10 Gründe, warum Quant-Strategien für Krypto fehlschlagen

Free Bitcoins: FreeBitcoin | BonusBitcoin

Coins Kaufen: Bitcoin.deAnycoinDirektCoinbaseCoinMama (mit Kreditkarte)Paxfull

Handelsplätze / Börsen: Bitcoin.de | KuCoinBinanceBitMexBitpandaeToro

Lending / Zinsen erhalten: Celsius NetworkCoinlend (Bot)

Cloud Mining: HashflareGenesis MiningIQ Mining


Jesus Rodriguez ist der CEO von IntoTheBlock, einer Market-Intelligence-Plattform für Krypto-Assets. Er hatte Führungspositionen bei großen Technologieunternehmen und Hedgefonds inne. Er ist aktiver Investor, Redner, Autor und Gastdozent an der Columbia University in New York.

Die Begriffe "Krypto" und "Quant" scheinen perfekt zusammen zu passen. Bitcoin- und Krypto-Assets wurden in einer der aufregendsten Zeiten auf den Kapitalmärkten geboren, die mit der goldenen Ära der quantitativen Finanzierung zusammenfielen. Die technologische Beschleunigung, die durch Bewegungen wie Cloud Computing und Big Data zusammen mit der Renaissance des maschinellen Lernens verursacht wurde, ist zusammengestoßen und hat den perfekten Sturm zugunsten der quantitativen Revolution ausgelöst. Jedes Jahr wechseln Milliarden von Dollar die Hände von diskretionären Mitteln in Quant-Fahrzeuge, und die Wall Street kann Mathematiker und Experten für maschinelles Lernen nicht schnell genug einstellen.

Als vollständig digitale Anlageklasse scheint Krypto das perfekte Ziel für Quant-Modelle zu sein. Dennoch bleiben Quant-Strategien auf relativ einfache Techniken wie statistische Arbitrage beschränkt (eine Paarhandelsstrategie, die Marktineffizienzen bei einem Wertpapierpaar ausnutzen soll), und wir haben immer noch keine großen dominanten Quant-Desks auf dem Markt gesehen. Trotz der attraktiven Eigenschaften von Krypto-Assets für Quant-Strategien stellt Krypto die Quant-Modelle vor einzigartige Herausforderungen, und die Realität ist, dass die meisten Quant-Strategien in Krypto fehlschlagen. In diesem Artikel möchte ich einige der grundlegenden, aber nicht offensichtlichen Gründe untersuchen, die zum Scheitern der meisten Quant-Strategien im Kryptoraum führen können.

Siehe auch: Jesus Rodriguez – Krypto braucht keine Angst vor GPT-3. Es sollte es umarmen

Mit der Behauptung, dass die meisten Quant-Strategien in Krypto fehlschlagen, beziehe ich mich hauptsächlich auf Strategien für maschinelles Lernen. Statistische Arbitrage hat sich als wirksamer Mechanismus zur Entwicklung algorithmischer Strategien erwiesen. Wir sollten jedoch erwarten, dass diese Möglichkeiten mit zunehmender Größe und Effizienz des Marktes verschwinden. Auf den traditionellen Kapitalmärkten haben wir eine Explosion bei der Implementierung von auf maschinellem Lernen basierenden Quantmodellen erlebt, und die Forschung im Weltraum wächst exponentiell.

Die meisten der auf den traditionellen Kapitalmärkten als wirksam erwiesenen Quant-Strategien funktionieren jedoch wahrscheinlich nicht so gut, wenn sie auf Krypto-Assets angewendet werden. Basierend auf einigen unserer jüngsten Erfahrungen bei IntoTheBlock mit Vorhersagemodellen und Quant-Strategien habe ich einige der Faktoren aufgelistet, von denen ich glaube, dass sie zum Versagen von Quant-Modellen für Krypto-Assets führen können.

