Niiden, jotka harkitsevat rahojensa luovuttamista tällaisiin ohjelmiin, on esitettävä kovia kysymyksiä siitä, mikä antaa heille ”edun” ”Ja – mikä tärkeintä – onko se kestävää. Lisäksi konepohjaisen kaupankäynnin raivoava laki on, että ohjelman suorituskyvyn ja kapasiteetin välillä on käänteinen suhde. Systemaattisiin tekoälykoneisiin sovelletaan samaa lakia.
Koneoppimisen roolin selventämiseksi ennustamisessa on hyödyllistä kysyä, onko tekoälyjärjestelmän kouluttaminen kaupankäynnille samanlainen kuin sen kouluttaminen auton ajamiseksi. vastaus on ei, mutta erojen tutkiminen on kriittistä, kun muodostetaan realistisia tekoälyn odotuksia pääomamarkkinoilla.
Auton kanssa on todella murskattu koodi. Ongelma liittyy suurelta osin geometriaan, muuttumattomiin liikelakeihin. ja tunnetut tiet – kaikki paikallaan olevat kohteet.
Yksi pieni muutos, joka tapahtuu gr Adjektiivisesti on se, että suurin osa, ellei kaikista autoista, muuttuu itsenäisiksi. Mutta tämän pitäisi vain helpottaa koneoppimisongelmaa, koska ihmisten kuljettajien arvaamaton toiminta on vähentynyt tiellä.
Toiseksi, harjoittelutiedot ovat valtavat, yhdistettyinä monista ajoneuvoista tosielämän olosuhteissa. Viiden vuoden kuluttua autonomiset autot ajavat entistä paremmin entistä enemmän tietojen ansiosta ja saattavat lopulta tulla virheettömiksi. Jokainen navigoinnin edistysaskel perustuu tutkimusyhteisön yhteistyöhön. Kiinteä kohde ja yhä suurempi tietotiheys murtaa koodin.
Rahoitusmarkkinat eivät ole paikallaan. Ne muuttuvat koko ajan poliittisten, sosiaalisten, taloudellisten tai luonnollisten tapahtumien ohjaamana. Tietoja rajoittaa se, kuinka usein ja kuinka paljon tulevaisuuteen haluamme ennustaa. Kuten Flash Boys -kirjassa kuvataan, koneet pystyvät oppimaan ennustettavia päivänsisäisiä malleja finanssimarkkinoilla, jotka johtuvat ihmisten ja koneiden toiminnasta. Tällaiset tiedot ovat hyvin tiheitä siinä mielessä, että kahdeksan tunnin kaupankäyntipäivän aikana koneella on 480 minuutin näytettä, joista voi oppia tekemään minuutin ennustuksia. Kuukaudessa sillä on yli 10 000 havainnointia, joista oppia.
Mutta jos haluat oppia tekemään yhden päivän ennusteet, tiedot ovat suhteellisen harvinaisia, joten luotettavien mallien luomiseen tarvitaan riittävän pitkä historia monista asioista vaihtelevissa olosuhteissa. Tällaisten tietojen tiheys kasvaa ajan myötä paljon hitaammin verrattuna kuljettajettomiin autoihin.
Yhtä lailla Tärkeää on, että markkinat ovat luonteeltaan erittäin kontradiktorisia kahdella tavalla. Ensinnäkin kaikki uudet näkemykset tai edut kopioidaan nopeasti ja kilpailevat pois. Siksi voidaan väittää, että älykkyyden rooli rahoitusmarkkinoilla ei ole löytää Pyhää Graalia, vaan saada prosessi, joka voidaan tunnistaa muuttuvien olosuhteiden ja mahdollisuuksien mukauttamiseksi ja sopeutumaan vastaavasti. Tämä vaikeuttaa ennustusongelmaa.
