Trading Matemáticas

En defensa de un enfoque cuantitativo de los mercados financieros Tengo la sensación de que hay algo sutil error aún extendido sobre la investigación basada en datos de los mercados financieros y tomaré este artículo: Seeking Alpha Not Even Wrong: Predicciones Mercado minadas-Data ¿Por qué son más que inútiles por Justicia Litle (también aparece en su página web: Mercenary Comerciante) como punto de partida para la discusión. El propio artículo nace como una diatriba en contra de este artículo en Yahoo Finanzas: ¿Por qué aburrido es alcista. que infiere una posibilidad del 89% de la acción alcista en el SP basado en una muestra de 18 casos anteriores en los que tuvimos bajo volumen similar al de ahora. Ahora, me dejó claramente dice que el artículo Yahoo es indefendible por un número de razones en mi opinión (por mencionar algunos: demasiado pequeño tamaño de la muestra, sin análisis de robustez, no se menciona el número de ensayos que se ejecutan), lo que en este Estoy de acuerdo con el Sr. Litle. Sin embargo el Sr. Litle va más allá y explica por qué los mercados de renta variable no puede ser aburrido en este momento: La trayectoria potencial de los mercados de renta variable se ve afectada directamente por la trayectoria de la deuda y de divisas mercados (que son lo contrario de aburrido ahora). [] La calma antes de la tormenta aburrido, tal vez. Llanura vieja aburrida aburrido? Ah, no. [] y, finalmente, se mueve a sus críticos con la minería de datos en los mercados financieros en general: Los mercados están lejos de ser simple. De hecho, son muy complejos. Como tal, las predicciones basadas en la extracción de datos de una sola variable histórica o patrón de la observación sola palmitas son casi siempre peor que inútil porque ignoran una confluencia núcleo de factores. [] Cuando se trata de predecir las futuras salidas de los sistemas complejos, prácticamente todas las formas de pensamiento estadístico de una sola variable son defectuosos. [] La única manera de evitar ser engañado por los datos falsos o pensamiento superficial es poner de esfuerzo real a entender verdaderamente lo que impulsa a los mercados y por qué ... y una vez que usted tiene que entender que usted no necesita cereza recoger o la mía datos porque usted tiene algo mejor: La capacidad de evaluar una confluencia de factores clave en el presente, como impactando importantes relaciones de mercado aquí y ahora. Ahora, si bien estoy de acuerdo en que los mercados financieros son muy complejos y que es muy fácil de engañar, creo que estas declaraciones sobre la minería de datos son un poco demasiado genérico. El uso de una sola variable histórica o teniendo en cuenta la influencia de múltiples factores dice absolutamente nada por sí mismo de lo bien que una predicción es (y con la predicción que se refiere a cualquier tipo de inferencia estadística sobre el futuro). En general, para poder hacer una predicción con algún valor que uno tiene que identificar ciertas características (variables) que combinados de cierta manera tienen algún poder predictivo sobre eventos futuros. Esto es cierto para cualquier campo y para cualquier método de predicción, ya sea AI o razonamiento humano. La parte difícil, por supuesto, es encontrar estas características y la combinación de ellos. En cuanto a las cosas de esta manera, el autor del artículo Yahoo acaba de afirmar que (una cierta definición de) de bajo nivel de volatilidad tiene cierto poder explicativo sobre los rendimientos futuros. Lo que el señor Litle está respondiendo es que los mercados de política monetaria, de deuda y de divisas en vez mejores características de uso, basado en su experiencia y visión del mundo. ¿Es esto realmente tan diferente de la minería de datos bien hecho? La gran pregunta es si la comprensión de las causas de ciertas dinámicas de mercado es un factor clave en la toma de ellas predecibles hasta cierto punto (nótese las comillas en la comprensión). Yo no creo que este sea el caso. Para hacer un paralelismo con el mundo de la física, los físicos ciertamente dont siempre entender por qué ciertas cosas siguen una determinada ley. Más bien que observan una conducta determinada y tratan de describirlo. Si a lo largo del camino que puedan encontrar algún tipo de explicación para ello, mejor. Pero siempre habrá un adicional de por qué lo que requiere una respuesta (por qué las manzanas caen hacia el suelo - & gt;? Gravedad - & gt; ¿por qué existe la gravedad - & gt;? La relatividad - & gt; etc). Por supuesto, una diferencia clave con la física es