원래 제목: 나는 어떻게 내가 Tomorow에 시작해야 하는지 Quant

에 의해 원래: gemchanger, 설립자

번역, 댓글: Mr. Ryan Chi, insideers.bot

2026년에, 정량 거래는 각 상인을 위한 기초였습니다

지난 주 저는 홍콩의 인공 지능 협회 (@camo hku)가 나이의 돈을 찾는 방법을 공유하기 위해 초대되었습니다. 이 전체적인 가동에서 나의 가장 큰 이익은:

AI 연령 = 기술 패성의 나이

과거에, 정량은 작은 기관의 독점적 인 보존이었다. Numerous studios and even individuals are now related to create quantitative Strategy and reaping keeped gains. 다른 말에서는, 당신은 정량의 성격을 이해하지 않는 경우에, 당신은 시장에 있는 중대한 불리를 직면할 것입니다。

OpenClaw 오늘, 누구든지 정량화하여 돈을 벌 수 있습니다. 그러나이 두 개의 건물이 필요합니다。

첫째, 인프라@inindersdotbot에서 수행하려고하는 것은 에이전트 및 알고리즘 비즈니스 플랫폼을 통해 데이터베이스 및 기술로 데이터베이스 및 기술로 데이터베이스와 함께하는 것입니다. 공식 버전은 에이전트의 복근을 기반으로하며 이 생태의 일부가 될 것입니다。

둘째, 개인만큼 가장 중요한 것은 구조와 전략을 설계하는 능력입니다。전략은 100 % 정밀도가 필요하지 않지만 다른 사람들이 알지 못하는 큰 기회를 캡처 할 수있는 독특하고 숙련 된 것입니다。

당신은 자신의 전략을 가지고, 플러스 멋진 바닥 업 시설, 당신은 Vibe Coding의 힘과 부 자유에서 멀리하지 않습니다。

학습 전략과 건축의 경우 @gemchange ltd는 내가 본 적이있는 가장 완벽한 "양적 거래 지식지도"입니다. 그것은 스탬프로 예측 시장을 사용하고, 학습의 오른쪽 순서에 명확하게 top-heavy (quantitative trader/Quant)가되기 위해 필요한 퍼즐의 각 조각을 만듭니다。

그리고 그것을보고 한 후, 심지어 흰색, 당신은 양적 거래 시작 방법을 알고 당신에게 속한 전략을 설계하는 방법。

당신이 prognosis 상인이라면, 다음 당신이 읽을 필요가있는 기사입니다。

다른 자산의 딜러라면이 기사의 많은 아이디어가 일반적이며, 당신이 그것을 얻을 수 있는지 확실합니다。

텍스트는 매우 단단하고 학업입니다. 나는 많은 재쓰기 및 추가가 완료되었습니다. Polymark와 연락하여 어떤 수학 배경없이도. 나는 당신이 복잡한 수학에 대해 아무것도 모른다고 가정, 그것에 20 전체 중국 그래픽을 추가하고, 모든 개념을 깨기 위해 최고의 흰색 언어, 인기있는 아날로그 및 실용적인 예제를 사용합니다。

도박꾼이 아닌 긴 시간 동안 예측 시장에서 돈을 벌려면이 기사는 시작점입니다。

그런데이 기사는 에이전트를 최적화하기 위해 구조화되었습니다. Insiders.bot 플랫폼은 실제 사람들과 AI 상인을 최적화합니다. 그래서, 당신은 당신의 OpenClaw, Manus, Claude, 또는 어떤 AI에이 문서를 피드에 오신 것을 환영합니다, 즉시 양적 모델을 구축 시작。

Preamble : 거래 또는 도박입니까

자주 묻는 질문。

당신은 "트럼프가 선거를 승리"에 대한 Polymarket에 계약을 보았다 $ 0.52. 당신은 승리 할 가능성이 더 생각, 그리고 그것은 $ 520 YES의 1,000 주식을 구입。

당신은 거래를 생각한다. 그러나 실제로, 당신은 단지 도박이다나는 모른다. 당신은 그 질문에 대답하지 않았다:

당신은 어떻게 52%를 파악 했습니까

시장에서 다른 참가자보다 더 나은 정보 소스가 있습니까

:: 당신의 확률은 내일 뉴스가 있는 경우에 개정되어야 합니까

* 얼마나 많은 슬롯을 구입해야합니다 그래서 당신은 당신이 잘못되면 타격하지

이 질문은 감정에 의해 응답되지 않습니다. 그들은 수학이 필요합니다。

2025년에, 최고 양적 기업 (Jane Street, Citadel, HRT)를 위한 입장 수준 책임 급여는 년 당 $300K에서 $500K에 배열했습니다. AI 및 기계 학습을위한 금융 모집은 동일한 기간 동안 88 퍼센트로 증가했습니다. 이 회사는 mathematicians와 같습니다. 그것은 수학이 더 정확한 배란 모델을 통해 돈을 벌기 때문에。

Polymarket는 다른 한편으로는 양적 금융의 모든 핵심 개념이 완벽하게 통합되는 거래 시장이 될 것입니다Probability 이론, 정보 이론, 교정, 정수 계획모든 것。

제 I : Probability, Uncertainty 세계 언어

대부분의 사람들은 quantitative 거래에 대한 거대한 misunderstanding가 있습니다. 그들은 정량적 인 거래는 "주님의 선택"이며 그들은 무언가의 독특한 전망을 가지고 있다고 생각합니다。

이름 *。

거래의 성격의 정량 = Pure mathematics。

그리고 더 구체적으로, 당신이 찾고있는 것은:

