تحلیل کمّی یا کوانت دقیقا چیست؟ مزایا، چالش ها و استفاده در بازارهای سرمایه
به طور خلاصه و کلی، تحلیل کمّی یا کوانت (Quantitative Analysis یا QA) یعنی استفاده از اندازه گیری عددی، روش های ریاضی و آماری برای درک رفتار مدل مورد نظر. به عبارت دیگه تحلیلگران کمّی، هم حقایق رو با عدد دریافت و استفاده می کنن، و هم یافته هاشون رو با عدد بیان می کنن.
مثلا یه تحلیلگر کیفی (Qualitative) آب و هوا میگه امروز هوا خیلی شرجیه، اما یه تحلیلگر کمّی آب و هوا میگه امروز رطوبت هوا بالای 70 درصده!
در این مقاله، می خوام شما رو با تحلیل کمّی در بازارهای سرمایه آشنا کنم. تو مقدمه که گفتم خود تحلیل کمّی چیه. بعدش میگم که به طور کلی تحلیل کمّی تو بازارهای سرمایه یعنی چی. در ادامه تاریخچه تحلیل و سرمایه گذاری کمّی رو با هم مرور می کنیم و با تجزیه و تحلیل کیفی مقایسه ش می کنیم. در نهایت، میگم که کجاها و چطوری ازش استفاده می کنن، مزایا و چالش هاشو مرور می کنیم و زیرشاخه های عملی شو باهم می بینیم.
توجه: این یک مقاله مفصل و طولانیه برای کسایی که می خوان ته مفهومی و فلسفی ماجرا رو در بیارن!
اگر به دنبال موارد ملموس تر و نزدیک به واقعیت هستید و مشاهده ویدئو رو ترجیح می دید، پیشنهاد می کنم دوره آشنایی با سرمایه گذار کوانت و معاملات الگوریتمی رو مشاهده بفرمایید.
تحلیل کمّی در بازارهای سرمایه چطور انجام میشه؟
در دنیای مالی و بازارهای سرمایه، تحلیل کمّی عبارت است از روش های ریاضی و آماری برای تعیین یا پیش بینی مقدار یک متغیر مطلوب (یعنی طلب شده، خواسته شده – نه لزوما خوب).
تو مثال بالا، متغیر مطلوب درصد رطوبت هواست. اما در بازارهای سرمایه، متغیر مطلوب مثلا می تونه ارزش اختیار معامله (Option یا آپشن) یا قیمت بازدهی سهم از الان تا ماه آینده باشه که در این مثال ها، اولی نوعی تعیینه و دومی پیش بینی.
قلب هر نوع تحلیل کمّی مدله و مدل سازی در اینجا یعنی ارائه یک بیان ریاضی از یک وضعیت. حالا چرا ریاضی، برای اینکه بشه حلش کرد. اگه ریاضی باشه، کامپیوترها خیلی سریع تر و دقیق تر از آدم ها می تونن حلش کنن.
درنتیجه این مدل باید ورودی، محاسبات و خروجی ش مشخص و درست باشه تا بشه تفسیر و ازش استفاده کرد. وگرنه بی معنی و بی مصرف خواهد بود. منظور از متغیر مطلوب در پاراگراف بالا هم همون خروجی مدل هست.
مدل ها می تونن به سادگی میانگین، یا به پیچیدگی یک عامل (Agent) خودمختار و خودآموز باشن. تو بازارهای سرمایه، اولی می تونه اندیکاتور SMA باشه و دومی، می تونه یه استراتژی مدیریت سبد براساس یادگیری تقویتی (Reinforcement Learning یا RL) باشه.
دینگ: ورودی، محاسبات و خروجی SMA که مشخصه، اما تفسیرش چی میشه …؟! رو چه حسابی به عنوان حمایت، مقاومت یا هر مفهوم دیگه ای تفسیرش می کنن …؟!
بنابراین، اگر من حتی از یه SMA برای تحلیل و ترید استفاده می کنم، حداقلش اینه که دارم از تحلیل کمّی هم استفاده می کنم! اگر از هیچ اندیکاتوری استفاده نمی کنم اما قبل از خرید یه بررسی ای انجام میدم، مثلا از فلانی سیگنال می گیرم یا چارت رو نگاه می کنم و یه حدس هایی می زنم، دارم تحلیل کیفی می کنم. اگر هم اصلا بررسی نمی کنم، مثلا پولم رو سپردم به صندوق ها، که دیگه اصلا تحلیل نمی کنم.
