Kripto at Matematika: Posible Bang Daigin ang Merkado?

Ang kwento ni Jim Simons ay hindi lamang tungkol sa isang taong namamahala ng pera, bagamat isa siya sa pinakamatagumpay na money manager sa buong mundo. Ito ay kwento ng isang lalaking sumilip sa magulo at tensyonadong mundo ng Wall Street at hindi kaguluhan ang nakita kundi kaayusan — matematikong kaayusan sa anyo ng mahiwaga at magagandang pattern. Si Simons, isang tanyag na matematiko at dating NSA code-breaker, ay nagtatag ng hedge fund na Renaissance Technologies noong 1982.

Ang flagship fund nito, ang napakalihim na Medallion Fund, ay kalaunang kinilala bilang pinakamatagumpay sa kasaysayan, na nagbunga ng nakamamanghang average na taunang kita na mahigit 60% sa loob ng tatlong dekada. Habang ang iba ay nagtitiwala sa kanilang kutob, intuition, at mga tradisyunal na pagsusuri, si Simons at ang kanyang hukbo ng mga may PhD sa matematika, pisika, at estadistika ay nagtiwala lamang sa dalawang bagay: ang mismong datos — mga elektronikong bulong mula sa Wall Street na kinopya sa kanilang mga kompyuter — at ang mga modelong binuo nila upang bigyang-kahulugan ito. Ang taong bumasag sa code ng Wall Street; siya ang "Quant King." Gayunpaman, ang nagbukod-tangi sa Renaissance ay ang kultura nito — hindi tulad ng isang marangyang kumpanya sa Wall Street, kundi parang departamento ng matematika sa isang unibersidad.

Nilinang ni Simons ang isang kapaligiran ng mataas na antas ng pagtutulungan at kuryosidad, na kilalang kumukuha ng mga ekspertong may kaunti o walang karanasan sa pananalapi. Naniniwala siya na ang pinakamahuhusay na ideya ay nagmumula sa pagharap sa merkado gamit ang mga bagong pananaw, na malaya mula sa mga nakasanayang ideya ng Wall Street. Ito ay isang kakaibang istilo na nagbunga; naging daan ito upang makabuo sila ng mga pamamaraan sa statistical arbitrage at high-frequency trading na higit na nangunguna sa pamantayan ng industriya sa loob ng maraming taon.

Ang talambuhay mismo ni Simons ay hindi tipikal para sa isang titan ng Wall Street. Matagal bago niya binago ang pamumuhunan, isa siyang tinitingalang akademiko. Ang kanyang mga kontribusyon sa geometry at topology ay nakatulong sa pagtuklas ng Chern-Simons form na kalaunan ay itinuring na isang mahalagang kumplikadong matematikong konsepto para sa string theory at quantum field theory. Ang kakayahang ito para sa abstract at multi-dimensional na pag-iisip ang nagpaangat sa kanya. Hindi niya nakita ang merkado bilang isang koleksyon ng mga indibidwal na kumpanya, kundi bilang isang dinamikong sistema na pinamamahalaan ng mga pangunahing prinsipyo, tulad ng isang pisikal na puwersa. Tiningnan niya ang pamumuhunan bilang isang siyentipikong problema, na para bang malulutas mo ito sa pamamagitan ng pangangalap ng sapat na datos at paggamit ng angkop na mga algorithm upang ihiwalay ang signal mula sa ingay.

Ang kanyang koponan ay nagtipon ng napakalaking volume ng datos, mula sa makasaysayang presyo ng mga stock hanggang sa mga pattern ng panahon, upang maghanap ng anumang mahuhulaan at hindi random na epekto na maaari nilang pagkakitaan. Lumikha sila ng mga sopistikadong algorithm na awtomatikong nakakapagpatupad ng mga trade upang kumita mula sa napakaliit at panandaliang inepisyensya na hindi kailanman makikita ng mata ng tao. Hindi nila hinulaan ang direksyon ng merkado sa pangmatagalan; natuklasan lamang nila ang maliliit ngunit maaasahang bentahe at paulit-ulit itong sinamantala nang milyun-milyong beses.