que los mercados financieros no se pueden describir en su totalidad por las ecuaciones, siendo los resultados de las complejas interacciones de miles de millones de personas. Desde un punto de vista práctico, esto significa que con un enfoque impulsado por los datos que tenemos que poner mucha más atención en el desarrollo de un marco para evaluar el poder predictivo real de cualquier modelo, que también apenas trabajar para siempre. Pero las dificultades similares se aplican a cualquier tipo de comercio discrecional. El mismo hecho de que hay muchos factores en juego (y por lo tanto, tanto ruido) hace que sea difícil para nuestro cerebro para analizar la situación objetivamente, y seguramente los muchos sesgos cognitivos que nos afectan dont ayuda. Así que nuestra comprensión de las causas de los movimientos del mercado realmente no puedo ir tan lejos. Por ejemplo. podríamos entender que existe una cierta ineficiencia debido a algunas instituciones que operan bajo algunas restricciones, pero suele saber cuánto tiempo estas restricciones se mantendrán en su lugar, o cuando algunos competidores tomarán en esta ineficiencia reducir nuestro margen de beneficio o incluso haciendo que los mercados se comporten de de una manera totalmente impredecible. Con esto no quiero decir que el uso de un margen de apreciación no tiene sentido y no estoy tratando de argumentar que hay un lugar para ambos en el comercio y no veo el dualismo aquí. (Bien hecho) la investigación pura basada en datos y puro macro / plomo investigación discrecional de dos conjuntos diferentes de las oportunidades que también pueden solaparse en algunas situaciones. Probablemente trading discrecional puede ser más sensible a los cambios en la dinámica del mercado, mientras que un enfoque basado en datos podría tener su fuerza en la portabilidad de las operaciones a diferentes mercados y en la forma en que es cuantificable. Y en cualquier caso, creo firmemente que cualquier análisis basado en datos sólo es tan bueno como el pensamiento que ponemos en él, y así mismo cualquier tipo de comercio discrecional sólo puede beneficiarse de la utilización de un análisis cuantitativo. Para comentar un último punto planteado por el Sr. Litle: Sin embargo, nos pasamos casi cero tiempo de minería de datos, que no tenga interés en las declaraciones como en los últimos X años, el SP hizo este porcentaje X de la época. ¿Por qué este cambio? Debido a que los mercados son un complejo mar de remolino y las variables entrelazadas y son los conductores históricos y relaciones cualitativas de causa-efecto son los que tienen un valor duradero. No es la salida de una hoja de cálculo que importa la cereza basado en patrones recoger carente de idea de lo creado los resultados, pero las relaciones cualitativas verdaderamente atribuibles a la causalidad conjunta de varios resultados, sobre una base de caso por caso, con una muy grande guiño a la historia y el contexto. Estoy de acuerdo en que lo que importa es, en efecto encontrar algunas relaciones que tienen poder predictivo real sobre el futuro. Pero, ¿cómo se encuentran estas relaciones es un asunto complejo y uno tiene que cavar en los detalles de cada caso para determinar si el análisis tiene algún valor, porque en general la salida de una hoja de cálculo puede ser tan bueno o tan malo como cualquier relación cualitativos uno puede pensar de sujetar. Algoritmos de correspondencia Orden En los mercados de hoy dominados por algos de alta frecuencia, sala de ganancias para la no-HF (y lo más importante, no HF conscientes) chicos se redujo en términos generales. El impacto en el rendimiento proporcional de HF es probable que sea más grande es el más pequeño es su comercio medio y más corto el período de tenencia. Sin embargo, en mi experiencia, esto no tiene que ser necesario el caso: en pocas palabras, como en cualquier negocio que tiene que adaptarse a los competidores y en este caso una forma de hacerlo es a prestar más atención y mejorar el lado ejecución de su comercio . Esto no siempre es fácilmente factible (véase el fraude Marca de tiempo reportado por Zerohedge), pero hay algunos frutos maduros que pueden ser recogidos como primer paso. Si esta afirmación puede sonar un poco vaga para usted, tengo un ejemplo basado en mi experiencia que la sustenta y que creo que podría ser útil a los demás (aunque espero no tener demasiado de un impacto en mis estrategias). Si bien todos mis modelos están totalmente automatizados, todavía me gusta mirar a los mercados y sobre todo en los libros de pedidos cuando se ejecutan