Эта статья переведена с www.DeepL.com. Оригинал статьи находится здесь.

Вступление

Автор недавно получил прибыль в 100 миллионов йен благодаря торговой системе на японском фондовом рынке. Эта торговая система предсказывает доходность акций и отправляет сигналы покупки (длинной) и продажи (короткой), и она построена на основе машинного обучения.

В этой статье я хотел бы представить обзор метода и поговорить о будущем инвестиций в машинное обучение.

Как я пришел к инвестициям в машинное обучение

Автор заинтересовался инвестициями в машинное обучение примерно в 2015 году. В то время автор столкнулся с проблемой, заключающейся в том, что построенная торговая система ухудшалась при реальной работе (то есть проблема вне выборки).

Обзор литературы, посвященный этой проблеме, показал, что есть способ сохранить производительность вне выборки как один из методов машинного обучения. Применение метода к торговой системе дало положительные результаты, а затем в феврале 2016 года автор приступил к эксплуатации интегрированной торговой системы с машинным обучением.

В 2016 году инвестиции в машинное обучение были в центре внимания, вызванного Alpha Go. Alpha Go победила корейского профессионального игрока Ли Сэдола, который обратил внимание на потенциал A.I. и привели к статьям, в которых говорилось: «Управляющие фондами будут заменены на ИИ».

Поэтому с 2016 года автор проводит собственные исследования не только с целью повышения производительности вне выборки, но и для различных приложений инвестиций в машинное обучение.

Обзор торговой системы с машинным обучением

В этой торговой системе акции торгуются механически на основе торговых сигналов, подаваемых определенной моделью. Эта модель построена с помощью машинного обучения.

Инвестиционная вселенная

Эта торговая система инвестирует в TOPIX 500, 500 крупнейших акций Токийской фондовой биржи. Эти акции обладают достаточной ликвидностью, низким влиянием на рынок и минимальными затратами на исполнение. Вы можете сделать короткую маржу практически по всем акциям, и существует несколько внезапных ограничений на торговлю. Вы можете свести к минимуму потерю возможностей в своей реальной работе.

Входные данные (особенности)

Мы используем такие данные, как состояние мирового фондового рынка, финансовые данные и историческая доходность акций. Общее количество используемых функций - 39, и эти функции тщательно предварительно обрабатываются на основе знаний предметной области, связанных со структурой рынка, таких как спецификации для расчета финансовой информации и коэффициентов состава индексов. Эти данные могут быть получены на веб-сайтах, таких как yahoo finance, и не содержат каких-либо специальных данных (неструктурированных данных, таких как новости и изображения).

Модель машинного обучения

Приведенные выше данные используются для машинного обучения для построения прогнозной модели доходности акций. Мы используем метод машинного обучения под названием LASSO для построения прогнозных моделей. Это очень простой метод, не требующий машинной энергии.

Однако невозможно получить хорошие результаты, просто введя 39 функций. Иерархическая модель строится путем заблаговременной линейной регрессии признаков для получения корреляций и остатков. Иерархическая модель здесь, вероятно, переплетается с идеей традиционной количественной модели.

Торговые сигналы

Согласно модели машинного обучения, описанной выше, длинные и короткие акции на день отображаются каждое утро. Вы можете не только просто покупать акции, но и получать прибыль даже на падающем рынке, комбинируя короткую маржу. Мы открываем позиции только в течение дня и не переносим их на следующий день.

Есть несколько причин, по которым перенос на следующий день может привести к убыткам из-за внезапных изменений на рынке Нью-Йорка или может увеличить стоимость маржинальной торговли, но, прежде всего, свежесть данных исчезнет. Эффективность прогнозирования цен имеет период экстремального спада, поэтому важно обновлять информацию во время закрытия, если она должна быть перенесена, потому что это не может быть выполнено плавно.

порядок

Ордер размещается механически в соответствии с указанными выше длинными и короткими сигналами. Автор автоматизирует процесс заказа. Этот автоматический заказ не имеет ничего общего с машинным обучением, это просто инструмент для заказа указанных акций в Интернете.

