Intervista al trader e programmatore Ivan

Salve, può presentarsi? Qual è la sua professione?

Mi chiamo Ivan. Sono di mezza età e vivo a Bratislava, nella Repubblica Slovacca.

Per molti anni ho lavorato in un'opposizione di trading sell-side presso un broker di futures nella Repubblica Ceca. Negli ultimi anni, oltre al trading, ho lavorato per un'azienda familiare. Attualmente stiamo vendendo l'azienda di famiglia e ho intenzione di dedicare finalmente il 100% del mio tempo al trading algoritmico e a tutte le questioni correlate.
Programmazione personalizzata, consulenza, formazione e scrittura delle mie esperienze nel campo del trading algoritmico.

 Cosa si intende per attività associate all'algo trading? Perché sono importanti?

Una delle attività associate di cui mi occupo è, ad esempio, lo sviluppo e la programmazione di indicatori o script. Collaboro con il team di SQX e sviluppo nuovi indicatori, comprese nuove idee, che li aiutano a rendere la loro piattaforma di trading molto più efficace. Programmo anche gli indicatori a livello commerciale, in modo da poterli programmare in base ai requisiti e alle esigenze specifiche dei miei clienti.

 Come ha iniziato con l'algo-trading?

È buffo ricordare come sono entrato nel mondo del trading. Per coincidenza, una frase sbagliata inserita in un motore di ricerca di Google. Già nel 2007, quando ho iniziato a fare trading in generale, sospettavo che il trading sistematico fosse quello più vicino a me. Tuttavia, ho iniziato a concentrarmi maggiormente sul trading di algo nel 2011 e su base giornaliera nel 2014, quando ho iniziato a utilizzare StrategyQuant come piattaforma principale per lo sviluppo di strategie.

Quanto tempo è stato necessario per ottenere i primi successi? Qual è stato il punto di rottura?

In qualche modo, sento che più imparo, meno so. Ci sono stati diversi punti di rottura. I più importanti sono stati le perdite e i drawdown durante il mio percorso di trading. Solo loro mi hanno aiutato a migliorare e a lavorare su me stesso. Il punto di rottura è stato lo stesso StrategyQuant, sebbene avessi già utilizzato programmi simili. E naturalmente il punto di rottura è stata una nuova versione di SQX. Questo mi ha permesso di automatizzare parte del mio flusso di lavoro. Inoltre, è stato molto importante iniziare a utilizzare Python, un linguaggio semplice che mi permette di creare rapidamente vari script utilizzati per l'analisi dei dati. Considero molto importante anche il fatto di aver iniziato a collaborare con un altro utente di StrategyQuant, Bob, da un anno e mezzo. Non sono mai stato un fan delle grandi collaborazioni inefficaci, ma in un piccolo team con una così grande quantità di dati e idee, va davvero molto meglio.

Cosa le piace di più dell'Algo-trading?

Mi piacciono la verificabilità, la modellabilità e l'oggettività. Mi piace inventare e "costruire" qualcosa. Ricordo anche molto bene cosa significa guardare i grafici tutto il giorno.

Quindi il fatto che le strategie eseguano le operazioni senza che io debba decidere su ogni singola operazione ha un valore enorme.

Può dirci qualcosa di più sul flusso di lavoro che utilizzate per creare e selezionare le strategie migliori?

È importante dire che quello che uso oggi potrei non usarlo domani. Negli ultimi due anni lo sviluppo e l'aumento delle mie conoscenze e competenze sono stati molto dinamici. Inizierei con il dire che mi concentro sulla riduzione dell'overfitting durante il processo di costruzione. Ci sono alcune impostazioni "sbagliate" che aumentano la probabilità di overfitting. Utilizzo test statistici di ipotesi e cerco di lavorare con una grande quantità di dati nell'analisi. Si tratta di un processo a lungo termine e negli ultimi due anni ho compiuto due importanti cambiamenti nella qualità del mio flusso di lavoro analitico e decisionale.

In realtà si tratta di trovare un flusso di lavoro che mi dia il maggior numero possibile di strategie con un'alta probabilità di guadagno nel prossimo futuro, tutto qui.

Tra l'altro, abbiamo testato diversi paradigmi e abbiamo scoperto che molti di essi non erano abbastanza redditizi negli ultimi anni. In linea di principio, esiste una regola nel processo di selezione delle strategie, che ho basato su dati statistici e che è ancora valida: Strategie semplici, più dati ci sono, meglio è.

Qual è la sua filosofia in merito alla creazione di un portafoglio ottimale?

La situazione ideale è quella di avere strategie non correlate nel maggior numero possibile di mercati. In linea di principio, questo funziona disponendo di un pool di strategie che hanno superato tutti i test e che noi decorreliamo utilizzando i nostri script Python e selezionando i portafogli finali di strategie. Tuttavia, si tratta di una questione di ricerca e di test costanti. Posso immaginare un'implementazione adattiva delle strategie sui mercati, ho fatto ricerche in merito, così come un backtester, ma al momento abbiamo altre priorità. Conto di raggiungere la massima profondità in questo settore nella seconda metà del 2021.

Per lo sviluppo delle strategie utilizzate i parametri raccomandati dall'ottimizzazione o utilizzate modi diversi?

Finora non stiamo ottimizzando direttamente la strategia, ma stiamo lavorando con ciò che il motore genetico di SQX genererà per noi. Selezioniamo quindi le strategie che hanno superato il test, sia le nostre sia i filtri di SQX (SPP e profilo di ottimizzazione). Nel 2021, tuttavia, esamineremo più da vicino la questione dell'ottimizzazione delle strategie. Più vado avanti, più sono ottimista sull'ottimizzazione walk-forward. Anche in questo caso, però, ho bisogno di raccogliere dati sufficienti per valutarla. Per la valutazione e l'interpretazione dei dati utilizziamo algoritmi di apprendimento automatico. Ho intenzione di scrivere alcuni articoli su questo argomento e su Phytone in quanto tale e di pubblicarli qui sul blog.

 Ogni portafoglio a volte soffre di drawdown. Qual è il vostro approccio per superarlo e mantenere la fiducia nei vostri robot?

Analizziamo le performance live delle nostre strategie e quando raggiungono la soglia le abbandoniamo.

Dopo aver effettuato test approfonditi, siamo giunti alla conclusione che, in media, le strategie iniziano a perdere performance dopo due anni. Ma questo è ancora un settore in cui si può fare molta ricerca.

C'è una fonte di conoscenza che vorrebbe raccomandare ad altri trader?

Ci sono alcune fonti interessanti e preziose con cui lavoro:

Better System Trader, Machine Learning Mastery, Quantocracy, Khan Academy, Towards Data Science, diversi blog di Medium, Stack Overflow e, naturalmente, Google.

 Avete qualche consiglio su cosa evitare o di cui essere consapevoli nell'Algo-trading?

Non aspettatevi successi rapidi o curve lineari. Per avere successo in questo settore occorre esattamente la stessa cosa che occorre per avere successo in qualsiasi altro settore, ovvero "duro lavoro e formazione continua". Anche il pensiero fuori dagli schemi è ben accetto.

Vorresti condividere alcune raccomandazioni con altri sviluppatori di algoritmi? Su cosa concentrarsi, ecc.

Consiglio vivamente a tutti di ripetere e comprendere le statistiche descrittive e di interferenza e di iniziare a imparare a programmare, ad esempio Python, che è molto semplice, efficace e facile da imparare. Inoltre, siate critici e testate tutto. SQX apre un numero enorme di cose che si possono testare, raccogliere e valutare.