:: 통계 relevance

:: 효과적인 가격

:: 구조상 이점。

이 장점은 시장이 인간 존재의 복잡한 시스템이기 때문에 존재합니다. 이는 항상 체계적인 실수를 만듭니다。

양적 금융의 세계에서, 모든 문제는 결국 하나의 질문에 줄일 수 있습니다 : 보상의 비율은 무엇이며이 비율의 이점은 무엇입니까

그래서, 당신은 확률의 성격을 이해해야합니다。

조건 생각: 절대 권리와 잘못 말하는 goodbye

의식 사람들이 생각, 절대 권리와 잘못. 한 가지가 발생하거나 그렇지 않습니다。

그러나 생각하는 방법은 조건입니다。

그들은 요청할 것 이다: 어떤 정보가 알려져 있을 때이 일이 발생의 likelihood

" 특정 정보를 아는 확률"은 조건의 확률입니다。

큰 흰색에서 : 새로운 큐를 얻을 때, 원래 확률로 무슨 일이

약간의 entanglement를 소리? Polymark에서 실제 예제를 찾고 있습니다。

특정 토큰이 오늘 증가하는 경우 "계약을 거래하고 있습니다." 역사적인 데이터는 매일 상승하는이 토큰의 확률이 60 %입니다. 그것은 기본 늦은. 그러나 동전의 거래의 양이 오늘 역사적인 평균을 초과하면 상승의 확률은 75 %입니다。

확률의 75 %는 실제 신호입니다. 그리고 그 고립 된 60 %는 단지 소음이 가득한 배경 데이터입니다。

더 직관적 인 예. 비의 확률은 30 %입니다. 그러나 하늘이 어둡다면? 비의 확률은 85 % 일 수 있습니다. "Blow clouds"는 귀하의 상태 정보이며, 확률이 30 %에서 85 %로 뛰어납니다. 그것은 상태의 확률의 본질이다。

Bayes Theory: 실제 시간에 당신의 믿음을 업데이트하는 방법

The Bayesian Theorem는 정량적 거래의 영혼입니다. 대답 된 질문은 다음과 같습니다 : 새로운 데이터가있을 때 원래의 비공식을 업데이트해야합니까

여기에 공식:

P(A|B) = P(A∩B) / P(B)

* P(A|B): B 사건의 확률, 사건은 알려집니다

* P (A∩B) : 동시에 A 및 B

:: P(B): B 발생 확률

Bayesian theorem의 논리는 근본적으로 이것입니다:

* 당신의 마음에 대한 견적이 있습니다 (예., 나는이 사건의 50 % 확률이 있다고 생각합니다)。

:: 갑자기, 당신은 새로운 증거를 보았다 (예, 좋은 뉴스 이야기)。

:: 당신은 자신에게 두 질문을: 이것은 실제로 일어나는 경우에, 이 뉴스를 위한 가능성은 무엇입니까? 이 모든 일에 일어나지 않으면이 뉴스의 기회는 무엇입니까

* 이러한 두 질문에 대한 답변을 바탕으로 견적 (예 : 50 %에서 58 %)을 조정할 수 있습니다。

우리는 Polymarket 장면과 이해합니다。

당신의 모델은 특정 항목에 대한 합리적인 가격을 계산 $0.50. 당신의 신념입니다。

갑자기, 파괴 뉴스가 나왔다. 경제 자료는 예상보다 3% 더 낫습니다。

Bayesian 공식에 따르면 새로운 신념을 정확하게 계산할 수 있습니다. 가정은 58%입니다. 당신의 새로운 합리적인 가격은 $ 0.58입니다。

시장에서, 이 확률 업데이트를 신속 하 고 정확 하 게 가능한 한 많은 돈을 벌 수 있습니다. quantitative 팀이 낮은 지연 시스템에 수백만 달러를 소비하는 이유입니다. 속도가 좋아하기 때문에 0.1 초이기 때문에 수천의 10을 더 의미합니다。

Harvard의 Free Introduction to Probability를 읽으려면, 첫 번째 6 장이 충분합니다. 그리고 Python을 사용하여 코드를 작성하려고, 10,000 동전의 던지기를 시뮬레이션하고, 큰 법률이 어떻게 작동하는지 직접 볼 수。

예상은 다르다: 당신의 제일 친구의 2

아무것도 더 많은 것을 사정하는 거래에 있는 2개의 수가 있습니다。

기대된 가치, 당신의 신뢰。

거래의 기대가 긍정적 인 경우 충분히 반복하면 긴 실행에서 돈을 벌 것입니다。

책임, 당신의 위험。

그것은 당신이 돈을 만드는 "긴"에 도착하기 전에 당신이 갈 것이다 얼마나 많은 알려줍니다。

예를 들어. 당신은 전략을 가지고, 거래 당 예상 이익은 $2, 그러나 표준 차이는 $50. 즉, 거래당 평균 $ 2를 만드는 반면, 단일 거래의 결과는 $ 100과 $ 100 사이에 급격히 변동 할 수 있습니다. 주체가 $ 200 인 경우, "long"이 도착하기 전에 3 개가 될 것입니다。

Kelly 공식: 과학적으로 크기 베팅

당신은 기대와 기대의 차이를 알고, 얼마나 많은 내가 좋은 기회의 얼굴에 구입해야? 모든 방법

절대 아니. 여기에 우리는 Kelly Cliterion을 소개해야합니다。

Kelly의 공식은 당신을 말하기 위하여 디자인됩니다:주어진 확률과 확률로, 당신은 자금을 이동하지 않고 가능한 한 빨리 당신의 돈 회전을 얻을하기 위해 총 돈의 %를 넣어해야합니다。

20 %를 계산하면 총 돈의 20 %를 베팅 할 수 있습니다。

이 분야에서, 우리의 견적의 성공이 잘못 될 경향이 있기 때문에 (당신은 아마 단지 55 % 인 60 %의 상금을 가지고 있다고 생각합니다), 최고-of-the-art는 일반적으로 절반-Kelly를 사용합니다Kelly의 공식의 절반입니다나는 모른다. 이것은 크게 상승의 비율의 큰 비율을 유지하면서 펀드의 상승과 다운 휘발성을 줄일 것입니다。

첫 번째 장에서 학교 작업 후 (2 일, 약 3-4 주) :

1. 읽기 : Probability에 대한 소개를 읽고, Blitzstein & Hwang (Harvard는 링크가있는 PDF의 무료 버전을 제공합니다 : http://probabilitybook.net[1] (https://stat110.hsites.harvard.edu/)

