Coloro che stanno valutando la possibilità di affidare i propri soldi a tali programmi devono porsi domande difficili su cosa dia loro un “vantaggio “E, cosa più importante, se sarà sostenibile. Inoltre, la legge che fa riflettere del trading basato su macchine è che esiste una relazione inversa tra prestazioni e capacità di un programma. Le macchine con intelligenza artificiale sistematica sono soggette alla stessa legge.
Per chiarire il ruolo del machine learning nella previsione, è utile chiedersi se addestrare un sistema di intelligenza artificiale al commercio è come addestrarlo a guidare un’auto. la risposta è no, ma esaminare le differenze è fondamentale per formare aspettative realistiche di intelligenza artificiale nei mercati dei capitali.
Con l’auto, c’è davvero un codice da decifrare. Il problema coinvolge in gran parte la geometria, le leggi immutabili del movimento e strade conosciute – tutti gli elementi fissi.
L’unico cambiamento minore che si verificherà gr alla fine è che la maggior parte se non tutte le auto diventeranno autonome. Ma questo dovrebbe solo semplificare il problema dell’apprendimento automatico a causa della ridotta imprevedibilità degli operatori umani sulla strada.
In secondo luogo, i dati di addestramento sono vasti, raccolti da molti veicoli in condizioni reali. In cinque anni, le auto autonome guideranno meglio di adesso grazie a un numero ancora maggiore di dati e forse alla fine diventeranno prive di errori. Ogni progresso nella navigazione è costruito in modo cooperativo dalla comunità di ricerca. L’obiettivo fisso e la densità di dati sempre più alta creeranno il codice.
I mercati finanziari non sono stazionari. Cambiano continuamente, guidati da eventi politici, sociali, economici o naturali. I dati sono limitati da quanto spesso e quanto nel futuro vogliamo prevedere. Come descritto in modo eloquente nel libro “Flash Boys”, le macchine sono in grado di apprendere modelli intraday prevedibili nei mercati finanziari che derivano dalle azioni di persone e macchine. Tali dati sono molto densi nel senso che in una giornata di negoziazione di otto ore, la macchina ha 480 campioni da un minuto da cui imparare a fare previsioni di un minuto. In un mese, ha più di 10.000 osservazioni da cui imparare.
Ma se vuoi imparare a farne una- previsioni giornaliere, i dati sono relativamente scarsi, quindi hai bisogno di storie sufficientemente lunghe di molte cose in condizioni variabili per creare modelli affidabili. La densità di tali dati aumenta molto più lentamente nel tempo rispetto alle auto senza conducente.
è importante sottolineare che i mercati sono di natura altamente contraddittoria in due modi. Primo, qualsiasi nuova intuizione o vantaggio viene copiato rapidamente e messo in competizione. Si potrebbe quindi sostenere che il ruolo dell’intelligence nei mercati finanziari non è trovare il Sacro Graal, ma avere un processo che può riconoscere ize le mutevoli condizioni e opportunità e adattati di conseguenza. Ciò rende il problema della previsione molto più difficile.
La seconda fonte di avversità è che la transazione di taglie più grandi non ti offre uno sconto all’ingrosso, ma piuttosto il contrario. Potrebbe essere relativamente facile negoziare 100 azioni di IBM al prezzo attuale nella maggior parte dei casi, ma impossibile scambiare 1.000 azioni a quel prezzo. La presenza alla dimensione rende il mercato contraddittorio. Questa legge universale si applica a tutto il trading basato su macchine.
La figura seguente delinea la relazione tra prestazioni e capacità, misurata da milioni di dollari investiti, utilizzando una misura di rendimento standard aggiustata per il rischio della performance nel settore, ovvero l’Information Ratio (che è circa 0,4 per l’S & P 500 nel lungo periodo). Più grande è la tenuta, più a lungo deve essere tenuta. Pertanto, i dati disponibili da cui apprendere sono più scarsi e i risultati più incerti. Le prestazioni peggiorano rapidamente con il periodo di detenzione, soprattutto se si mantiene durante la notte. Il pranzo è gratuito.
All’inizio degli anni 2000 gestivo un programma ad alta frequenza che raramente perdeva denaro, ma non poteva scalare oltre alcuni milioni di dollari di capitale. Un cambiamento normativo ha alterato le dinamiche di mercato ed eliminato il suo vantaggio, ma ha dato origine ad altri operatori di programmi che hanno capitalizzato gli impatti microstrutturali del cambiamento. Attualmente ci sono una manciata di operatori di programmi ad alta frequenza che si nutrono di tutta la liquidità che riescono a trovare da sfruttare, ma il trading ad alta frequenza non è un business fattibile modello per un grande gestore patrimoniale o un investitore regolare. È un animale diverso.
La mia prossima ricerca quantifica l’incertezza nel comportamento decisionale dei sistemi di apprendimento automatico su vari problemi.Spiega perché una raccolta di modelli predittivi per la guida autonoma addestrati su variazioni di grandi set di dati concorderà sul fatto che un oggetto davanti è un pedone e non un albero, mentre è probabile che una raccolta di modelli formati su piccole variazioni della storia del mercato non sono d’accordo sulla direzione del mercato di domani.
Ciò si traduce in un comportamento più incerto dei sistemi di intelligenza artificiale in domini a bassa prevedibilità come il mercato azionario rispetto alla visione.
Se stai prendendo in considerazione un sistema di investimento AI, dovrai fare dei compiti seri a partire dal suo effettivo track record. Chiediti se il programma si basa su dati di allenamento sufficientemente densi dato il suo periodo di detenzione medio. L’operatore ha un processo ben specificato che segue coerentemente il metodo scientifico? Cosa ti dicono dell’incertezza inerente ai modelli e della gamma di risultati prestazionali che dovresti aspettarti? Quanto si degraderanno le prestazioni se l’operatore aumenta la capacità? Infine, è probabile che le basi per il vantaggio persistano in futuro o rischiano di essere respinte?
Non investire se non hai risposte chiare a queste domande. Vuoi investire, non giocare d’azzardo.
Vasant Dhar è un professore presso la Stern School of Business della New York University e direttore del Ph.D. programma presso il Center for Data Science. È il fondatore di SCT Capital Management, un hedge fund sistematico basato sull’apprendimento automatico a New York City.