Entretien avec Ivan, commerçant et programmeur

Bonjour, pouvez-vous vous présenter ? Quelle est votre profession ?

Je m'appelle Ivan. Je suis d'âge moyen et j'habite à Bratislava, en République slovaque.

Pendant de nombreuses années, j'ai travaillé dans le cadre d'une opposition commerciale chez un courtier en contrats à terme en République tchèque. Ces dernières années, en plus du trading, j'ai travaillé pour une entreprise familiale. Actuellement, nous sommes en train de vendre l'entreprise familiale et j'envisage enfin de consacrer 100% de mon temps au trading algorithmique et à toutes les questions qui s'y rapportent.
Programmation personnalisée, conseil, formation et rédaction de mes expériences dans le domaine du trading algorithmique.

 Qu'entendez-vous par "activités associées" dans l'algo - trading ? Pourquoi sont-elles importantes ?

L'une des activités associées dont je m'occupe est, par exemple, le développement et la programmation d'indicateurs ou de scripts. Je coopère avec l'équipe de SQX et je développe de nouveaux indicateurs, y compris de nouvelles idées, qui les aident à rendre leur plateforme de négociation beaucoup plus efficace. Je programme également les indicateurs à des fins commerciales, ce qui me permet de programmer les indicateurs en fonction des exigences et des besoins spécifiques de mes clients.

 Comment avez-vous commencé à pratiquer l'algo-trading ?

Il est amusant de se rappeler comment j'ai commencé à faire du commerce. Par coïncidence, j'ai mal orthographié l'expression saisie dans un moteur de recherche Google. Dès 2007, lorsque j'ai commencé à faire du trading en général, j'ai soupçonné que le trading systématique était le plus proche de moi. Cependant, j'ai commencé à me concentrer davantage sur le trading d'algo lui-même en 2011 et sur une base quotidienne en 2014, lorsque j'ai commencé à utiliser StrategyQuant comme plateforme principale pour le développement de stratégies.

Combien de temps a-t-il fallu pour obtenir les premiers succès ? Quel a été le point de rupture ?

D'une certaine manière, j'ai l'impression que plus j'apprends, moins je sais. Il y a eu plusieurs points de rupture. Les plus importants ont été les pertes et les pertes en capital subies au cours de mon parcours de trader. Elles seules m'ont aidé à continuer à m'améliorer et à travailler sur moi-même. Le point de rupture a été le StrategyQuant lui-même, bien que j'aie utilisé des programmes similaires auparavant. Et bien sûr, le point de rupture a été une nouvelle version de SQX. Cela m'a permis d'automatiser une partie de mon flux de travail. Il était également très important de commencer à utiliser Python, un langage simple qui me permet de créer rapidement divers scripts utilisés pour l'analyse des données. Je considère également comme très important le fait d'avoir commencé à coopérer avec un autre utilisateur de StrategyQuant, Bob, depuis un an et demi. Je n'ai jamais été un fan des grandes collaborations inefficaces, mais dans une petite équipe avec une telle quantité de données et d'idées, cela se passe vraiment mieux.

Qu'est-ce qui vous plaît le plus dans Algo-trading ?

J'aime la vérifiabilité, la modélisabilité et l'objectivité. J'aime inventer et "construire" quelque chose. Je me souviens aussi très bien de ce que c'est que de regarder des graphiques toute la journée.

Le fait que les stratégies exécutent les transactions sans que je doive décider de chaque transaction individuelle a donc une valeur énorme.

Pourriez-vous nous en dire plus sur le flux de travail que vous utilisez pour créer et sélectionner les meilleures stratégies ?

Il est important de dire que ce que j'utilise aujourd'hui, je ne l'utiliserai peut-être plus demain. Le développement et l'augmentation de mes connaissances et de mes compétences ont été très dynamiques au cours des deux dernières années. Je commencerais par dire que je me concentre sur la réduction de l'overfitting au cours du processus de construction. Certains "mauvais" paramètres augmentent la probabilité d'un surajustement. J'utilise des tests d'hypothèses statistiques et j'essaie de travailler avec une grande quantité de données dans l'analyse. Il s'agit d'un processus à long terme et, au cours des deux dernières années, j'ai opéré deux changements majeurs dans la qualité de mon flux de travail analytique et décisionnel.

