Quant Researcher

Видео про инвестиции и построение капитала! (YouTube) Записал для вас видео о том, как строится капитал и какая при этом должна быть инвестиционная стратегия. Видео в формате диалога, как если бы мы с вами сели за кофе и вы попросили бы меня рассказать, как инвестировать. Подписывайте на YouTube канал и пишите комментарий. Это поможет мне развивать его дальше! Альтернативные площадки VK

Highly recommended! Quant Researcher

😌 Когда мы с коллегами сделаем трек магистратуры по квантам, мы никому не скажем, но будут знаки… МИЭМ НИУ ВШЭ Магистерская программа «Системный анализ и математические технологии» https://www.hse.ru/ma/samt Приглашаем сегодня на онлайн встречу, посвящённую набору и обучению. Дата проведения: 19 марта, 15:00 по Москве Ссылка для подключения: https://my.mts-link.ru/j/68328749/15681115721 Регистрация: https://forms.yandex.ru/u/696e30b302848f7d44e3ddf9/ Трек «Математические методы и инструменты количественного анализа», 2026/2027 учебный год, 1 курс Quant Researcher

🎙 Новый выпуск подкаста: криптоиндустрия и путь от традиционных рынков к DeFi В этом выпуске говорим о том, как выглядит реальный переход из классических финансов в крипту и децентрализованные системы — с инженерным и риск-менеджерским взглядом. Гость выпуска — финансист и предприниматель Максим Ермилов, который прошёл путь от работы в крупных финансовых институтах до создания собственных криптопроектов. В выпуске: 1. Путь из традиционных финансов в криптоиндустрию: как выглядит профессиональный переход между индустриями, какие навыки переносятся, а какие — нет; типичные ошибки на старте 2. Запуск собственных проектов: первые проекты в Восточной Европе; операционные и регуляторные ограничения; почему технологии важны, но не решают всё 3. Техническая сторона криптопроектов: разработка торговых стратегий и моделей; работа с ликвидностью; реальные ограничения рынка против теоретических идей 4. DeFi vs традиционные финансы: ключевые отличия децентрализованных систем; роль смарт-контрактов; риски, которые часто недооценивают 5. Практика и советы начинающим: как собирать команду; какие технологии действительно имеют значение; перспективы индустрии и возможные сценарии развития 🎥 Смотреть выпуск: https://youtu.be/KwvYMJEHg-g Quant Researcher

Nautilus Trader — индустриальный бэктестинг https://github.com/nautechsystems/nautilus_trader Если вы пытались превратить красивую идею в реплицируемый PnL, вы знаете, как это весело и увлекательно: бэктест не сходится, исполнение — по ценам с ффилами, а латенси существует только на словах. Nautilus Trader — это попытка закрыть именно этот разрыв. Проект от Nautech Systems, open-source, сразу целится в production-grade trading stack. 🧠 Ключевая идея Бэктест = симуляция реальной торговой системы, а не просто прогон сигналов по историческим ценам. Библиотека моделирует не только рынок, но и ордера, исполнение, задержки, комиссии, частичную ликвидность, состояние портфеля, event-driven логику. Фактически, это единый движок для research, backtesting, paper trading, live. Без переписывания стратегии под каждый этап. ⚙️ Архитектура - Event-driven ядро (никаких «for price in prices») - Строгое разделение: - Strategy - Execution - Portfolio - Risk - Детальная модель ордеров (limit / market / stop / OCO и т.д.) - Поддержка crypto, FX, equities - Python + Rust (где нужна скорость) Это не обертка над pandas, а торговый симулятор, ближе по духу к тому, как думают HFT / prop desks. 📊 Почему это важно для квантов Большинство стратегий умирают не из-за идеи, а из-за недоучтённого исполнения, хвостов распределения PnL, нелинейностей при масштабировании. Nautilus Trader заставляет как можно раньше подумать про ликвидность, проскальзывание, устойчивость PnL, path-dependence. А значит — лучше понимать, какие риски вы реально покупаете или продаете. ⸻ А вы каким порошком пользуетесь: • моделируете исполнение в бэктестах? • знаете, чувствительность своего PnL от проскальзывания и комиссий? Quant Researcher