همون طور که درست حدس زدید، هرکدوم از این سه روش رو میشه به درستی انجام داد. حتی میشه هر سه روش رو به درستی ترکیب کرد! مهم اینه که روش مورد نظر رو به درستی استفاده کنید و برای این مهم، باید اون روش رو بلد باشید.
هدف من و سایت سرمایه گذار کوانت، آموزش استفاده درست از روش اول یا همون تحلیل کمّی در ترید و سرمایه گذاری هست.
کوانت چیه؟ یا کیه؟!
افرادی هستن که از این مدل های ریاضی و آماری برای تحلیل یا حتی ترید استفاده می کنن. به این کار میگن تحلیل/ترید کمّی (Quantitative Analysis/Trading) و به شخصی که این طوری تحلیل یا ترید می کنه اصطلاحا و به اختصار میگن کوانت (Quantitative Analyst/Trader یا Quant).
از طرف دیگه چون امروزه خیلی ضایعه که محاسبات ریاضی و آماری رو با قلم و کاغذ انجام بدیم، لذا کوانت ها محاسباتشون رو با روش های سیستماتیک انجام میدن. همچنین، چون این محاسبه قراره مدام تکرار بشه، بازهم ضایع و ناکارا ست که این محاسبات با ماشین حساب فیزیکی یا کامپیوتری انجام بشه.
در نتیجه، این عزیزان نرم افزارهایی می نویسن یا تهیه می کنن که به طور خودکار ورودی های مدل مورد نظر رو بگیره، محاسبات تکراری رو انجام بده و در نهایت نتایج رو تولید کنه. متاتریدر، تریدینگ ویو یا هر ابزار رسم اندیکاتورهای تکنیکالی، نمونه ای از نرم افزار هاین که میشه تهیه کرد و حتی میشه باهاشون کد نوشت.
دینگ: یعنی منم کوانتم خودم خبر ندارم …؟!
نه لزوما. اما به احتمال بسیار زیاد دارید ناخودآگاه از تحلیل کمّی استفاده می کنید!
کوانت ها هیچ کاری با معیارهای کیفی مثل “نزدیک”، “خوب” و امثالهم ندارن. فقط و فقط با عدد و رقم سر و کار دارن. مثلا نمیگن وقتی قیمت نزدیک حمایت بود می خرم. چون “نزدیک” و “حمایت” عدد و رقم نیستن! بجاش مثلا میگن اگر قدر مطلق تفاضل قیمت و آخرین پیوت یازده کندلی کمتر از نصف ATR 14 روزه بود، می خرم …!!!
حالا فایده هم داره این کارا …؟! البته که داره! مقاله بعدی که می نویسم، در مورد سرمایه گذاری کوانت خواهد بود و اونجا به مزایا و چالش های کوانت بودن می پردازم. تو دوره آشنایی با سرمایه گذاری کوانت و معاملات الگوریتمی هم مفصل در این خصوص صحبت کردم. فعلا اینو داشته باشید که مدل ترید (Trading Model) این عزیزان رو میشه خودکارسازی (Automation) کرد، اما روش های کیفی رو نمیشه …!
ضمنا یادآوری می کنم، اگر حتی از یک اندیکاتور استفاده می کنید، دارید از تحلیل کمّی استفاده می کنید. چون دارید از یه مدل ریاضی یا آماری استفاده می کنید! حتی اگر از معیارهای کیفی استفاده کنید، مثلا “نزدیک SMA 200 روزه”، دارید تحلیل کمّی رو با تحلیل کیفی ترکیب می کنید.
پس اگر از نتایج ترید و سرمایه گذاری تون راضی نیستید، شاید باید یاد بگیرید که درست و دانسته از تحلیل کمّی استفاده کنید …!
تاریخچه ورود تحلیل کمی به بازارهای سرمایه
بی نهایت کار در این زمینه انجام شده، اما من اینجا به اولین موارد استفاده از تحلیل کمّی در مالی و بازارهای سرمایه اشاره می کنم.
