Оптимизация портфолио и машинное обучение… две вещи, которые очень часто не рассматриваются вне академических статей. В ElectrifAi мы фокусируемся на создании реальных бизнес-решений с использованием машинного обучения. Это дает нам отличное представление о том, как машинное обучение может помочь оптимизировать портфели на бизнес-уровне.
Мы поговорили с экспертом по этому вопросу, вице-президентом по инженерным вопросам ElectrifAi Крисом Ма. С точки зрения опытного инсайдера мы исследуем такие вопросы, как: может ли машинное обучение повысить прибыльность, какие данные необходимы для работы модели машинного обучения и как обеспечить приемлемую производительность менеджера портфеля. Читайте дальше, чтобы узнать обо всем этом и многом другом!
Что такое оптимизация портфеля?
Оптимизация портфеля - это создание вашего портфеля таким образом, чтобы вы максимизировали потенциальную прибыль от инвестиций, но при этом не превышали риск, который вы готовы нести. Создание сбалансированного портфеля с множеством различных инвестиций, таких как акции, облигации, паевые инвестиционные фонды и т. Д., - лучший способ распределить активы для поддержания соотношения риска и прибыли.
Что такое машинное обучение?
Искусственный интеллект (Ai) невозможен без машины для запуска алгоритмов. Ai - это мозг, в котором работает машинное обучение. Системы могут использовать регулярный ввод данных, чтобы учиться и совершенствоваться с течением времени без вмешательства или помощи человека. Машинное обучение помогает отслеживать тысячи факторов и делать точные прогнозы.
Как машинное обучение находит шаблоны данных?
Машинное обучение позволяет извлекать закономерности из огромных объемов данных. Используя тысячи факторов, применяемых в машинном обучении, компьютер может без устали копаться в данных и сравнивать закономерности один за другим. С помощью сложных математических моделей и нейронных сетей машинное обучение может быстро извлекать, преобразовывать и загружать данные в базу данных, применяя сложные алгоритмы и ища сигнал данных до достижения конкретной цели. Машинное обучение также может самообучаться и постоянно улучшать свои возможности.
Как машинное обучение помогает оптимизировать портфолио?
Машинное обучение открывает новые горизонты для оптимизации финансовых портфелей. Традиционная оптимизация ориентирована на количественный анализ и механизмы хеджирования. Во-первых, машинное обучение может обрабатывать огромное количество данных и извлекать из них закономерности, что значительно превышает пределы традиционного математического подхода. Во-вторых, машинное обучение может легко построить нелинейную взаимосвязь и уменьшить размерность (что обычно невозможно по-другому). В-третьих, сложная взаимосвязь между риском и доходностью, которая может определяться тысячами факторов, может быть обработана и идентифицирована внутри алгоритма машинного обучения. В конце концов, обучение с подкреплением может заставить машину учиться и постоянно совершенствоваться, чего не может превзойти ни один человек.
Почему предприятиям следует использовать машинное обучение?
Любая компания, стремящаяся к рентабельности инвестиций (ROI), должна использовать машинное обучение для улучшения множества различных аспектов, таких как расходы, доход, структура расходов, запасы, портфели и т. Д. Мы используем шаблоны статистического анализа для анализа текущего портфеля и поиска путей постоянно совершенствоваться. Машинное обучение также анализирует реальный риск. Это универсальный инструмент, если у вас есть большие данные для поддержки возможностей обучения.
Как машинное обучение выбирает акции?
Машинное обучение работает исключительно с данными. Он не пытается найти логическое обоснование или движущую силу алгоритмов. Он видит шаблон данных. Если акции на рынке стабильны, машинное обучение может это выяснить. Машинное обучение подбирает шаблон и пытается приспособить его к временному горизонту. Если это постоянно подтверждается историческими данными, то рекомендуется акция, которая может кардинально отличаться от того, что мы обычно видим. Поскольку машинное обучение работает исключительно на основе вывода данных, оно может определять нюансы, которые может упустить человек.
Может ли машинное обучение помочь предсказать ожидаемую доходность акций?
