📚3 книги, которые должен освоить каждый квант

Недавно на quant.courses зашел разговор о ключевых книгах, разобравшись в которых можно создать прочную базу для успешного прохождения любого собеседования.

Важно именно разобраться в концептах из книг, а не просто прочитать. Разобраться — это значит прорешать все задачи в конце глав и понять каждую формулу. Благо, сейчас есть ChatGPT; еще 5 лет назад нам приходилось искать другие источники, чтобы разобраться в непонятных моментах из этих книг.

1. Options, Futures, and Other Derivatives, Джон Халл. Библия деривативов. Объемная книга с академической базой, необходимой для работы с производными финансовыми инструментами. Ее плюс в том, что она охватывает и базовые инструменты: акции, облигации и т.д.

2. Trades, Quotes and Prices: Financial Markets Under the Microscope, Жан-Филипп Бушо. Лучшая книга по микроструктуре рынка. Внимание: может вызвать много вопросов по матанализу!

3. Advances in Financial Machine Learning Маркос Лопес де Прадо. Книга о применении машинного обучения в финансах. Примечателен и ее автор, Маркос Лопес де Прадо, редкий случай академика, успешно работающего в хедж-фонде.

Вдумчивый читатель заметит, что в списке нет книг Кирилла Ильинского. Администрация канала считает, что еще никто в мире не смог разобраться в них до конца. Это настоящая библия кванта, которую нужно перечитывать многократно, каждый раз открывая для себя новые уровни смыслов.

Quant Researcher

🧢 Зачем изобретать велосипед, если можно форкнуть мотоцикл

finstruments — библиотека для управления финансовыми инструментами на Python. За счёт модульной архитектуры, можно создавать кастомные инструменты для любых типов активов и сохранять их в JSON для интеграции с API и базами данных.

Что внутри:
- Поддержка популярных инструментов: форварды, опционы, позиции, портфели, пр.
- Возможность расширения и кастомизации.
- Сериализация/десериализация в JSON.
- Функции расчета дат, бизнес-дней, выплат и прочих финансовых операций.

🪂 Пример создания опциона на акцию

from finstruments.instrument.equity import EquityOption, CommonStock
from finstruments.instrument.common.option.enum import OptionType
from finstruments.instrument.common.option.payoff import VanillaPayoff
from finstruments.instrument.common.exercise_style import AmericanExerciseStyle
from datetime import date

equity_option = EquityOption(
    underlying=CommonStock(ticker='AAPL'),
    payoff=VanillaPayoff(option_type=OptionType.PUT, strike_price=100),
    exercise_type=AmericanExerciseStyle(
        minimum_exercise_date=date(2022, 1, 3),
        expiration_date=date(2025, 1, 3)
    )
)

🧘‍♂️ Пакет легковесный, ставится одной командой

pip install finstruments

Идеальный инструмент для новичков, кто хочет подсмотреть, как и с чего начать писать классы для инструментов.

Quant Researcher

🚀 Торговля Вегой: Как использовать волатильность в своих стратегиях!

Наблюдая All-time high по BTC сразу вспоминается статья, как эффективно использовать Вегу в торговле опционами, особенно в условиях высокой implied-волатильности (IV).

📈 Почему Вега важна?

Вега измеряет, насколько цена опциона изменится при изменении implied-волатильности на 1%. Это критически важно, так как высокая IV указывает на ожидаемые значительные колебания цен. Важно помнить, что IV имеет разную волатильность в разных экспирациях.

⏳ Корректировка срока действия опционов в зависимости от волатильности:

Важно адаптировать вега-экспирации к уровню IV:

Высокая IV -> котроткие экспирации. Мы хотим владеть Гаммой вместо Веги, которая overpriced в момент высокой IV. Это позволяет заработать на повторном прыжке, так как цена опционов с короткой гаммой быстрее меняется, чем цена котрастов с далекой вегой.

Средняя IV -> плавный роллинг короткой гаммы в далекие вега-экспирации. Далекая вега на релаксации после прыжка может еще дорого стоить.

Никзая IV -> лучшее время покупать подешевевшую вегу.

В момент Vol-jump-а эта стратегия фиксирует профит и роллит позицию в коротку гамму. Это и есть динамическая long-vol стратегия, которая имеет ниже cost of carry, чем константный роллинг далеких экспираций.

Quant Researcher

🐩 Как принимать умные решения в условиях неопределенности?

📘 "Algorithms for Decision Making" — гид по алгоритмам, которые помогают находить ответы, когда данных мало, времени в обрез, а решение принять необходимо.

🗿 Что внутри?

Вероятностное мышление: как строить и учить модели для анализа рисков и прогнозов.

Планирование: решения для последовательных задач с использованием методов онлайн и оффлайн планирования.

Работа с неопределённостью: исследование безмодельных подходов, управления состоянием и обучением на ходу.

Мультиагентные системы: взаимодействие агентов, работа в команде и коллективные стратегии.

🤲🏻 Для кого?

Для тех, кто увлекается машинным обучением, оптимизацией или инженерными системами.

Особенно полезно, если работаете с системами, где требуется мгновенная реакция и адаптация (квантам соболезнуем).

