Криптовалюты и математика: можно ли обыграть рынок?

История Джима Саймонса — это не просто история управляющего капиталом, хотя он и является одним из самых успешных в мире. Это рассказ о человеке, который вгляделся в бурлящий, беспокойный мир Уолл-стрит и увидел там не хаос, а порядок — математический порядок в виде таинственных и прекрасных закономерностей. Саймонс, прославленный математик и бывший дешифровщик АНБ, основал хедж-фонд Renaissance Technologies в 1982 году.

Его флагманский фонд, закрытый Medallion Fund, позже станет самым прибыльным в истории, демонстрируя ошеломляющую среднегодовую доходность более 60% на протяжении трех десятилетий. В то время как другие полагались на интуицию, чутье и стандартный анализ, Саймонс и его армия докторов наук в области математики, физики и статистики доверяли лишь двум вещам: самим данным — «электронному шепоту» Уолл-стрит, воспроизведенному на их компьютерах, — и моделям, созданным для их интерпретации. Человек, взломавший код Уолл-стрит; он был «Королем квантов». Однако Renaissance выделяла ее культура — она больше напоминала университетскую кафедру математики, чем типичную амбициозную фирму с Уолл-стрит.

Саймонс культивировал атмосферу глубокого сотрудничества и любознательности, нанимая экспертов, которые зачастую практически не имели опыта в финансах. Он считал, что лучшие идеи рождаются при взгляде на рынок «свежим глазом», свободным от предвзятых представлений Уолл-стрит. Этот неординарный подход оправдал себя: он позволил им на протяжении многих лет развивать методы статистического арбитража и высокочастотной торговли, значительно опережая отраслевые стандарты.

Биография самого Саймонса едва ли походила на путь титана Уолл-стрит. Задолго до того, как он совершил революцию в инвестировании, он был признанным ученым. Его вклад в геометрию и топологию способствовал открытию формы Черна — Саймонса, которая позже стала считаться важнейшим сложным математическим объектом для теории струн и квантовой теории поля.

Эта способность к абстрактному многомерному мышлению выделяла его на общем фоне. Он видел рынок не как совокупность отдельных компаний, а как динамическую систему, управляемую фундаментальными принципами, подобно физической силе. Он подходил к инвестированию как к научной задаче, полагая, что ее можно решить путем сбора достаточного количества данных и применения соответствующих алгоритмов для отделения сигнала от шума.

Его команда поглощала огромные объемы данных — от исторических котировок акций до погодных условий — в поисках любых предсказуемых, неслучайных эффектов, на которых можно было бы заработать. Они создавали сложные алгоритмы, способные автоматически совершать сделки, извлекая прибыль из крошечных, мимолетных неэффективностей, которые человеческий глаз просто не в состоянии заметить. Они не предсказывали направление рынка в долгосрочной перспективе; они лишь находили едва заметные, но надежные преимущества и эксплуатировали их миллионы раз.

Этот подход также в огромной степени опирался на «чистые» данные и мощную инфраструктуру — то, чего традиционным фондам в массе своей катастрофически не хватало. Ключевая идея заключалась в том, что при наличии достаточного объема данных проявятся тонкие закономерности, предсказывающие поведение потребителей. Эти паттерны могли быть незначительными, но при масштабном использовании они приносили колоссальную прибыль.

Старая стратегия, но на новых рубежах

Разумеется, сегодняшний финансовый мир сильно отличается от того, который Саймонс покорил много лет назад. Рынки стали быстрее, глобальнее и бесконечно сложнее. «Низко висящие плоды» рыночной неэффективности, которые когда-то собирал фонд Medallion, давно исчезли — их устранили в ходе арбитража полчища квант-трейдеров, последовавших по стопам Саймонса.

Его оригинальные модели, если бы их представили сегодня, могли бы показаться наивными или неактуальными для современного стремительного алгоритмического трейдинга. Однако считать это поводом для отказа от его наследия было бы в корне неверным выводом. Подлинный гений заключался не в какой-то конкретной модели, а в самом подходе: в понимании того, что рынки — любые рынки, даже те, что кажутся идеально эффективными — полны изъянов и несовершенств. «Идея состоит в том, чтобы создать математическую линзу, достаточно острую, чтобы их разглядеть».

И теперь этот же подход применяется на новейшем и самом авангардном финансовом рубеже — в криптовалютах. Благодаря заоблачной волатильности, стремительному развитию и тому факту, что это исконно цифровая среда (где лишь централизованные биржи представляют собой закрытые экосистемы), экономисты находят в криптосфере настоящий рай. Это мир, основанный на данных, где все транзакции записываются в неизменяемый публичный реестр. Это открывает перед математиками и специалистами по анализу данных богатейшее поле для исследований.

Эти ончейн-данные включают в себя объемы транзакций, балансы кошельков, активность смарт-контрактов и сетевые комиссии, обеспечивая прозрачное представление о внутренних механизмах рынка в режиме реального времени. Картина дополняется огромным массивом оффчейн-данных, таких как глубина стакана ор «Речь идет о поиске структурных неэффективностей — будь то в ценообразовании деривативов, движении капитала между биржами или даже в фундаментальных механизмах системы транзакций блокчейна». Поиск «альфы» переместился из торговых залов Уолл-стрит в децентрализованный мир блокчейна.

Современный математический арсенал

Чтобы ориентироваться в этом новом ландшафте, современные кванты вооружены обширным и сложным арсеналом математических моделей, которые предлагают различные способы интерпретации и понимания рыночных процессов. Они варьируются от модифицированных версий классических финансовых теорий до совершенно новых моделей, разработанных с учетом уникальных особенностей цифровых активов. Одной из базовых идей, пришедших из традиционных финансов, является модель Блэка — Шоулза. По сути, это формула для расчета стоимости деривативов.

Она строится на ряде идеализированных допущений: рынки совершенно эффективны, цены активов следуют предсказуемому «случайному блужданию», известному как геометрическое броуновское движение, а волатильность постоянна. И хотя крипторынок далек от совершенства, модель Блэка — Шоулза по-прежнему остается важным интеллектуальным фундаментом, с которым необходимо сравнивать ценообразование опционов в мире стремительно развивающихся криптодеривативов. Однако ее жесткие допущения часто не выдерживают проверки в мире криптовалют, где волатильность общеизвестно необузданна, а события с «толстыми хвостами» (то есть экстремальные ценовые колебания) происходят регулярно.

Чтобы преодолеть эти ограничения, кванты часто используют более сложные методы. Одна из таких категорий — модели стохастической волатильности со скачками (Stochastic Volatility Jump Models). Эти модели стали ответом на несовершенство формулы Блэка — Шоулза.

Они учитывают два ключевых рыночных факта: волатильность не является постоянной, она меняется со временем случайным (стохастическим) образом; а цены могут подвергаться внезапным резким скачкам или колебаниям (например, из-за выхода важных новостей или ликвидаций). Используя математический аппарат для учета меняющейся волатильности и значительных ценовых скачков, такие модели предлагают более реалистичный (хотя и сложный) взгляд на динамику цен активов — и могут оказаться особенно ценными в турбулентном мире криптовалют.

Еще одним набором подобных инструментов являются методы Монте-Карло. В отличие от одного изящного уравнения, как в модели Блэка-Шоулза, метод Монте-Карло — это подход «грубой силы». Он работает путем проведения многих тысяч, если не миллионов, случайных симуляций будущей траектории рынка на основе таких входных данных, как текущая цена и определенный показатель расчетной волатильности.

Изучая все распределение этих смоделированных результатов, трейдер может сформировать вероятностную интуицию относительно стоимости опционного дериватива или степени риска в портфеле. Такая гибкость неоценима в криптосфере, где активам часто не хватает длительной истории рыночных данных, необходимой для более традиционных моделей, и где все чаще встречаются сложные деривативы, зависящие от траектории цены.

Именно здесь могут пригодиться более современные взгляды на формирование портфеля, такие как стохастическая теория портфеля (SPT). SPT, сформулированная Э. Робертом Фернхольцем, носит скорее описательный, чем нормативный характер. Она не исходит из предположения об идеальной эффективности рынков; вместо этого она опирается на гипотетическое поведение реальных, наблюдаемых рыночных цен как случайных процессов с непрерывным временем. Это контрастирует с классической портфельной теорией, в которой инвестор минимизирует математическое ожидание циклической доходности при постоянном уровне дисперсии.

Это, в свою очередь, открывает возможности для стратегий, стремящихся превзойти рынок в целом не за счет прогнозирования направления его движения, а путем периодической ребалансировки портфеля для использования различных темпов роста его составляющих. Это более тонкий подход, который лучше адаптирован к многообразию и отсутствию корреляции, наблюдаемым в криптомире.

Их дополняет вторая волна методов, разработанных для цифровой эпохи. В аналитических отделах цены на криптовалюты моделируются с использованием методов, заимствованных из байесовских моделей, где они рассматриваются как частицы в динамическом нелинейном потенциале. Ключевая идея байесовской статистики прекрасна в своей простоте: у вас есть априорное представление о чем-либо, которое вы обновляете по мере сбора новых данных. В стремительно меняющемся мире криптовалют это мощная концепция. Байесовская модель способна непрерывно обновлять свои прогнозы по мере поступления новых данных о ценах, объемах транзакций или даже показателях настроений в социальных сетях, что позволяет ей реагировать на изменение рыночных условий в режиме реального времени так, как не могут более статические модели.

Еще одним мощным инструментом является скрытая марковская модель (СММ). СММ предполагает, что рынок может находиться в различных «режимах» или скрытых состояниях — например, в состоянии «бычьего ралли» с высокой доходностью и низкой волатильностью, в режиме «медвежьего рынка» с отрицательной доходностью и высокой волатильностью или в режиме боковой консолидации. Модель анализирует цену и пытается определить, в каком состоянии находится рынок и каково его следующее наиболее вероятное состояние. На рынке криптовалют, столь подверженном резким маятниковым колебаниям настроений, где эйфория может смениться паникой буквально за час, HMM (скрытые марковские модели) становятся теми инструментами, которые проливают свет на смену рыночных режимов и помогают трейдерам освоить навыки, позволяющие адаптироваться к изменениям.