2. 프로그래밍 운동 1 : 그래프로 10,000 동전과 "큰 번호 법률"의 시각화의 시뮬레이션。

3. 프로그래밍 운동 2 : Bayesian upgradeer : 확률과 확률을 입력하고 출력 확률을 입력합니다。

Chapter 2 : 통계 = 소음 검출기

당신은 확률의 언어를 배울 때, 다음 단계는 데이터를 듣고 배우는 것입니다。

그것은 통계입니다。

통계가 우리에게 가르치는 첫 번째 교훈은 신호처럼 보이는 대부분의 것들이 단지 소음이다。

Hypothetical 테스트 및 여러 비교 함정

거래 로봇을 작성, 백업 데이터는 1 년 동안 15 %를 만드는 것을 보여줍니다. 사실, 아니면 그냥 운

이것은 p-value를 계산해야 할 때 : 이 전략이 정크의 조각 인 경우, 진행 중 15 %에서 실행되는 확률은 무엇입니까? 통계는 (예를들면 5% 미만) 작은 방법을 알려 줄 수 있습니다。

그러나 Multicomparisons 문제라는 거대한 함정입니다。

1,000 원숭이가 다트를 던져 각 100 배를 던졌습니다. 그것은 단지 행운입니다. 한 줄에 마음을 명중 할 수있는 몇 가지 원숭이가 있으며 다트 마스터처럼 보입니다. 그러나 당신은 투자 관리자로 그들을 고용하지 않을 것, 당신은

동일한 거래 전략을 작성합니다. 1,000 블라인드 전략을 자동으로 생성하면 과거 데이터를 실행하고, 순수한 행운을 빕니다. 약 50 그 중 많은 돈을 벌 수 있습니다。

시작된 모든 새로운 모집은 그가 발견 한 "효능적 인 전략"을 심각하게 극복하고 있습니다. 나는 당신이 쓴 첫 번째 10 전략이 확실히 운이 좋은 원숭이를 책임질 수 있다고 말할 수 있습니다。

해결책은 무엇입니까Bonferroni 보정을 사용하여 가시 임계값을 올리십시오또는 FDR 통제를 사용하십시오. 100개의 전략을 테스트한 경우, 시정의 임계값은 0.05, 0.05/100 = 0.0005이 아닙니다. 그래서 우리는 행운의 거짓 신호를 필터링 할 수 있습니다。

수익 분석 : 수익 소스를 결정

선형 리턴은 금융 커뮤니티의 기본 악기입니다. 정량 거래에서, 당신은 큰 하나와 전략적인 이익을 비교할 것입니다。

컷오프 아이템 알파입니다. 그것은 당신이 큰 위로와 아래로 설명 할 수없는 돈의 종류입니다。

예를 들어. 당신의 전략을 공급 20% 올해. 그러나 전체 시장이 18 %로 상승하면 기술 점수는 2 %입니다。

그리고 심지어 더 나쁜, 당신의 전략은 단지 "scrambling up and down,"그 후 큰 변동을 제거당신의 알파는 영 또는 부정적인 일 수 있었습니다나는 모른다. 즉, 소위 "trading Advantage"는 덮음 흐름보다 더 아무것도 없다。

금융 데이터에는 특정 관심사가 있습니다데이터 (오늘의 가격은 어제와 관련이 있습니다)과 이질성 (비탈은 상수하지 않습니다) 사이에 종종 자발적입니다. 따라서 Newey-West 표준 오류로 반품을 수정해야합니다. 그렇지 않으면 통계 테스트가 크게 최적화됩니다。

최대. 외관 (MLE): 반전 REASONING의 예술

그리고 당신은 최고 수준의 녀석을 듣을 때 그들은 모델을 캘리브레이션, 그들은 거의 항상 한 일을 말하기: MLE。

MLE의 이론은 정말 잘 이해됩니다. 그것은 "반응하는 이유"。

예를 들어. 당신은 도로의 측에 2 미터 직경 puddle를 보았습니다. 밤 비가 내리는 방법을 알고 싶습니다. 다른 폭포에 의해 얼마나 많은 물을 생산할 수 있는지 말해주는 폭포 모델이 있습니다。

어떤 MLE은 다른 방법을 밀어: 나는 2METRE PUDDLE을 본 이래로, 모든 가능한 강우량은 이러한 PUDDLE을 만들 가능성이 가장

휘발성 비율 또는 시장 인용에 근거를 둔 선택권의 구경 모델이든, MLE는 핵심 공구입니다。

같은 것은 사실입니다. 당신은 시장 옵션 가격 (물 PITS)을보고 미래 변동 (RAINFALL)의 시장의 기대를 반전하고 싶습니다. MLE는 현재 가격을 가장 잘 설명하는 데 도움이 숨겨진 매개 변수입니다。

링크로, Python의 yfinance 라이브러리를 사용하여 일부 실제 자산 가격 데이터를 다운로드하려고 할 수 있습니다. 정상 배급을 위해 그(것)들을 시험하십시오。

스펙트럼:절대 아니. 진짜 세계는 뚱뚱한 꼬리 효력의 가득 차 있습니다, i.e. 극단적인 사건은 정상적인 배급에 의해 예상된 보다는 훨씬 더 빈번합니다. MLE로 t-distribution과 일치하여 실제 위험이 무엇인지 알아보십시오。

장 II에서 학교 일 후 (약 4-5 주) :

1. 읽기 : Wasserman의 모든 통계의 1에서 13을 읽으십시오. (CMU 오픈 PDF 버전 : https://www.stat.cmu.edu/~brian/valerie/617-2022/020-%20 %20books/2004%20-%20wasserman%20-%20all%20of%20statistics.pdf)

2. Programming 운동 1: yfinance에서 진짜 주식 수확량 자료를 다운로드하고 정규성을 위해 시험하십시오 (예를들면: 확률은 rejected, 반환의 비율은 정상적인 배급에 지배되지 않습니다). 그리고 단일 t 배포는 최대의 약력 (MLE)로 제안되며 차이점을 비교합니다。

3. 프로그래밍 운동 2 : Fama-French 세 요소는 Statsmodels 라이브러리를 사용하여 주식의 조합에서 반환합니다。

4. 프로그래밍 운동 3 : 교체 테스트 (Permutation Test) : 무작위로 혼란과 실제 성능 후에 성능의 차이를 비교하여 날짜 10,000 번을 흔들며。

