АНАЛИТИКА ПЛЮС
Профессиональные услуги в сфере BI

Искусственный интеллект на финансовых рынках. Часть 1.

12.08.2020

«Любая достаточно развитая технология неотличима от магии.» — Артур Кларк

Это похоже на магию…

Существует популярное представление о том, что искусственный интеллект может делать на финансовых рынках, и как это сделать, которое работает примерно так: вы нанимаете одного-двух ученых-ракетчиков и стаю докторов наук и запираете их в комнате с большим количеством очень дорого компьютерного оборудования. Иногда вы открываете дверь и бросаете туда пиццу, но вы не выпускаете их, пока они не построят вам удивительную «magic box» (а также не забываем, что у них нет жизни за пределами их компьютера)

Magic box — это монолитный черный ящик — никто, на самом деле, не знает, как он работает, кроме ученых-ракетчиков и одного из докторов наук, вы бросаете кучу данных (изображения, цены на акции, твиты, новости, видео и прочее) в бункер, ученые-ракетчики несколько раз по очереди поворачивают рукоятку, и предсказывающий рынок «magic box» выплевывает портфели, сделки, прогнозы, анализы, аналитические данные, предупреждения и, в конечном счете, большие деньги. Результат: все довольны, покупают очень дорогие машины и отправляются на виллы в Карибском море, купленные за выручку от «magic box», где тишина и покой нарушаются лишь из-за звука коленчатой ​рукоятки «magic box». Звучит довольно круто, правда?

К сожалению, но неудивительно, что это не так просто, и прогнозировать цены активов на самом деле чрезвычайно сложно, даже для сложных моделей машинного обучения.

Наука о данных, как правило, добивается успеха в тех случаях, когда существует сложное поведение, которое можно описать в данных, и когда согласованные исходные данные приводят к согласованным «предсказуемым» результатам .

Слишком часто результаты на финансовых рынках не являются последовательными или предсказуемыми. Тем не менее, существует множество отличных вариантов использования машинного обучения на финансовых рынках — как во фронт-офисе, так и за его пределами.

Во-первых, это должно быть реальным

Темпы внедрения технологий машинного обучения ускоряются как в инвестиционных банках на стороне продажи, так и на стороне покупателя. Есть много хороших вариантов использования машинного обучения, охватывающих широкий спектр видов деятельности: например, с использованием современных методов автоматического машинного обучения,

  • Трейдеры могут продемонстрировать наилучшее исполнение, используя исторические данные анализа трансакционных издержек (TCA) для построения моделей, чтобы предсказать влияние сделок на рынок, а также выполнить (и записать) предварительный анализ сценариев, чтобы оценить широкий спектр различных мест, брокеров, алгоритмы, параметры, которые доступны на сегодняшних рынках;
  • Маркет-мейкеры могут создавать сложные нелинейные модели для определения цен на внебиржевых рынках и подбирать котировки для отдельных запросов, а также определять лучшие стратегии или контрагентов для компенсации риска;
  • Отделы продаж могут предсказать, кто из их клиентов, вероятно, заинтересуется конкретными продуктами и рыночными запросами;
  • Отделы рынка капитала могут эффективно создавать списки инвесторов для целевого выпуска акций или облигаций, а также модели для оказания им помощи в ценообразовании;
  • Главные брокеры могут предсказать, какие новые отношения действительно приведут к приносящей доход деятельности, а какие новые клиенты будут наиболее прибыльными, а также создать сигналы раннего предупреждения для выявления клиентов, подверженных риску оттока клиентов;
  • Инвестиционные аналитики могут моделировать действия по кредитным рейтингам, снижение доходов и целый ряд других событий, связанных с акциями, а также использовать сложную обработку на естественном языке для извлечения ценности из свободного текста;
  • Экономисты могут строить прогнозы временных рядов экономических переменных и других факторов, которые влияют на цены активов, используя преимущества современных методов;
  • Управляющие паевыми фондами могут создавать модели для более точного прогнозирования ежедневных притоков и оттоков инвесторов, таким образом сводя к минимуму необходимость перетаскивания доходов за счет учета фрикционных остатков денежных средств;
  • Специалисты по маркетингу и дистрибуции фондов могут создавать модели, прогнозирующие вероятность того, что отдельные инвесторы будут набирать деньги, реагировать на конкретные сообщения или реагировать на целевые предложения перекрестных продаж;
  • Менеджеры по институциональным отношениям могут смоделировать, как долго продлится цикл продаж или насколько чувствительным к цене будет конкретный мандат в переговорах;
  • Операционные бригады могут снизить затраты, прогнозируя, какие сделки могут выпасть из прямой обработки, требуют дополнительных ручных операций или иным образом вызывают разрывы, тем самым обнаруживая проблемы до их возникновения;
  • Команды по соблюдению могут существенно снизить количество ложноположительных результатов при проведении операций по борьбе с отмыванием денег, торговому надзору или проверке на мошенничество, сохраняя при этом точность, и
  • Технологи могут повысить устойчивость своей инфраструктуры против кибератак и прогнозировать влияние запланированных выпусков на бизнес как обычно.

Используя автоматизированное обучение DataRobot, все эти варианты использования могут быть рассмотрены строгим, мощным способом, с помощью поиска по множеству различных алгоритмов и моделей кандидатов, обеспечивающих стандартизированную интерпретацию, автоматизированную документацию соответствия, надежное управление, простое развертывание и мощный мониторинг производительности.

Итак, является ли машинное обучение еще одной «новой вещью», которая несет большие надежды для инвесторов, но в конечном итоге не дает результатов? Или обещание остается в силе? Как вы можете использовать машинное обучение, чтобы повысить свою эффективность в качестве инвестора?

Методы машинного обучения действительно предлагают существенные преимущества по сравнению с «традиционными» квантовыми методами, такими как анализ правил и обобщенные линейные модели; в последующих публикациях в этой серии мы рассмотрим это более подробно и посмотрим, почему автоматизированное машинное обучение, в частности, станет важным инструментом, особенно в арсенале инвесторов.

Источник: https://www.datarobot.com

x

Этот сайт использует файлы cookies, чтобы облегчить вам пользование нашим веб-сайтом.

Продолжая использовать этот веб-сайт, вы даете согласие на использование файлов cookies.