да. Если вы проанализируете акции традиционным способом, мы сможем проанализировать силу компании, положение в отрасли, прошлые результаты и распределение среди всех инвесторов. Используя машинное обучение, данные могут найти более крупную связь и попытаться отфильтровать весь шум, чтобы извлечь некоторую ключевую информацию. Так можно прогнозировать ожидаемую доходность акций. Иногда прогнозы смехотворны, но после того, как эталонный тест установлен, это обычно имеет смысл.
Как машинное обучение увеличивает прибыльность?
Хотя количественный анализ может предоставить полную информацию о рисках и рыночных сценариях, машинное обучение является мощным средством прогнозирования. Благодаря количественному анализу и машинному обучению прибыльность может быть значительно увеличена.
- Мы можем определить вес капитала, исходя из достоверности прогнозов.
- Мы можем распределять риск не по капиталу, а через прогнозирование риска.
- Мы можем создавать механизмы хеджирования с помощью прогнозов.
- Мы можем отслеживать тысячи сигналов одновременно.
Какие данные необходимы для работы модели машинного обучения?
В нашем программном обеспечении PortfolioAi данные в основном поступают из четырех областей:
- Данные рынка
- Данные о местоположении
- Данные о подверженности рискам
- Факторная модель
Эти четыре источника данных составляют основу алгоритма машинного обучения. На их основе мы можем извлекать рыночный сигнал, настраивать оптимальные торговые стратегии и механизмы хеджирования, создавать алгоритм прогнозирования машинного обучения и создавать процедуры обучения с подкреплением, чтобы портфель мог непрерывно улучшаться. Мы также можем использовать PortfolioAi для сравнения результатов работы менеджера и оценки его по тысячам факторов.
Можно ли проанализировать работу портфельного менеджера?
Вот где сияет PortfolioAi. PortfolioAi не предназначен для реальных торговых целей. Эти данные используются для оценки работы менеджера портфеля за день до этого. В PortfolioAi эффективность менеджера анализируется во многих различных аспектах на основе данных о прибылях и убытках (P&L) и данных о рисках.
На основе расчетов риска и доходности мы можем определить коэффициент Шарпа менеджера и сравнить его с эталонным показателем. Также рассчитывается бета-значение (которое измеряет доходность на основе езды на рынке). Коэффициент Шарпа и значение бета рассчитываются на многих различных уровнях, таких как отрасль, класс активов, страна, сектор рынка и т. Д.
Имея большой объем данных в нашей базе данных, мы можем сравнить ковариацию между любыми двумя менеджерами и между менеджером и рынком. Таким образом, мы можем использовать анализ главных компонентов для определения эквивалентного портфеля на основе подгруппы менеджеров.
Мы также можем создать виртуальный портфель, который наилучшим образом отражает ожидания инвестора, и сравнить его с результатами работы менеджера. Например, инвесторы в пенсионные фонды обычно ожидают горизонта более 20 лет. Мы можем создать виртуальный портфель с группой компаний с высоким потенциалом роста и использовать его, чтобы оценить, насколько хорош портфель менеджера. Для образовательных фондов инвесторы обычно ожидают, что период владения ими составляет от 5 до 10 лет.
Как ElectrifAi может помочь в оптимизации портфеля машинного обучения?
PortfolioAi, один из самых успешных продуктов ElectrifAi, в течение 8 лет работал на фонде фондов с AUM стоимостью более 100 миллиардов долларов. Программное обеспечение только что было выбрано для использования в другом ведущем инвестиционном банке Нью-Йорка. Наш мощный механизм ETL может легко обрабатывать несколько терабайт (ТБ) данных в день. Наши специалисты по обработке данных разработали множество моделей машинного обучения, работающих во всех отраслях, от оптимизации цепочки поставок, компьютерного зрения до сложного обучения с подкреплением. Мы можем быстро предоставить модели машинного обучения, необходимые клиентам, с готовыми к работе готовыми моделями. Чтобы узнать больше, нажмите сюда".