제 3 장 : 선형 대장, 세계의 s 하단 엔진을 정량화

많은 사람들이 선형 algebra 보링을 발견, 매트릭스 계산의 무리. 그러나 그것은 실제로 전체적인 quantitative 세계를 달리는 기계입니다。포트폴리오 건설, 주요 구성 요소 분석 (PCA), 신경 네트워크, 좌표 차이 추정, 요인 모델은 모두 그것에 의존한다。

세계 청소년의 30 %가 정말 뷔페를 이길 수 있다고 느낀다그랜드 메달 펀드, 선형 algebra에 근거를 둔 Markov 모형의 채택에 근거를 둡니다。

matrix를 사용하여 fluently 생각할 수 없다면 leniency가 될 수 없습니다。

Aligning matrix : 자산 협회 이해

sigma의 좌표 매트릭스는 각 자산이 다른 모든 자산과 관련하여 어떻게 움직이는지 캡처합니다。

500개의 시장을 보면, 이 모체는 500 X 500의 크기이고 125,250의 유일한 입장을 포함합니다. 각 항목은 다음과 같이 말합니다 : "자산 A 상승, 자산 B는 상승하거나 가을, 얼마나 많은 상승 또는 가을 경향이있다."

전체 포트폴리오의 차이는 매우 우아한 수학 표현으로 붕괴 할 수 있습니다

₢ 킹

* w는 당신의 보유 무게 벡터입니다

* 빛난 유출

이 이 이차식은 Markowitz 포트폴리오 이론의 중심부에 있으며 위험 관리의 핵심과 모든 것의 심장에 있습니다。

즉, 같은 시간에 관련 거래의 수를 처리하는 경우 (예 : "트럼프는 선거를 이깁니다"및 "재판은 Senate를 이깁니다"), 당신은 선거를 이길 수 없습니다당신의 전반적인 위험은 단순히 각 시장의 위험을 추가 할 수 없습니다. 당신은 그들 사이의 상관관계를 고려해야합니다. 그리고 matrix는 당신을 위해 이것을 하는 공구입니다。

특성 분해 및 PCA : 숨겨진 드라이버 찾기

첫 번째 사용 Eigendecomposition 주요 재료에 대 한 세계 변화를 볼。

주요 성분 분석은 아날로그에 의해 설명될 수 있습니다: 당신이 사람의 크기를 설명하고 싶은 경우에, 당신은 고도, 무게, 팔 길이, 다리 길이, 어깨 폭, 등에 자료의 수십을 기록할 수 있습니다. 사실, 이러한 데이터의 많은 링크 (큰 것들은 일반적으로 긴 다리가). PCA의 역할은 "COLLECTIVE HEAD SIZE"및 "SKINNYNESS"와 같은 여러 코어 "숨겨진 라벨"에 복잡한 데이터의 이러한 수십을 집중하는 것입니다。

같은 금융 시장에서 사실입니다. 500개의 토큰 상승과 가을을 볼 경우, 찾을 수 있습니다상위 5 "숨겨진 라벨"(문자 벡터) 만 전체 시장의 70 %의 변동성을 설명 할 수 있습니다. 다른 모든 것은 기본적으로 소음입니다。

500개의 토큰이 수행되는 것을 이해할 필요가 없습니다. 당신이해야 할 모든이 다섯 "숨겨진 드라이버" (예 : 큰 디스크의 전체 분위기, 관심 요금의 변화, 주어진 트랙의 열, 등). 그것은 쇠퇴의 마법이다。

충분 한 시간이 있다면, 그것은 MIT의 Gilbert 강한 교수의 선형 algebra 과정을 볼 것을 권장합니다. 그리고, 파이썬과 함께, 파이썬 500의 수율의 PCA decomposition를 수행하고 이전 주요 성분이 무엇인지 직접 볼 수 있습니다。

첫 번째 주요 성분이 "전체 시장 상승과 가을"과 거의 같습니다。

제3장 대학원(약4-6주):

1. 비디오보기 : Gilbert Strong의 모든 MIT 18.06 선형 algebra 비디오를 읽은 후, 한 섹션이 점프 할 수 없습니다. (MIT OpenCourseWare 무료 : https://ocw.mit.edu/courts/18-06-linear-algebra-spring-2010/video galleries/video-lectures/)

2. 읽기 : 독서 Strang 's Introduction to Linear Algebra as a subject in the book. (교육 자료의 네트워크: https://math.mit.edu/~gs/linearalgebra/)

3. 프로그래밍 운동 1 : 특성 스펙트럼을 그리기 위해 표준 500의 수율 데이터를 결합 (즉, 각 기본 구성 요소에 의해 얼마나 많은 차이가 설명됩니다) 첫 번째 3 가지 가장 중요한 기본 구성 요소를 식별。

4. 프로그램 운동 2: 찰상에서 Markowitz 평균 사각 한계 최적화。

제 4 장 : 계산 및 최적화, 변화의 언어 캡처

calculus는 변화의 언어에 관한 것입니다. 금융 시장에서 모든 것이 변화합니다. 가격, 변동성, 반란 및 전체 확률 분포는 초로 이동합니다。

calculus는 이러한 변화를 설명하고 악용하는 데 사용됩니다。

Taylor와 함께 라인: 복잡성에 대한 간단한 접근

수학 가이드 인 Derivatives는 금융 파생물이 아니라 모든 신경 네트워크의 역전에서 나타나고 각 옵션 "그리스"의 계산에서 나타납니다。

양적 거래에서 Taylor는 종종 대략적인 계산을 수행하는 데 사용됩니다. 매우 자연에 의해, 가이드는 테일러에 대한 필요한 입력을 제공합니다。

테일러가 x(key factor)와 y(value of asset) 사이의 관계를 모델로 시작되었습니다。

아주 복잡한 곡선을 그리는 것이 좋습니다, 그러나 당신은 단지 똑바른 발이 있습니다. 우리는 무엇을 합니까

첫 번째 단계에서 직선으로 곡선의 지점을 맞습니다. 이 점의 주위에, 선은 곡선과 유사합니다。

단계 2, 당신이 그것을 더 잘 적합하려는 경우, 당신은 약간의 비트를 패러디 라인으로 구부릴 수 있습니다。

더 많은 것을 구부리고, 그 복잡한 곡선에 그리는 선을 더 가까운。

거래에서, 옵션의 가격 변경은 매우 복잡한 수식입니다. 우리는 그것을 밖으로 파악할 수 없었다, 그래서 우리는 테일러를 사용하여 시작하고 몇 가지 간단한 조각으로 끊었습니다:

