¿Qué técnicas estadísticas avanzadas están utilizando los investigadores cuantitativos?

Question

Hace algún tiempo estaba hablando con un representante de uno de los principales fondos de cobertura cuantitativos. Hablamos sobre reclutamiento y lo siguiente me dejó asombrado:

El representante explicó que solían contratar estadísticos recién graduados y doctorados en Matemáticas, Física, CS pero que no lo han hecho en los últimos años. Afirmaron que encontraron que las técnicas estadísticas que la firma estaba utilizando eran demasiado avanzadas y que la curva de aprendizaje para nuevos empleados de esa categoría era muy empinada. Desafortunadamente, no estaban dispuestos a dar ejemplos.

¿Alguien puede explicarme a qué técnicas podrían estar refiriéndose? No estoy buscando una visión detallada de las estrategias, sino más bien la "caja de herramientas" que las empresas utilizan que serían demasiado avanzadas para estadísticos recién graduados o doctorados en física.

¿Encajarían los modelos gráficos en esa categoría?

Answer 1

Hablé con un trader cuantitativo de una de las principales firmas de trading propietario cuantitativo hace aproximadamente un año. Al parecer, hubo un momento en el que exploraron la aplicación de técnicas de aprendizaje automático para problemas de modelado. Esto incluiría cosas como redes neuronales, SVRs, modelos gráficos y un montón de otras cosas relacionadas. Estas son básicamente una especie de enfoque estadístico muy similar a los modelos cuantitativos más convencionales pero, argumentablemente, más avanzados. Sin embargo, desde entonces han perdido interés en esta dirección debido a varias dificultades.

Estos enfoques de aprendizaje automático tienen sus raíces en el dominio de la ingeniería y la informática en áreas como visión por computadora, controles e inteligencia artificial. Los problemas tratados en estos campos son de una naturaleza diferente en comparación con los del modelado de los mercados financieros y realmente requieren un paradigma diferente. Demasiadas personas que intentan aplicar estas técnicas a las finanzas lo hacen a ciegas sin examinar si las suposiciones subyacentes son adecuadas para los mercados, y simplemente las usan "tal como vienen". Esencialmente, estos cuantitativos tienen un pobre entendimiento de cómo funcionan estas herramientas y no pueden aplicarlas bien.

El hecho de que muchas de estas técnicas de aprendizaje automático se presenten como modelos de caja negra (en realidad no son totalmente cajas negras) tampoco ayuda. Ninguna empresa decente en su sano juicio depositará su confianza en un modelo de caja negra cuando los métodos convencionales son mejor comprendidos y abiertos a examen, que es el punto principal del trading cuantitativo de todos modos, aplicar el método científico a los mercados.

Esto no quiere decir que el aprendizaje automático no se pueda utilizar para tales fines, creo que hay empresas y personas que han tenido éxito con estos métodos. Sin embargo, esto requiere personas con la experiencia adecuada, lo cual es raro. Es mucho más fácil encontrar personas con conocimiento práctico de técnicas estadísticas convencionales que aquellas que puedan aplicar correctamente el aprendizaje automático. Cuando no puedes conseguir personas competentes, no puedes desarrollar la experiencia adecuada en tu empresa y es mejor buscar otras formas.

Creo que estas dificultades, sin embargo, no son algo inherente al aprendizaje automático sino porque aún está en sus inicios en este dominio. La finanza cuantitativa ortodoxa encontró su equivalente de estos problemas en sus inicios también, pero se hizo más aceptada a medida que las cosas se entendían más ampliamente. El aprendizaje automático en finanzas es una dirección prometedora y creo que hay una buena posibilidad de que su potencial se realice en un futuro próximo.

Answer 2

Creo que tu interlocutor en la conversación no quiso decir que la naturaleza teórica de las técnicas estadísticas aplicadas sean demasiado avanzadas para que un estudiante de matemáticas / estadísticas / ciencias de la computación a nivel de graduado pueda dominarlas. Me aventuro a suponer que lo que él/ella quiso decir es que los conjuntos de herramientas aplicadas específicamente al trading financiero en esa empresa en particular son / eran demasiado avanzados para que alguien recién salido de la escuela los aprenda y aplique en un corto período de tiempo.