Ang pamamaraang ito ay lubos ding umasa sa malinis na datos at matatag na imprastraktura — mga aspeto na labis na kulang sa karamihan ng mga tradisyunal na pondo. Ang pangunahing paniniwala ay sa pamamagitan ng sapat na datos, lilitaw ang mga banayad na pattern na naghuhula sa pag-uugali ng mamimili — at ang mga pattern na iyon ay maaaring napakaliit ngunit maaari pa ring magbunga ng malalaking kita kung gagamitin sa malawakang saklaw.

Isang Lumang Diskarte, ngunit May Bagong Larangan

Siyempre, ang mundo ng pananalapi ngayon ay ibang-iba na sa kinasangkutan at pinagtagumpayan ni Simons noon. Ang mga merkado ay mas mabilis, mas globalisado, at higit na mas kumplikado. Ang mga madaling makuha na inepisyensya na sinamantala ng Medallion Fund ay matagal nang nawala sa merkado, na-arbitrage na ng napakaraming quantitative trader na sumunod sa mga yapak ni Simons.

Ang kanyang mga orihinal na modelo, kung ilalabas ngayon, ay maaaring magmukhang luma o hindi na angkop sa napakabilis at algorithmic trading sa kasalukuyan. Gayunpaman, ang ituring iyon bilang dahilan upang talikuran ang kanyang pamana ay isang maling aral. Ang tunay na henyo ay wala sa kahit anong partikular na modelo, kundi sa pangunahing pamamaraan: na ang mga merkado, bawat merkado, maging ang mga tila perpektong episyente, ay puno ng mga puwang at lamat. "Ang ideya ay bumuo ng isang matematikong lente na sapat ang talas upang mapansin ang mga ito."

At ngayon, ang kaparehong pamamaraang ito ay ginagamit sa pinakabago at pinaka-abante na larangan ng pananalapi: ang mga cryptocurrency. Dahil sa napakataas na volatility nito, mabilis na mga pagbabago, at ang katotohanang ito ay digital native (na may mga walled garden lamang na kinakatawan ng mga sentralisadong exchange), itinuturing ng mga ekonomista ang crypto bilang paraiso. Isa itong mundong nakabatay sa datos, kung saan ang lahat ng transaksyon ay nakasulat sa isang pampublikong ledger na hindi na mababago. Nagbibigay ito sa mga matematiko at data scientist ng mayamang minahan na maaaring tuklasin.

Ang on-chain data na ito ay binubuo ng mga volume ng transaksyon, balanse sa wallet, aktibidad ng smart contract, at network fees, na nagbibigay ng malinaw at real-time na pagtanaw sa daloy ng merkado. Ito ay lalo pang pinalalawak ng napakaraming off-chain data, tulad ng depth ng order book sa exchange o ang malakas — at kung minsa'y magulong — impluwensya ng sentimyento sa social media sa mga platform tulad ng Twitter at Reddit. Mahirap ang gawain ngunit diretso ang prinsipyo.

Ang layunin ay hindi upang hulaan kung aabot ba ang Bitcoin sa panibagong all-time high sa susunod na taon, kundi upang tuklasin ang banayad at mapapakinabangang mga pattern sa araw-araw na ingay ng merkado. Ito ay ang paghahanap ng mga estruktural na inepisyensya, maging sa pagpepresyo man ng mga derivative, ang pagdaloy ng kapital sa pagitan ng mga exchange, o kahit ang mga pangunahing mekanismo ng transaction system ng isang blockchain." Ang paghahanap ng alpha ay lumipat na mula sa trading floors ng Wall Street patungo sa desentralisadong mundo ng blockchain.