가격 방향 (Delta) + 가격 굽힘 (Gamma) + 시간 실행의 효과 + 변동 (Vega)의 효과。

Cam Optimization: 최고의 솔루션을 찾고

양적 금융에서, 거의 모든 문제의 "optimization"는 "optimization"의 사람들로 설명 될 수 있습니다. 예를 들어 주어진 위험 예산의 경우, 어떻게 혜택을 극대화 할 수 있습니까

당신은 골짜기에 장님이, 바닥에 갈 것을 요구。

* 이 골짜기는 puddled 인 경우 반 산란에 쌓아올 수 없습니다。

* 그러나이 그릇의 모양에 완벽한 골짜기 인 경우에, 당신은 다만 downward 사면의 방향을 따라야 하고, 당신은 당신의 눈이 닫히는 바닥에 유일한 점을 도달할 수 있어야 합니다。

볼의 형태로 수학 공식에 재정적인 질문을 쓸 수 있다면, 컴퓨터는 신속하게 완벽한 대답을 찾을 수 있습니다. 그게 당신을위한 캠입니다. 원래 저자는 Boyd와 Vandenberghe가 Stanford University의 무료 교과서, Convex Optimization을 작성했다고 언급합니다. 이 분야에서 성경입니다. Python의 cvxpy 라이브러리는 여러 줄의 코드를 사용하여 복잡한 최적화 문제를 해결할 수 있습니다。

여기, 너무, 앤드류 Ng의 AI 과정의 파는 추천되고, 이전 문제는 그라디언트의 쇠퇴를 언급하고 지역 최고/전체 최고. 우수성을 더 잘 이해하기 위해. 링크 : https://www.youtube.com/watch?v=JPcx9qHzzgk

제 IV 포스트 학교 작업 (대략 4-5 주) :

1. 읽기 : "Convex Optimization " Boyd & Vandenberghe의 1 ~ 5 장을 읽으십시오. (Stanford는 무료 PDF 버전을 제공합니다 : https://web.stanford.edu/~boyd/cvxbook/bv cvxbook.pdf, 책의 홈페이지 : https://stanford.edu/~boyd/cvxbook/)

2. Programming 운동 1: 찰상에서 시작하는 기온변화도 감소 산법은, Rosenbrook 기능의 최소한도 가치를 얻기 위하여 이용됩니다. (Rosenbrook 함수는 최적화 영역에서 가장 고전적인 테스트 기능 중 하나입니다, 이는 간단하지만, 사실, 최적화하고 매우 어려운 수행하기 어렵다

3. 프로그래밍 운동 2 : cvxpy는 포트폴리오 최적화 문제를 해결하고 거래 비용 제약을 추가합니다。

Chapter V : 데이터 과학자부터 정품 leniency 변화에 이르기까지 랜덤 컬러스

무작위 calculus를 학습하기 전에, 당신은 단지 "데이터 과학자 같은 금융." 그것에 대해 학습 한 후, 진짜 leniency입니다。

이것은 당신이 시간에 무작위로 모델링하는 방법을 배우는 곳입니다. 여기, 첫 번째 원칙에서 유명한 Black-Scholes 방정식을 derive하고 조 달러 파생 시장이 어떻게 작동되는지 정확히 이해합니다。

*Note 5.1 : Black-Scholes 방정식과 그 의미의 더 나은 이해를 위해, 참고는 이전 책 Polymarket에 도시 성경으로 만들 수 있습니다. 링크: https://x.com/MrRyanchi/status/2036346480067747844

*Note 5.2: 왜 정규적인 calculus에서 무작위 calculus 다른가요? 임의 프로세스에서 두 번째 클래스 테일러가 사라지지 않습니다. 정규적인 calculus에서는, 두번째 층은 시간 간격이 0에 접근할 때 negligible 입니다. 무작위 과정에서, 그러나, 브라운 운동의 특별한 성격 때문에, (dW) 2 = dt, 두번째 층은 첫번째 순서 가늠자가 되고 무시될 수 없습니다. 세부 사항은 아래와 같습니다。

브라운 운동 : 순수 무작위 수학 표현

브라운 운동 (또한 Weiner Process로 알려진 W t)은 무작위의 시간입니다。

광장에서 술에 취해. 모든 단계는 완전히 무작위입니다. 뒤틀린, 불규칙한 trajectory 그는 갈색 운동이었다. 주식에 있는 그네는 이 술에 취해의 속도로 수학에서 본다。

이 페이지는 자동으로 번역 되었다. 원문 언어: How to the Brown Movement。

다음은 모든 것을 결정하는 통찰력입니다 : 브라운 운동에서시간 실행 및 거리 광장은 동일 (즉, (dW)2 = dt)나는 모른다. 이 자연 때문에 임의의 calculus는 정규적인 calculus와 다릅니다。

그것은 이유 : 무작위 세계의 체인 법

주식 가격은 일반적으로 기하학 브라운 운동 (GBM)에 의해 모델링됩니다:

₢ 킹

번역: 가격 변화 = 매출의 예상 비율에서 동향 + 변동에서 무작위 충격

Itô's Lemma는 무작위 세계 체인법입니다。

:: 정규적인 calculus (예를들면 매끄럽게 움직이는 차의 trajectory를 계산합니다), 당신은 단지 속도를 고려해야 (일류 가이드)。

:: 그러나 임의의 calculus (예 : 극단적 인 범프와 나쁜 도로에서 여행하는 자동차 트랙을 계산), 도로 자체는 너무 풍부한 (무기성 비율), 이는 실질적으로 자동차 트랙을 변경합니다。

그래서 Ito의 이유는 무작위 변경을 계산 할 때 우리에게 알려줍니다. 방향을 보면 할 수 없습니다공식에 "mixedness"를 추가해야합니다。그렇지 않은 경우, 가격에 대해 잘못됩니다。