در سال 1900 آقای لویی باچلیر (Louis Bachelier) مدلی برای قیمت گذاری آپشن ها تعریف، و در تز دکترای خودش با عنوان “تئوری سفته بازی” (Theory of Speculation) ارائه کرد و این سرآغاز مالی کمّی (Quantitative Finance) بود.
هری مارکوویتز (Harry Markowitz)، در سال 1952 مقاله ای با عنوان “انتخاب سبد سرمایه گذاری” (Portfolio Selection) رو در ژورنال مالی (Journal of Finance) منتشر کرد. او در این مقاله “تئوری مدرن سبد سرمایه گذاری” (Modern Portfolio Theory) رو ارائه کرد و به خاطرش جایزه نوبل اقتصاد گرفت و بدین سان، سرمایه گذاری کوانت (Quantitative Investment) متولد شد.
تفاوت اصلی تحلیل کمی با تحلیل کیفی
تفاوت اصلی در نحوه نگرش و استفاده از داده هاست. در مورد نگرش، یه مثالش همون بود که تو بخش “کوانت چیه” در مورد نزدیک بودن به حمایت گفتم.
به عنوان یه مثال دیگه، اندیکاتور SMA رو در نظر بگیرید. قبلش هم بگم این مثال ها لزوما سودآور نیستن. فقط می خوام تفاوت نگرش رو بهتون نشون بدم. هر چند مثال کوانت که در ادامه میگم، به شرط برآورده شدن “اگر”ش سودآور هست!
تلیلگر کیفی به چارت و فاصله قیمت از SMA نگاه می کنه و اگه فاصله به نظرش زیاد اومد، شاید اخطاری باشه برای کاهش قیمت به سمت SMA و اگر قیمت نزدیک و بالای SMA بود، احتمالا همون حوالی حمایت خواهد شد.
اما تحلیلگر کوانت یه برنامه می نویسه یا با استفاده از یه ابزار موجود، دیتای یک سال اخیر رو می گیره، به ازای هر کندل، کلوز رو از SMA اون نقطه تفریق می کنه و یه تست مانایی (Staionarity) از سری زمانی حاصله می گیره. اگر مانا (Stationary) نبود، می ندازدش کنار و میره سراغ تست مدل بعدی یا بهبود مدل فعلی.
اما اگر مانا بود، چشماش برق می زنه! کران های بالا و پایین سری زمانی حاصله رو به کمک انحراف معیار محاسبه می کنه و استراتژی ورود و خروج، میشه اینکه هر وقت دیتا از کران پایین به سمت بالا کراس کرد بخر، و هر وقت از کران بالا به سمت پایین کراس کرد، بفروش!
پیچیده و سخته؟ برای کسی که بلد نیست بله، اما برای یه کوانت اصلا! این یه نمونه از ساده ترین و آبکی ترین کارهاییه که یه کوانت می تونه انجام بده. خب مزیتش چیه؟!
- این استراتژی کوانت رو میشه خودکارسازی کرد، اما اون استراتژی کیفی رو نمیشه.
- به شرط برآورده شدن اون “اگر” و از بین نرفتن مانایی دیتا، اون استراتژی کوانت می تونه تا ابد سود بده …!!!
ایده آل و غیرواقعی به نظر میرسه؟ تا حدودی باهاتون موافقم، اما حداقلش ما کوانت ها یه چارچوب مشخص و همیشه معتبر برای تعریف و تست استراتژی های نوسان گیری داریم! اما تحلیلگران کیفی؟! نمی دونم از خودشون بپرسید!
این میشه تفاوت در استفاده از دیتا. کوانت های کاربلد از دیتاهایی برای پیش بینی استفاده می کنن، که تست های آماری مربوطه (تو این مثال مانایی) رو پاس کرده باشه! اما تحلیلگرای کیفی؟! نمی دونم! از خودشون بپرسید …!
مزایا و چالش های تحلیل کمّی
البته که چالش ها و سختی های خودشو داره، اما من معتقدم که به مزایا و قابلیت هاش می ارزه. تو دوره آشنایی با سرمایه گذاری کوانت و معاملات الگوریتمی به طور کامل به مزایا و چالش های هر دو مقوله سرمایه گذاری کوانت و معاملات الگوریتمی پرداختم. اینجا یه اشاره مختصر می کنم.