🎬 Запись лекции для студентов Quant.Courses «Опционы: интуиция, данные и управленческие решения» Про рынок, риск и то, как на опционы реально смотрят кванты и управляющие: 1. Интуиция рынка через опционы • зачем вообще появились рынки опционов (исторический контекст 1970-х) • как бизнес и финансовые институты используют деривативы для управления риском • почему опционные рынки — это агрегированное мнение о будущем, а не “предсказание” 2. Implied volatility как цена риска • чем IV принципиально отличается от “реальной” волатильности • роль спроса/предложения, ликвидности, хедж-флоу и регуляторных ограничений • почему IV — это всегда риск плюс структура рынка 3. Опционные данные и цепочки • как читать опционные цепочки и волатильностные поверхности • где на поверхности есть информация, а где — шум • почему работа с данными и фильтрация важнее выбора формулы 4. Модели: где помогают, а где мешают • Black–Scholes–Merton как язык, а не истина • что на практике делают SSVI, RND, regime switching • ограничения моделей и опасность “ложного арбитража” 5. Сигналы vs сделки • почему хороший статистический сигнал не гарантирует PnL • роль carry, ликвидности и маржи • как управляющие принимают решения в условиях неопределённости Запись и материалы 🎥 Запись лекции: https://youtu.be/BBLX4_7lb2Y 📒 Воркбук: https://colab.research.google.com/drive/1qZiPfyYxvI-wC0bEPFsSHImAWABkidwl 🔗 Ресурсы спикеров: • Канал Лидии: https://t.me/hunt4quant • Канал Александра: https://t.me/alexandinvestments • Сайт Бориса: https://bbelyakov.com Спасибо всем, кто был live и задавал вопросы. Скоро выйдет подкаст, до связи! Quant Researcher

Аплаимся? 😄 или когда собрал все ключевые слова в заголовке

Было? 😄 Оригинал подсмотрели в таком прекрасном канале: https://t.me/profunctor_io/11176 Quant Researcher

😉 Недавно с коллегами по деску вспомнали легендарные сделки и тактический шорт. Записали шесть любимых примеров Ливермор и крах 1929‑го. Джесси понимал: безумный рост акций заканчивается. В конце сентября он потихоньку-помаленьку закупал шорты через десятки брокеров, чтобы не светить объём. За несколько недель обвала он заработал около 100 млн $ — колоссальные деньги для того времени (по нынешним деньгам ≈1,5 млрд $). Некоторые его приёмы сейчас запрещены как рыночная манипуляция, но настрой «do your own research» останется актуальным всегда. Продолжение. Сорос против Банка Англии. Сорос видел: у Британии высокие ставки и слабая экономика, а фунт держится только на словах политиков. 16 сентября 1992‑го он увеличил шорт с $1,5 млрд до $10 млрд. Банк Англии поднял ставку до 15 %, распродал резервы — и всё равно скуксился. Фунт рухнул, Сорос заработал больше миллиарда. Суть — понимать макро‑картину и не бояться наращивать позицию, когда политики начинают дрожать. Ничего личного, просто шорт. Продолжение. Чейнос и Энрон. Джим Чейнос копнул отчётность Enron и нашёл несостыковочки: низкая доходность, агрессивный учёт, сомнительные внебалансовые структуры. Пока аналитики анализировали, он наращивал шорт. Итог: в 2001 г. компания дефолтнулась, акции обвалились почти до нуля, его фонд заработал порядка 500 млн $. Хороший пример, как умение читать цифры побеждает модные презентации и красивые истории. А точнее создает более красивые истории. Продолжение. «Большой шорт». Все же смотрели фильм с Кристианом Бейлом? Майкл Бэрри изучал ипотечные договоры и понял, что субпрайм‑пузырь неизбежно лопнет. Он купил дефолтные свопы и забрал почти 489% за несколько лет, лично заработав около $100 млн, а его инвесторы — более $700 млн. Джон Полсон сыграл ещё крупнее: вложил $147 млн и на обвале ипотеки сделал около $15 млрд. Кайл Басс на том же тренде превратил $110 млн в $700 млн. Продолжение. Тэппер и банки 2009‑го. В начале 2009 г. рынок опасался национализации крупных банков. Тэппер, изучив условия конвертации привилегированных акций по программе TARP, решил, что власти будут спасать банки, а не забирать их. Он скупал обычные и привилегированные акции Bank of America, Citigroup и долговые бумаги. К осени его фонд вырос на 117 %, по итогам года принёс около $7 млрд прибыли, из которых примерно $4 млрд ушли в карман самого Тэппера. Продолжение. Акман и пандемия. В феврале 2020‑го Билл Акман видел, как вирус распространяется быстрее, чем думают рынки. Он купил дешёвую кредитную защиту за $27 млн. Когда в марте всё рухнуло, продал хедж за $2,6 млрд — почти 10 000 % доходности — и тут же на эти деньги закупился любимыми акциями вроде Hilton, Starbucks и Berkshire. Шикарно отфондировался! В эфире CNBC он предупреждал: «hell is coming», но суть сделки в том, что хорошая страховка стоит недорого, если купить её вовремя. Продолжение. У нас была похожая история в фонде, когда трейдер на первых репортах из Китая про ковид "на всю котлету" закупил путов на тройной етф на викс. Важно: большие деньги приходят не от гадания, а от глубокого анализа, терпения и умения критически мыслить. Или от тройного шорта на викс, ну или лонга, как повезет 😄 Важно 2: нужен капитал, чтобы фондировать шорты, а итоговая доходность может не окупить седые волосы из-за стоимости шорта — пример обсужали как-то на подкасте с нашим другом. А какие истории помните вы? Quant Reseracher