Il s'agit en fait de trouver un flux de travail qui m'offre le plus grand nombre possible de stratégies avec une forte probabilité de gagner de l'argent dans un avenir proche, c'est tout, c'est tout.

Nous avons notamment testé plusieurs paradigmes et constaté que nombre d'entre eux n'étaient pas suffisamment rentables ces dernières années. En principe, il existe une règle dans le processus de sélection des stratégies, que j'ai basée sur des statistiques, et qui est toujours valable : Stratégies simples, plus il y a de données, mieux c'est.

Quelle est votre philosophie en ce qui concerne la création d'un portefeuille optimal ?

L'idéal est d'avoir des stratégies non corrélées sur le plus grand nombre de marchés possible. En principe, cela fonctionne en ayant un pool de stratégies qui ont passé tous les tests et que nous décorrélons en utilisant nos propres scripts Python et en sélectionnant les portefeuilles finaux de stratégies. Toutefois, il s'agit d'une question de recherche et d'essais constants. Je peux imaginer un déploiement adaptatif des stratégies sur les marchés, j'en ai fait la recherche, ainsi qu'un backtester, mais nous avons actuellement d'autres priorités. Je prévois d'atteindre la pleine profondeur dans ce domaine dans la seconde moitié de 2021.

Utilisez-vous pour le développement des stratégies les paramètres recommandés par l'optimisation ou utilisez-vous d'autres méthodes ?

Jusqu'à présent, nous n'optimisons pas directement la stratégie, mais nous travaillons avec ce que le moteur génétique de SQX va générer pour nous. Nous sélectionnons donc les stratégies qui ont réussi, soit les nôtres, soit les filtres de SQX (SPP et profil d'optimisation). Cependant, en 2021, nous allons examiner de plus près la question de l'optimisation des stratégies. Plus j'avance, plus je suis optimiste quant à l'optimisation de la marche en avant. Mais là encore, je dois collecter suffisamment de données pour l'évaluer. Nous utilisons des algorithmes d'apprentissage automatique pour l'évaluation et l'interprétation des données. Je prévois d'écrire quelques articles à ce sujet, ainsi que sur le Phytone en tant que tel, et de les publier ici sur le blog.

 Tous les portefeuilles souffrent parfois d'une baisse de rendement. Quelle est votre approche pour y remédier et garder confiance en vos robots ?

Nous analysons les performances en direct de nos stratégies et lorsqu'elles atteignent le seuil, nous les abandonnons.

Après des tests approfondis, nous sommes arrivés à la conclusion qu'en moyenne, les stratégies commencent à perdre de leur performance après deux ans. Mais il s'agit d'un domaine dans lequel de nombreuses recherches peuvent encore être menées.

Y a-t-il une source de connaissances que vous souhaiteriez recommander à d'autres commerçants ?

Il existe des sources intéressantes et précieuses avec lesquelles je travaille :

Better System Trader, Machine Learning Mastery, Quantocracy, Khan Academy, Towards Data Science, différents blogs Medium, Stack Overflow et, bien sûr, Google.

 Avez-vous des conseils à donner sur ce qu'il faut éviter ou sur ce dont il faut être conscient dans le domaine du trading Algo ?

Ne vous attendez pas à des succès rapides ou à des courbes linéaires. Pour réussir dans ce domaine, il faut exactement la même chose que pour réussir dans n'importe quel autre domaine, à savoir "un travail et une formation continus". Il est également souhaitable de sortir des sentiers battus.

Aimeriez-vous partager quelques recommandations avec d'autres développeurs d'algo ? Sur quoi se concentrer, etc.

Je recommande à tout le monde de répéter et de comprendre les statistiques descriptives et les statistiques d'interférence et de commencer à apprendre à programmer, par exemple Python, qui est très simple, efficace et facile à apprendre. En outre, soyez critique et testez tout. SQX ouvre la voie à un grand nombre de choses que vous pouvez tester, collecter et évaluer.