Azoknak, akik fontolgatják pénzük átadását ilyen programok számára, kemény kérdéseket kell feltenniük arról, hogy mi ad nekik “előnyt” “És – ami a legfontosabb – fenntartható lesz-e. Ezenkívül a gépalapú kereskedelem kijózanító törvénye szerint fordított összefüggés van egy program teljesítménye és kapacitása között. A szisztematikus mesterséges intelligencia-gépekre ugyanaz a törvény vonatkozik.
A gépi tanulás predikcióban betöltött szerepének tisztázása érdekében hasznos feltenni azt a kérdést, hogy az AI-rendszer kereskedelemre való kiképzése olyan, mint az autóvezetés megtanítása. A válasz nem, de a különbségek vizsgálata kritikus jelentőségű az AI reális elvárásainak kialakításában a tőkepiacokon.
Az autóval valóban van egy kód, amelyet feltörhetünk. A probléma nagyrészt geometriával, változhatatlan mozgástörvényekkel jár. és ismert úttestek – minden álló elem.
Az egyetlen kisebb változás, amely gr A legtöbb esetben, ha nem az összes autó önállóvá válik. De ennek csak a gépi tanulási problémát kellene megkönnyítenie, mivel az emberi kezelő személyek kiszámíthatatlansága csökkent az úton.
Másodszor, az edzésre vonatkozó adatok hatalmasak, sok járműből össze vannak állítva valós körülmények között. Öt év múlva az autonóm autók a még több adatnak köszönhetően jobban fognak vezetni, mint most, és talán hibamentessé válnak. A navigáció minden előrehaladását a kutatói közösség együttműködésre építi. A rögzített cél és az egyre nagyobb adatsűrűség feltörni fogja a kódot.
A pénzügyi piacok nem helyhez kötöttek. Folyamatosan változnak, politikai, társadalmi, gazdasági vagy természeti események vezérelve. Az adatokat korlátozza az, hogy milyen gyakran és mennyire szeretnénk megjósolni a jövőt. Amint azt a “Flash Boys” könyvben beszédesen leírják, a gépek képesek megtanulni a pénzpiacok kiszámítható napközbeni mintáit, amelyek az emberek és a gépek cselekedeteiből fakadnak. Ezek az adatok nagyon sűrűek abban az értelemben, hogy egy nyolc órás kereskedési napon a gépnek 480 egyperces mintája van, amelyekből megtanulhatja az egyperces előrejelzéseket. Egy hónap alatt több mint 10 000 megfigyelés van, amelyekből tanulhat.
De ha meg akar tanulni egy- Napi előrejelzések, az adatok viszonylag ritkák, ezért megbízható modellek létrehozásához sokféle eseményről kellően hosszú előzményekre van szükség különböző körülmények között. Az ilyen adatok sűrűsége idővel sokkal lassabban növekszik a vezető nélküli autókhoz képest.
Ugyanígy fontos, hogy a piacok két szempontból erősen kontradiktóriásak. Először is, minden új betekintést vagy előnyt gyorsan lemásolnak és versenyeztetnek. Ezért azt állíthatnánk, hogy a pénzügyi piacon az intelligencia szerepe nem a Szent Grál megtalálása, hanem az, hogy felismerhető folyamat a változó feltételeket és lehetőségeket, és ennek megfelelően alkalmazkodniuk. Ez sokkal megnehezíti az előrejelzési problémát.
A hátrányok második forrása, hogy nagyobb méretű tranzakciók esetén nem kapsz tömeges kedvezményt, hanem éppen ellenkezőleg. Lehet, hogy viszonylag könnyű az IBM 100 részvényének kereskedése a jelenlegi áron, de lehetetlen 1000 részvény kereskedése ezen az áron. A méretben való jelenlét kontradiktóriussá teszi a piacot. Ez az egyetemes törvény minden gépi kereskedelemre vonatkozik.
Az alábbi ábra felvázolja a teljesítmény és a kapacitás kapcsolatát befektetett dollármilliókkal mérve, az ágazat teljesítményének szokásos, kockázattal korrigált hozammérője, nevezetesen az információs arány (amely hosszú távon nagyjából 0,4 az S & P 500 esetében). Minél nagyobb a gazdaság, annál tovább kell tartani. Ezért a rendelkezésre álló adatok ritkábbak, az eredmények bizonytalanabbak. A teljesítmény a tartási idővel gyorsan romlik, különösen, ha egyik napról a másikra tart. Nincs ingyenes ebéd.
A 2000-es évek elején egy olyan nagyfrekvenciás programot futtattam, amely ritkán vesztett pénzt, de nem tudta meghaladni a néhány millió dolláros tőkét. Egy szabályozási változás megváltoztatta a piaci dinamikát és megszüntette annak előnyeit, de ez más programüzemeltetőket eredményezett, akik kiaknázták a változás mikrostrukturális hatásait. Jelenleg néhány nagyfrekvenciás program üzemeltetője táplálkozik bármilyen kiaknázható likviditással, de a nagyfrekvenciás kereskedelem nem megvalósítható üzlet modell egy nagy vagyonkezelő vagy rendszeres befektető számára. Ez egy másik állat.
A következő kutatásom számszerűsíti a gépi tanulási rendszerek döntéshozatali viselkedésének bizonytalanságát a különböző problémák között.Ez megmagyarázza, hogy az autonóm vezetés prediktív modelljeinek gyűjteménye, amely a nagy adatkészletek variációira van kiképezve, egyetért abban, hogy az elöl lévő tárgy gyalogos és nem fa, míg a piac történelmének kis változataival képzett modellek gyűjteménye nem értek egyet a holnap piaci irányával kapcsolatban.
Ez az AI rendszerek bizonytalanabb viselkedését eredményezi az alacsony kiszámíthatóságú területeken, például a tőzsdén, a látáshoz képest.
Ha mesterséges intelligencia-befektetési rendszert fontolgat, akkor komoly házi feladatot kell tennie, kezdve annak tényleges eredményével. Kérdezd meg magadtól, hogy a program kellően sűrű edzésadatokon alapul-e, figyelembe véve az átlagos tartási időszakot. Van-e a kezelőnek egy jól meghatározott folyamata, amely következetesen követi a tudományos módszert? Mit mondanak a modellek körüli eredendő bizonytalanságról és a várható teljesítmény tartományáról? Mennyivel romlik a teljesítmény, ha az üzemeltető növeli a kapacitást? Végül: vajon fennmarad-e az alapja a jövőben, vagy fennáll a veszélye annak, hogy idegenben versenyeznek?
Ne fektessen be, hacsak nem rendelkezik egyértelmű válaszokkal ezekre a kérdésekre. Befektetni akar, nem pedig szerencsejátékra.
Vasant Dhar a New York-i Egyetem Stern School of Business professzora és a Ph.D. igazgatója. program az Adattudományi Központban. Az SCT Capital Management, a gépi tanuláson alapuló szisztematikus fedezeti alap alapítója New Yorkban.