Toinen haittojen lähde on, että suurempien kokojen ostaminen ei saa sinulle suurta alennusta, vaan päinvastoin. Saattaa olla suhteellisen helppoa käydä kauppaa 100 IBM: n osakkeella nykyisin voimassa olevaan hintaan, mutta mahdotonta käydä kauppaa 1000 osakkeella tällä hinnalla. Läsnäolo suuruudessaan tekee markkinoista kontradiktorisen. Tätä universaalia lakia sovelletaan kaikkeen konepohjaiseen kaupankäyntiin.
Seuraavassa kuvassa esitetään suhde suorituskyvyn ja kapasiteetin välillä mitattuna miljoonilla sijoitetuilla dollareilla, käyttämällä alan vakiomuotoista riskikorjattua tuottomäärää, nimittäin tietosuhdetta (joka on karkeasti 0,4 S & P 500: lle pitkällä aikavälillä). Mitä suurempi tila, sitä pidempään sitä pitää pitää. Siksi käytettävissä olevat tiedot ovat harvinaisempia ja tulokset epävarmemmat. Suorituskyky heikkenee nopeasti pitoajan kanssa, varsinkin jos pidät yön yli. Ilmaista lounasta ei ole.
2000-luvun alussa juoksin korkean taajuuden ohjelmaa, joka menetti rahaa harvoin, mutta sen pääoma ei voinut ylittää muutaman miljoonan dollarin pääomaa. Sääntelyn muutos muutti markkinoiden dynamiikkaa ja eliminoi sen edun, mutta se johti muihin ohjelmaoperaattoreihin, jotka hyödynsivät muutoksen mikrorakenteellisia vaikutuksia. Tällä hetkellä on kourallinen korkeataajuisten ohjelmien operaattoreita, jotka ruokkivat mitä likviditeettiä he voivat hyödyntää, mutta korkeataajuinen kauppa ei ole toteuttamiskelpoinen liiketoiminta malli suurelle omaisuudenhoitajalle tai tavalliselle sijoittajalle. Se on erilainen eläin.
Tuleva tutkimustani mittaa koneoppimisjärjestelmien päätöksentekokäyttäytymisen epävarmuutta eri ongelmien suhteen.Se selittää, miksi kokoelma ennakoivia malleja autonomisesta ajamisesta, joka on koulutettu suurten tietojoukkojen muunnelmille, yhtyy siihen, että edessä oleva esine on jalankulkija eikä puu, kun taas joukko malleja, jotka on koulutettu markkinoiden historian pienillä vaihteluilla, todennäköisesti eri mieltä huomisen markkinoiden suunnasta.
Tämä tarkoittaa tekoälyjärjestelmien epävarmempaa käyttäytymistä heikosti ennustettavissa olevilla aloilla, kuten osakemarkkinat, verrattuna visioon.
Jos harkitset tekoälyinvestointijärjestelmää, sinun on tehtävä vakavia kotitehtäviä sen todellisesta kokemuksesta alkaen. Kysy itseltäsi, perustuuko ohjelma riittävän tiheään harjoittelutietoon, kun otetaan huomioon sen keskimääräinen pitoaika. Onko operaattorilla hyvin määritelty prosessi, joka seuraa johdonmukaisesti tieteellistä menetelmää? Mitä sinulle kerrotaan mallien ympärillä olevasta epävarmuudesta ja odotettavissa olevista suoritustuloksista? Kuinka paljon suorituskyky heikkenee, jos käyttäjä lisää kapasiteettia? Lopuksi, onko perusta edulle todennäköisesti jatkossakin, vai onko se vaarassa joutua kilpailemaan poissa?
Älä sijoita, ellei sinulla ole selkeitä vastauksia näihin kysymyksiin. Haluat sijoittaa, ei pelata.
Vasant Dhar on New Yorkin yliopiston Stern School of Business -yrityksen professori ja Ph.D. ohjelma Tietojenkäsittelykeskuksessa. Hän on New Yorkin koneoppimiseen perustuvan systemaattisen hedge-rahaston SCT Capital Managementin perustaja.