Недавно стало известно, что Nasdaq собирается запустить новый инструмент, основанный на машинном обучении, для своего аналитического центра. Этот инструмент будет обрабатывать данные пользователей из социальных сетей, предоставляя институциональным инвесторам новый инструмент анализа рынка. Однако прямого ответа Bitnewstoday.com специалисты Nasdaq не дали, а лишь уклончиво сказали об «интересном опыте», а затем сослались на подписку о неразглашении. Судя по всему, это может означать только то, что ИИ Nasdaq сейчас тестируется.
Ранее в марте этого года медиакомпания Thomson Reuters запустила обновленный сервис MarketPsych Indices, который составляет прогнозы рынка, отслеживая более 2000 источников новостей и 800 социальных сетей. Этот инструмент, основанный на ИИ, в своем анализе использует не только количественные показатели, но и эмоциональные метрики трейдеров, вроде поведенческой экономики. Таким образом сервис обещает своим клиентам создавать более точные прогнозы и выбирать оптимальную стратегию.
Инструменты и стратегии трейдера
Трейдеры обычно используют для анализа несколько технических индикаторов: от уровня сопротивления и поддержки, скользящей средней, общего объема торгов до индекса относительной силы и стохастического индикатора. Среди технических индикаторов также используются линии тренда, которые отображают информацию о характерном направлении движения криптоактива для прогнозирования дальнейшего тренда.
Однако из-за высокой волатильности криптовалюты эти тренды крайне сложно определить, из-за чего трейдеры редко учитывают этот показатель. Но в целом в настоящее время технического анализа рынка уже недостаточно для прогноза, так как он не учитывает политическую и социально-экономическую ситуацию в мире.
Марк ЛИНД, входящий в топ-15 влиятельных лиц и практик в области цифровой трансформации, DLT и Crypto, влиятельный человек таких компаний, как IBM, в эксклюзивном интервью для Bitnewstoday.com подтвердил, что с 2017 года использование ИИ для обработки баз данных стало основной тенденцией в гонка за прибылью крупных компаний: «Все больше компаний хотят узнать, могут ли эти технологии искусственного интеллекта помочь им извлечь больше пользы из своих огромных хранилищ данных. Алгоритмы, основанные на биологии, а именно искусственные нейронные сети (ИНС) и генетические алгоритмы, считаются основными типами, используемыми для анализа торговли, измерения рисков и прогнозирования цен».
Все ли трейдеры используют нейронные сети
На сегодняшний день финансовая и социально-экономическая система не может быть предсказана человеком из-за слишком большого количества вводных факторов. И тут на арену выходит ИИ: он способен анализировать многообразие жизненных сфер и проводить самостоятельный анализ не хуже любого финансиста. К тому же у него есть одно уникальное преимущество — отсутствие эмоций. Но тогда возникает вопрос: почему все трейдеры не используют ИИ в своих прогнозах, и станет ли нейросеть универсальным инструментом для трейдеров в ближайшем будущем?
По словам Марка Линда, «технологическая индустрия сама продвигает то, как эти технологии можно использовать для получения конкурентного преимущества и создания новых потоков доходов, что заставляет крупных поставщиков, таких как IBM и Watson, предлагать более сложные интегрированные инструменты, чтобы помочь своим клиентам реализовать эти преимущества. ».
Тем не менее, г-н ЛИНД считает, что нейронные сети на данном этапе развития все еще не идеальны, и требуются человеческие усилия: «В конечном счете, результаты все еще в значительной степени приблизительны для прогнозов и все еще требуют некоторого человеческого суждения или мониторинга перед использованием для торговли».
Мы провели небольшой опрос среди частников и убедились, что подавляющее большинство очень косвенно знакомы в своем анализе с системами ИИ. Тем не менее, некоторые отметили, что в своих прогнозах они используют сервисы на основе ИИ, а доктор Гордон ДЖОНС, основатель проекта DLT в Южной Каролине, сказал: «Мы фокусируемся на аспекте машинного обучения всех НС и ИИ, где система предназначена для отслеживания действий и того, приводят ли эти действия к эффективности или недостаткам и, в конечном итоге, к положительной или отрицательной рентабельности инвестиций».
