そのようなプログラムにお金を渡すことを検討している人は、何が彼らに「エッジ」を与えるのかについて厳しい質問をする必要があります」そして、最も重要なのは、それが持続可能かどうかです。さらに、機械ベースの取引の冷静な法則は、プログラムのパフォーマンスと容量の間に反比例の関係があるということです。体系的なAI機械は同じ法則の対象となります。
予測における機械学習の役割を明確にするために、AIシステムを取引するためのトレーニングが、車の運転方法をトレーニングするようなものかどうかを尋ねると便利です。答えはノーですが、資本市場でAIの現実的な期待を形成するには、違いを調べることが重要です。
自動車には、実際に解読すべきコードがあります。問題の大部分は、ジオメトリ、不変の運動の法則に関係しています。および既知の道路—すべての静止アイテム。
発生する1つの小さな変更gr当然のことながら、すべてではないにしてもほとんどの車が自律的になります。しかし、これは、道路上の人間のオペレーターの予測不可能性が減少するため、機械学習の問題を容易にするだけです。
第二に、トレーニングデータは膨大であり、実際の条件下で多くの車両からプールされています。 5年間で、自動運転車はさらに多くのデータのおかげで現在よりも良く運転し、おそらく最終的にはエラーがなくなります。ナビゲーションの各進歩は、研究コミュニティによって協力して構築されています。固定された目標とますます高いデータ密度はコードをクラックします。
金融市場は定常的ではありません。それらは、政治的、社会的、経済的、または自然の出来事によって引き起こされ、常に変化します。データは、予測したい頻度と将来の量によって制限されます。 「FlashBoys」という本で雄弁に説明されているように、機械は人間と機械の行動から生じる金融市場の予測可能な日中のパターンを学習することができます。このようなデータは、8時間の取引日にわたって非常に密集しています。マシンには、1分間の予測を行うための学習用の480個の1分間のサンプルがあります。1か月で10,000を超える観測値から学習できます。
ただし、1分間の予測を学習したい場合は-日中の予測では、データは比較的まばらであるため、信頼できるモデルを作成するには、さまざまな条件で多くのことについて十分に長い履歴が必要です。このようなデータの密度は、無人の車に比べて時間の経過とともにはるかにゆっくりと増加します。
重要なのは、市場は2つの点で本質的に非常に敵対的であるということです。まず、新しい洞察やエッジがすばやくコピーされて競合します。したがって、金融市場におけるインテリジェンスの役割は、聖杯を見つけることではなく、認識できるプロセス変化する条件と機会を把握し、それに応じて適応します。これにより、予測の問題がはるかに困難になります。
逆境の2番目の原因は、より大きなサイズの取引では一括割引ではなく、その逆であるということです。ほとんどの場合、既存の価格でIBMの100株を取引するのは比較的簡単かもしれませんが、その価格で1,000株を取引することは不可能です。サイズでの存在は市場を敵対的にします。この普遍的な法則は、すべての機械ベースの取引に適用されます。
次の図は、投資された数百万ドルで測定されたパフォーマンスと容量の関係を示しています。業界のパフォーマンスの標準的なリスク調整後リターン測定値、つまり情報比率（長期的にはS & P 500の場合は約0.4）を使用します。保持が大きいほど、保持する必要がある時間が長くなります。したがって、学習に利用できるデータはまばらであり、結果はより不確実です。特に一晩保持する場合、保持期間とともにパフォーマンスが急速に低下します。無料のランチはありません。
2000年代の初めに、私はめったにお金を失うことのない高周波プログラムを実行しましたが、資本金が数百万ドルを超えることはできませんでした。規制の変更により、市場のダイナミクスが変化し、その優位性が失われました。しかし、それは変更の微細構造の影響を利用した他のプログラムオペレーターを生み出しました。現在、利用できる流動性を利用する高周波プログラムのオペレーターは少数ですが、高周波取引は実行可能なビジネスではありません。大規模な資産管理者または通常の投資家向けのモデル。これは別の動物です。
今後の研究では、さまざまな問題にわたる機械学習システムの意思決定行動の不確実性を定量化します。大きなデータセットのバリエーションでトレーニングされた自動運転の予測モデルのコレクションが、前のオブジェクトが木ではなく歩行者であることに同意するのに対し、市場の歴史の小さなバリエーションでトレーニングされたモデルのコレクションは、明日の市場の方向性について意見が分かれています。
これは、ビジョンと比較して、株式市場などの予測可能性の低いドメインでのAIシステムの動作がより不確実になることを意味します。
AI投資システムを検討している場合は、実際の実績から始めて、真剣な宿題をする必要があります。プログラムが平均保有期間を考慮して十分に密度の高いトレーニングデータに基づいているかどうかを自問してください。オペレーターは、一貫して科学的方法に従う明確に指定されたプロセスを持っていますか？モデルに固有の不確実性と、期待すべきパフォーマンス結果の範囲について何を教えてください。オペレーターが容量を増やすと、パフォーマンスはどのくらい低下しますか？最後に、エッジの基盤は将来も持続する可能性がありますか、それとも競合するリスクがありますか？
これらの質問に対する明確な回答がない限り、投資しないでください。ギャンブルではなく投資したいのです。
Vasant Dharは、ニューヨーク大学のスターンスクールオブビジネスの教授であり、博士号のディレクターです。データサイエンスセンターでのプログラム。彼は、ニューヨーク市の機械学習ベースの体系的なヘッジファンドであるSCT CapitalManagementの創設者です。