Black-Scholes 및 위험 중립 가격

Ito의 옵션 가격을 소지하고 헤지 포트폴리오를 구축 할 때 기적이 일어났습니다。

Black-Scholes 방정식에서, "확장 된 상승과 가을"을 나타내는 변수는 방정식에서 사라졌습니다

무엇을 의미합니까? 이것은 옵션의 가격은 재고가 상승하거나 미래에 떨어질 것이라는 기대에 의존하지 않다는 것을 의미합니다。

그게, 당신이 옵션에서 증가를 살 때. 더 많은 옵션을 생각하고, 더 많은 사람들이 봐. 한국어 완벽한 수학 모델에서, 옵션의 가격은 한 가지입니다 :이 주식의 미래는 어떻게. 그것은 상승하거나 날카롭게 떨어지는지 여부는 중요하지 않습니다。

먼저 개념을 이해할 때, 그 감각은 매우 충격을 받았다. 그것은 매우 높은 프로파일 상인과 매우 높은 가시성 상인이 같은 옵션 가격에 즐거운 거래를 할 수 있는지 설명합니다. 거래의 본질이 방향이 아니라 변동성。

그리스 문자 (녹색) : 위험의 차원

Black-Scholes 가격 모델과 함께 위험은 여러 분리 된 크기로 정확하게 분해 될 수 있습니다. 이 차원은 그리스 편지 후에 명명됩니다, 그래서 그들은 그리스인에게 불립니다:

:: 델타 (Δ) - 가격 감도:자산 목표 변경 $1 및 옵션 가격 변경. 그것은 당신이 위험을 쐐기로 살 필요가 얼마나 많은 현금을 알려줍니다。

* Gamma (knocking) - Curvature:델타의 변화의 비율. 그것은 당신이 당신의 헤지 위치를 조정할 필요가 얼마나 자주 알려줍니다. Gamma는 이벤트의 확률이 50 % 가까이있을 때 가장 크고 가장 높은 위험입니다。

♪ Theta (교육) - 시간 감퇴 :매일, 옵션의 손실의 값. 옵션을 잡고 매일 지불 할 "rent"로 이것을 해석 할 수 있습니다。

:: Vega (V) - 변동 감도:휘발성 비율은 1%이고, 선택권 가격은 얼마를 변화합니다. 이것은 대부분의 벽 거리 유도체가 실제로 돈을 벌 수있는 곳입니다 (또는 돈을 잃습니다)。

Rho (old) - 재미있는 비율 감도:가격의 이자율에 대한 변화의 영향. 충격은 작고 깔끔합니다。

장 V 포스트 학교 일 (대략 6-8 주):

1. 읽기 : 금융 II (금융 임의 분석 II : 연속 시간 모델), Shreve,이 분야에서 인정 된 금 표준 과정. (PDF 버전 : https://cms.dm.uba.ar/academico/meterias/2docuat2016/analisis cutitativo en finanzas/Steve ShreveStochastic Calculus for Finane II.pdf)

2. 대체 교육 자료 : Shreve가 너무 열심히 먹고, Arguin 's "표준 Calculus의 첫 번째 코스 ", 업데이트하고 읽기 쉬운 경우. (AMS 공식 페이지: https://bookstore.ams.org/amstext-53)

3. Inductive 운동 1: f (S) = inn (S)를 위해 Iô의 Lemma를 적용하기 위하여, S는 기하학적인 브라운 운동 (GBM)에 주제인다. 열쇠 2/2 개정은 파생됩니다. (이 개정은 반환과 지속적인 합성의 논리 비율 사이 관계를 이해하는 중앙입니다

4. 부스트 운동 2 : 델타 스프린팅 인수에서 Black-Scholes 방정식은 완전히 비축됩니다。

6. 프로그래밍 운동 : 0에서 Black-Scholes 공식은 가격이며, Monte Carlo 시뮬레이션에 따라 Monte Carlo의 유효성 검사 결과를 비교하여 시뮬레이션의 수가 증가합니다。

Chapter 6 : Polymarket 및 LMSR, 예측 시장을위한 수학 엔진

지금, 우리 모든 수학 무기를 다시 세계 최고의 흥미로운 무역 시장 오늘: Polymarket。

Polymark 뒤에 수학은 이 문서에서 언급된 모든 것에 완벽하게 연결됩니다: probabilistic 이론, 정보 이론, 구경측정 및 정수 계획。

LMSR = 신경 네트워크 Softmax

초기 예측 시장에서 AMM은 일반적으로 LMSR (Logarithmic Market Scorring Rule)이라는 메커니즘을 사용합니다. economist Robin Hanson에 의해 발명되었습니다。

그것의 비용 함수는: C (q) = b. Inn (q i/b)다음 것:

* q i는 주어진 결과의 균형입니다

*b는 유동성 모수입니다 (더 큰 시장, 더 두꺼운 가격, 더 단단한 그것 밀어질 것입니다)。

이 비용 기능에 기초를 두어, 우리는 어떤 결과든지 i 대응 항목 가격을 산출해서 좋습니다:

₢ 킹

기계 학습의 조금을 배우고 LMSR 가격 공식을 볼 경우 충격을 줄 것입니다. Softmax 함수는 무엇입니까

Softmax는 무엇입니까? 당신은 세 가지 사과, 무게 100, 50, 20. 무게를 퍼센트 확률로 바꾸고 싶습니다. Softmax는 확률 변환기입니다. 그것은 단지 100 % 확률을 추가하지만 차이를 확대합니다. 약간 무거운 사과는 훨씬 더 큰 확률 공유를 얻을 것이다。

시장 가격의 예측과 다음 단어를 예측하기 위해 모든 것을 구동하는 공식 (예 : ChatGPT)은 수학적으로 완전히 동등합니다. 그것은 금기입니다. 둘 다의 하부 논리는 동일합니다: 법적 확률 배급으로 숫자의 튜multuous 세트를 변형시키기 위하여。