Makabagong Armas sa Matematika

Upang matulungan silang maglayag sa bagong kapaligirang ito, ang mga quant ngayon ay armado ng malawak at sopistikadong mga matematikong modelo na nag-aalok ng iba't ibang paraan upang unawain at balangkasin ang nangyayari sa merkado. Saklaw ng mga ito ang mga binagong bersyon ng mga klasikong teorya sa pananalapi hanggang sa mga bagong modelong sadyang idinisenyo upang tugunan ang mga kakaibang katangian ng mga digital asset. Isa sa mga pinakapangunahing ideya, na nagmula sa tradisyunal na pananalapi, ay ang Black-Scholes model. Sa madaling salita, isa itong pormula upang kalkulahin ang presyo ng mga derivative.

Ito ay nakabatay sa mga ideyal na pagpapalagay — na ang mga merkado ay perpektong episyente, ang presyo ng mga asset ay sumusunod sa isang mahuhulaan at random na takbo na tinatawag na geometric Brownian motion, at ang volatility ay hindi nagbabago. At bagamat ang crypto market ay malayo sa pagiging perpekto, ang Black-Scholes ay nananatiling mahalagang batayang intelektwal na kailangan natin upang ihambing ang pagpepresyo ng ating mga option sa lumalagong mundo ng crypto derivatives. Ngunit ang mga mahihigpit na pagpapalagay nito ay madalas na bumibigay sa larangan ng crypto, kung saan ang volatility ay kilalang hindi mapigilan at ang mga "fat-tailed" na kaganapan — o ang matitinding paggalaw ng presyo — ay regular na nangyayari.

Upang malampasan ang mga limitasyong ito, ang mga quant ay madalas na gumagamit ng mas sopistikadong mga pamamaraan. Isa sa mga kategoryang ito ay tinatawag na Stochastic Volatility Jump Models. Ang mga modelong ito ay tugon sa mga pagkukulang ng Black-Scholes. Kinikilala ng mga ito ang dalawang pangunahing katotohanan sa merkado: na ang volatility ay hindi permanente, bagkus ay nagbabago ito sa paglipas ng panahon sa isang random (stochastic) na paraan; at ang mga presyo ay maaaring makaranas ng biglaang malalaking pagtalon o paggalaw (halimbawa, dahil sa malalaking balita o mga liquidation). Sa pamamagitan ng paggamit ng mga matematikong termino upang isaalang-alang ang pabagu-bagong volatility at malalaking pagtalon sa presyo, ang mga naturang modelo ay nag-aalok ng mas makatotohanan (bagamat kumplikado) na pananaw sa dynamics ng mga presyo ng asset — at maaaring maging lubhang kapaki-pakinabang sa magulong mundo ng crypto.

Ang isa pang hanay ng mga kagamitang ito ay ang mga pamamaraan ng Monte Carlo. Sa halip na isang magandang equation tulad ng sa Black-Scholes, ang Monte Carlo ay isang pamamaraang gumagamit ng malawakang kalkulasyon. Gumagana ito sa pamamagitan ng pagsasagawa ng libu-libo, o milyun-milyong, random na simulasyon ng posibleng kahihinatnan ng merkado batay sa mga panimulang datos tulad ng presyo ngayon at ilang sukat ng tinatayang volatility.

Sa pamamagitan ng pagsusuri sa buong distribusyon ng mga simulate na resultang ito, ang isang trader ay maaaring makabuo ng probabilistic na intuition tungkol sa halaga ng isang option derivative o kung gaano kalaki ang panganib sa isang portfolio. Ang flexibility na iyon ay napakahalaga sa crypto, kung saan ang mga asset ay madalas na walang mahabang makasaysayang track record na kinakailangan ng mga tradisyunal na modelo, at kung saan ang mga kumplikado at path-dependent na derivative ay lalong nagiging laganap.