mis órdenes. Algo que me di cuenta hace mucho tiempo cuando el comercio 30Y Los futuros de los bonos fue que cada vez que se ejecutó a mis órdenes de límite, yo estaba inmediatamente en una pérdida. Lo que esto significa se explica mejor con un ejemplo. Decir que tuvimos una cartera de pedidos que se veía así: y que mi orden limitada de venta se incluye en los 750 134.6. Siempre que fue ejecutado, la mitad de precio sería luego pasar inmediatamente contra mí, y el libro sería entonces algo como esto: Básicamente lo que ocurría era que mi pedido fue siempre uno de los últimos en ser ejecutado, por lo que el simple hecho de que se llenó significaba que no había más ofertas (licitaciones) a mi nivel, y la mejor oferta y demanda se moverían hacia arriba ( hacia abajo) un tick. Una investigación rápida en el sitio web de CME reveló que la causa de esto era el tipo de orden correspondiente algo siendo utilizado por el intercambio. primero en entrar, primero en salir (FIFO) algo. ¿Qué es un algoritmo de coincidencia? Un algoritmo de coincidencia es una técnica para asignar cantidades coincidentes, que se utiliza cuando una orden agresor coincide con uno o varios pedidos de descanso. Los algoritmos se aplican tanto a juego de plano y implícita. En el sitio web Rajeev Ranjans se puede encontrar una introducción más profunda de pedido algoritmos de correspondencia (así como otros recursos en HFT comercio / algo). En el ejemplo anterior, mi modelo de comercio recibió instrucciones para enviar la orden limitada sólo cuando el precio era lo suficientemente cerca de mi nivel deseado, que siempre me hizo uno de los últimos en unirse a la cola y por lo tanto uno de los últimos en ser llenado, de acuerdo al paradigma FIFO. En términos prácticos, lo que esto significaba era que siempre fue ejecutado en el peor de los escenarios posibles, es decir, cuando el precio continuará en la dirección opuesta de mi pedido, y al mismo tiempo nunca fue ejecutado en los mejores escenarios, es decir cuando el precio tocaría mi nivel y luego revertir de nuevo en mi favor. Como se puede imaginar, una solución sencilla para mí era enviar mis órdenes límite (cuando se opere bajo FIFO algos juego) lo antes posible, pero en términos generales, esta observación puede sugerir diferentes cosas para diferentes personas. Por el día los comerciantes que no están negociando de forma automatizada, que operan bajo algoritmos de correspondencia FIFO menudo podría significar el aumento de los máximos de ejecución adversa por un tick (que puede ser bastante, dependiendo de lo que uno está haciendo), a menos que uno es capaz de jugar alrededor. Al igual que en este caso, hay otras situaciones en las que el algo coincidente orden en el uso y oficios de ejecución, en general, puede llegar a ser tan importante como las estrategias / ideas mismas comerciales. Otro ejemplo de hacer un buen uso de algoritmos de correspondencia de orden podría ser el de un comerciante que opera bajo un algoritmo de coincidencia prorrateada. típico de eurodólares (IR) de futuros. Si realmente quieres un relleno de X lotes, usted podría enviar una orden que es algo más grande que X con la cantidad adicional de ser dictada por la agresividad que deseas / necesidad de ser y tratar una vez lleno de cancelar los lotes restantes (Exención de responsabilidad: de Por supuesto al hacer esto usted está arriesgando activamente de ser rellenado todos los lotes, así que no tome mi palabra en esto de ser una buena práctica y hacerlo a su propio riesgo). Por supuesto prestando atención al algoritmo de coincidencia es sólo arañando la superficie del mundo de alta frecuencia. pero yo creo que en algunas situaciones su un rasguño fácil de hacer y que podría añadir directamente algún valor. Para terminar este post, permítanme decir claramente que para lo bueno de nuestro simulador de mercado es, oficios ejecución siempre puedo ser modelado de antemano. Esto no significa que debemos dejar de tratar de hacer simulaciones como realista (y un tanto conservador) como sea posible, por ejemplo, en términos de rellenos y deslizamiento (heres un buen puesto en lo que es el deslizamiento por el Prof. Tucker Balch). Más bien, deberíamos recordar que no existe un sustituto real para personal primera observación mano y la interacción con el mundo. En definitiva, que no deberia realmente una sorpresa que la simple observación es una herramienta poderosa, siendo que el primer paso del método científico. La selección de características en algoritmos de negociación Últimamente he estado buscando una manera