De hecho, creo que esto a veces es cierto también, en caso de que eso sea lo que él/ella quiso decir. En primer lugar, creo que el término y estigma asociado al trabajo de nivel "PhD" está sobrevalorado. Un programa de doctorado, una disertación y una defensa, no significan otra cosa que el candidato/titular se ha especializado en un tema y ha realizado estudios/lecturas para familiarizarse con el tema a fin de hacer trabajos por su cuenta que profundicen la comprensión de la comunidad que aplica técnicas similares. Dicho esto, uno no tiene que pasar por dicho programa para acumular conocimientos profundos y agregar valor realizando trabajos en un área en particular por su cuenta. He visto a personas sin título universitario pero con un conocimiento increíble (o debería decir visión) de la psicología de masas y experiencia en intrínsecos de mercado lograr promoción tras promoción en importantes mesas de trading debido a su rendimiento superior.

El trading y también la investigación cuantitativa requieren un conjunto básico / avanzado de herramientas para comprender el tema. Pero el verdadero éxito, desde mi experiencia, no se correlaciona con la escuela o programa académico que uno haya seguido, sino que se correlaciona altamente con una pasión extraordinaria por el trabajo en particular (como con todo en la vida), un aprendizaje constante en el trabajo y de otros, una visión de cómo piensan y se comportan los jugadores del mercado, tiempo dedicado a estudiar la estructura del mercado, un apetito saludable por el riesgo pero sobre todo un profundo respeto y comprensión de la relación riesgo-recompensa.

Estas habilidades y conocimientos aprendidos a menudo pueden ser tan complejos, si no más complejos, de lo que estudian los estudiantes de nivel de doctorado y se exponen a sí mismos en las torres de marfil del mundo. Esas habilidades y capacidades, en mi humilde opinión, a menudo faltan en muchos estudiantes que se dedicaron a un trabajo relativamente teórico en la universidad. Me encantaba preguntar a los estudiantes entrantes de doctorado o maestría en ciencias en mi trabajo anterior en las mesas de trading del lado de venta qué ideas de estrategia tenían, qué creían que valía la pena seguir, desde el punto de vista de la investigación. Les preguntaba qué ideas me propondrían en el momento. La mayoría de las veces seguía un silencio impactante y de inmediato supe que dicho estudiante apenas había dedicado tiempo alguno a aplicar alguno de sus conocimientos a los mercados financieros / series temporales / activos antes.

Ese puente / brecha, en mi humilde opinión, es mucho más difícil de superar que aprender los conjuntos de herramientas requeridos para estudiar e investigar los mercados financieros. Además, muchos de esos candidatos carecen de un pensamiento comercial, creen que se les paga para hacer investigación como los tipos de Bell Labs de los años 60/70. El ciclo de vida de lo que funciona y no funciona en las finanzas es mucho más corto que en otras disciplinas y eso es algo muy difícil de enseñar y inculcar en un doctorado que llega con una arrogancia algo académica, pensando que puede conquistar el mundo. Personalmente he conocido a innumerables traders de universidades de las que apenas había oído hablar, mientras que casi nunca me he cruzado (personalmente) con alguien con un título avanzado altamente especializado de una universidad superior que venciera al resto del grupo.

En resumen, creo que eso es lo que tu representante pudo haber querido decir y referirse. Conocer la herramienta teórica es una cosa, aplicarlas a las finanzas y extraer alpha requiere un conocimiento mucho más amplio y es algo completamente diferente.

Answer 3

Estoy convirtiendo mi comentario en una respuesta porque, según puedo entender de tu pregunta, es una explicación basada en la experiencia "del mundo real" con los gerentes....

Lo que he descubierto, al escribir software de análisis, es que muchos analistas "abusar" de las estadísticas para formar conclusiones inválidas. Presumo que cuando estadísticos capacitados (o algoritmos bien publicados) no están de acuerdo con sus conclusiones, los gerentes asumen que sus métodos son demasiado avanzados... cuando, en realidad, son simplemente falaces.

Mi teoría es que muchos gerentes han evitado traer matemáticos avanzados porque no quieren que las matemáticas aplicadas expongan cuánto riesgo están asumiendo. Prefieren simplemente llamarlo alfa.