Dito eksaktong pumapasok ang mga makabagong pananaw sa pagbuo ng portfolio, tulad ng Stochastic Portfolio Theory (SPT). Ang SPT, na binuo ni E. Robert Fernholz, ay descriptive sa halip na prescriptive. Hindi ito nagsisimula sa pagpapalagay na ang mga merkado ay perpektong episyente; sa halip, gumagana ito batay sa ipinagpalagay na gawi ng aktwal at naoobserbahang mga presyo sa merkado bilang continuous-time random processes. Ito ay taliwas sa klasikong portfolio theory kung saan pinapaliit ng mamumuhunan ang inaasahang halaga ng cycle returns at nananatiling pareho ang antas ng variance.

Ito naman ang nagbibigay-daan sa mismong mga estratehiya na naglalayong higitan ang merkado sa kabuuan, hindi sa pamamagitan ng paghula kung saan ito patungo, kundi sa pamamagitan ng pana-panahong pagbabalanse muli ng kanilang portfolio upang samantalahin ang iba't ibang bilis ng paglago ng mga bahagi nito. Isa itong mas detalyadong pananaw, na mas angkop sa pagkakaiba-iba at kawalan ng ugnayan na makikita sa mundo ng crypto.

Ang mga ito ay pinupunan ng ikalawang hanay ng mga pamamaraan na idinisenyo para sa digital na panahon. Sa mga silid kung saan sinusuri ang mga chart, ang mga presyo ng crypto ay minomodelo gamit ang mga pamamaraang hiniram mula sa mga Bayesian framework upang ituring ang mga ito na parang mga particle sa ilalim ng isang dynamic na non-linear potential. Ang pangunahing ideya sa likod ng Bayesian statistics ay napakasimple ngunit napakaganda: mayroon kang paunang paniniwala tungkol sa isang bagay at pagkatapos ay ina-update mo ang paniniwalang iyon habang nakakalap ka ng mga bagong ebidensya. Sa mabilis na mundo ng crypto, isa itong mabisang konsepto. Ang isang Bayesian model ay may kakayahang patuloy na i-update ang mga pagtataya nito habang may dumarating na bagong datos ng presyo, volume ng transaksyon, o maging mga sukat ng sentimyento sa social media, na nagbibigay-daan dito na tumugon nang real-time sa pagbabago ng mga kondisyon ng merkado sa paraang hindi magagawa ng mas static na mga modelo.

Isa pang mabisang kagamitan ay ang Hidden Markov Model (HMM). Ipinapalagay ng isang HMM na ang merkado ay maaaring nasa iba't ibang "regime" o mga nakatagong estado — halimbawa, isang estado ng 'bull run' na may matataas na kita at mababang volatility, isang bear market regime na may negatibong kita at mataas na volatility, o isang sideways consolidation regime. Sinusuri ng modelo ang presyo at sinusubukang alamin kung anong estado ng merkado ito naroroon, at ang susunod na pinaka-posibleng estado nito. Sa isang merkadong madalas magbago ang sentimyento tulad ng crypto, kung saan ang damdamin ay maaaring magbago mula sa labis na kagalakan patungo sa takot kada oras, ang HMMs ay mga uri ng kagamitan na makakapagbigay-linaw sa mga pagbabagong ito ng regime at makakatulong sa mga trader na magkaroon ng mga kasanayang magbibigay-daan sa kanila upang mabilis na makibagay.

Panghuli, ang mga modelong Vector Autoregression (VAR) ay tumutulong sa paghimay ng masalimuot na ugnayan sa pagitan ng iba't ibang cryptocurrency. Sa isang merkadong may libu-libong magkakaugnay na token, magiging padalos-dalos na tingnan ang alinman sa mga ito nang bukod. Tinutugunan ito ng modelong VAR sa pamamagitan ng pagturing sa maraming asset bilang iisang sistema. Maaari nitong suriin kung paano nakaaapekto ang pagkabigla sa presyo ng isang pangunahing asset tulad ng Ethereum sa buong ecosystem, na nagdudulot ng epekto sa presyo ng dose-dosenang iba pang token sa DeFi at NFT ecosystem. Minamapa nito ang sanhi at pagkalat ng mga epekto sa merkado, ipinapakita nito kung aling mga coin ang nangunguna at kung alin ang sumusunod, na nagbibigay ng mas kumpletong pangkalahatang pananaw sa sistematikong panganib at oportunidad.