دینگ: سرمایه گذاری کوانت با معاملات الگوریتمی فرق می کنه …؟!
قابلیت خودکارسازی (Automation)
به عقیده من، مهم ترین مزیت این روش ها قابلیت خودکارسازی شونه.
امروزه قلب فنّی هر بیزینسی، پشته فناوری (Technology Stack) یا اسرار تجاری اش نیست، بلکه قابلیت خودکارسازی فرایند هاشه! به عبارت دیگه شما اگه نتونید فرایندهای کاری تون رو خودکار سازی یا برون سپاری کنید، هیییچ پیشرفت خاصی نخواهید داشت! تو ذهنتون برگردید دنبال یه شخص یا شرکت موفق، که از خودکارسازی یا برون سپاری استفاده نمی کنه …
همچنین یادتون باشه که خودکارسازی با اختلاف از برون سپاری و استخدام بهتره!
سرعت و دقت در انجام عملیات
مزیت بزرگ بعدی، سرعت انجام عملیات در این رهیافت هست.
اگر تا حالا یه سهم یا کوین رو به قصد ورود تحلیل کرده باشید، کاملا درک کردید که چقدر زمان بر و انرژی بره. در نهایت، احتمال اینکه خسته و بی خیال بشید یا اشتباه کنید هم زیاده. اما این روش ها در کسری از ثانیه، پیچیده ترین بررسی های آماری رو با دقت انجام میدن.
قابلیت کاهش هزینه و ریسک
سومین مزیت بزرگ روش های کمّی، کاهش هزینه ها و ریسک هست.
فرض کنید یه تیم ترید 10 نفره داره تحت نظارت شما کار می کنه. به فرض محال که همیشه کاری که ازشون خواستید رو به دقت انجام میدن، اگه بتونید کار 5 نفرشون رو خودکارسازی کنید و بسپریبد به یه فسقل ربات نرم افزاری، در آنِ واحد هم هزینه ها و هم ریسک رو کاهش دادید. که این یعنی سودتون رو افزایش دادید.
حالا این ور ماجرا …
چالش های استفاده از تحلیل کمّی
همه اون مزایا، تو دلشون چالش هایی دارن که من در یک جمله کاربردی و اصل مطلبی، بهشون اشاره می کنم:
80% این بازی ریاضی و آماره، 20% دیگه ش برنامه نویسی و کارهای کامپیوتری و نرم افزاری.
باید مدل ها رو بشناسید، پیش فرض ها و “اگر” هاشون رو درک کنید، تست های آماری مرتبط رو بلد باشید و در پایه ای ترین سطح، چندتا مفهوم ریاضی رو باید در حد یک ریاضی دان درک کنید …!
همچنین باید کد نویسی مرتبط با آمار و مباحث سرمایه گذاری رو یاد بگیرید، و حوصله رفع اشکال (اصطلاحا دیباگ) های این قبیل کدها رو داشته باشید. هر کدوم از این موارد رو به درستی درک نکرده باشید، پای عمل که برسه به احتمال زیاد مدل و استراتژی تون میره تو در و دیوار …
ترسناک شد؟! نترسید …! من یه بار این مسیر رو رفتم، پدر خودمو دراوردم و این موارد و یه سری ملزومات دیگه رو در قالب یک عصاره چگال اما قابل فهم و کاربردی، تحت عنوان دوره جامع سرمایه گذاری کوانت ساختم و تقدیمتون می کنم.
نظرات شرکت کنندگان دوره جامع سرمایه گذاری کوانت رو بخونید تا ببینید این عصاره، اون چیزی که ادعا می کنم هست یا نه.
تحلیل کمّی معمولا به چه شکلی در ترید و سرمایه گذاری استفاده میشه؟
پیشرفت در فن آوری محاسبات و ارزون شدن منابع سخت افزاری و محاسباتی، باعث شده که بتونیم روز به روز الگوریتم ها و درنتیجه نرم افزارها مون رو پیشرفته تر و پیچیده تر کنیم. لذا منطقیه که هرجا انسان کم بیاره، از این متدها استفاده کنیم.