1. Kleine Datensätze

Viele der auf maschinellem Lernen basierenden Quant-Strategien, die Sie in Forschungsarbeiten finden, basieren auf jahrzehntelangen Daten von Kapitalmärkten. Die Handelshistorie der meisten Krypto-Assets kann in Monaten gezählt werden, und selbst für Fahrzeuge wie Bitcoin und Ethereum bleiben die Datensätze relativ klein. Vielen Modellen des maschinellen Lernens wird es schwer fallen, das Wissen aus solch kleinen Datensätzen zu verallgemeinern. Nehmen wir an, Sie versuchen, ein Vorhersagemodell für den Preis eines Vermögenswerts wie ChainLink (LINK) zu erstellen, der in den letzten Tagen brandaktuell war. Es stellt sich heraus, dass LINK eine sehr kleine Handelshistorie hat, die nicht ausreicht, um die meisten Modelle des maschinellen Lernens in Quant Finance zu trainieren.

2. Regelmäßige Ausreißerereignisse

Obwohl die Begriffe "normal" und "Ausreißer" nicht im selben Satz verwendet werden sollten, kann ich mir keinen besseren Begriff vorstellen, um zu beschreiben, was wir in Krypto-Assets erleben. Massive Preisabstürze oder plötzliche Spitzen, die innerhalb weniger Stunden die Dynamik eines Krypto-Assets verändern. Diese "Ausreißer" -Ereignisse treten bei vielen Krypto-Assets ziemlich häufig auf.

Aus Sicht des maschinellen Lernens werden die meisten Modelle sein verwirrt mit diesen Preisbewegungen, da sie während des Trainings nichts Ähnliches gesehen haben. Es ist nicht verwunderlich, dass viele Quant-Modelle für maschinelles Lernen während des Flash-Crashs Mitte März dezimiert wurden oder den plötzlichen Anstieg der Volatilität der letzten Wochen nicht nutzen konnten. Es ist schwierig, während des Trainings des Modells Wissen für diese Art von Ereignissen zu erfassen.

3. Neigung zur Überanpassung

Ein Nebeneffekt der kleinen Marktdatensätze in Krypto-Assets ist die Neigung der meisten Quantmodelle für maschinelles Lernen, sich anzupassen oder „für den Trainingsdatensatz zu optimieren“. Wir sehen ständig Quant-Modelle, die beim Backtesting unglaublich gut abschneiden, nur um unter realen Marktbedingungen zu scheitern.

4. Das regelmäßige Umschulungsdilemma

Denken Sie an dieses Szenario: Sie haben ein Vorhersagemodell erstellt, das auf einigen Jahren der Bitcoin-Handelsgeschichte trainiert wurde. Dann erleben Sie Wochen ohne Volatilität, gefolgt von einigen verrückten volatilen Tagen (nicht, dass dies jemals zuvor passiert ist). Sie möchten das Modell neu trainieren, um dieses Wissen zu erfassen, aber wie? Wenn Sie das Modell einfach in den neuesten Daten neu trainieren, besteht eine hohe Wahrscheinlichkeit einer Überanpassung. Wenn Sie warten, ist das Wissen möglicherweise nicht mehr relevant.

Talent ist ein sehr wichtiger und oft übersehener Aspekt, um die Quantinvestition als Disziplin im Kryptoraum zu steigern.

Dieses Umschulungsdilemma ist eine direkte Folge des Phänomens „regelmäßige Ausreißerereignisse“. Wenn Sie ein Modell in einem Datensatz aus den letzten 10 Jahren des S & P 500 trainieren, können Sie eine Strategie entwerfen, um das Modell regelmäßig neu zu trainieren, da es unwahrscheinlich ist, dass der Index in kurzen Zeiträumen zu stark von seinem traditionellen Verhalten abweicht. Diese regelmäßige Umschulung von Modellen, die in traditionellen Quant-Strategien gut übernommen wurde, geht in Bezug auf Krypto aus dem Fenster.

5. Datenqualität und Zuverlässigkeit

Einer der größten Nachteile beim Entwerfen von Quant-Modellen für maschinelles Lernen für Krypto-Assets ist die schlechte Qualität und Zuverlässigkeit von Datensätzen. Es ist kein Geheimnis, dass viele Exchange Orderbuch-Datensätze voller Datensätze sind, die auf gefälschte Volumina, Waschgeschäfte oder Spoofing-Verhalten hinweisen. Das Training eines maschinellen Lernmodells unter Verwendung dieser Datensätze führt offensichtlich nicht zu relevanten Ergebnissen. Darüber hinaus hören wir fast jede Woche von Exchange-APIs, die ausfallen und stundenlang heruntergefahren werden. Wann haben Sie das letzte Mal von einem Absturz der Nasdaq-API gehört? Es passiert definitiv, aber nicht so häufig. Diese mangelnde Zuverlässigkeit kann die Genauigkeit der robustesten Quantenmodelle beeinträchtigen.

6. Anonyme Blockchain-Datensätze

Blockchain-Datensätze bleiben eine der reichsten Alpha-Quellen für Quant-Strategien im Kryptoraum. Die Anonymität von Blockchain-Datensätzen macht es jedoch sehr schwierig, aussagekräftige Quantmodelle zu entwerfen. Nehmen wir zum Beispiel an, dass eines der Merkmale einer Quant-Strategie die Adressanzahl in der Ethereum-Blockchain nutzt. Nun, Adressen, die Teil des Austauschs sind, unterscheiden sich grundlegend von den Adressen einzelner Geldbörsen und von den Adressen der Bergleute. Das Beschriften von Blockchain-Datensätzen ist wichtig, um aussagekräftige Quant-Modelle auf der Basis von Blockchain-Datensätzen zu entwerfen. Leider befinden sich diese Bemühungen noch in einem sehr frühen Stadium.

7. Faktorstrategien aus dem Fenster

Faktormodelle standen in den letzten zwei Jahrzehnten im Mittelpunkt einiger der erfolgreichsten Quant-Strategien. Ganze Megafonds wie AQR wurden auf dem Versprechen aufgebaut, Quant-Strategien für Faktorinvestitionen zu entwickeln. Von den ursprünglichen Faktoren wie Wert, Dynamik oder Qualität sind Faktorstrategien auf Hunderte von Faktoren angewachsen, die relevante Verhaltensweisen in finanziellen Anlageklassen modellieren.

Zumindest bis heute haben sich die meisten Faktorstrategien im Zusammenhang mit Krypto-Assets als unwirksam erwiesen. Wenn es um Krypto geht, sind Faktoren wie Wert und Qualität nicht klar definiert, und das Verhalten anderer wie der Impuls widerspricht herkömmlichen Mustern. Dies führt dazu, dass viele Krypto-Quant-Desks mehrere Stunden damit verbringen, faktorbasierte Strategien neu zu erstellen, deren Ausführung im Krypto-Bereich höchst unwahrscheinlich ist.

8. Einfacher Modellfehler

Das Feld der quantitativen Finanzierung tendiert schnell zu großen und komplexen Modellen, die regelmäßig einfachere und spezialisiertere Modelle übertreffen. Dieser Trend spiegelt wider, was im gesamten Bereich des maschinellen Lernens passiert. Das Aufkommen des tiefen Lernens hat uns gezeigt, dass es möglich ist, hochkomplexe neuronale Netze zu schaffen, die Wissen auf undenkbarste Weise erwerben.

Fonds wie TwoSigma und WorldQuant treiben die Deep-Learning-Forschung aktiv voran und integrieren Ideen aus den KI-Labors von Technologiegiganten wie Google, Microsoft oder Facebook. In der Welt der Krypto basieren die meisten Quant-Strategien jedoch immer noch auf sehr grundlegenden Paradigmen des maschinellen Lernens wie linearer Regression oder Entscheidungsbäumen.