Lakas at Panganib ng Isang Coded na Merkado

Ang paggamit ng mga advanced na matematikong modelong ito upang pag-aralan ang mga crypto market ay may malaking potensyal, ngunit hindi rin ito ligtas sa panganib. Malinaw ang mga pakinabang: isang gabay na nakabatay sa datos sa gitna ng kilalang mapanganib at mapagbakasakaling larangan. Ngunit alam din ng bawat quant na ang kanilang mga modelo ay representasyon lamang ng katotohanan, at ang labis na pag-asa sa mga ito ay maaaring magdulot ng kapahamakan. Ibig sabihin, may kailangang balanse rito: Ang mga potensyal na kalamangan ay kailangang timbangin laban sa mga likas na limitasyon ng mga quant fund — upang hindi matulad sa mga nabigo.

Ang mga pangunahing kalamangan at kahinaan ay ibinubuod sa ibaba:

1. Mga Kalamangan: Ang bentahe rito ay may kakayahan tayong kumuha ng makabuluhang signal mula sa napakalaking datos. Ang mga quantitative model ay kayang makakita ng masalimuot na ugnayan at mga pattern na nakatago sa libu-libong asset at milyun-milyong trade na hindi kailanman kayang gawin ng tao. Nagreresulta ito sa isang mas disiplinado at maayos na pamamaraan sa pamamahala ng peligro kung saan ang mga pagkalugi ay masusukat at mapapamahalaan. Sa kabilang banda, ang mga modelong ito ang sandigan ng algorithmic trading – nagbibigay-daan ang mga ito na awtomatikong maisagawa ang mga estratehiya sa bilis na kayang samantalahin ang mga oportunidad na kasing-ikli ng milliseconds. Ang kakayahang ito na "makaamoy" ng oportunidad ay mahalaga sa mga kumplikadong sub-sector tulad ng TRON Energy market – kung saan ang mga presyo at dami ng supply ay mabilisang nagbabago. Tinatanggal nito ang takot at kasakiman sa pag-trade kapag nananatili tayo sa isang sistematikong paraan, na nagreresulta sa mas pare-pareho at maasahang pagpapatupad.

2. Mga Kahinaan: Ang pinakamalaking panganib ay ang tinatawag na 'model risk.' Ang anumang modelo ay kasinghusay lamang ng mga pagpapalagay kung saan ito binuo. Kapag mali ang mga pagpapalagay na iyon, o nagbago ang mga kondisyon ng merkado sa paraang hindi idinisenyo para sa modelo, maaari itong mabigo nang matindi. Ang kaso ng LTCM ay dapat manatiling paalala sa kasaysayan upang ipakita kung ano ang mangyayari kapag sinira mo ang lahat dahil lamang sa panandaliang kasakiman. Ang kalidad ng input data ay isa ring pangunahing kahinaan; ang mali o 'maruming' datos ay maaaring magbunga ng maling desisyon at magastos na pagkakamali sa trading. Panghuli, ang mga numerical model ay partikular na mahina sa paghula ng mga "black swan" na kaganapan. Ang mga biglaang regulasyon, malalaking pag-hack sa mga exchange, o hindi inaasahang pag-unlad sa teknolohiya ay mga pangyayaring hindi saklaw ng mga statistical pattern ng lumang datos at maaaring magpawalang-bisa kahit sa pinakasopistikadong mga modelo sa loob lamang ng isang gabi.