más sistemática para moverte sobreajuste y en mi búsqueda me pareció útil para pedir prestado algunas técnicas del campo de aprendizaje automático. Si se piensa en ello, un algoritmo de negociación es sólo una forma de IA aplicada a la serie de precios. Esta declaración, aunque posiblemente obvio, nos pone en la posición de aplicar una serie de técnicas de aprendizaje automático a nuestro diseño de estrategias comerciales. Ampliando lo discutido aquí (y aquí), parece intuitivo que las más características en un modelo, más en general el modelo podrían ser objeto de sobreajuste. Este problema se conoce como el sesgo de varianza-trade-off y por lo general se resume en el gráfico de la derecha. A medida que aumenta la complejidad, el rendimiento en el entrenamiento fijado aumentos, mientras que degrada poder de predicción ¿Cuál es, posiblemente, menos intuitivo es que las características específicas utilizadas en relación con la dinámica de predecir juegan un papel clave en la determinación de si estamos sobreajuste datos del pasado. de manera que el comportamiento de error mostró en el gráfico es sólo una generalización. Algo particularmente interesante es que el uso de la misma función (por ejemplo, en la solicitud de un indicador, un beneficio de adquirir o detener mecanismo de pérdida, etc) puede o no causar sobreajuste de acuerdo a la dinámica que estamos tratando de encajar. La razón detrás de esto es que algunos fenómenos (o algunas veces incluso variantes del mismo fenómeno) simplemente no puedo ser descrito por algunas características. Como ejemplo, imagine que usted está tratando de predecir las futuras ventas de una tienda de ropa deportiva en Australia. Una buena característica de utilizar podría ser la época del año, como (por ejemplo) los australianos están particularmente interesados ​​en los deportes de agua y así primaveras y veranos tienden a mostrar las mejores ventas para el año. Ahora imagine tratar de pronosticar las futuras ventas de una tienda de ropa deportiva similares situada en algún lugar de los EE. UU.. Podría darse el caso de que los ciudadanos estadounidenses no tienen una preferencia por una estación en particular, como en el verano se practican deportes acuáticos y en el invierno se van a esquiar. En este nuevo escenario, un modelo que utiliza la estación del año como una característica es más probable que resulte en un modelo overfitted debido a las diferentes dinámicas subyacentes. Volver a los mercados financieros, un ejemplo de esto podría ser la forma de un mecanismo de stop loss tiende a ser (en términos generales y según mi experiencia) una buena característica para las estrategias de seguimiento de tendencias, pero no para las estrategias de medio-reversión (y viceversa para el objetivo de beneficio órdenes). Una posible explicación de esto podría ser que las tendencias están bien descritas por la ausencia de movimientos adversos grandes, pero su extensión total no puedo ser conocidas de antemano (pero esto es sólo yo tratando de racionalizar mis hallazgos empíricos). Así que, ¿cómo se entiende qué características son buenos candidatos? Por suerte para nosotros, hay un montón de técnicas desarrolladas en el campo de aprendizaje automático para operar la función de selección. Recomiendo el papel siguiente 2003 para una visión general de los métodos: Una introducción a la selección de variables y la función de Isabelle Guyon. Cualquier texto de Aprendizaje Automático también debe cubrir algunas de las técnicas, como lo hace la clase Stanfords Machine Learning excepcional en Coursera Cualquier otra recomendación lectores (o comentario) es por supuesto muy bienvenidos. Estimadores de rendimiento recortadas Este es un rápido seguimiento en mi post anterior sobre la normalización cuantil. En lugar de eliminar sólo la X cuantil superior de devoluciones / cotiza al optimizar un espacio parámetros strategys, mi enfoque reciente ha sido la de eliminar los superiores e inferiores cuantiles X, por lo que efectivamente utilizando una robusta estimador de resultados en lugar de la propia estimador recortado. Las ventajas son simétricos a los discutidos en el post anterior, siempre y cuando su backtest permite el modelado realista de la ejecución de las operaciones, por ejemplo si está utilizando órdenes de parada y barras comerciales (a diferencia de garrapatas de datos), es probable que desee añadir una cantidad de deslizamiento de alguna manera proporcional al tamaño de la barra (especificación necesaria porque un modelado conservadora de las órdenes de límite es más fácil