Принесли хакатон от наших гостей подкаста, скоро новый выпуск! 🚀 Соревнование для квантов и ML-разработчиков 🔮 Задача: предсказать курс ETH/USDC 💰 Призовой фонд — $2,500 (1 место), $1,500 (2 место), $1,000 (3 место) 👥 Участвовать можно индивидуально или в команде 📂 На странице соревнования: описание, датасеты и готовый ноутбук для старта. https://linkly.link/2FwxJ Отличная возможность попробовать модели в реальной задаче, погрузиться в крипту и добавить пет-проджект в портфолио. Ну и, конечно же, победить! Желаем удачи нашим дорогим подписчикам) Quant Researcher

🤖 ML инструменты кванта В мире квантовых стратегий всем известны оси Ильинского: гамма‑риск, вега‑риск, jump‑риск (и тета). Эти оси помогают понять, какие риски и премии мы продаём или покупаем. Но когда речь заходит о машинном обучении, многие сразу представляют себе «магическую коробочку», которая будет угадывать цену завтра. Это заблуждение. ML в работе кванта — это набор инструментов для анализа и понимания данных. Рассказываем, где ML действительно полезен. 📊 1. Сбор, отчистка и подготовка данных Любая стратегия начинается с данных (треш на входе — треш на выходе). В современном альфа‑конвейере данные бывают числовые (котировки, фундаментальные показатели), реляционные (например, граф связей между компаниями), альтернативные (тексты в соцсетях, новости, спутниковые снимки, Wi‑Fi‑трафик) и даже симуляции (From Deep Learning to LLMs: A survey of AI in Quantitative Investment). Такие разнородные потоки нужно очистить, стандартизировать и привести к единому формату, а затем превратить в признаки, чтобы они могли служить входом для моделей, необязательно ML. На этот этап уходит львиная доля времени кванта. И опыт ML может в этом сильно-сильно помочь! 🔍 2. Извлечение признаков и скрытых факторов После чистки данных следует этап построения признаков и поиска скрытых структур. Здесь на помощь приходят методы без учителя. Кластеризация (K‑means, иерархические алгоритмы, DBSCAN) используется для сегментации рынка: данные группируются по объёму торгов, волатильности и другим атрибутам, что помогает выявить разные режимы и типы участников, иногда — натолкнуть на стратегию. Алгоритмы обнаружения аномалий (density‑based clustering, автоэнкодеры) нужны для выявления паттернов на рынке (Quantitative Finance and Machine Learning: Transforming Investment Strategies, Risk Modeling, and Market Forecasting in Global Markets). Кластеризация, кстати, применяется не только на рыночных данных, но и в кредитном скоринге, но об этом можно почитать почти в любом ML-канале или изучить на практике, если поработать в банке. 🧠 3. Алгоритмическая торговля и управление ордерами ML помогает не только анализировать данные, но и выполнять действия. В алгоритмической торговле модели управляют исполнением ордеров: supervised‑алгоритмы предсказывают краткосрочные движения, риски и факторы, unsupervised‑модели ищут необычные паттерны, а reinforcement learning обучает агента выбирать время выхода на рынок, максимизируя, например, дифференциальный коэффициент Шарпа. Такие системы анализируют ликвидность, волатильность и косты, чтобы оптимизировать execution. ⚖️ 4. Прозрачность Мощные ML‑модели дают преимущество, но несут риски: переобучение, «чёрный ящик» и зависимость от качественных данных. Поэтому прозрачность и explainable AI — не пустые слова. Важно понимать, какие признаки определяют решения модели, и в идеале уметь объяснить их инвестору или хотя бы себе. Использование машинного обучения — это прежде всего развитие аналитики: мы усиливаем классические финансовые подходы, а не подменяем их. Вместо итогов Машинное обучение в работе кванта — это не про «угадывать цены», а строить инструменты: • чистить и структурировать данные, • извлекать информативные факторы, • находить скрытые паттерны, • измерять и контролировать риски, • использовать новые источники информации. Это ценный набор в арсенале кванта, дополняющий опционную геометрию и понимание рисков. Как и в примере с гаммой, вегой и jump‑риском, главное — понимать, какие риски вы покупаете, где вы зарабатываете премию и как ваша модель взаимодействует с рынком. Что думаете? Какие ML‑инструменты уже использовали в своих стратегиях? Quant Researcher

