Cei care iau în calcul predarea banilor lor la astfel de programe trebuie să pună întrebări dure despre ceea ce le oferă un „avantaj” „Și – cel mai important – dacă va fi sustenabilă. În plus, legea îngrijorătoare a tranzacționării bazate pe mașini este că există o relație inversă între performanța și capacitatea unui program. Mașinile sistematice de IA sunt supuse aceleiași legi.
Pentru a clarifica rolul învățării automate în predicție, este util să ne întrebăm dacă instruirea unui sistem de IA pentru tranzacționare este ca și instruirea lui cum să conduci o mașină. răspunsul este nu, dar examinarea diferențelor este esențială în formarea așteptărilor realiste ale IA pe piețele de capital.
Cu mașina, există într-adevăr un cod care trebuie spart. Problema implică în mare parte geometria, legile imuabile ale mișcării și drumuri cunoscute – toate articolele staționare.
Singura modificare minoră care va avea loc gr de fapt este că majoritatea, dacă nu toate mașinile, vor deveni autonome. Dar acest lucru ar trebui să ușureze problema învățării automate, din cauza imprevizibilității reduse a operatorilor umani pe drum.
În al doilea rând, datele de instruire sunt vaste, colectate de la multe vehicule în condiții reale. Peste cinci ani, mașinile autonome vor conduce mai bine decât acum datorită mai multor date și, probabil, vor deveni în cele din urmă fără erori. Fiecare avans în navigație este bazat pe cooperare de către comunitatea de cercetare. Ținta fixă și densitatea de date din ce în ce mai mare vor sparge codul.
Piețele financiare nu sunt staționare. Se schimbă tot timpul, conduse de evenimente politice, sociale, economice sau naturale. Datele sunt limitate de cât de des și cât de mult vrem să anticipăm în viitor. Așa cum este descris elocvent în cartea „Flash Boys”, mașinile sunt capabile să învețe tipare predictibile pe parcursul zilei pe piețele financiare care decurg din acțiunile oamenilor și mașinilor. Aceste date sunt foarte dense în sensul că pe parcursul unei zile de tranzacționare de opt ore, mașina are 480 de eșantioane de un minut din care să învețe să facă predicții de un minut. Într-o lună, are peste 10.000 de observații de la care să înveți.
Dar dacă vrei să înveți să faci una- predicții zilnice, datele sunt relativ rare, deci aveți nevoie de istorii suficient de lungi cu multe lucruri în condiții diferite pentru a crea modele de încredere. Densitatea acestor date crește mult mai lent în timp comparativ cu mașinile fără șofer.
În mod egal important, piețele au un caracter extrem de contradictoriu în două moduri. În primul rând, orice nouă perspectivă sau margine este copiată rapid și concurată. Prin urmare, s-ar putea argumenta că rolul inteligenței pe piețele financiare nu este acela de a găsi Sfântul Graal, ci de a avea un proces care poate recunoaște să schimbe condițiile și oportunitățile și să se adapteze în consecință. Acest lucru face ca problema predicției să fie mult mai dificilă.
A doua sursă de adversități este că tranzacționarea unor dimensiuni mai mari nu vă oferă o reducere în masă, ci mai degrabă opusul. Ar putea fi relativ ușor să tranzacționați 100 de acțiuni ale IBM la prețul existent de cele mai multe ori, dar imposibil să tranzacționați 1.000 de acțiuni la acel preț. Prezența la dimensiuni face ca piața să fie contradictorie. Această lege universală se aplică tuturor tranzacțiilor bazate pe mașini.
Figura de mai jos prezintă relația dintre performanță și capacitate, măsurată cu milioane de dolari investiți, folosind o măsură de rentabilitate standard ajustată la risc în industrie, și anume, raportul de informații (care este de aproximativ 0,4 pentru S & P 500 pe termen lung). Cu cât exploatația este mai mare, cu atât trebuie ținută mai mult. Prin urmare, datele disponibile pentru a învăța sunt mai rare, iar rezultatele sunt mai incerte. Performanța se degradează rapid odată cu perioada de păstrare, mai ales dacă țineți peste noapte. Nu există prânz gratuit.
La începutul anilor 2000 am derulat un program de înaltă frecvență care rareori pierdea bani, dar nu putea să depășească câteva milioane de dolari în capital. dar a dat naștere altor operatori de programe care au valorificat impactul microstructurii schimbării. În prezent există o mână de operatori de programe de înaltă frecvență care se hrănesc cu orice lichiditate pot găsi pentru a exploata, dar tranzacționarea de înaltă frecvență nu este o afacere fezabilă model pentru un mare manager de active sau un investitor obișnuit. Este un animal diferit.
Cercetările mele viitoare cuantifică incertitudinea în comportamentul decizional al sistemelor de învățare automată în diferite probleme.Acesta explică de ce o colecție de modele predictive pentru conducerea autonomă care sunt instruite pe variațiile seturilor de date mari va fi de acord că un obiect din față este un pieton și nu un copac, în timp ce o colecție de modele instruite pe mici variații ale istoriei pieței este probabil nu sunt de acord cu direcția de piață de mâine.
Acest lucru se traduce printr-un comportament mai nesigur al sistemelor de IA în domenii cu predictibilitate redusă, cum ar fi piața de valori, comparativ cu viziunea.
Dacă aveți în vedere un sistem de investiții AI, va trebui să faceți teme serioase începând cu palmaresul său real. Întrebați-vă dacă programul se bazează pe date de antrenament suficient de dense, având în vedere perioada medie de deținere. Operatorul are un proces bine specificat care urmează în mod consecvent metoda științifică? Ce vi se spune despre incertitudinea inerentă în jurul modelelor și gama de rezultate de performanță la care ar trebui să vă așteptați? Cât de mult se va degrada performanța dacă operatorul crește capacitatea? În cele din urmă, este posibil ca baza marginii să persiste în viitor sau riscă să fie concurată?
Nu investiți decât dacă aveți răspunsuri clare la aceste întrebări. Doriți să investiți, nu să jucați.
Vasant Dhar este profesor la Școala de Afaceri a Universității din New York și director al doctoratului. program la Centrul pentru Știința Datelor. El este fondatorul SCT Capital Management, un fond de acoperire sistematic bazat pe învățarea automată din New York.