de lograr) . Recorte de los peores rendimientos es especialmente útil en el caso de las estrategias que tienen grandes pérdidas individuales (como son las estrategias de medio-reversión de algún tipo por lo general), mientras que el recorte de los mejores rendimientos es más útil para las estrategias con grandes días positivos (por ejemplo, de seguimiento de tendencias estrategias) . Dos (de muchos) variantes posibles son: - Para Conservar autocorrelaciones de un strategys retornos, se podría decidir la eliminación de bloques de Operaciones / día, en lugar de oficios individuales / día (de forma similar a lo que uno hace cuando bootstrapping bloques de Operaciones / día). - Para Preservar el número de muestras en nuestros resultados en lugar de la eliminación de la parte superior (el peor) días, se podría reemplazarlos con los (perdiendo) días positivos promedio / mediana. Otra cosa a tener en cuenta es que si su medida de rendimiento hace uso de la desviación std (como el caso de Sharpe Ratio), el recorte de las colas de los rendimientos de su cálculo es probable que resulte en una sobreestimación de la actuación. Por último, aquí está el código Matlab: ----------- normalise_excess_pnl = 1; normalisation_quantile = 0,98; si normalise_excess_pnl best_daily_pnl = cuantil (pnl_daily, normalisation_quantile); worst_daily_pnl = cuantil (pnl_daily, 1-normalisation_quantile); pnl_daily (pnl_daily & gt; = best_daily_pnl) = []; Underfitting, misfitting y la comprensión de los conductores alphas Mientras sobreajuste es ciertamente un desafío, cayendo por el extremo opuesto es también una posibilidad. Informes parte de una entrevista de William Echkardt de la revista Futuros (que recomiendo leer en su totalidad a partir de aquí): Yo puedo hablar un poco más sobre el exceso de ajuste, si no mis técnicas propias personales. En primer lugar me gusta el [término] exceso de ajuste en lugar de ajuste de curvas, porque la curva de ajuste es un término del análisis de regresión no lineal. Es donde se tiene una gran cantidad de datos y usted va a acoplar los puntos de datos en alguna curva. Bueno, usted no está haciendo eso con los futuros. Técnicamente no hay ajuste de curvas aquí; el término no se aplica. Pero lo que puede hacer es que usted puede sobre-ajuste. La razón por la que me gusta el término sobre-ajuste en lugar de la curva de ajuste es que que usted también puede sobre-ajuste espectáculos bajo-fit. Las personas que no optimizan están bajo apropiado. Underfitting y misfitting Si estamos usando un número insuficiente de grados de libertad, por lo que nuestro sistema doesnt diferenciar entre algunos cambios importantes en el comportamiento de los mercados, entonces lo que estamos haciendo es underfitting. Un ejemplo trivial de underfitting podría ser comprar una acción aleatoria del universo social en un punto aleatorio en el tiempo y se mantiene durante un período de tiempo aleatorio. Otra posibilidad es que no estamos usando las variables correctas (o tenemos las variables adecuadas, pero estamos usando de una manera mala) le llaman a esta misfitting. Imagine un modelo sobre BTP italianos que se ve en el valor del petróleo y totalmente ignora el diferencial con el bono alemán (ahora, podría incluso haber alguna relación entre explotable BTP y Petróleo Crudo, tratando de hacer un punto). Claramente, lo que hace que un derecho variable para un modelo dado y un determinado activo es altamente discutible. De manera similar a lo dicho por sobreajuste, Creo que no nos podemos decir fácilmente en términos absolutos si un modelo es deficiente con underfitting o misfitting (a excepción de casos muy obvios). Más bien, me gusta razonar en términos de la posible existencia de una mejor especificación de los modelos que estamos ignorando, por ejemplo, podría ser un factor clave que nuestro modelo es particularmente sensible y que no estamos de contabilidad para (ya sea en términos del activo específico aplicamos el modelo o en términos de mercados dinámica actual). O podría ser el caso que estamos utilizando algunas variables que sólo están relacionados con el factor real, pero no son el conductor alfa real. Las técnicas para llevar a cabo este tipo de análisis incluyen PCA y análisis factorial. pero de acuerdo a lo que uno hace exactamente muchas otras técnicas cuantitativas se pueden aplicar (a un nivel de cartera, algo así como la agrupación de mercado presentado por David Varadi parece prometedora). Por supuesto (y por desgracia), tenemos que tener en cuenta que cuanto más trabajamos este tipo de análisis a