Машинное обучение и ИИ — это горячие концепции, которые применяются во всех возможных отраслях, учитывая переход к цифровым технологиям и связанную с этим простоту сбора данных. Для справки: основные концепции ИИ, включая нейронные сети, появились несколько десятилетий назад. Тем не менее, огненный шланг данных и экономики, связанный с законом Мура, означал, что ML/AI действительно начали набирать обороты примерно в середине 2000-х — даже когда Google, Facebook, Amazon и другие им подобные сосредоточили свои бизнес-модели на данных, в то время как Силиконовая долина занят инвестированием в исследования, чтобы расширить границы масштабирования.

История ОД/ИИ

То же семейство концепций, которое было усовершенствовано при оптимизации проекта секвенирования ДНК человека, теперь определяет рекламу Google, которую вы видите, персонализирует вашу ленту Facebook, управляет механизмом рекомендации продуктов Amazon и планирует наилучшие маршруты доставки в нашей повседневной жизни. Даже финансовые службы вскочили на кормушку. Несмотря на то, что сектор финансовых услуг очень широк, очевидные варианты использования связаны с обнаружением мошенничества компаниями-эмитентами кредитных карт, мониторингом манипуляций с ценными бумагами со стороны регулирующих органов и другими операционными областями, где можно повысить производительность. На переднем крае у нас есть автоматизированные алгоритмы исполнения сделок в торговых областях и такие фирмы, как Renaissance Technologies и Two Sigma, которые действительно извлекают прогнозы из доступных наборов данных, чтобы напрямую влиять на их доходность.

На этом фоне в этом блоге мы рассматриваем, как мы могли бы применить методы ML/AI к инвестированию в целом и выбору акций в частности — как могли бы розничные инвесторы действительно увеличить охват своих акций и использовать холодную логику математики, чтобы держать эмоции в стороне. Это проблема, с которой могут столкнуться люди в целом, и которая является хорошей отправной точкой для ML/AI, учитывая простоту доступа к данным. Итак, без лишних слов, вот 2 подхода к этой проблеме:

1. Используя исторические технические данные:

Когда мы говорим о техническом анализе, мы подходим к проблеме предсказания поведения цены акций, анализируя биржевые графики. Скажем, мы смотрим на биржевую диаграмму — на что мы действительно смотрим, кроме волнистых линий. Какую информацию инкапсулирует диаграмма? Можно ли использовать эту информацию для предсказания будущего? Есть ли шаблоны, которые будут повторяться? Можем ли мы добавить достаточно графиков в систему машинного обучения и научить ее различать потенциально растущие акции и потенциально падающие акции — так же, как мы могли бы научить программу машинного обучения различать кошку и собаку при наличии достаточного количества данных . Подумайте о распознавании образов!

Первая проблема, которую следует учитывать в системе распознавания образов для акций, — это данные о цене и их частота. В текущем контексте мы не собираемся создавать решение для HFT-магазина, поэтому данные об уровне акций — это слишком много. Простой набор данных OHLCV работает. Другой вопрос, сколько данных. Если мы будем использовать слишком старые данные, то мы можем ввести в программу машинного обучения другой режим. Если мы используем слишком мало, то мы можем не кормить достаточно шаблонов, чтобы быть статистически значимыми. В конечном счете, данных за несколько лет должно быть достаточно (в отличие, скажем, от 10 лет, которые включали бы Великий финансовый кризис и искаженное, возможно, не относящееся к делу поведение), исходя исключительно из ограничений мощности персональных компьютеров и времени, необходимого для обработки информации.

Итак, возвращаясь к …. нажмите на эту ссылку, чтобы прочитать всю статью. https://www.pimonk.com/post/ml-ai-in-investment-management