Analiza ilościowa (ang. quantitative analysis) to podejście do inwestowania i tradingu, w którym decyzje wynikają z danych, statystyki i modeli matematycznych, a nie z oceny wykresu czy rozmowy z zarządem. Zamiast pytać „czy ta spółka mi się podoba”, analityk ilościowy pyta, czy dana cecha rynku w przeszłości systematycznie przekładała się na wyższą stopę zwrotu i czy ta zależność jest statystycznie wiarygodna.
Specjalistę od tych metod nazywa się potocznie „quantem” (analityk ilościowy). Nie myl tego z projektem Quant Network i jego tokenem QNT – to osobne hasło.
Na czym polega analiza ilościowa
- Hipoteza – np. „spółki z najsilniejszym wzrostem z ostatnich 12 miesięcy rosną dalej”.
- Dane – ceny, wolumen, dane fundamentalne, dane on-chain, alternatywne źródła.
- Model – reguła lub model statystyczny zamieniający dane na sygnał.
- Backtest – sprawdzenie reguły na historii, z kosztami transakcyjnymi.
- Walidacja – test na danych, których model nie widział, symulacja Monte Carlo, analiza wrażliwości parametrów.
- Wdrożenie i monitoring – zwykle przez algorytmiczny trading, z kontrolą, czy wyniki na żywo zgadzają się z testem.
Główne obszary
| Obszar | Czym się zajmuje |
|---|---|
| Modele statystyczne | regresja, korelacje, szeregi czasowe, modele zmienności |
| Inwestowanie czynnikowe | systematyczne czynniki jak wartość, momentum, jakość, wielkość spółki – szerzej w haśle Factor investing |
| Arbitraż statystyczny | gra na powrót do normy relacji między powiązanymi instrumentami, np. pair trading |
| Zarządzanie ryzykiem | wielkość pozycji, korelacje w portfelu, VaR, obsunięcia |
| Wycena derywatów | modele typu Blacka-Scholesa, zmienność implikowana |
| Egzekucja | minimalizacja kosztu wejścia dużych zleceń, np. algorytmy TWAP |
Klasycznym punktem odniesienia jest model trzech czynników Famy i Frencha, który do ryzyka rynkowego dodał wielkość spółki i czynnik wartości.
Pułapki
- Data snooping – testujesz tak wiele pomysłów na tych samych danych, że któryś „działa” przypadkiem.
- Overfitting – model idealnie dopasowany do historii, łącznie z jej szumem.
- Look-ahead bias – użycie informacji, których w danym momencie nie było, np. wyników opublikowanych później.
- Survivorship bias – baza bez spółek, które zbankrutowały lub zniknęły z indeksu.
- Koszty i płynność – strategia zyskowna na papierze znika po uwzględnieniu spreadu, prowizji i poślizgu.
- Zmiana reżimu – zależność działała latami, aż rynek się zmienił albo zbyt wielu graczy zaczęło ją wykorzystywać.
Narzędzia
Standardem jest Python z bibliotekami do analizy danych, obliczeń numerycznych, statystyki i uczenia maszynowego. W środowisku akademickim popularny jest też R, a w bankach i funduszach przy szybkich systemach – C++. Na start wystarczy arkusz kalkulacyjny i porządne dane – ważniejsza od narzędzia jest dyscyplina metodologiczna.
Przykład: data snooping i koszty
Załóżmy, że testujesz 100 wariantów strategii, z których żaden nie ma prawdziwej przewagi, i uznajesz wynik za istotny przy poziomie 5%. Średnio około 5 wariantów przejdzie test przypadkiem, a prawdopodobieństwo, że przynajmniej jeden „zadziała”, to 1 – 0,95^100, czyli około 99,4%. Najlepszy wynik z takiego przeglądu niemal zawsze wygląda przekonująco.
Drugi scenariusz: arbitraż statystyczny na parze akcji. Różnica cen ma średnią 0 i odchylenie standardowe 2 USD, a dziś wynosi 5 USD, więc z-score = 5 / 2 = 2,5. Reguła: sprzedaj droższy walor, kup tańszy, zamknij przy z-score 0,5. Załóżmy średni zysk brutto 0,05% na transakcję przy 250 transakcjach rocznie – daje to około 12,5% brutto. Przy koszcie 0,03% na transakcję zostaje około 5%, a przy koszcie 0,05% – zero.
Najczęstsze błędy
- Zaufanie backtestowi bez testu na danych spoza próby.
- Pomijanie kosztów transakcyjnych i poślizgu.
- Mylenie korelacji z przyczynowością.
- Skomplikowany model tam, gdzie prosta reguła daje podobny wynik.
- Brak planu na wyłączenie strategii, gdy przestaje działać.
Perspektywa tradera
Nie musisz być quantem, żeby korzystać z jego narzędzi. Każdy trader, który prowadzi dziennik transakcyjny i liczy expectancy swoich setupów, robi prostą analizę ilościową. Najcenniejsze lekcje to pokora wobec losowości i koszty: jeśli przewaga Twojej strategii jest mniejsza niż spread i prowizje, żaden model jej nie uratuje. Warto też pamiętać, że na rynkach płynnych konkurujesz z funduszami ilościowymi, które mają lepsze dane i szybszą egzekucję – szukaj nisz, gdzie ich przewaga jest mniejsza.
Najczęstsze pytania
Czym się różni analiza ilościowa od technicznej?
Analiza techniczna często opiera się na wizualnej interpretacji wykresu. Ilościowa wymaga precyzyjnych reguł, danych i testów statystycznych. Wskaźnik techniczny może stać się elementem analizy ilościowej, jeśli jego skuteczność zostanie rzetelnie przetestowana.
Czy do analizy ilościowej potrzebuję programowania?
Proste testy zrobisz w arkuszu kalkulacyjnym, ale przy większych danych i wielu wariantach praktycznie niezbędny jest Python lub podobny język. Ważniejsze od programowania są statystyka i ostrożność w interpretacji wyników.
Kim jest quant?
To analityk ilościowy – osoba budująca modele statystyczne i matematyczne do wyceny, handlu lub zarządzania ryzykiem. Pracuje w funduszach, bankach, firmach tradingowych, a coraz częściej także w krypto.
Czy strategie ilościowe działają na krypto?
Mogą, bo rynek jest młody i mniej efektywny, ale ryzyka są większe: krótka historia danych, nagłe zmiany reżimu, ryzyko giełdy i płynności. Backtest na kilku latach krypto to znacznie mniej informacji niż kilkadziesiąt lat danych z akcji.
Tekst ma charakter edukacyjny i nie stanowi rekomendacji inwestycyjnej.