Einfachere Modelle sind zweifellos attraktiv, da sie leicht zu verstehen sind, aber es kann schwierig sein, Wissen aus einer komplexen Umgebung wie den Kryptomärkten zu verallgemeinern. Als maschinelle Lernumgebung kombiniert Crypto die Komplexität eines Finanzmarkts mit den Ineffizienzen und Unsicherheiten einer neuen Anlageklasse. Auf jeden Fall nicht die beste Lösung für einfache Quant-Strategien.

9. Grundlegende quantitative Infrastrukturen

Ergänzend zum vorherigen Punkt sind die meisten quantitativen Infrastrukturen im Kryptoraum relativ jung. Eine robuste Quant-Infrastruktur geht über gute Strategien hinaus und umfasst Elemente wie Risikomanagement, Backtesting, Portfoliomanagement, Strategieumsetzung, Fehlerbehebung und viele andere. Im Kryptoraum bleibt die quantitative Infrastruktur der meisten Hedge-Fonds relativ einfach, was es schwierig macht, bestimmte Arten von Strategien zu betreiben.

Siehe auch: Jesus Rodriguez – Mythen und Realitäten: Stimmungsanalyse für Krypto-Assets

Angenommen, Sie haben eine schöne Deep-Learning-Quant-Strategie entwickelt, die den Preis von Bitcoin basierend auf Blockchain-Datensätzen prognostiziert. Um diese Strategie umzusetzen, würde ein Fonds eine Infrastruktur benötigen, die regelmäßig Blockchain-Datensätze sammelt, über die Computerinfrastruktur verfügt, um Deep-Learning-Modelle auszuführen, das entsprechende Umschulungswerkzeug usw.

Die heutige Technologie hat sicherlich den Zeit- und Kostenaufwand für den Aufbau einer quantitativen Infrastruktur zum Ausführen von Modellen für maschinelles Lernen reduziert, aber Quant Desks bleiben im Vergleich zu denen, die auf traditionellen Kapitalmärkten tätig sind, relativ einfach.

10. Verfügbarkeit von Talenten

Ich habe den umstrittensten Punkt bis zum Ende belassen. Als Finanzmarkt kann Crypto immer noch keine Top-Quant-Talente mit einschlägiger Erfahrung auf den traditionellen Kapitalmärkten anziehen. Wir beschäftigen uns immer noch mit unglaublich komplexen Problemen wie der Prognose des Verhaltens einer Anlageklasse mit relativ einfachen Modellen, grundlegender Infrastruktur und schlechten Prozessen. Talent ist ein sehr wichtiger und oft übersehener Aspekt, um die Quantinvestition als Disziplin im Kryptoraum zu steigern. Es gibt unglaublich talentierte Quantenteams in Crypto, aber sie sind die Ausnahme, nicht die Regel.

Dies sind einige Punkte, die dazu führen könnten, dass wir über den aktuellen Stand der quantitativen Investitionen in den Kryptoraum nachdenken. Crypto ist eine ideale Anlageklasse für Quant-Strategien, und auf lange Sicht sollten Quant-Fonds das dominierende Anlageinstrument in Crypto sein. Der Weg beinhaltet viele Herausforderungen, aber auch faszinierende Möglichkeiten.

Offenlegung

CoinDesk ist führend in Blockchain-Nachrichten und ein Medienunternehmen, das nach höchsten journalistischen Standards strebt und strenge redaktionelle Richtlinien einhält. CoinDesk ist eine unabhängige operative Tochtergesellschaft der Digital Currency Group, die in Kryptowährungen und Blockchain-Startups investiert.

Free Bitcoins: FreeBitcoin | BonusBitcoin

Coins Kaufen: Bitcoin.deAnycoinDirektCoinbaseCoinMama (mit Kreditkarte)Paxfull

Handelsplätze / Börsen: Bitcoin.de | KuCoinBinanceBitMexBitpandaeToro

Lending / Zinsen erhalten: Celsius NetworkCoinlend (Bot)

Cloud Mining: HashflareGenesis MiningIQ Mining

By continuing to use the site, you agree to the use of cookies. more information

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close