Wie overweegt om hun geld aan dergelijke programma’s over te dragen, moet lastige vragen stellen over wat hen een ‘voordeel’ geeft “En – het allerbelangrijkste – of het duurzaam zal zijn. Bovendien is de ontnuchterende wet van machine-based trading dat er een omgekeerde relatie is tussen de prestaties en de capaciteit van een programma. Systematische AI-machines zijn onderworpen aan dezelfde wet.
Om de rol van machine learning bij voorspelling te verduidelijken, is het nuttig om je af te vragen of het trainen van een AI-systeem om te handelen hetzelfde is als het leren autorijden. antwoord is nee, maar het onderzoeken van de verschillen is van cruciaal belang bij het vormen van realistische verwachtingen van AI op de kapitaalmarkten.
Met de auto moet er echt een code worden gekraakt. Het probleem heeft grotendeels te maken met geometrie, onveranderlijke bewegingswetten en bekende wegen – alle stationaire items.
De enige kleine verandering die zal plaatsvinden gr adually is dat de meeste, zo niet alle auto’s autonoom zullen worden. Maar dit zou het probleem van machine learning alleen maar gemakkelijker moeten maken vanwege de verminderde onvoorspelbaarheid van menselijke operators op de weg.
Ten tweede zijn de trainingsgegevens enorm, samengevoegd van veel voertuigen onder realistische omstandigheden. Over vijf jaar zullen autonome auto’s dankzij nog meer data beter rijden dan nu, en uiteindelijk misschien foutloos worden. Elke vooruitgang in de navigatie wordt samen met de onderzoeksgemeenschap ontwikkeld. Het vaste doel en de steeds hogere datadichtheid zullen de code kraken.
Financiële markten staan niet stil. Ze veranderen voortdurend, gedreven door politieke, sociale, economische of natuurlijke gebeurtenissen. De gegevens worden beperkt door hoe vaak en hoeveel in de toekomst we willen voorspellen. Zoals welsprekend wordt beschreven in het boek “Flash Boys”, zijn machines in staat om voorspelbare intraday-patronen op de financiële markten te leren die voortkomen uit de acties van mensen en machines. Dergelijke gegevens zijn zeer dicht in die zin dat gedurende een handelsdag van acht uur, de machine heeft 480 steekproeven van één minuut om te leren voorspellingen van één minuut te doen. Binnen een maand heeft hij meer dan 10.000 waarnemingen om van te leren.
Maar als je wilt leren om één minuut te maken, dagvoorspellingen zijn de gegevens relatief schaars, dus je hebt een voldoende lange geschiedenis van veel dingen over verschillende omstandigheden nodig om betrouwbare modellen te maken. De dichtheid van dergelijke gegevens neemt in de loop van de tijd veel langzamer toe in vergelijking met auto’s zonder bestuurder.
Evenzo Belangrijk is dat markten op twee manieren zeer vijandig van aard zijn. Ten eerste wordt elk nieuw inzicht of voordeel snel gekopieerd en weggeconcurreerd. Men zou daarom kunnen stellen dat de rol van intelligentie in financiële markten niet is om de heilige graal te vinden, maar om een proces dat kan herkennen ize veranderende omstandigheden en kansen, en pas ze dienovereenkomstig aan. Dit maakt het voorspellingsprobleem veel moeilijker.
De tweede bron van tegenslag is dat het afhandelen van grotere formaten u geen bulkkorting oplevert, maar juist het tegenovergestelde. Het is misschien relatief eenvoudig om 100 IBM-aandelen tegen de huidige prijs te verhandelen, maar het is onmogelijk om 1000 aandelen tegen die prijs te verhandelen. Aanwezigheid op grootte maakt de markt vijandig. Deze universele wet is van toepassing op alle machinale handel.
De onderstaande figuur schetst de relatie tussen prestatie en capaciteit, gemeten in miljoenen dollars die zijn geïnvesteerd, gebruikmakend van een standaard voor risico gecorrigeerde rendementsmaatstaf voor prestaties in de branche, namelijk de informatieratio (die op de lange termijn ongeveer 0,4 is voor de S & P 500). Hoe groter het bedrijf, hoe langer het moet worden vastgehouden. Daarom zijn de beschikbare gegevens om van te leren schaars en zijn de resultaten onzekerder. Prestaties verslechteren snel met de houdperiode, vooral als u ’s nachts vasthoudt. Er is geen gratis lunch.
In de vroege jaren 2000 had ik een hoogfrequent programma dat zelden geld verloor, maar het kon niet verder schalen dan een paar miljoen dollar aan kapitaal. Een wijziging in de regelgeving veranderde de marktdynamiek en elimineerde de rand ervan, maar het gaf aanleiding tot andere programma-exploitanten die profiteerden van de microstructuureffecten van de verandering. Er zijn momenteel een handvol exploitanten van hoogfrequente programma’s die zich voeden met de liquiditeit die ze kunnen vinden om te exploiteren, maar hoogfrequente handel is niet haalbaar. model voor een grote vermogensbeheerder of een reguliere belegger. Het is een ander dier.
Mijn aanstaande onderzoek kwantificeert de onzekerheid in het besluitvormingsgedrag van machine learning-systemen over verschillende problemen heen.Het verklaart waarom een verzameling voorspellende modellen voor autonoom rijden die zijn getraind op variaties van grote datasets, het erover eens zullen zijn dat een object ervoor een voetganger is en geen boom, terwijl een verzameling modellen die zijn getraind op kleine variaties in de geschiedenis van de markt waarschijnlijk oneens over de richting van de markt van morgen.
Dit vertaalt zich in meer onzeker gedrag van AI-systemen in domeinen met lage voorspelbaarheid, zoals de aandelenmarkt, in vergelijking met visie.
Als u een AI-investeringssysteem overweegt, moet u serieus huiswerk maken, te beginnen met de feitelijke staat van dienst. Vraag uzelf af of het programma gebaseerd is op voldoende dichte trainingsgegevens gezien de gemiddelde duur van het bezit. Heeft de operator een goed gespecificeerd proces dat consequent de wetenschappelijke methode volgt? Wat wordt u verteld over de inherente onzekerheid rond de modellen en de reeks prestatieresultaten die u mag verwachten? In hoeverre gaan de prestaties achteruit als de operator de capaciteit verhoogt? Tot slot: is het waarschijnlijk dat de basis voor de voorsprong in de toekomst zal blijven bestaan, of dreigt deze weggeconcurreerd te worden?
Investeer niet tenzij u duidelijke antwoorden op deze vragen heeft. U wilt investeren, niet gokken.
Vasant Dhar is professor aan de Stern School of Business van de New York University en de directeur van de Ph.D. programma bij het Center for Data Science. Hij is de oprichter van SCT Capital Management, een op machine learning gebaseerd systematisch hedgefonds in New York City.