Entrevista con el comerciante y programador Ivan

Hola, ¿podría presentarse? ¿Cuál es su profesión?

Me llamo Ivan. Soy de mediana edad, resido en Bratislava, República Eslovaca.

Durante muchos años trabajé en la oposición de vendedor en el corredor de futuros de la República Checa. En los últimos años, además de comerciar, he estado trabajando para una empresa familiar. Actualmente, estamos vendiendo la empresa familiar y tengo previsto, por fin, dedicar 100% de mi tiempo al trading algorítmico y a todos los asuntos relacionados.
Programación a medida, consultoría, formación y escritura sobre mis experiencias en el campo del comercio algorítmico.

 ¿Qué se entiende por actividades asociadas en algo - trading? ¿Por qué son importantes?

Una de las actividades asociadas de las que me ocupo es, por ejemplo, el desarrollo y la programación de indicadores o scripts. Colaboro con el equipo de SQX y desarrollo los nuevos indicadores, incluidas nuevas ideas, que les ayudan a que su plataforma de negociación sea mucho más eficaz. También programo los indicadores comercialmente, por lo que puedo programar los indicadores según los requisitos y necesidades específicos de mis clientes.

 ¿Cómo empezó a operar con algo?

Es curioso recordar cómo me inicié en el trading. Casualmente, una frase mal escrita introducida en un buscador de Google. Ya en 2007, cuando empecé con el trading en general, sospechaba que el trading sistemático era lo que más se acercaba a mí. Sin embargo, he empezado a centrarme más en el propio trading de algo en 2011 y en el día a día en 2014, cuando empecé a utilizar StrategyQuant como plataforma principal para el desarrollo de estrategias.

¿Cuánto tiempo se tardó en lograr los primeros éxitos? ¿Cuál fue el punto de ruptura?

En cierto modo, siento que cuanto más aprendo, menos sé. Hubo varios puntos de ruptura. Los más importantes fueron las pérdidas y las caídas durante mi andadura en el mundo del trading. Sólo ellos me ayudaron a seguir mejorando y trabajando en mí mismo. El punto de ruptura fue el propio StrategyQuant, aunque he utilizado programas similares antes. Y por supuesto, el punto de ruptura fue una nueva versión de SQX. Esto me permitió automatizar parte de mi flujo de trabajo. También fue muy importante empezar a utilizar Python, un lenguaje sencillo que me permite hacer rápidamente varios scripts que se utilizan para el análisis de datos. También considero muy importante haber empezado a colaborar con otro usuario de StrategyQuant, Bob, desde hace un año y medio. Nunca he sido un fan de las grandes colaboraciones poco efectivas, pero en un equipo pequeño con tal cantidad de datos e ideas, realmente va mucho mejor.

¿Qué es lo que más le gusta de Algo-trading?

Me gusta la verificabilidad, la modelabilidad y la objetividad. Disfruto inventando y "construyendo" algo. También recuerdo muy bien lo que es mirar gráficos todo el día.

Así que el hecho de que las estrategias ejecuten las operaciones sin que yo tenga que decidir sobre cada operación individual, tiene un enorme valor.

¿Podría explicarnos mejor el flujo de trabajo que utiliza para crear y seleccionar las mejores estrategias?

Es importante decir que lo que uso hoy puede que no lo use mañana. El desarrollo y el aumento de mis conocimientos y habilidades han sido muy dinámicos en los dos últimos años. Empezaría por eso, que me centro en reducir el sobreajuste durante el proceso de construcción. Hay algunos ajustes "malos" que aumentan la probabilidad de sobreajuste. Utilizo pruebas estadísticas de hipótesis e intento trabajar con una gran cantidad de datos en el análisis. Es un proceso a largo plazo y, en los dos últimos años, he hecho dos cambios importantes en la calidad de mi flujo de trabajo analítico y de toma de decisiones.

Y en realidad se trata de encontrar un flujo de trabajo que me proporcione el mayor número posible de estrategias con una alta probabilidad de ganar dinero en un futuro próximo, eso es todo.

Entre otras cosas, probamos varios paradigmas y descubrimos que muchos de ellos no eran suficientemente rentables en los últimos años. En principio, hay una regla en el proceso de selección de estrategias, en la que me he basado estadísticamente, y sigue siendo válida: Estrategias sencillas, cuantos más datos, mejor.

¿Cuál es su filosofía a la hora de crear una cartera óptima?

La situación ideal es tener estrategias no correlacionadas en tantos mercados como sea posible. En principio, esto funciona teniendo un pool de estrategias que han pasado por todas las pruebas y que nosotros las descorrelacionamos utilizando nuestros propios scripts de Python y seleccionamos las carteras finales de estrategias. Sin embargo, es una cuestión de investigación y pruebas constantes. Puedo imaginar el despliegue adaptativo de estrategias en los mercados, yo hice la investigación en él, así como un backtester, pero actualmente tenemos otras prioridades. Tengo la intención de alcanzar la plena profundidad en esta área en la segunda mitad de 2021.

¿Utiliza para el desarrollo de estrategias los parámetros recomendados por la optimización o utiliza vías diferentes?

Hasta ahora, no estamos optimizando directamente la estrategia, sino que estamos trabajando con lo que el motor genético de SQX nos va a generar. Y así seleccionamos las estrategias que han pasado, bien las nuestras o bien los filtros de SQX (SPP y perfil de optimización). Sin embargo, en 2021 vamos a profundizar en el tema de la optimización de estrategias. Cuanto más lejos llego, más optimista soy sobre la optimización walk-forward. Una vez más, sin embargo, necesito recopilar suficientes datos para evaluarla. Utilizamos algoritmos de aprendizaje automático para evaluar e interpretar los datos. Tengo previsto escribir algunos artículos al respecto, así como sobre la Phytone como tal, y publicarlos aquí en el blog.

 Todas las carteras sufren a veces caídas. Cuál es su estrategia para superarla y mantener la confianza en sus robots?

Estamos analizando el rendimiento en vivo de nuestras estrategias y cuando alcanzan el umbral las abandonamos.

Tras realizar pruebas exhaustivas, llegamos a la conclusión de que, por término medio, las estrategias empiezan a perder rendimiento al cabo de dos años. Pero este sigue siendo un campo en el que se puede investigar mucho.

¿Hay alguna fuente de conocimiento que le gustaría recomendar a otros comerciantes?

Hay algunas fuentes interesantes y valiosas con las que trabajo:

Better System Trader, Machine Learning Mastery, Quantocracy, Khan Academy, Towards Data Science, diferentes blogs de Medium, Stack Overflow y, por supuesto, Google.

 ¿Tiene algún consejo sobre lo que hay que evitar o tener en cuenta en el Algo-trading?

No espere éxitos rápidos ni curvas lineales. Para triunfar en este campo se necesita exactamente lo mismo que para triunfar en cualquier otro, "trabajo duro y educación continuos". Pensar fuera de la caja también es bienvenido.

¿Le gustaría compartir algunas recomendaciones con otros desarrolladores de algo? ¿En qué centrarse, etc.?

Definitivamente recomiendo a todo el mundo que repita y comprenda la estadística descriptiva y de interferencia y que empiece a aprender a programar, por ejemplo, Python, que es muy sencillo, eficaz y fácil de aprender. Además, sed críticos y probadlo todo. SQX abre un gran número de cosas que puedes probar, recopilar y evaluar.