با توجه به خستگی و خطا پذیر بودن انسان به دلایل مختلف، جاهایی که این کاستی های انسانی بارز و ریسک آور میشه، از تحلیل کمّی و نتیجه اجرایی ش (یعنی الگوتریدینگ) استفاده می کنن.
معمولا در اجرای استراتژی های معاملاتی بی وقفه (مثلا بازرهای 24 ساعته)، الگوریتم های خاص منظوره مثل بازارگردانی (Market Making) و سفارش گذاری بهینه (Optimal Order Execution) و تحلیل و تست های آماری پیچیده، از این متدها استفاده میشه.
همچنین گل سرسبد این حرکتا که همیشه هم برای از ما بهترونه، همون ترید پر بسامد (High Frequency Trading) یا HFT، تماما و 100% متکی به تحلیل کمّی و الگوتریدینگ هست.
زمینه های شغلی تحلیل کمّی در بازارهای سرمایه
کارهای زیادی در زمینه مالی و سرمایه گذاری براساس تحلیل کمّی انجام میشه و شغل های گوناگونی در این موارد وجود داره. اینجا سعی کردم به شاخه های اصلی و کاربردی این قبیل کارها در ارتباط با بازارهای سرمایه اشاره کنم:
- تدوین و توسعه استراتژی های معاملاتی
- طراحی و توسعه الگوریتم های تشکیل، مدیریت و بهینه سازی سبد سرمایه گذاری.
- روش ها و ابزارهای قیمت گذاری ابزارهای مشتقه و اختیارهای معامله.
- طراحی و توسعه الگوریتم ها و ابزارهای مدیریت ریسک و سرمایه.
- طراحی و پیاده سازی ابزارهای تحلیلی و پلتفرم های معاملاتی.
جمع بندی
در بسیاری از استراتژی های سرمایه گذاری، ترکیبی از هر دو رهیافت کمی و کیفی، و به طرق مختلف استفاده میشه.
میشه از ابزارها و استراتژی های کوانت برای شناسایی موقعیت های بالقوه استفاده کرد و بعد براساس استراتژی های کیفی و تحلیل انسانی، تصمیم به استفاده از موقعیت یا رها کردنش گرفت. مثال رایج این روش، استفاده از دیدبان بازار و بعد تحلیل گزینه های فیلتر شده با استراتژی انسانی هست.
برعکسش هم میشه. مثلا از بین یک سری گزینه محدود (فرضا نمادهای بزرگ و نقد شونده) و به کمک تحلیل کمّی و ابزارهای مربوطه، سبدی رو تشکیل بدیم که بیشتری بازدهی تعدیل شده با ریسک رو داشته باشه. درنتیجه
نه تنها هیچ اشکالی نداره، بلکه کاملا مرسومه که ترکیب کامل کننده ای از این روش ها طراحی و استفاده بشه.
فراموش نکنید که نه آب بده و نه آتش! خیلی وقتا هم همزمان از هر دو شون استفاده می کنیم – مثل آشپزی!
متشکرم از وقتی که صرف خوندن این مقاله کردید و امیدوارم براتون مفید باشه. عنوان مقاله بعدی “سرمایه گذاری کوانت دقیقا چیست” خواهد بود.
محتوای این مقاله از دوره آشنایی با سرمایه گذاری کوانت و معاملات الگوریتمی و دوره جامع سرمایه گذاری کوانت گرفته و بسط داده شده است.
مراجع
درباره محمدامین ساقی زاده
سرمایه گذار کوانت | مدرس | مشاور. اطلاعات بیشتر در صفحه "درباره من".
نوشته های بیشتر از محمدامین ساقی زادهمطالب زیر را حتما مطالعه کنید
آرشیو لایوهای تحلیل و ترید روزانه با اپلیکیشن QuantCT
اپلیکیشن QuantCT رو در عمل ببینید! به همراه نکات کاربردی یافتن سیگنال و ورود و خروج توسط سازنده اپلیکیشن
آموزش اپلیکیشن QuantCT به همراه نکاتی جهت یافتن سیگنال های سودآور در بازار کریپتو
در کمتر از 10 ثانیه، از تمامی سیگنال های سودآور و موقعیت های مناسب بازار کریپتو مطلع شوید!
دیدگاهتان را بنویسید