Искусственный интеллект в трейдинге: создание многоагентной системы количественных исследований (...

Описание: В этом видео мы подробно разберем, как агентный ИИ в трейдинге меняет весь рабочий процесс исследования. Вместо того чтобы постоянно запрашивать информацию у одного ИИ и исправлять ошибки, вы создаете многоагентную количественную систему, где каждый агент ИИ выполняет определенную задачу — как в профессиональном аналитическом отделе.

Вы увидите, как хедж-фонды используют агентные системы ИИ для параллельного тестирования тысяч торговых стратегий — и как вы можете применить тот же структурированный рабочий процесс в своих собственных количественных исследованиях.

Мы рассмотрим:
• Разработка гипотез
• Инженерия данных
• Автоматизация бэктестинга
• Оценка производительности
• Генерация блокнотов Jupyter
• Риски, такие как галлюцинации, переобучение и слежка за данными
Речь не идет о замене трейдеров.
Речь идет об ускорении исследований и сокращении разрыва между идеей и альфа-доходностью.

Если вы хотите создавать структурированные рабочие процессы ИИ для трейдинга, изучите полную программу «Агентный ИИ для трейдинга» (ссылка ниже).

https://bit.ly/4qYYiyg

Научитесь применять ИИ и машинное обучение в торговле на практике.
Программа EPAT по машинному обучению и ИИ: https://bit.ly/46ZYaYe
Бесплатный курс для начинающих в удобном для вас темпе: https://bit.ly/3OvsLqt
Применение ИИ в торговых стратегиях: https://bit.ly/4qVQVrD
ИИ в управлении портфелем: https://bit.ly/3N6FkrG

🎓 О спикере:
Мохак Пачисия — старший количественный исследователь в QuantInsti, специализирующийся на разработке торговых стратегий, финансовом моделировании и количественных исследованиях. До прихода в QuantInsti он работал в Evalueserve, где руководил отделом обучения и развития в подразделении Risk and Quant Solutions.

Мохак — выпускник EPAT, успешно сдавший все уровни программы Chartered Market Technician (CMT) и два уровня программы CFA. В настоящее время он получает сертификат по количественным финансам (CQF). Он также консультировал такие организации, как Upstox, Motilal Oswal, Spider Software и TradeSmart. Его специализация — упрощение сложных количественных задач и преобразование их в структурированные, реализуемые стратегии.

Об EPAT
Программа EPAT от QuantInsti — это структурированная программа обучения, ориентированная на алгоритмическую и количественную торговлю. Она делает акцент на разработке стратегий на основе Python, тестировании стратегий, управлении рисками и прикладных проектах под руководством наставников.

Присоединяйтесь к EPAT — программе для руководителей по алгоритмической торговле: https://bit.ly/3MT92jV

📚 Основные темы:
Что на самом деле означает агентный ИИ в торговле
Почему рабочие процессы ИИ с одним запросом терпят неудачу
Многоагентные системы количественных исследований
Агент-конструктор гипотез
Агент-поиск данных
Агент-тестировщик бэктестов
Агент-аналитик производительности
Оркестратор ИИ / Генератор блокнотов
Параллельное тестирование нескольких вариантов стратегий
Риски: галлюцинации, подглядывание в данные, переобучение
Человеческий контроль в рабочих процессах ИИ в торговле

🎯 Что вы узнаете:
Почему большинство трейдеров «нянчатся с ИИ», вместо того чтобы использовать его правильно
Как структурировать рабочие процессы торговли в модульные агенты ИИ
Как хедж-фонды используют многоагентные системы для исследования альфа-доходности
Как преобразовать простые идеи в проверяемые схемы
Как автоматизировать сквозные конвейеры бэктестинга
Три основные опасности использования ИИ в торговле
Почему ИИ — это исследование Акселератор — не хрустальный шар

⏱️ Временные метки
0:00 Введение
0:14 Основная проблема — непроверенные торговые идеи
0:28 Почему использование ChatGPT похоже на «присмотр за ИИ»
1:07 Смена мышления — что такое агентный ИИ на самом деле
1:33 Как количественные фирмы используют многоагентные системы
2:14 Тестирование тысяч идей параллельно
2:39 Почему отдельные модели ИИ терпят неудачу в торговых процессах
3:27 Структура эстафеты (модульные агенты ИИ)
3:40 Разработчик гипотез — преобразование идей в проверяемые схемы
4:39 Поиск данных — получение и структурирование данных
5:08 Бэктестер — моделирование исторических сделок
5:27 Аналитик производительности — измерение доходности, CAGR, Шарпа, просадки
5:40 Оркестратор ИИ — автоматическая генерация Блокноты, готовые к исследованиям
6:06 Параллельное тестирование против традиционного подхода с одной идеей
6:26 Проверка реальности – Опасности агентного ИИ
6:38 Грех №1: Галлюцинация
6:53 Грех №2: Подглядывание в данные
7:09 Грех №3: Переобучение
7:19 Почему человеческое понимание по-прежнему важно
7:52 Создание полноценных агентных рабочих процессов (упоминание в курсе)

💡 Ключевые выводы:
ИИ лучше всего работает в структурированных, модульных рабочих процессах
Многоагентные системы уменьшают смешение логики и галлюцинации
Скорость тестирования идей важнее, чем генерация идей
Параллельное тестирование стратегий повышает эффективность исследований
Человеческий контроль предотвращает переобучение и ложную альфа-уровень
Агентный ИИ разрушает цикл о...