‼️ Наши дорогие студенты квант курсов ищут квантов в команду, мы рады помочь —— Ищем квантов-аналитиков в инвестфонд. Стартовый капитал $100k Мы собираем новый инвестиционный фонд с сильным уклоном в алгоритмическую торговлю и quantitative research. На старте — $100k собственных средств, агрессивный рост в первые годы, последующее снижение риска и выход на стабильный масштаб. Планомерное увеличение капитала с помощью собственных средств (возможности и план до 2KK$) и с помощью инвестиций (без ограничений). Уже под управлением личных средств на Мосбирже и FORST >2kk$. Кого ищем: • Quant Analyst / Quant Researcher (junior/middle/senior — зависит от опыта) • Умение работать с финансовыми данными, строить модели (stat-arb, факторные, time-series, ML), проверять гипотезы. • Навыки MQL5 • Навыки Python (необязательно, но приветствуется) • Понимание рынка: акции, фьючерсы, FX или крипта. Чем предстоит заниматься: • Генерация и тестирование идей альфы. • Построение и валидация моделей (backtest, walk-forward, risk metrics). • Совместная работа с программистами над выходом стратегий в продакшн-пайплайн (боевой запуск и мониторинг). Условия и мотивация: • На старте — fix + доля в PnL пулах (прозрачная система поинтов: идеи, ресёрч, код, поддержка). • Рост зарплаты и бонусов вместе с AUM. • Возможность получить долю в фонде (profit interest, с вестингом) при долгосрочном участии. • Работа удалённая, гибкий график, квартальные ревью. Почему стоит к нам: • «Зелёное поле» — вместе строим фонд с нуля. • Агрессивная цель на 1 год: +70–100%, потом постепенное снижение риска и масштабирование. • Чистая, понятная система выплат и роста. • Минимум бюрократии, максимум ресёрча и тестов. Контакты для связи: @applerockfx и @sournkz Quant Researcher