📂 Скачать книгу

Отличный сборник, чтобы что-то повторить, что-то осознать с другой стороны, и вообще подумать, как мы принимаем решения.

🧖‍♂️ С формулами, кодом и даже отсылками к обучению с подкреплением.

Quant Researcher

Ссылка: https://github.com/jgatheral/RoughVolatilityWorkshop

Understand Deep Learning: Free Online Book

Если вы хотите провести начало 2025 года за погружением в мир DL, то эта книга будет отличным началом.

Она распространяется бесплатно через сайт, на котором также выложены Jupyter-ноутбуки с кодом. Не придётся больше страдать, перепечатывая код из книги 2016 года на Python 2.0 или R.

Книга охватывает все необходимые темы: от функций потерь (Loss Functions) до трансформеров и Diffusion models.

На сайте также представлен список «Further Reading», который поможет углубиться в любую интересующую вас тему.

Нам бы такой ресурс в 2015-м!

Quant Researcher

Что почитать на новогодних каникулах?

Подготовили список полезных книг и материалов для изучения в праздники.

Матчасть в финансах

1. Options, Futures, and Other Derivatives by John Hull
Библия деривативов. На многих трейдинг-десках её выдают всем, кто не проходил базовый курс по деривативам в университете.

2. Bond Markets, Analysis, and Strategies (10th Edition) by Frank J. Fabozzi
Библия облигаций, после которой весь мир Fixed Income станет для вас понятным.

3. Pricing and Trading Interest Rate Derivatives: A Practical Guide to Swaps by J Hamish M Darbyshire
Основательный гайд по свопам и деривативам на процентные ставки.

4. Expected Returns: An Investor's Guide to Harvesting Market Rewards by Antti Ilmanen
Фундаментальная книга про концепцию рыночных риск-премий.

Математика

5. Mathematical Modeling and Computation in Finance
«101» по математике в финансах.

6. Financial Mathematics, Derivatives and Structured Product
Поможет раз и навсегда разобраться с необходимой для прайсинга деривативов математикой.

Микроструктура рынка

7. Trades, Quotes and Prices: Financial Markets Under the Microscope by Jean-Philippe Bouchaud
Хардкорная книга от группы PhD об устройстве микроструктуры рынка.

8. Algorithmic and High-Frequency Trading by Álvaro Cartea
«101» по HFT и алгоритмической торговле.

Machine Learning in Finance

9. Advances in Financial Machine Learning by Marcos Lopez de Prado
Книга Маркоса Лопеса де Прадо о методах машинного обучения в финансах.

10. Machine Learning for Asset Managers by Marcos M. López de Prado
Вторая книга от де Прадо о машинном обучении применительно к управлению активами.

Авторы канала не могут начать 2025 год без рекомендации Лекций Ильинского. Эту базу стоит пересматривать регулярно!

Quant Researcher

🐸 Да кто такой этот ваш квант?

Позвали коллег, чтобы обсудить, кто такие КВАнты и чем они занимаются, получить советы по образованию и обучению, а также узнать, почему работа кванта — это бесконечный челлендж и какие возможности для роста она открывает.

Таймкоды:
00:23 - Про профессию Бориса
01:20 - Какие бывают кванты и чем они занимаются?
03:03 - Где работают такие специалисты?
03:54 - Кто может стать квантом?
04:32 - Про финансовую математику
05:05 - Из Data Science в Кванты
06:43 - База для квантов
08:17 - Старт Александра в индустрии
09:13 - Старт Бориса в профессии
10:29 - Большие деньги квантов
12:19 - Базовые стратегии квантов
13:20 - Где учиться на Кванта?
14:14 - 20 книг, чтобы стать квантом
15:20 - Best moment

💅 Если вы уже готовы стать КВАнтом, приходите на курсы: quant.courses.

Quant Researcher

Я сейчас сдохну. Чуваки из хеджфонда сделали революционную LLM и вот это их функция рэнкинга в GRPO. Ничего не напоминает? А еще видимо как люди которым не привыкать писать лоу левел код для торговых систем они там на ручнике аллокациями памяти управляют вместо import pytorch as py.

Зачем учить базу в финансах?

Чтобы не переизобретать велосипед, как сделали авторы одной статьи. Они обучили сложную нейронку, докрутили RL и для весов выбрали функцию, которая очень напоминает классическое Sharpe Ratio.

Весь этот сложный алгоритм можно заменить на простой портфель Марковица с Efficient Frontier или в лоб Mean-Variance Optimization.

Это самая типичная ошибка, которую совершают Data-Scientists в финансах. Сразу пытаются зарядить супер-сложный алгоритм или нейронку. В итоге выходит не лучше любого базового алгоритма. По этой же причине более 99% статей по ML в финансах никогда не показывают положительный PnL на проде.

Чтобы не совершать таких ошибок, надо учить базу. Можно начать с книги Де Прадо:
1. *Advances in Financial Machine Learning* – ссылка
2. *Machine Learning for Asset Managers* – ссылка

А вся база выложена здесь: 20 обязательных книг для кванта

Quant Researcher