Ti, kteří uvažují o předání svých peněz těmto programům, si musí položit těžké otázky, co jim dává „výhodu“ „A – co je nejdůležitější – zda to bude udržitelné. Navíc zákon střízlivosti u strojového obchodování spočívá v tom, že existuje inverzní vztah mezi výkonem a kapacitou programu. Na systematické stroje AI se vztahuje stejný zákon.
Abychom si ujasnili roli strojového učení v predikci, je užitečné si položit otázku, zda trénovat systém umělé inteligence k obchodování je jako trénovat, jak řídit auto. Odpověď zní ne, ale zkoumání rozdílů je zásadní pro formování realistických očekávání AI na kapitálových trzích.
U automobilu skutečně existuje kód, který je třeba prolomit. Problém do značné míry zahrnuje geometrii, neměnné zákony pohybu a známé vozovky – všechny stacionární položky.
Jedna malá změna, která nastane, gr Obvykle je to tak, že většina, ne-li všechna auta, budou autonomní. To by však mělo pouze usnadnit problém se strojovým učením kvůli snížené nepředvídatelnosti lidských operátorů na silnici.
Zadruhé, tréninková data jsou obrovská, shromážděná z mnoha vozidel v reálných podmínkách. Za pět let budou autonomní automobily díky ještě většímu množství dat jezdit lépe než nyní a možná se nakonec stanou bezchybnými. Každý pokrok v navigaci je založen na spolupráci výzkumné komunity. Pevný cíl a stále vyšší hustota dat kód rozluští.
Finanční trhy nejsou stacionární. Neustále se mění díky politickým, sociálním, ekonomickým nebo přírodním událostem. Data jsou omezena tím, jak často a kolik do budoucnosti chceme předpovídat. Jak je výmluvně popsáno v knize „Flash Boys“, stroje se dokážou naučit předvídatelné vnitrodenní vzorce na finančních trzích, které vznikají z jednání lidí a strojů. Taková data jsou velmi hustá v tom smyslu, že během osmihodinového obchodního dne stroj má 480 minutových vzorků, ze kterých se naučí vytvářet minutové předpovědi. Za měsíc má více než 10 000 pozorování, ze kterých se může učit.
Ale pokud se chcete naučit dělat jedno- denní předpovědi, data jsou relativně řídká, takže k vytvoření důvěryhodných modelů potřebujete dostatečně dlouhou historii mnoha věcí za různých podmínek. Hustota těchto dat se v porovnání s automobily bez řidiče časem zvyšuje mnohem pomaleji.
Stejně Důležité je, že trhy jsou ve své podstatě velmi kontradiktorní, a to dvěma způsoby. Za prvé, jakýkoli nový pohled nebo okraj se rychle zkopíruje a konkuruje. Dalo by se proto tvrdit, že úlohou inteligence na finančních trzích není najít Svatý grál, ale mít proces, který lze rozpoznat ize měnit měnící se podmínky a příležitosti a podle toho se přizpůsobovat. Díky tomu je problém predikce mnohem těžší.
Druhým zdrojem nepříznivých dopadů je, že transakce větších velikostí vám nezískají hromadnou slevu, ale právě naopak. Obchodování se 100 akciemi IBM za stávající cenu by mohlo být relativně snadné, ale nemožné za tuto cenu vyměnit 1 000 akcií. Díky velikosti je trh kontradiktorní. Tento univerzální zákon platí pro veškeré strojové obchodování.
Následující obrázek načrtává vztah mezi výkonem a kapacitou, měřeno investovanými miliony dolarů, pomocí standardního měřítka návratnosti výkonu upraveného podle rizika v oboru, konkrétně informačního poměru (což je u S & P 500 v dlouhodobém horizontu zhruba 0,4). Čím větší je držení, tím delší musí být držení. Dostupné údaje, z nichž se lze učit, jsou proto řídčí a výsledky nejistější. Výkon se s dobou zdržení rychle zhoršuje, zvláště pokud držíte přes noc. Neexistuje žádný oběd zdarma.
Na počátku dvacátých let jsem spustil vysokofrekvenční program, který jen zřídka přišel o peníze, ale nemohl překročit hranici několika milionů dolarů. Regulační změna změnila dynamiku trhu a odstranila jeho výhodu, ale vedlo to k dalšímu provozovateli programů, kteří využili dopady změny na mikrostrukturu. V současné době existuje několik provozovatelů vysokofrekvenčních programů, kteří se živí jakoukoli likviditou, kterou najdou k využití, ale vysokofrekvenční obchodování není proveditelné podnikání model pro velkého správce aktiv nebo běžného investora. Je to jiné zvíře.
Můj nadcházející výzkum kvantifikuje nejistotu v rozhodovacím chování systémů strojového učení napříč různými problémy.Vysvětluje, proč soubor prediktivních modelů pro autonomní řízení, které jsou trénovány na variace velkých datových sad, bude souhlasit s tím, že objekt vpředu je chodec a ne strom, zatímco kolekce modelů trénovaných na malé variace historie trhu pravděpodobně nesouhlasíme s zítřejším směřováním trhu.
To se promítá do nejistějšího chování systémů AI v doménách s nízkou předvídatelností, jako je akciový trh, ve srovnání s vizí.
Pokud uvažujete o systému investování AI, budete muset udělat nějaké vážné domácí úkoly počínaje jeho skutečnými výsledky. Zeptejte se sami sebe, zda je program založen na dostatečně hustých tréninkových datech vzhledem k jeho průměrné době držení. Má provozovatel přesně stanovený proces, který důsledně dodržuje vědeckou metodu? Co vám bylo řečeno o inherentní nejistotě kolem modelů a rozsahu výkonnostních výsledků, které byste měli očekávat? O kolik se výkon zhorší, pokud operátor zvýší kapacitu? A konečně, je pravděpodobné, že základ hrany přetrvává i v budoucnu, nebo je zde riziko, že bude soutěžit?
Neinvestujte, pokud na tyto otázky nemáte jasné odpovědi. Chcete investovat, ne hazardovat.
Vasant Dhar je profesorem na Stern School of Business na New York University a ředitelem Ph.D. programu v Centru pro datovou vědu. Je zakladatelem SCT Capital Management, systematického zajišťovacího fondu založeného na strojovém učení v New Yorku.