Sa huli, ang mga modelong ito ay mga kagamitan lamang, hindi mga bolang kristal. Nag-aalok ang mga ito sa mga mamumuhunan ng tinatawag na probabilistic edge, o isang paraan upang bahagyang paboran ang posibilidad sa iyong kapakinabangan sa maraming trade. Hindi ginagamit ng pinakamahuhusay na quantitative firm ang mga ito bilang ganap na katotohanan, kundi bilang gabay upang maunawaan at maharap ang likas na kawalan ng katiyakan sa mga merkado. Patuloy nilang pinapahusay ang mga modelo, inaayos ang mga ito, at paminsan-minsan ay itinatapon kapag nagbago ang merkado; batid nila na ang mapa ay hindi ang mismong teritoryo. Ang napakadinamikong ugnayan ng mga sistema tulad ng merkado ng Energy rentals sa TRON ay isang halimbawa para sa pag-aangkop na ito, dahil ang mga bagong provider at mekanismo ng pagpepresyo ay patuloy na nagbabago sa kapaligiran. Ang isang matagumpay na quant firm ay isa ring kumpanya sa pamamahala ng peligro gaya ng pagiging kumpanya nito sa pagtataya.

Paghahanap sa Susunod na Simons

Higit pa sa hindi kapani-paniwalang yaman na nabuo nito ang kwento nina Jim Simons at ng Medallion Fund: Isa itong kwento ng kakaibang paraan ng pag-iisip. Ipinakita niya na kahit sa isang propesyong naiimpluwensyahan ng damdamin at intuition ng tao, ang isang maayos at empirical na pamamaraan ay maaaring magtagumpay. Ipinakita niya na sa ilalim ng ingay at gulo ng mga merkado, mayroong lohika sa matematika kung paano gumagalaw ang mga presyo na, bagamat hindi laging nagbubunga ng perpektong hula, ay maaaring lumikha ng mga oportunidad sa pamumuhunan na may matatag na batayan. Ang kanyang pamana ay nananatiling mahalaga sa mundo ng pananalapi — isang buhay na hamon sa sistema, isang paalala na ang code ng merkado ay talagang kayang basagin. Binago nito ang pananaw sa kung ano ang posibleng marating, at binago ang kaisipan sa pagitan ng mga sikat na stock-picker laban sa mga hindi kilalang pangkat ng mga siyentipiko.

Habang ang isang bagong grupo ng mga mahuhusay na indibidwal ay sumasabak sa digital na larangan ng cryptocurrency, hindi na ito usapin kung may makakapantay ba sa kanyang tagumpay, kundi kung kailan. Ang crypto market, na bukas para sa mapangahas na data science, ganap na digital, at hindi natutulog, ay marahil ang perpektong kapaligiran para sa isang quantitative revolution sa ika-21 siglo. Ang mga kagamitan ay mas sopistikado, ang datos ay mas sagana, at ang mga oportunidad na tumuklas at magsamantala sa mga inepisyensya ay nasa lahat ng dako. Isa itong larangan kung saan ang pagiging bago at ang matematikong eksperimentasyon ay lubos na ginagantimpalaan.

Ngunit ang susunod na Simons ay haharap sa matinding hamon. Higit na mas malaki rin ang kumpetisyon, na may daan-daang quant fund, malaki man o maliit, na naghahanap ng alpha sa mga crypto market. Ang merkado mismo ay reflexive din; habang dumarami ang mga quant na nagsasamantala sa isang inepisyensya, kadalasang nawawala ang mga ito. Isa itong walang katapusang karera, na nangangailangan ng mas kumplikadong mga modelo at mas mabilis na bilis ng pagpapatupad. Isa itong mapanganib na paglalakbay, na puno ng dambuhalang mga hamon, ngunit kung mayroon mang dapat matutunan mula kay Jim Simons, ito ay marahil, maaaring ikaw din ay makadaig sa merkado — kung mayroon kang sapat na henyo sa matematika at computing horsepower na sumusuporta sa iyo. Diyan makakatulong ang Netts Energy Market upang mahanap mo ang magandang presyo ng Energy sa mismong oras na kailangan mo ito: