Искусственный интеллект на финансовых рынках. Часть 3.
Давайте поговорим немного подробнее: что именно могут сделать продвинутые пользователи, которые занимают должности во фронт-офисе индустрии ценных бумаг, с таким значительным увеличением производительности и эффективности? Для большинства других отраслей, а также для другого функционала в индустрии ценных бумаг (см. первый пост в этой серии ), мы бы перечислили несколько вариантов использования, которые, как вы видели, уже работают.
На финансовых рынках все немного иначе: идет гонка вооружений, с целью найти и использовать преимущества, прежде чем они станут широко известны и потеряют ценность. В результате этого, трудно разбирать на каком-либо уровне детализации примеры использования, которые точно сработают в отрасли. Новаторы и противники могут скорее поступить противоположным образом тому, что доказано, и правильно, ведь большие награды получают те, кто смело ступает на нетронутую территорию.
Итак, предположим, что вы профессионал в области финансовых рынков и имеете представление о неэффективности рынков, которые вы хотите использовать. В вашей команде есть несколько отличных квантов (кто-то из финансовой индустрии, использующий математические методы, например, для измерения риска инвестиций) (может быть, вы сами являетесь отличным квантом), но поиск недостатков — трудоемкий процесс, а хорошие кванты и стратеги редкие и дорогие.
Имеет смысл автоматизировать повторяющиеся части процесса и сконцентрировать свое время и внимание на типах задач, которые нельзя автоматизировать.
Технология, которая позволяет практикам прорабатывать больше возможных подходов за малое количество времени — DataRobot.
По своей сути DataRobot — это корпоративная платформа ИИ для автоматизированного построения моделей машинного обучения.
- Контролируемое машинное обучение, или обучение с учителем . У вас есть совокупность исторических наблюдений (данных), вы знаете о них разные вещи и знаете результаты этих наблюдений. Машинное обучение с учителем приходит на помощь, когда важно делать достаточно точные прогнозы вероятных результатов по мере поступления новых наблюдений.
Сценарии использования контролируемого машинного обучения бывают разных форм:
— классификационные задачи (ответы на вопросы типа «да / нет» или разделение наблюдений на несколько категорий) и
— регрессионные задачи (прогнозирование чисел);
Модели контролируемого машинного обучения:
—поперечные модели (наблюдения независимы друг от друга) или
— временные ряды (наблюдения показывают временные зависимости / серийную корреляцию; многие модели индустрии ценных бумаг попадают в эту форму). - Неконтролируемые методы машинного обучения для решения проблем обнаружения аномалий . У вас есть совокупность исторических наблюдений (данных), вы знаете о них разные вещи, и по мере появления новых наблюдений есть возможность оценить, насколько они похожи или отличаются от исторических наблюдений. Это также можно сделать с помощью поперечной модели или с использованием подхода временных рядов .
Около 80% проблем машинного обучения в бизнесе можно описать как один из этих двух типов. Финансовые рынки не исключение — проводится большая работа по прогнозированию различных чисел на основе того, что известно в данный момент времени. Что представляют собой эти числа, почти не имеет значения, итак:
— имеются данные, которые хорошо отражают важные модели поведения / факторы, определяющие число (а), которое необходимо прогнозировать; и это
— взаимосвязь между базовыми данными и прогнозируемым числом является достаточно стабильной (или, по крайней мере, согласованной), чтобы можно было собрать достаточно данных для построения модели; и, конечно же, что
— есть возможность предсказать интересующее число (а) заранее
Мы рассмотрим более подробно на следующей неделе как автоматизированное машинное обучение DataRobot помогает обеспечить лучшие практики как в построение модели машинного обучения, так и в проверке модели.
ИСТОЧНИК: https://www.datarobot.com/blog/