이 기계장치는 몇몇 극단적으로 우아한 특징을 보장합니다。

:: 가능한 모든 결과의 가격은 항상 확률에 대한 완벽한 1과 동일합니다. 가격은 항상 0과 1 사이입니다。

:: 그것은 무제한 이동성을 제공 할 수 있습니다 (당신은 항상 거래 할 것입니다)。

* 사업의 최대 잠재적인 손실은 n = 가능한 결과의 수를 b x inn(n)에 엄격히 제한됩니다。

Polymark를 위한 CLOB 기계장치: 현실에 이론에서

LMSR은 시장 AMM 예측을 위해 고전적인 이론적 기반이지만 Polymark는 CLOB 메커니즘을 사용하기 위해 진화했습니다。

자세한 내용은 지난 10 월이 기사에서 찾을 수 있습니다. https://x.com/MrRyanchi/status/1977932511775760517

CLOB 모형에서는, 가격은 조정 MATHEMATICAL 공식에 의해 더 이상 부과되지 않습니다Bids와 Asks 게임을 통해 시장에서 구매자와 판매자가 완전히 생성됩니다나는 모른다. 전통적인 증권 거래소 플랫폼 또는 바이낸스 계약 시장과 같습니다。

왜 중요합니까? CLOB 기계장치의 밑에 때문에, MARKETER의 역할은 극적으로 바뀌었습니다。

LMSR (traditional AMM)와 CLOB (Polymarket 현재) 사이 핵심 다름:

:: 가격 형성:LMSR은 수학 공식에 의해 자동 계산됩니다; CLOB는 구매자와 판매인 사이 단 하나 게임에 의해 창조됩니다。

:: 이동성의 근원:LMSR은 체계 수영장에 의해 자동적으로 제공됩니다; CLOB는 시장 기초에 제공되어야 합니다。

:: 시장의 역할:LMSR에 있는 직업적인 사업을 위한 아무 필요도 없습니다; 그러나, CLOB에서, 사업은 시장의 LIFELINE입니다。

:: 가격 차별 통제:LMSR의 판매 가격의 차이는 시스템 매개 변수에 의해 결정됩니다. CLOB의 가격 차이는 시장 선수 간의 내부 볼륨 경쟁에 의해 결정됩니다。

:: 반대 수요:CLOB 모형의 밑에, MARKETERS는 UNILATERAL 노출의 아주 높은 위험을 직면하고 극단적으로 복잡한 CROSS-MARKET 헤지에서 관여해야 합니다。

LMSR 모드에서는, AMM은 자동으로 유동성을 제공합니다. 그러나 CLOB 모형의 밑에, 유동성은 시장에 의해 전적으로 제공됩니다. 당신은 합리적인 확률을 계산해야합니다 (위에 언급 된 BAYESIAN 업데이트 및 통계 모델에 따라) 그 확률 주위에 구매 및 판매 주문을 걸고 차이를 적립。

당신은 Pollymarket에 대해 틀린 경우, 또는 헤지 상관의 위험에 대해 틀린 경우, 당신이 걸린 목록은 허브 수확으로 더 똑똑한 양적 기금에 의해 즉시 먹일 것입니다。

장 VII: 광대역 방문자를 위한 직업적인 그림 및 연장통

당신은 당신의 직업으로 체계를 켜고 싶거나 당신의 자신의 정량적인 팀을 형성하고 싶은 경우에, 당신은 기업의 생태를 알 필요가 있습니다。

4개의 핵심 역할

Quant 연구자:모델과 대형 데이터의 예측 모델을 구축하는 사람들. 그들은 수학 및 통계에 매우 높은 재능이 필요합니다. Polymarket의 컨텍스트에서, 그들은 계약의 "지역 가격"을 결정하기 위해 probabilistic 모델을 구축 할 책임입니다。

:: Quant 개발 엔지니어:People Building 인프라. 그들은 C++, Rust, 또는 Python을 알고 있어야하며, 낮은 지연 거래 시스템을 구축합니다. Polymarket의 ' s context에서, 그들은 API와 거래 엔진을 구축하여 주문이 밀리 초 이내에 제출하고 실행되도록 책임집니다。

:: Quant 상인:자금 관리, 위험 관리, 실시간 결정. 그들의 소득 차별은 가장 큰. Polymarket에, 그들은 다수 시장에서 동시에 시장이, 순간과 위치에 있는 가격 차별을 조정하는 사람들입니다。

:: 위험 양:팀 보호자. 그들은 모델 검증, 최대 손실 계산 (VaR) 극단적 인 경우 및 스트레스 테스트。

최고 기관의 급여 수준

:: 최고 회사 (예: Jane Street, Citadel, HRT):입학 수준의 채용은 연간 급여를받습니다. $ 300K에서 $ 500K; 수석 직원은 연간 급여를받습니다. $ 1M에서 $ 3M; 스타 상인은 $ 30M을받을 수 있습니다。

:: 중간 및 업스트림 회사 (예 : 두 Sigma, DE Shaw) :$ 250에서 $ 350K의 새로운 사람 급여; 수석 직원 $ 575K에서 $ 1.2M。

*주의: Jane Street는 2025년 상반기에 1년 평균 $1.4 백만을 벌었습니다。

추천 독서 목록 (연구 순서)

* 확률 및 통계 - Blitzstein & Hwang

:: 통계 진도 - Wasserman 모든 통계 : hypothetical 테스트, 회귀, MLE

* 선형 Algebra - 배열

:: Optimism - Boyd & Vandenberghe Convex 최적화 : 최적화 이론 및 연습

:: 무작위 calculus - "금융 II를위한 자극적 인 칼로리" : 갈색 운동, Ito 소개, BS 모델

:: Quantified 금융 - Hull "Options, Futures 및 기타 Derivatis : 파생 가격 파노라마 "

:: 운영 전략 - Ernest Chan Quantitative 거래 : 디스크에 복고풍에서 구멍을 피하는 가이드

나는 이전 세 가지를 알고 싶습니다

기사의 끝에서 원본 저자는 3 매우 깊은 통찰력을 공유했습니다. 그리고 나는 모든 Polymark 딜러에게주는 것과 같은 조언입니다。

1. 실제 적은 예상된 오류입니다

많은 사람들이 전체 - 케리 공식을 사용하거나 unbridled Markowitz 최적화 또는 수백 가지 기능으로 채워진 기계 학습 모델. 그들은 동일한 이유를 위해 실패를 끝냅니다: 그들은 지나치게 채워진 역사적인 자료。