posteriori, más probable es que vaya de un extremo (underfitting / misfitting) al otro (overfitting). Colas gruesas y el cambio de la dinámica del mercado En otra parte de la entrevista se mencionó anteriormente, el Sr. Echkardt relaciona estrictamente el número de grados de libertad para el número de operaciones en nuestra backtest, con el argumento de que se necesita más operaciones de las esperadas en un mundo de Gauss debido colas gruesas de mercados devoluciones. Aunque estoy de acuerdo con la relación cualitativa entre los grados de libertad y el número de negociaciones, no estoy seguro estoy de acuerdo con la estricta relación cuantitativa entre las dos variables. La razón de esto es doble: 1) No es siempre posible cuantificar con exactitud el número real de grados de libertad se utilice o cuánto retrospectiva estamos vertiendo en nuestro modelo (como se discutió en mi post anterior); 2) Creo que la grasa-colas es sólo parte de la historia. Otra parte importante son los cambios continuos que los mercados van artesa (bajo la forma de heteroscedasticidad pero no sólo). Imagínese que usted pruebe un modelo más de 2 años de datos, y que debido a que el modelo es un modelo de alta frecuencia relativamente (y por lo tanto produce un alto número de operaciones) cree que está guardando su auto de sobreajuste. Lo que podría estar haciendo caso es que después de haber probado el modelo a través de una ventana de tiempo relativamente corto, usted podría no has probado contra diferentes condiciones de mercado. Bien podría ser que hace 2,5 años los mercados eran algo diferente y su modelo era inútil, lo que implica que tan pronto como los mercados cambian de nuevo, perderá su ventaja. Un ejemplo podría ser un modelo que toma ventaja de algunos, sin saberlo, el comportamiento del mercado que nace de la Fed de ser retenida durante un periodo de tiempo tan largo. Esta es otra forma de sobreajuste si quieres, pero que no puedo ser explicada con sólo mirar el número de operaciones vs el número de modelos de parámetros. Debido a esto, Id siempre me gusta probar cualquier nueva estrategia en los datos históricos de la mayor cantidad posible. En cuanto a esto, estoy en desacuerdo parcial con el Dr. Chan, quien afirma que rara vez se pone a prueba las estrategias con datos de más de 2007 (leer más aquí: El pseudo-ciencia de la prueba de la hipótesis). Todas las demás cosas son iguales, me parece una estrategia que funcionó bien durante mucho tiempo a ser más propensos a trabajar en el futuro cercano de una estrategia que funcionó bien durante un breve historia (que no es en el sentido de que algo que comenzó a trabajar recientemente no puede seguir trabajando). Además, incluso si usted tiene algo que comenzó a trabajar hace poco, echar un vistazo a la forma en que se comportó cuando se dio realmente realice sin duda puede ofrecer algunas ideas interesantes sobre todo si no está seguro de lo que el conductor detrás de su alfa realmente es. Conductores Alphas Esto me lleva al punto final antes de concluir este largo post: ¿realmente tenemos que entender lo que nuestro modelo está haciendo y qué tipo de ineficiencia estamos explotando? Personalmente, creo que la comprensión de que el conductor subyacente de nuestra alfa es sin duda una gran ventaja, ya que le permite supervisar directamente el comportamiento del motor principal, que a su vez podría darle algunas ideas prácticas en tiempos difíciles. Sin embargo, esto no siempre es suficiente pensar en los fondos quant durante el 07-08 crisis: eran plenamente conscientes de que el conductor detrás de sus estrategias arb acciones de estadísticas, pero aún así quedó atrapado en las órdenes de los flujos y-liquidaciones forzosas. Otro ejemplo podría ser el golpe en marcha de LTCM. Moraleja de la historia es que siempre puede haber una capa adicional de complejidad no ser considerado, por lo que (en parte) la comprensión de nuestro conductor alfas podría no ofrecer cualquier alza adicional. Por lo tanto, aunque está bien yo no consideró necesario comprender el verdadero motor detrás de nuestro alfa siempre que nuestro análisis estadístico nos da la confianza suficiente para operar nuestra estrategia. Serie Schwagers Market Wizards presenta partidario de ambas partes, bajo los nombres de DE Shaw y Jaffray Woodriff. Puede leer más acerca de sus puntos de vista en la post William Huas en Adaptive Trader: Métodos Ensemble con Jaffray Woodriff. o echar un vistazo a este post QUSMAs para un ejemplo más en profundidad de enfoque Woodriffs: Hacer el Jaffray Woodriff cosa (un poco)