Количество торгуемых акций может меняться изо дня в день, но торгуется максимум 160 акций (около 1/3 TOPIX500). Я не могу размещать заказы вручную. Автоматизированный заказ очень важен.

Производительность (февраль 2016 г. - март 2020 г.)

На рисунках ниже показана совокупная прибыль от этой торговой системы (Рисунок 1). Обратите внимание, что это не бэк-тестирование, это реальные результаты торговли. Для сравнения с показателями самого фондового рынка мы также включили доходность этой системы и Nikkei 225 за тот же период (рис. 2).

Сосредоточив внимание на движении цены Nikkei 225 в течение этого периода, мы видим, что до конца 2017 года он демонстрировал неплохие результаты, но с 2018 года оставался неизменным, а недавний коронный шок значительно ухудшил его показатели.

С другой стороны, эта торговая система способна повышать производительность с почти постоянным наклоном. Мы также смогли избежать рыночного риска и значительно улучшить наши показатели во время последнего коронного шока.
Благодаря этим достижениям мы смогли успешно преодолеть отметку в 100 миллионов йен кумулятивной прибыли.

Рис.1 Кривая баланса по торговой системе

Рис.2 сравнение рынка (Nikkei 225) и торговой системы

Действительно ли инвестиции в машинное обучение выгодны?

На данный момент ни один из инвестиционных продуктов машинного обучения (например, инвестиционный траст на базе искусственного интеллекта в Японии), похоже, не дает впечатляющих результатов. Некоторые из причин этого заключаются в том, что их метод инвестирования не был изменен по сравнению с традиционным методом, а просто использовался ярлык «ИИ», или что их метод не может быть полностью основан на машинном обучении, потому что он требует объяснимости.

Но самое важное, что мы должны помнить, это то, что построение высокоточных моделей с использованием машинного обучения в большинстве случаев не удается. Причины этого заключаются в том, что структура фондового рынка меняется со временем, поэтому подробное моделирование для определенного периода времени не работает в будущем, а финансовые данные чрезмерно изменчивы (низкое отношение сигнал / шум) и подвержены риску статистической погрешности, что очень затрудняет моделирование.

В чем преимущества машинного обучения?

При инвестировании в акции трудно получить стабильную прибыль, просто покупая и удерживая. Инвестиции в фондовые индексы США, которые считаются мощными, также сильно пострадают от внезапного рыночного шока.

Чтобы иметь стабильную работу, вам нужно найти что-то, что является источником прибыли (мы называем это «преимуществом»). Здесь вам пригодится опрос по машинному обучению. Вместо того, чтобы использовать машинное обучение для построения сложных моделей, есть возможность открывать ранее непризнанные прибыльные возможности путем структурирования различных событий, которыми изобилует мир.

Будущее инвестиций в машинное обучение

На данный момент не существует инвестиционной системы машинного обучения, которой можно было бы доверить все самостоятельно. Машинное обучение - это просто способ повышения эффективности торговли за счет эффективного применения человеческих инстинктов.

Однако в то же время существуют хедж-фонды, которые разрабатывают самоорганизованные инвестиционные системы с машинным обучением. Технология разрабатывается для принятия структуры, которая включает новые рыночные данные и последовательно изучает их, а результаты обучения оцениваются самой машиной.

Однажды в таком фонде машины могут автоматически генерировать тысячи стратегий, и они могут разделить его большой фонд на небольшие ограниченные деньги, чтобы спасти небольшой источник прибыли на рынке. У меня плохое предчувствие. Мы должны подготовиться к будущему.

Заключение

В этой статье я обрисовал систему торговли с машинным обучением и обсудил будущее инвестиций в машинное обучение. Надеюсь, эта статья была полезна читателям, интересующимся инвестициями в машинное обучение.

Я буду продолжать обновлять эту публикацию, знакомя с методами машинного обучения, методами машинных хедж-фондов и другими темами. Пожалуйста, не переключайтесь.

UKI