Aquellos que estén considerando entregar su dinero a dichos programas deben hacer preguntas difíciles sobre qué les da una «ventaja ”Y, lo que es más importante, si será sostenible. Además, la ley aleccionadora del comercio basado en máquinas es que existe una relación inversa entre el rendimiento y la capacidad de un programa. Las máquinas de IA sistemáticas están sujetas a la misma ley.
Para aclarar el papel del aprendizaje automático en la predicción, es útil preguntarse si entrenar un sistema de inteligencia artificial para el comercio es como entrenarlo a conducir un automóvil. La respuesta es no, pero examinar las diferencias es fundamental para formar expectativas realistas de la IA en los mercados de capitales.
Con el automóvil, realmente hay un código que descifrar. El problema en gran medida involucra la geometría, las leyes inmutables del movimiento y carreteras conocidas, todos elementos estacionarios.
El único cambio menor que ocurrirá gr Por cierto, la mayoría de los automóviles, si no todos, serán autónomos. Pero esto solo debería facilitar el problema del aprendizaje automático debido a la menor imprevisibilidad de los operadores humanos en la carretera.
En segundo lugar, los datos de entrenamiento son vastos, agrupados de muchos vehículos en condiciones del mundo real. En cinco años, los autos autónomos se conducirán mejor que ahora gracias a aún más datos, y tal vez eventualmente estén libres de errores. Cada avance en la navegación se basa en la cooperación de la comunidad de investigadores. El objetivo fijo y la densidad de datos cada vez más alta descifrarán el código.
Los mercados financieros no son estacionarios. Cambian todo el tiempo, impulsados por eventos políticos, sociales, económicos o naturales. Los datos están limitados por la frecuencia y la cantidad en el futuro que queremos predecir. Como se describe elocuentemente en el libro «Flash Boys», las máquinas son capaces de aprender patrones intradiarios predecibles en los mercados financieros que surgen de las acciones de humanos y máquinas. Estos datos son muy densos en el sentido de que en un día de negociación de ocho horas, la máquina tiene 480 muestras de un minuto de las cuales aprender a hacer predicciones de un minuto. En un mes, tiene más de 10,000 observaciones de las que aprender.
Pero si quieres aprender a hacer una … predicciones diarias, los datos son relativamente escasos, por lo que necesita historiales suficientemente largos de muchas cosas en condiciones variables para crear modelos confiables. La densidad de tales datos aumenta mucho más lentamente con el tiempo en comparación con los autos sin conductor.
Igualmente Lo que es más importante, los mercados son de naturaleza altamente adversa de dos maneras. Primero, cualquier nueva percepción o ventaja se copia rápidamente y se compite. Por lo tanto, se podría argumentar que el papel de la inteligencia en los mercados financieros no es encontrar el Santo Grial, sino tener un proceso que puede reconocer ize las condiciones y oportunidades cambiantes, y adáptese en consecuencia. Esto dificulta mucho el problema de la predicción.
La segunda fuente de adversidad es que la transacción de tamaños más grandes no le brinda un descuento por volumen, sino todo lo contrario. Puede ser relativamente fácil negociar 100 acciones de IBM al precio actual la mayoría de las veces, pero imposible negociar 1000 acciones a ese precio. La presencia en el tamaño hace que el mercado sea adversario. Esta ley universal se aplica a todo el comercio basado en máquinas.
La siguiente figura esboza la relación entre rendimiento y capacidad, medida por millones de dólares invertidos, utilizando una medida de rendimiento estándar de rendimiento ajustada al riesgo en la industria, a saber, el índice de información (que es aproximadamente 0.4 para el S & P 500 a largo plazo). Cuanto más grande sea la explotación, más tiempo se debe mantener. Por lo tanto, los datos disponibles para aprender son más escasos y los resultados más inciertos. El rendimiento se degrada rápidamente con el período de espera, especialmente si lo mantiene durante la noche. No hay almuerzo gratis.
A principios de la década de 2000, ejecuté un programa de alta frecuencia que rara vez perdía dinero, pero no podía escalar más allá de unos pocos millones de dólares en capital. Un cambio regulatorio alteró la dinámica del mercado y eliminó su ventaja, pero dio lugar a otros operadores de programas que capitalizaron los impactos del cambio en la microestructura. Actualmente hay un puñado de operadores de programas de alta frecuencia que se alimentan de cualquier liquidez que puedan encontrar para explotar, pero el comercio de alta frecuencia no es un negocio viable modelo para un gran administrador de activos o un inversor habitual. Es un animal diferente.
Mi próxima investigación cuantifica la incertidumbre en el comportamiento de toma de decisiones de los sistemas de aprendizaje automático en varios problemas.Explica por qué una colección de modelos predictivos para la conducción autónoma que se entrenan en variaciones de grandes conjuntos de datos estarán de acuerdo en que un objeto al frente es un peatón y no un árbol, mientras que una colección de modelos entrenados en pequeñas variaciones de la historia del mercado probablemente lo hará. no estoy de acuerdo con la dirección del mercado de mañana.
Esto se traduce en un comportamiento más incierto de los sistemas de IA en dominios de baja previsibilidad como el mercado de valores en comparación con la visión.
Si está considerando un sistema de inversión de inteligencia artificial, deberá hacer algunos deberes serios comenzando con su historial real. Pregúntese si el programa se basa en datos de entrenamiento suficientemente densos dado su período de mantenimiento promedio. ¿Tiene el operador un proceso bien especificado que sigue consistentemente el método científico? ¿Qué le dicen acerca de la incertidumbre inherente en torno a los modelos y el rango de resultados de desempeño que debe esperar? ¿Cuánto se degradará el rendimiento si el operador aumenta la capacidad? Por último, ¿es probable que la base de la ventaja persista en el futuro, o corre el riesgo de desaparecer?
No invierta a menos que tenga respuestas claras a estas preguntas. Quiere invertir, no apostar.
Vasant Dhar es profesor de la Escuela de Negocios Stern de la Universidad de Nueva York y director del Ph.D. programa en el Center for Data Science. Es el fundador de SCT Capital Management, un fondo de cobertura sistemático basado en aprendizaje automático en la ciudad de Nueva York.