Math는 매개변수가 완벽할 때 완벽합니다. 그러나 현실에서, 당신은 완벽한 매개 변수를 결코 얻을 수 없습니다. 이론과 연습 사이의 간격은 항상 miscalculation입니다。

가장 정교한 모델을 사용하지 않는 모든 것의 베스트, 그러나 오류에 대한 자신의 감시를 지키는 사람들. 그들은 자신의 위치를 줄이기 위해 이니셔티브를 취할 것입니다 (모든 켈리 대신 절반 켈리로), 모델을 단순화하기 위해 (30 대신 세 가지 핵심 기능 포함), 그리고 제약에 가입。

2. 도구는 철거되었습니다, 그러나 신뢰는 아닙니다

오늘 누구나 무료로 PyTorch를 다운로드 할 수 있습니다. 누구나 Polymarket의 API에 액세스 할 수 있습니다. 기술은 필요하지만 더 이상 충분한 조건이 없습니다。

True 거래 장점 (Edge)은 독특한 데이터, 독특한 모델 또는 독특한 구현 기능에 존재합니다. 다른 것보다 더 파이썬 라이브러리가 없습니다。

그리고 그 이유는 우리가 우리의 스마트 돈 은행의 정제를 우선 순위로 전체 달 @insidersdotbot의 업데이트를 연기하고 더 나은 PNL 알고리즘 (예 : 공식 분할 수익 계산 모델보다 더 정확)。독특한 데이터와 모델 때문에 더 많은 돈을 벌거나 더 잃을 수 있습니다。

Polymark에서 무엇을 의미합니까

다른 사람의 소스를 찾을 필요가 (예를 들어 작은 분야에서 전문가의 네트워크) 또는 다른 사람이하지 않는 모델을 구축 (예를 들어, 가격 엔진은 실시간으로 멀티 마켓 리버스를 처리) 또는 다른 사람이없는 강제 능력 (예를 들어, 10 밀리 초 이내에 크로스 마켓 헤지 할 수있는 거래 시스템)。

수학은 진실한 moat입니다

AI는 코드를 작성하는 데 도움이, 심지어 무역 전략을 제안. 그러나, Ito가 위험 중립 측정에 대한 할인 가격이 Martingale이며, convex 감소가 결합 된 시장에서 단단할 때 판단 할 수있는 이유가 더 많은 이유를 유도 할 수 있습니다。

이 깊은 수학 intuition은 "의 장점을 창출하는growners"및 "의 장점을 빌린 그 소유자"의 구별에 대한 기본 물입니다. 그리고 대출은 곧 만료됩니다。

예측 시장은 1973 년 전통적인 옵션 시장에서 변화하는 것입니다. rigorous mathematical 모델, volatility 가격 및 복잡한 arbitrage 알고리즘을 시장에 소개하는 리드를 취할 수있는 사람들은 가장 큰 배당을 취할 것입니다。

instinct에 베팅 중지. probability를 알아보기, 코드를 작성, 수학 모트를 구축。

풀 툴박스

파이썬 기술 인

데이터 처리: pandas, polas (폴더 처리 큰 자료 세트 10 50배 pandas 보다는 더 빠른)

인기 카테고리

기계 학습 (테이블 데이터 방향) : xgboost, lightgbm, catboost

기계 학습(deep learning direction): pytorch

최적화 해결사: cvxpy

파생 가격: Quant Lib (산업 급료 도서관, 밑바닥 C++의 성과 높은)

통계 분석 : 통계 모델

반환 프레임: Nautilus Trader

Retrospective 기구 (더 간단한 및 더 쉬운 선택):backtrader, 벡터bt

Quantified 연구 플랫폼: Microsoft Qlib (AI의 호의 GitHub에서 17,000 별 이상)

향상된 학습 거래 : FinRL ( GitHub의 10000 별 이상)

C++와 녹

사이트맵 일반적인 도서관:Quant Lib, Eigen, 부스트

Rust: RustQuant는 옵션 가격에 사용할 수 있으며, NautilusTrader는 Rust + Python 하이브리드 구조를 사용합니다 (Rust 코어는 속도, 상위 레벨 파이썬 API는 연구를 촉진합니다)。

데이터 소스

무료:yfinance, Finnhub (분당 60 요청), Alpha Vantage

중간:Polygon.io ($ 199 미만의 지연으로 달 당 20 ms), Tiingo

기업 수준:Bloomberg Terminal (Pembo Terminal, 연간 약 $32,000), Refinitiv, FactSet

구획 사슬 자료:Alchemy (역사적 아카이브 데이터 액세스를 지원하기 위해 무료 설정)

게다가 @insidersdotbot은 API를 열려면 약합니다. 이것은 쉽게 사용할 수 있는 스마트 돈 데이터베이스 및 거래 기능을 포함합니다. Little Bell에 오신 것을 환영합니다。

다운로드

구르비:가장 빠른 상업 혼합 정수 계획 해결자 및 학생 및 학업 사용자는 무료 면허를 신청할 수 있습니다. 그것은 arbitrage 문제의 조합입니다。

Google 또는 도구:Free Solr는 가장 강력합니다。

PuLP/피모:Python Modelling Interface (Python)를 쉽게 정의하고 다양한 해결자를 호출합니다。

이름 *

나는 어떻게 Tomorow에 시작해야 할 Quant가되었다.

https://x.com/gemchange ltd/status/2028904166895112617

[2] Blitzstein, J.K., & 황, J. (2014).

https://projects.iq.harvard.edu/stat110를 다운로드하십시오

Markowitz, H. (1952).

Strang, G. MIT 18/06 선형 Algebra. MIT OpenCourseware는.

https://ocw.mit.edu/courts/18-06-linear-algebra-spring-2010/

Boyd, S. & Vandenberghe, L. (2004).

https://web.stanford.edu/~boyd/cvxbook/

한손, R. (2003).

[7] Polymark 문서.

https://docs.polymark.com/training/overview

검정, F., & Scholes, M. (1973).

슈레브, S. (2004).

원본 링크