Наконец, модели векторной авторегрессии (VAR) помогают распутать сложную сеть взаимосвязей между различными криптовалютами. На рынке с тысячами взаимосвязанных токенов было бы наивно рассматривать какой-либо актив в изоляции. Модель VAR решает эту проблему, рассматривая множество активов как единую систему. Она позволяет изучить, как ценовой шок такого крупного актива, как Ethereum, распространяется по всей экосистеме, влияя на котировки десятков других токенов в секторах DeFi и NFT. Модель выстраивает карту причинно-следственных связей и эффектов заражения на рынке, показывая, какие монеты задают тренд, а какие следуют за ними, что дает более полное представление о системных рисках и возможностях.

Сила и ловушки алгоритмизированного рынка

Использование этих продвинутых математических моделей для изучения крипторынков открывает большие перспективы, но не лишено опасностей. Преимущества очевидны: это основанная на данных дорожная карта в среде, которая в остальном известна своей исключительной спекулятивностью. Однако каждый квант знает, что его модели — лишь абстракция реальности, и чрезмерное доверие к ним может привести к краху. Здесь необходим баланс: потенциальные выгоды должны быть взвешены против специфических недостатков квант-фондов, чтобы не повторить судьбу тех, кто потерпел неудачу.

Основные преимущества и недостатки приведены ниже:

1. Плюсы: Что касается преимуществ, мы получаем возможность извлекать значимые сигналы из колоссальных объемов данных.

Количественные модели способны выявлять тонкие корреляции и закономерности, скрытые в океане тысяч активов и миллионов сделок, что не под силу ни одному человеку. Это, в свою очередь, ведет к более дисциплинированному и методичному подходу к управлению рисками, при котором убытки можно измерять и контролировать. С другой стороны, эти модели являются «рабочими лошадками» алготрейдинга — они позволяют автоматически исполнять стратегии со скоростью, позволяющей использовать возможности, существующие всего лишь миллисекунды. Такая способность к «обнаружению» жизненно важна в сложных подсекторах, таких как рынок энергии в сети TRON, где тарифы и объемы доступности меняются с молниеносной скоростью. Приверженность систематическому подходу исключает страх и жадность из процесса торговли, что приводит к более стабильному исполнению сделок.

2. Минусы: Самым большим риском является «модельный риск». Любая модель хороша лишь настолько, насколько верны допущения, на которых она основана. Если эти допущения неверны или рыночные условия меняются таким образом, который не был предусмотрен моделью, она может потерпеть сокрушительный крах. Кейс LTCM должен оставаться вечным примером того, что происходит, когда из-за сиюминутной жадности вы рушите всё для всех остальных. Качество входных данных — Лучшие количественные фирмы используют их не как источник абсолютной истины, а как способ понять и справиться с неопределенностью, присущей рынкам. Они постоянно совершенствуют модели, корректируют их и иногда отказываются от них по мере изменения рынка; они знают, что карта — это не территория. Высокодинамичное взаимодействие систем, таких как рынок аренды энергии в сети TRON, является примером такой адаптации, поскольку новые провайдеры и механизмы ценообразования постоянно меняют среду. Успешная квантовая фирма — это в равной степени фирма по управлению рисками, как и фирма по прогнозированию.

В поисках следующего Саймонса

История Джима Саймонса и фонда Medallion — это не просто рассказ о невероятном богатстве, которое он принес: это история об ином образе мышления. Он доказал, что даже в профессии, подверженной влиянию человеческих эмоций и интуиции, здравый эмпирический метод может одержать верх. Он показал, что за шумом и яростью рынков скрывается математическая логика движения цен, которая, хотя и не всегда ведет к точным прогнозам, может создавать обоснованные инвестиционные возможности. Его наследие довлеет над финансовым миром — живой упрек системе, напоминание о том, что рыночный код действительно можно взломать. Это переосмыслило границы достижимого Это арена, где новаторство и математические эксперименты щедро вознаграждаются.

Однако следующему Саймонсу придется нелегко. Конкуренция также стала значительно выше: сотни квант-фондов, больших и малых, прочесывают крипторынки в поисках альфы. Сам рынок рефлексивен: чем больше квантов эксплуатируют рыночную неэффективность, тем быстрее она исчезает. Это бесконечная гонка вооружений, требующая все более сложных моделей и все более высокой скорости исполнения сделок. Это опасный путь, сопряженный с колоссальными трудностями, но если и можно чему-то научиться у Джима Саймонса, так это тому, что, возможно — лишь возможно — вы тоже сможете обыграть рынок, если обладаете математическим гением и достаточными вычислительными мощностями. Именно здесь Netts Energy Market поможет вам найти выгодную цену на Энергию именно тогда, когда она вам необходима: