vertrauen. Wer erwägt, sein Geld an solche Programme zu übergeben, muss schwierige Fragen stellen, was ihnen einen „Vorteil“ verschafft „Und – was am wichtigsten ist – ob es nachhaltig sein wird. Darüber hinaus besteht nach dem ernüchternden Gesetz des maschinenbasierten Handels ein umgekehrter Zusammenhang zwischen Leistung und Kapazität eines Programms. Systematische KI-Maschinen unterliegen demselben Gesetz.
Um die Rolle des maschinellen Lernens bei der Vorhersage zu klären, ist es hilfreich zu fragen, ob das Training eines KI-Systems für den Handel mit dem Training des Autofahrens vergleichbar ist Die Antwort lautet Nein, aber die Untersuchung der Unterschiede ist entscheidend, um realistische Erwartungen an die KI auf den Kapitalmärkten zu entwickeln.
Beim Auto muss wirklich ein Code geknackt werden. Das Problem betrifft hauptsächlich Geometrie und unveränderliche Bewegungsgesetze und bekannte Straßen – alle stationären Gegenstände.
Die eine geringfügige Änderung, die auftreten wird gr adually ist, dass die meisten, wenn nicht alle Autos autonom werden. Dies sollte jedoch das Problem des maschinellen Lernens nur aufgrund der geringeren Unvorhersehbarkeit menschlicher Bediener auf der Straße erleichtern.
Zweitens sind die Trainingsdaten riesig und werden von vielen Fahrzeugen unter realen Bedingungen zusammengefasst. In fünf Jahren werden autonome Autos dank noch mehr Daten besser fahren als jetzt und möglicherweise fehlerfrei. Jeder Fortschritt in der Navigation wird von der Forschungsgemeinschaft kooperativ aufgebaut. Das feste Ziel und die immer höhere Datendichte werden den Code knacken.
Die Finanzmärkte sind nicht stationär. Sie ändern sich ständig, angetrieben von politischen, sozialen, wirtschaftlichen oder natürlichen Ereignissen. Die Daten werden dadurch begrenzt, wie oft und wie viel in die Zukunft wir vorhersagen möchten. Wie im Buch „Flash Boys“ eloquent beschrieben, können Maschinen vorhersehbare Intraday-Muster auf den Finanzmärkten lernen, die sich aus den Handlungen von Menschen und Maschinen ergeben. Solche Daten sind in dem Sinne sehr dicht, dass über einen achtstündigen Handelstag Die Maschine verfügt über 480 einminütige Stichproben, aus denen Sie lernen können, einminütige Vorhersagen zu treffen. In einem Monat können Sie aus mehr als 10.000 Beobachtungen lernen.
Wenn Sie jedoch lernen möchten, ein- Bei Tagesvorhersagen sind die Daten relativ spärlich, sodass Sie ausreichend lange Historien vieler Dinge unter verschiedenen Bedingungen benötigen, um vertrauenswürdige Modelle zu erstellen. Die Dichte solcher Daten nimmt im Vergleich zu fahrerlosen Autos im Laufe der Zeit viel langsamer zu.
Gleichermaßen Wichtig ist, dass Märkte in zweierlei Hinsicht sehr kontrovers sind: Erstens werden neue Erkenntnisse oder Vorteile schnell kopiert und konkurriert. Man könnte daher argumentieren, dass die Rolle der Intelligenz auf den Finanzmärkten nicht darin besteht, den Heiligen Gral zu finden, sondern ihn zu haben ein Prozess, der erkennen kann sich ändernde Bedingungen und Möglichkeiten ändern und entsprechend anpassen. Dies macht das Vorhersageproblem viel schwieriger.
Die zweite Ursache für Widrigkeiten ist, dass Sie bei Transaktionen mit größeren Größen keinen Mengenrabatt erhalten, sondern genau das Gegenteil. Es mag relativ einfach sein, 100 IBM-Aktien zum bestehenden Preis zu handeln, aber es ist unmöglich, 1.000 Aktien zu diesem Preis zu handeln. Präsenz in der Größe macht den Markt kontrovers. Dieses universelle Gesetz gilt für den gesamten maschinenbasierten Handel.
Die folgende Abbildung skizziert die Beziehung zwischen Leistung und Kapazität, gemessen an investierten Millionen Dollar. unter Verwendung eines standardmäßigen risikobereinigten Renditemaßes für die Leistung in der Branche, nämlich des Informationsverhältnisses (das für den S & P 500 auf lange Sicht ungefähr 0,4 beträgt). Je größer der Bestand, desto länger muss er gehalten werden. Daher sind die verfügbaren Daten, aus denen gelernt werden kann, spärlicher und die Ergebnisse unsicherer. Die Leistung nimmt mit der Haltedauer schnell ab, insbesondere wenn Sie über Nacht halten. Es gibt kein kostenloses Mittagessen.
In den frühen 2000er Jahren führte ich ein Hochfrequenzprogramm durch, das selten Geld verlor, aber nicht über ein paar Millionen Dollar Kapital hinausgehen konnte. Eine regulatorische Änderung veränderte die Marktdynamik und beseitigte ihren Vorteil. Aber es entstanden andere Programmbetreiber, die von den Auswirkungen der Änderung auf die Mikrostruktur profitierten. Derzeit gibt es eine Handvoll Betreiber von Hochfrequenzprogrammen, die sich von der Liquidität ernähren, die sie zur Nutzung finden können, aber der Hochfrequenzhandel ist kein praktikables Geschäft Modell für einen großen Vermögensverwalter oder einen regulären Investor. Es ist ein anderes Tier.
Meine bevorstehende Forschung quantifiziert die Unsicherheit im Entscheidungsverhalten von maschinellen Lernsystemen über verschiedene Probleme hinweg.Es wird erklärt, warum eine Sammlung von Vorhersagemodellen für autonomes Fahren, die auf Variationen großer Datensätze trainiert werden, übereinstimmt, dass ein Objekt vor ihnen ein Fußgänger und kein Baum ist, während eine Sammlung von Modellen, die auf kleinen Variationen der Marktgeschichte trainiert sind, dies wahrscheinlich tun nicht einverstanden über die Marktrichtung von morgen.
Dies führt zu einem unsichereren Verhalten von KI-Systemen in Bereichen mit geringer Vorhersagbarkeit wie dem Aktienmarkt im Vergleich zur Vision.
Wenn Sie ein KI-Investitionssystem in Betracht ziehen, müssen Sie einige ernsthafte Hausaufgaben machen, beginnend mit der tatsächlichen Erfolgsbilanz. Fragen Sie sich, ob das Programm aufgrund seiner durchschnittlichen Haltedauer auf ausreichend dichten Trainingsdaten basiert. Verfügt der Bediener über einen genau festgelegten Prozess, der konsequent der wissenschaftlichen Methode folgt? Was wird Ihnen über die inhärente Unsicherheit in Bezug auf die Modelle und die Bandbreite der zu erwartenden Leistungsergebnisse gesagt? Um wie viel wird sich die Leistung verschlechtern, wenn der Bediener die Kapazität erhöht? Ist es schließlich wahrscheinlich, dass die Basis für den Vorsprung in der Zukunft bestehen bleibt, oder besteht die Gefahr, dass er weggefordert wird?
Investieren Sie nur, wenn Sie klare Antworten auf diese Fragen haben. Sie möchten investieren, nicht spielen.
Vasant Dhar ist Professor an der Stern School of Business der New York University und Direktor des Ph.D. Programm im Zentrum für Datenwissenschaft. Er ist der Gründer von SCT Capital Management, einem auf maschinellem Lernen basierenden systematischen Hedgefonds in New York City.