Трейдеры боятся замены в ближайшее время
Топ-менеджеры хедж-фондов заработали $1 млрд в 2015 году, что создает отличную мотивацию заменить их нейронными сетями и сократить расходы на сотрудников, которые зарабатывают $500 в час. И компания Goldman Sachs пошла по этому пути, сократив количество советников с 600 трейдеров до 2. Теперь всю остальную работу выполняют роботы с помощью машинного обучения, которые выдают бесценные алгоритмы для клиентов компании. Нетрудно представить, что многие крупные компании быстро следуют этому примеру, чтобы сократить свои расходы.
В эксклюзивном интервью для Bitnewstoday.com Амардип СИНГХ, кандидат наук по использованию ИИ в Ethereum и аналитик Nasdaq, много лет разрабатывающий стратегии внедрения ИИ в экономику, сказал, что трейдеры прекрасно понимают, что их место будет скоро будет захвачен искусственным интеллектом и отчаянно сопротивляться грядущим изменениям.«Экономический анализ — это полная картина, на которую трейдеры смотрят в более широком мире: события, объявления правительств, которые влияют на цену того, что они анализируют.
В трейдинге используется так называемый технический анализ. Они смотрят на такие вещи, как скользящие средние, они смотрят на оптимизацию гиперпараметров, прогнозирование волатильности, многомерные временные ряды — все это, в основном, очень сложные модели, которые накладываются на движущийся график, чтобы затем делать прогнозы. И технический анализ тоже основан на человеческих эмоциях. Таким образом, это основано на том, как вы интерпретируете то, что рынок сделал ранее. Вот почему ИИ невероятно мощнее человека».
Как работают и обучаются нейронные сети
Благодаря машинному обучению нейронные сети позволяют намного эффективнее строить нелинейные зависимости по сравнению с линейными методами статистики, такими как линейная регрессия, авторегрессия и линейный дискриминант. Любой аналитик, использующий технический анализ, сделает более успешный прогноз, чем на основе предварительной работы систем ИИ. Нелинейное отображение и визуализация данных нейронными сетями в пространстве с меньшим количеством нелинейных главных компонент оптимизируют их обработку.
Основным преимуществом нейронных сетей является их способность моделировать поведение экономики на основе социальных подтекстов по сравнению с существующими алгоритмами, основанными на заданных и определенных параметрах.
Однако в связи с этим не все специалисты согласны с тем, что нейронные сети должны быть полностью автономны в решениях, основанных на их прогнозах. Так, соучредитель платформы DLT в Индии Бибин БАБУ считает, что нейросеть не очень успешно прогнозирует цифровую валюту. «Проблема в том, что большинство NN (нейронных сетей) имеют доступ только к нескольким типам данных внутри рынка и не так много извне. Таким образом, сила психологии толпы, доверие потребителей, хорошие или плохие заголовки, политические или нормативные решения, размер сети Cryptocurrency, количество пользователей и принятие продавцом не полностью видны ей. Возможно, одних только внутренних рыночных данных недостаточно для каких-либо долгосрочных прогнозов или прогнозирования краткосрочных колебаний цен.
Марк LYND считает, что умение использовать нейронные сети в трейдинге — это своего рода искусство, поскольку определяющим фактором качественного анализа является способность определять контекст и объем данных, а также их соответствие типу требуемых результатов. «Просто на высоком уровне это зависит от того, нужен ли вам поиск или сортировка, а затем определение контекста и качества данных. На самом деле это сложнее, но на высоком уровне это вносит некоторую ясность.
Вы используете математические функции, называемые нейронами, которые принимают несколько чисел в качестве входных данных, а затем используете формулу линейной комбинации для умножения на соответствующие веса, а затем суммируете их. По сути, эти сети преобразуют данные до тех пор, пока они не смогут классифицировать их как выходные данные. Это делается с помощью группы связанных нейронов, которые создают выходные данные, которые затем многократно используются в качестве входных данных для других нейронов, следовательно, сети. Затем используется функция потерь, чтобы определить, насколько хороша нейронная сеть для решения/отработки определенной задачи или проблемы. Поначалу он не даст хороших результатов, но со временем и при соблюдении правил использования он обеспечит более высокую точность.
В следующей статье мы поговорим о прогнозах, которые делают эксперты относительно будущего торговли с помощью нейросетей: будет ли ИИ управлять рынком самостоятельно или окончательные решения все же останутся за трейдерами. Об этом и других интересных темах читайте в следующей статье.
