Radosław Kwiatkowski
Uczenie maszynowe nie eliminuje ryzyka inwestycyjnego — zmienia tylko to, jak je rozumiemy i mierzymy.
Skąd pochodzi to podejście
Przez ponad dekadę pracowałem na styku analizy ilościowej i zarządzania portfelem. Zaczynałem od klasycznych modeli statystycznych, ale szybko stało się jasne, że rynki generują dane, których tradycyjne metody nie potrafią w pełni przetworzyć.
W 2014 roku powstał Vividwmint — platforma, która miała być miejscem rzetelnej dyskusji o tym, co algorytmy mogą, a czego nie mogą zrobić w kontekście inwestowania. Nie manifest technologiczny, lecz próba zadawania trudniejszych pytań.
Piszę dla osób, które chcą rozumieć narzędzia, a nie tylko z nich korzystać. Każdy artykuł staram się oprzeć na konkretnym modelu, zbiorze danych lub scenariuszu rynkowym — nie na ogólnikach.
Jak powstaje każda analiza
Każda analiza zaczyna się od konkretnego problemu rynkowego, nie od gotowej tezy do potwierdzenia.
Dobór i weryfikacja źródeł — historyczne dane cenowe, makro, alternatywne zbiory.
Budowa i testowanie modelu ML z naciskiem na interpretowalność wyników, nie tylko metryki.
Prezentacja ograniczeń obok wyników — co model widzi, a czego nie uwzględnia.
Analiza sygnałów cenowych
Interpretacja modelu XGBoost
Weryfikacja jakości danych
Gdzie pojawiały się te treści
Materiały z Vividwmint były cytowane i omawiane w kilku polskich środowiskach analitycznych zajmujących się finansami ilościowymi.
Środowisko pracy — Python i dane OHLCV