Financial Data Science Python Notebooks — большой набор Jupyter‑ноутбуков про финансы https://terence-lim.github.io/docs/financial-data-science-notebooks/README.html Авторы собрали практические примеры по финансовой эконометрике, временным рядам и машинному обучению. 😎 Данные, данные, данные… Вместе с ноутбуками поставляется библиотека FinDS, которая демонстрирует, как строить пайплайн для работы с финансовыми базами. Например, с макроэкономическими данными от FRED и BEA. 🅱️ Классические вопросы: цены, факторы и регрессии Если вас интересуют классические стратегии, здесь есть ноутбуки про свойства цен и тестирование гипотез по методике Джегадиша—Титмана (моментум на CRSP‑акциях, оценка моментов и Newey—West стандарты ошибок). Есть материалы по исследованию Фама—Френч (стоимость и размер, линейные регрессии на CRSP/Compustat), по кросс‑секционным регрессиям Фама—Макбет (CAPM, нелинейные регрессии и квадратичная оптимизация), а также разбор стратегий контртренда с учетом структурных разрывов и затрат на реализацию. 🔮 Макроэкономика и риск‑менеджмент Более широкие темы включают анализ экономических показателей (прогнозы, занятость, выбросы), тесты регрессий для индексов потребительских и производственных цен, промышленного производства и инфляции. Есть ноутбуки по моделям пространственных состояний (скрытые марковские модели, гауссовы смеси), по кривой доходности и моделированию структуры процентных ставок, по факторной структуре доходностей облигаций (PCA), по оценке опционов (биномиальные деревья, Black–Scholes–Merton, Монте‑Карло), по Value‑at‑Risk для криптовалют. 🪐 Текстовый анализ и NLP В ноутбуках по NLP разбирают, как построить тематические модели для стенограмм FOMC, оценить тональность отчётов 10‑K/10‑Q на основе словарей Loughran–Macdonald, проанализировать описания бизнеса с использованием методов POS‑тэггинга и кластеризации. Далее идут примеры классификации отраслей, прогнозов макроэкономических индикаторов и нейросетей с эмбеддингами слов, использование сверточных и рекуррентных сетей для прогнозирования макро данных, примеры reinforcement learning для планирования пенсионных расходов. 🤡 LLM‑ы И наконец, черешенка на торте — раздел про большие языковые модели: построение языковых моделей для «Федспика», анализ SEC Edgar, fine‑tuning моделей на индустриальной классификации, prompt‑инжиниринг для новостного сентимента и даже проектирование multi‑agent LLM‑систем для оценки корпоративной благотворительности, чего только не придумают. Крутая энциклопедия по современному количественному анализу: от классической эконометрики и факторного анализа до сетевой науки, NLP и LLM‑агентов. Что из этого вы пробовали? Приходите к нам в чат, обсудим) Quant Researcher

‼️ Возвращаемся из мира трейдинга с новостями 1) Мы готовим открытую лекцию по опционам. Точно проводим ее в этом году! 2) Также работаем по образовательным направлениям, в том числе в коллаборации с Высшей школой экономики. Мы обязательно напишем, если у нас все получится. 3) Готовим еще кое-что интересное, но это на Новый год! А пока хотим поблагодарить вас за активность в чате, вы супер! Приходите с вопросами. Давайте общаться 🫶🏻 Предлагаем тему на обсуждение: что вы хотите видеть больше в этом канале — библиотеки для квантов, торговые сигналы 🤡, торговые стратегии, вопросы и задания из собеседований квантов, прайсинг вол свопа, — что из этого? Что-то еще? Напишите в чате. —— Я добавил колл-ту-экшен про направленность канала, как ты просил. Хочешь я подготовлю план лекции по опционам? 😉 Quant Researcher

😳 Итоги розыгрыша книг Ребята, спасибо большое за вашу активность. Нам очень приятно быть частью квантового коммьюнити. Подведем итоги. 44 комментария, 36 шанса выиграть. Объявляем победителей: - @Bobo143 - @mershov1 - @Sonhador0 - @tonystarkforever - @StanislavInf Поздравляем! В ближайшее время мы напишем вам, чтобы договориться по доставке. P.S. Код для случайного выбора победителей является частью торговой инфраструктуры и попадает под NDA. Мы им выбираем акции :) Quant Researcher

#IMOEX 💫 18 июля начался ретроградный Меркурий. Как вел себя индекс Мосбиржи в прошлые периоды ретроградного Меркурия: 🔴 15.03.25–07.04.25: -15% 🔴 27.11.24–15.12.24: -2% 🔴 05.08.24–29.08.24: -5% 🟢 02.04.24–24.04.24: +1.7% 🟢 13.12.23–02.01.24: +2.7% 🔴 23.08.23–15.09.23: -1% 🟢 21.04.23–15.04.23: +0.4% 🟢 29.12.22–18.01.23: +2.5% 🔴 10.09.22–02.10.22: -18% 🔴 10.05.22–03.06.22: -2% 🔴 14.01.22–04.02.22: -5% В среднем с 2022 года во время ретроградного Меркурия индекс Мосбиржи падет на 3.7%, отмечает астрологический центр Сигналов РЦБ

Вот это, конечно, alternative data, даааа 🥴 Пожалуйста, не надо это торговать… Quant Researcher