# DCM Systematic: как зарабатывать на рынке, избегая следования за трендом Источник: https://www.youtube.com/watch?v=QtEnD_3RyMA Канал: Top Traders Unplugged Опубликовано: 02.12.2024 --- В новом выпуске серии Open Interest на канале Top Traders Unplugged ведущий Мориц Зайберт беседует с Жеромом Кало, сооснователем швейцарского квантового хедж-фонда DCM Systematic. В центре дискуссии — стратегии, альтернативные традиционному следованию за трендом (Trend Following), использование машинного обучения в финансах и проактивные методы управления рисками. ## 📈 Альтернатива тренд-фолловингу: поиск ортогональной альфы [[JUMP:04:24]] Жером Кало, имеющий многолетний опыт работы в BlueTrend (один из флагманов тренд-фолловинга под управлением BlueCrest Capital Management), объясняет, почему при создании DCM Systematic в 2014 году он сознательно отказался от стратегий следования за трендом [04:37]. По мнению Кало, рынок CTA (Commodity Trading Advisors) перенасыщен гигантами, использующими импульсные модели. Для инвестора добавление еще одного тренд-фолловера в портфель часто несет лишь избыточный риск без должной диверсификации [07:05]. Программа Diversified Alpha от DCM была запущена в 2016 году с целью стать «ортогональным» дополнением к классическим CTA-стратегиям [07:33]. Ключевые принципы формирования портфеля в DCM: * **Исключение тренда:** Авторы сознательно ограничивают свои модели, чтобы они не коррелировали с индексом Societe Generale CTA [08:13]. * **Мультистратегический подход:** Использование более чем 25 индивидуальных систематических моделей на ликвидных фьючерсных рынках [04:11]. * **Дополнение, а не замена:** Кало утверждает, что их подход не отрицает эффективность тренд-фолловинга, а сидит «рядом» с ним в портфеле аллокатора [08:00]. ## 🧠 Три столпа стратегии DCM: Поведенческие факторы, Relative Value и Макро [[JUMP:09:58]] Стратегии фонда разделены на три ключевых блока, каждый из которых эксплуатирует определенные рыночные неэффективности. ### 1. Поведенческие модели (Behavioral) [[JUMP:11:05]] Вместо того чтобы пытаться предсказать движение цены напрямую, DCM анализирует действия крупных участников рынка. Кало задает вопрос: «Что легче — предсказать рынок или предсказать участников, использующих известные стратегии?» [11:20]. * **Антиципация потоков (Flow anticipation):** Модели отслеживают «отпечатки», которые оставляют крупные фонды при ребалансировке позиций (Carry, Value, Momentum) [12:01]. Поскольку гиганты не могут выйти из позиций мгновенно, их операции создают предсказуемое давление на цены в течение нескольких дней [12:14]. * **Эффекты конца месяца:** По словам Жерома, несмотря на академическую изученность, «эффект конца месяца» сохраняется, так как крупные пулы капитала работают по жестким календарным графикам отчетности и ребалансировки [21:58]. * **Shock Impulse:** Модели анализируют реакцию рынка на резкие шоки (2 сигма). Опыт показывает, что после таких скачков часто происходит овершутинг (чрезмерное движение), за которым следует нормализация в течение недели [15:20]. ### 2. Relative Value и спредовая торговля [[JUMP:23:46]] В этом блоке фонд ищет возможности для арбитража между взаимосвязанными инструментами, такими как Brent против WTI или корзины валют [24:14]. * **Статистический арбитраж на FX:** DCM использует факторные модели (3-факторная модель объясняет до 80-90% вариативности валют G10) [25:06]. Однако они игнорируют основные драйверы и торгуют оставшимися 10-15% «необъяснимой» вариативности — идиосинкразическими отклонениями, которые склонны к возврату к среднему (mean reversion) в пределах 10-20 дней [26:52]. * **Торговля кривой (Term Structure):** Использование разницы в наклоне кривых фьючерсов (контанго/беквордация) для извлечения ролл-доходности при нейтрализации спотового риска [30:51]. ### 3. Макро-модели [[JUMP:41:48]] * **Долгосрочные сигналы:** Использование данных по инфляции (CPI) и собственных моделей «nowcasting» для принятия позиций в облигациях и валютах на срок более месяца [42:27]. * **Межрыночные связи (Cross-asset):** Кало отмечает сильную компрессию рынков: из 75 торгуемых контрактов реальных «степеней свободы» (независимых факторов) осталось всего около 20 [44:13]. Это следствие глобализации и синхронизации потоков капитала после 2008 года [45:09]. DCM использует это для переноса сигналов: например, поведенческий сигнал с рынка нефти Brent может быть реализован через корзину валют, имеющих высокую прокси-корреляцию с нефтью [46:04]. ## 🛡️ Управление рисками: Проактивность против реактивности [[JUMP:34:25]] Жером Кало подчеркивает, что управление рисками в DCM так же важно, как и генерация сигналов. Он выделяет два подхода: 1. **Проактивный риск-менеджмент:** Регулярное проведение стресс-тестов на основе исторических сценариев («черных лебедей»). 2. **Реактивный риск-менеджмент:** Корректировка позиций по факту роста реализованной волатильности [37:34]. Особое внимание уделяется сценариям типа «Volmageddon» (февраль 2018 года). DCM внедряет в систему ограничения: «Если подобный сценарий повторится завтра, я не хочу потерять более 2% на этой сделке» [36:00]. Фонд категорически не входит в короткие позиции по индексу VIX, предпочитая быть в «длинной волатильности» во время рыночных шоков для защиты портфеля [32:36]. ## 🤖 Машинное обучение: Ожидания против реальности [[JUMP:48:35]] Несмотря на наличие PhD в области машинного обучения (ML) у Кало и других членов команды, он призывает к осторожности в использовании ИИ в трейдинге [48:50]. Основные проблемы применения LLM и глубокого обучения в финансах по мнению Кало: * **Низкое соотношение сигнал/шум:** В отличие от обработки изображений, на рынках фундаментальные события (например, снижение ставки ФРС) могут полностью перекрыть технический сигнал, что путает модель [52:03]. * **Отсутствие стационарности:** Если правила сворачивания белков в биологии не менялись миллионы лет, то правила на рынках меняются постоянно из-за изменения состава участников и их поведения [53:09]. * **Недостаток данных:** Для обучения качественных моделей (как GPT) требуются триллионы токенов. В финансах на дневных таймфреймах данных катастрофически мало. Использование ML более перспективно на высокочастотных данных (1-минутные бары), где объем выборки значительно выше [50:13]. Кало резюмирует, что рынок — это «движущаяся мишень» [55:48]. Те паттерны, которые работали 10 лет назад, отмирают из-за распространения информации (как это случилось с доходностью старых товарных индексов), поэтому фокус на непрерывных исследованиях является единственным способом выживания квантового фонда [56:15].