量化策略失败的10个理由

Jesus Rodriguez是IntoTheBlock（加密资产的市场情报平台）的首席执行官。 他曾在大型技术公司和对冲基金中担任领导职务。 他是纽约哥伦比亚大学的积极投资者，演讲者，作家和客座讲师。

术语“密码”和“定量”似乎完美地结合在一起。 比特币和加密资产诞生于资本市场最激动人心的时刻之一，恰逢量化金融的黄金时代。 由云计算和大数据之类的运动以及机器学习的复兴引起的技术加速相撞，从而引发了一场完美的风暴，转而推动了定量革命。 每年有数十亿美元从可支配资金转移到量化工具上，华尔街无法足够快地聘请数学家和机器学习专家。

作为完全数字资产类别，加密似乎是量化模型的理想目标。 然而，量化策略仍然受制于相对简单的技术，例如统计套利（一种旨在利用一对证券市场效率低下的成对交易策略），而且我们仍未看到市场上占主导地位的大型量化服务台的出现。 尽管加密资产对于量化策略具有吸引人的特性，但加密对量化模型提出了独特的挑战，而现实是，加密中的大多数量化策略都会失败。 在本文中，我想探讨一些可能导致加密领域大多数量化策略失败的根本原因，但不是显而易见的原因。

另请参阅：耶稣·罗德里格斯（Jesus Rodriguez）–加密不必惧怕GPT-3。 应该拥抱它

通过声称加密中的大多数量化策略均会失败，我主要指的是机器学习策略。 统计套利已被证明是开发算法策略的有效机制，但是我们应该期望随着市场规模和效率的提高，这些机会将消失。 在传统的资本市场中，我们已经看到了基于机器学习的量化模型的实现爆炸式增长，并且该领域的研究机构呈指数增长。

但是，在传统的资本市场上证明有效的大多数量化策略在应用于加密资产时可能效果不佳。 基于我们在IntoTheBlock上从事预测模型和量化策略研究的最新经验，我列出了一些我认为可能导致加密资产量化模型失败的因素。

1.小型数据集

您在研究论文中发现的许多基于机器学习的量化策略都接受了数十年来自资本市场的数据的训练。 大多数加密资产的交易历史可以在几个月内计算出来，即使对于像比特币和以太坊这样的车辆，数据集仍然相对较小。 许多机器学习模型将很难总结来自如此小的数据集的任何知识。 假设您正在尝试为链式链接（LINK）之类的资产的价格建立预测模型，该模型在最近几天炙手可热。 事实证明LINK的交易历史非常小，不足以训练大多数机器学习模型的量化金融。

2.定期的“异常事件”

尽管不应在同一句子中使用术语“常规”和“异常值”，但我想不出一个更好的术语来描述我们在加密资产中的经历。 大规模的价格崩盘或突然飙升，在数小时内改变了任何加密资产的动力。 这些“异常”事件在许多加密资产中经常发生。

从机器学习的角度来看，大多数模型将对这些价格波动感到困惑，因为他们在培训期间没有看到任何类似的东西。 不足为奇的是，许多机器学习量化模型在3月中旬的Flash崩溃期间被淘汰，或者由于过去几周的波动性突然增加而无法利用。 在训练模型期间，很难捕获有关这些事件类型的知识。

3.过度适应的倾向

加密资产中的小型市场数据集的副作用是大多数机器学习量化模型倾向于过度拟合或“针对训练数据集进行优化”。 我们不断看到量化模型在回测期间表现出色，只是在应用于实际市场条件时失败。

4.定期再培训的困境

想想这种情况：您已经创建了一个基于几年比特币交易历史而训练的预测模型，然后您经历了几乎没有波动的几周，随后又经历了几天的疯狂波动（这从未发生过）。 您想重新训练模型以获取该知识，但是如何？ 如果仅在最新数据中重新训练模型，则很可能会过度拟合，而如果您等待，则该知识可能不再有用。

人才是增加量化投资作为加密货币领域的一门学科的非常重要且经常被忽视的方面。

这种再培训的困境是“常规异常事件”现象的直接后果。 如果您在标准普尔500指数最近10年的数据集中训练模型，则可以设计一种策略来定期对模型进行训练，因为该指数不太可能在短时间内偏离其传统行为。 当涉及到加密时，这种在常规量化策略中已被广泛采用的模型的定期重新训练就没有了。

5.数据质量和可靠性

设计用于加密资产的机器学习量化模型的最大缺点之一是数据集的质量和可靠性很差。 许多交换订单簿数据集中充满了指示伪造数量，清洗交易或欺骗行为的记录，这并不是秘密。 显然，使用这些数据集训练机器学习模型不会产生任何相关结果。 此外，几乎每周我们都会听到有关交换API中断和关闭数小时的消息。 您上次听说Nasdaq API崩溃的时间是什么时候？ 它肯定会发生，但不会那么频繁。 缺乏可靠性可能会破坏最可靠的量化模型的准确性。

6.匿名区块链记录

区块链数据集仍然是加密空间中量化策略的最丰富的alpha来源之一。 但是区块链记录的匿名性使得设计有意义的量化模型确实具有挑战性。 举例来说，量化策略的功能之一就是利用以太坊区块链中的地址数量。 好吧，交易所的地址与单个钱包的地址根本不同，而与矿工的地址也不同。 标记区块链记录对于基于区块链数据集设计有意义的量化模型至关重要，不幸的是，这些工作仍处于早期阶段。

7.排除因素策略

在过去的二十年中，因素模型一直是一些最成功的量化策略的核心。 诸如AQR之类的整个大型基金都是建立在因子投资量化策略的承诺之上的。 从价值，动量或质量之类的原始因素开始，因素策略已发展为数百种可模拟金融资产类别中相关行为的因素。

至少直到今天，事实证明，大多数因素策略在加密资产的背景下都是无效的。 当涉及加密时，诸如价值和质量之类的因素并未得到明确定义，而动量等其他行为则违背了传统模式。 这导致许多加密数量服务台花费大量时间尝试重新创建基于因子的策略，这些策略在加密空间中极不可能执行。

8.简单模型谬误

定量金融领域正迅速吸引大型和复杂的模型，它们的表现通常优于简单和更专业的模型。 这种趋势反映了整个机器学习领域中正在发生的事情。 深度学习的到来向我们表明，可以创建高度复杂的神经网络，以最不可思议的方式获取知识。

诸如TwoSigma和WorldQuant之类的基金正在积极推动深度学习研究，并将来自谷歌，微软或Facebook等科技巨头的AI实验室中产生的想法纳入其中。 但是，在加密世界中，大多数量化策略仍然依赖于非常基本的机器学习范例，例如线性回归或决策树。

鉴于简单的模型易于理解，因此无疑具有吸引力，但是它们很难推广来自复杂环境（例如，加密货币市场）的知识。 作为机器学习环境，加密将金融市场的复杂性与新资产类别的低效率和不确定性结合在一起。 绝对不是最适合简单定量策略的方法。

9.基础设施基础

作为对上述观点的补充，加密空间中的大多数量化基础设施都相对新生。 强大的量化基础架构超越了良好的策略，还包括诸如风险管理，回测，投资组合管理，策略执行，错误恢复等要素。 在加密领域，大多数对冲基金的量化基础设施仍然相对简单，这使得难以操作某些类型的策略。

另请参阅：耶稣·罗德里格斯（Jesus Rodriguez）–神话与现实：加密资产的情绪分析

例如，假设您设计了一个漂亮的深度学习量化策略，该策略根据区块链数据集预测比特币的价格。 要实施该策略，基金将需要定期收集区块链记录的基础设施，具有运行深度学习模型的计算机基础设施，适当的再培训工具等。

当今的技术无疑已经减少了构建运行机器学习模型的量化基础架构所需的时间和成本，但是与在传统资本市场中运营的量化服务台相比，量化服务台仍然相对基础。

10.人才可用性

我把最有争议的观点留到最后。 作为金融市场，加密货币仍无法吸引具有传统资本市场相关经验的顶级量化人才。 我们仍在解决极其复杂的问题，例如使用相对简单的模型，基本的基础结构和不良的流程来预测资产类别的行为。 人才是增加量化投资作为加密货币领域的一门学科的非常重要且经常被忽视的方面。 加密领域有非常有才华的量化团队，但它们是例外，而不是规则。

这些是可能导致我们反思加密货币领域量化投资的当前状态的一些观点。 加密货币是量化策略的理想资产类别，从长远来看，量化基金应成为加密货币的主要投资工具。 道路上既有许多挑战，也有许多迷人的机会。

—-

原文链接：https://www.coindesk.com/10-reasons-quant-strategies-for-crypto-fail

原文作者：Jesus Rodriguez

编译者/作者：wanbizu AI

玩币族申明：玩币族作为开放的资讯翻译/分享平台，所提供的所有资讯仅代表作者个人观点，与玩币族平台立场无关，且不构成任何投资理财建议。文章版权归原作者所有。