Я пишу этот пост как продолжение одноименного выступления на саммите Re-work Deep Learning Summit, Сингапур. В своем выступлении я попытался подробно рассказать о причинах неудач финансовых моделей и о том, как глубокое обучение может преодолеть разрыв. Далее я представил три варианта использования глубокого обучения в области финансов и доказательства превосходства этих моделей.
В то время как финансы являются наиболее ресурсоемкой областью из существующих, широко используемые модели в финансах - модели с учителем и без учителя, модели, основанные на состоянии, эконометрические модели или даже стохастические модели, омрачены проблемами чрезмерной подгонки, эвристики и плохой оценки. вне выборочных результатов. Причина в том, что финансовая сфера чрезвычайно сложна и нелинейна с множеством факторов, влияющих друг на друга.
Чтобы решить эту проблему, если мы посмотрим на исследования, проведенные в Deep Learning в проверенных областях распознавания изображений, распознавания речи или анализа настроений, мы увидим, что эти модели способны учиться на крупномасштабных немаркированных данных, формируя нелинейные отношения, формируя повторяющиеся структуры. и его можно легко настроить, чтобы избежать переоборудования.
Если эти модели найдут применение в финансовой дисциплине, тогда их можно будет найти повсюду. Эти модели могут использоваться при ценообразовании, построении портфелей, управлении рисками и даже в высокочастотной торговле, и это лишь некоторые области. Итак, давайте займемся некоторыми из этих проблем.
Прогноз возврата
Взяв примерную задачу прогнозирования ежедневных цен на золото, мы сначала рассмотрим традиционные методы.
Используя модель авторегрессионного интегрированного скользящего среднего, которая пытается предсказать стационарный временной ряд, сохраняя сезонную составляющую, мы получаем результат
Если мы добавим связанные переменные-предикторы в нашу авторегрессивную модель и перейдем к векторной авторегрессивной модели, мы получим следующие результаты:
Глубокая регрессия
Используя те же входные данные, если я использую простую модель глубокой регрессии для данных, я получаю гораздо лучшие результаты,
Модификация моей архитектуры для использования сверточных нейронных сетей для решения той же проблемы, мои результаты
Эти результаты намного лучше. Но лучшие результаты идут дальше.
Долгосрочная краткосрочная память (LSTM)
Вот так! Используя эти варианты рекуррентных нейронных сетей, я получил следующие результаты:
Так что в целом тенденция среднеквадратичных ошибок - это откровение!
Портфолио Строительство
Вторая финансовая проблема, которую мы попытаемся решить с помощью глубокого обучения, - это построение портфолио. Применение глубокого обучения к этой проблеме имеет красивую конструкцию. Мое исследование вдохновлено статьей под названием Глубокие портфели.
Авторы статьи пытаются создать автокодировщики, которые отображают временной ряд на себя. Ошибки прогнозирования с использованием этих автокодировщиков становятся показателем бета-тестирования акций (корреляция с рынком), а автокодировщик является моделью рынка!
Выбирая разнообразный набор акций на основе вышеупомянутых ошибок автокодировщика, мы можем построить глубокий индекс, используя другую глубокую нейронную сеть, и результаты будут довольно хорошими.
Глубокая нейронная сеть здесь стала методом построения индекса, который воспроизводил индекс с использованием акций.
Но это только начало! Если мы применим интеллектуальное индексирование, при котором я удаляю периоды экстремальной просадки индекса и обучаю свою глубокую нейронную сеть отображения индекса на интеллектуальном индексе, я смогу значительно превзойти индекс!
Этот метод имеет огромный потенциал в области построения портфолио!
Заключение
Текущие тенденции в финансовой индустрии приводят к появлению более сложных и надежных моделей. Технологии - огромная область стресса для всех банков, поскольку в них входит большое количество специалистов по данным. У вас есть хедж-фонды, такие как RelTec и Worldquant, которые уже используют эту технологию в своей торговле. Благодаря превосходным результатам, показываемым этими сложными моделями в других областях, и огромным пробелам, открытым в области финансового моделирования, существует целый ряд драматических инноваций!
Лучшие решения наших критических проблем в области финансов и торговли приведут к повышению эффективности, большей прозрачности, более жесткому управлению рисками и новым инновациям.
PS: Код, использованный для всего вышеперечисленного анализа, можно найти в моем репозитории на github.
Я планирую свой следующий пост о глубоком RL для управления портфелем, так что следите за новостями!
Любые хорошие предложения приветствуются.
Посетите мой веб-сайт http://www.wrightresearch.in /, чтобы узнать больше об инвестиционных стратегиях, которыми я управляю!
