Algo Trading Month 1

Stats普普通通 明白concept 就得。至少research paper 提及到，你明係乜 就得。你唔洗精到 識得解難，因為無金錢價值。你點精理論ML，都唔夠Berkeyley Lab啲researchers鬥

我地依啲凡人唔洗精通 理論ML，我地識得點應用就得。

我自己黎黎去去 玩algo trade，都係得2條橋。

1. 搵更多data，之後將raw data transform 成唔同data

2. 將幾個ML模型 合併成一個

謝謝師兄

俾左個like 你！

自己有少少研究，但唔多識。

想問Machine Learning / Deep Learning Models 對炒股係咪真係有咁大幫助？

以我理解，去驗證一個strategy係需要大量既data/trades，而正路諗根據Central Limit Theorem 就最少要1000個data point，就好似選舉民調咁，同埋每年只係得252個交易日，換言之需要4年每日都有trade 先驗證到。延伸落去，咁頻密買入賣出，同day trade 差唔多，炒唔炒到大錢？ML DL好似唔可多可行。

Algo trade 成功炒到大既應該得2類:
1. market making / high frequency trading (eg Virtur, Citadel, Jane Street)
2. 用algo trade 既工具去研究市場/配合fundamental (eg bridgewater)

第一類，我哋常人programming/配套/佣金 應該永遠都比唔上佢哋
第二類，應該唔太需要ML/DL？除非你用黎predict 失業率，再應用去炒股

Btw, 想知道點解Jane Street 用OCaml 去可以比得上人哋用C++


利申 唔識亂噏，大家討論下

Machine Learning係must。但DL唔可以直接黎預測價格，除非你用DL訓練電腦 分析農業衛星圖片，從而預測農作物產量，從而預測農產品期貨價格。

或者DL訓練 電腦分辨油輪，從而count有幾多艘，去知道油供應量，黎預測 油價格。

Central limit theorem係base on p-value。因為sample size去到某個點，p-value 就會touch到0.05/0.01。 但其實沒用，即使1000個data 量都唔夠，因為你可能係p-hacking緊。一般10年-30年 insample daily data先夠robust。更多資訊，可以睇下面張圖。



https://www.winton.com/research/experiment-and-observation-in-quantitative-investment-management

Market making 普通人都可以做到。但愈大粒既product，愈沒可能。可能你focus起 新興市場，可能得。例如：印度、波蘭、南非….等市場

簡單來講
信frequentist 不如信bayesian

唔可以咁理解。 應該兩種方法都採用

樓豬第二個月了，有無更新

我心中algo trade認為正確嘅方向係檢查有冇arbitrage 而唔係用d ml 去blackbox model time series

咁你睇個到有冇arbitrage機會，都係要靠ML要搵。