich "kontinuierliche harte Arbeit und Weiterbildung". Auch der Blick über den Tellerrand ist willkommen.

Würden Sie anderen Algo-Entwicklern gerne einige Empfehlungen geben? Worauf sollte man sich konzentrieren, usw.?

Ich empfehle jedem, deskriptive und Interferenzstatistiken zu wiederholen und zu verstehen und mit dem Programmieren zu beginnen, z. B. mit Python, das sehr einfach, effektiv und leicht zu erlernen ist. Außerdem sollte man kritisch sein und alles testen. SQX eröffnet eine riesige Anzahl von Dingen, die man testen, sammeln und auswerten kann.