Машинное обучение в биржевой торговле

Позволили ли бы вы алгоритму ИИ сделать звонок от вашего имени за 100 миллионов долларов? Это концепция, которой несколько хедж-фондов занимаются в течение нескольких лет. Поскольку искусственный интеллект продолжает доказывать свою эффективность во все большем числе сфер жизни, многие инвестиционные фирмы, как новые, так и старые, начинают использовать его для принятия торговых решений - и они готовы рисковать огромным количеством денег своих клиентов.

В течение многих лет классические хедж-фонды использовали компьютерные алгоритмы для принятия торговых решений. Тем не менее, эти алгоритмы были обусловлены статическими моделями, разработанными и управляемыми на основе научных данных, но они не были искусными в периоды высокой волантильности финансовых рынков. Решения, сделанные этими алгоритмами, давали результаты, которые часто уступали тем, которые были сделаны живым человеком.

В последние годы, с появлением машинного обучения и глубокого изучения отрасли ИИ, разработчики сделали прорыв в создании программного обеспечения и продолжают вовлекать все новые и новые инновации в алгоритмическую торговлю.

В отличие от традиционного программного обеспечения, которое опирается на заранее предопределенные правила, заданные программистами, алгоритмы машинного обучения работают путем анализа огромных объемов данных и определения их собственных правил на основе шаблонов и соединений, которые они самостоятельно находят между разными звеньями информации. Программное обеспечение, основанное на машинном обучении, автономно обновляет себя когда оно получает новые данные.

Этот подход помог создать системы, которые эффективны при анализе содержимого изображений и видео, понимания контекста и перевода устного и письменного языка, экономии энергии, диагностики рака и т.д. Многие считают, что эта же технология может трансформировать финансовые рынки. 

Использование машинного обучения

Несколько хедж-фондов Уолл-стрит уже используют возможности, которые алгоритмы самообучения могут обеспечить применительно к финансовой торговле. Примером может служить Man Group, один из крупнейших в мире хедж-фондов с $ 96 млрд. под управлением. С 2014 года Man использует алгоритмы машинного обучения (МО) для принятия автономных торговых решений в своем AHL Dimension fund с очень положительными результатами.

Инженеры Man Group устанавливают граничные параметры для своих алгоритмов МО, включая ограничения экспозиции, классы активов и торговые затраты. Затем они предоставляют алгоритмы с данными и позволяют им обнаруживать шаблоны и корреляции, которые остались незамеченными аналитиками. Алгоритмы МО постоянно сравнивают новые данные с историческими шаблонами и пытаются угадать, как изменения будут развиваться в будущем. Человек применяет модель к быстрым торговым решениям, а также к предстоящим прогнозам в течение нескольких будущих недель.

Доступность данных и вычислительных ресурсов, два основных требования алгоритмов машинного обучения, являются основными факторами, которые позволяют Man Group и другим хедж-фондам использовать ИИ в своей торговле. Сегодня стоимость использования вычислительных мощности значительно снизилась. Man Group управляет собственным огромным центром обработки данных в Лондоне. Другие фирмы создают виртуальные центры обработки данных через облачных провайдеров, таких как Amazon, Microsoft и Google.

Более важным является прорыв в генерации данных и онлайн-сервисов, который произошел в последние годы. По данным Deutsche Bank, в Интернете насчитывается один миллиард веб-сайтов, каждый год добавляется еще 100 миллионов. Существует более 500 экзабайт данных, причем более 90 процентов из них создано за последние два года. Данные в этом цифровом океане многочисленных публикаций общедоступной информации, также называемые альтернативными данными, могут дополнять финансовые массивы информации и способствовать принятию более эффективных торговых решений.

Эти обстоятельства могут включать широкий спектр типов данных, такие как: рабочие места, обсуждения в социальных сетях, спутниковые снимки, транзакции с использованием кредитных карт и данные, полученные с мобильных устройств. Эта информация позволяет аналитикам лучше прогнозировать, как будут торговаться акции.

Однако сбор и анализ всей этой неструктурированной информации выходит за рамки возможностей биржевых аналитиков. Альтернативные данные привели к появлению собственного рынка, очистке и продаже этих данных инвестиционному сообществу. Некоторые хедж-фонды тратят миллионы долларов на получение ценных данных. По данным консалтинговой фирмы Tabb Group, расходы на альтернативные данные только в США достигнут 400 миллионов долларов в ближайшие пять лет.

Алгоритмы машинного обучения обеспечивают возможность приведения всех этих неструктурированных данных в порядок. В инвестиционной фирме Point72 алгоритмы компьютерного зрения анализируют спутниковые изображения парковочных мест и объединяют их с геолокацией мобильного телефона, чтобы сообщать о том, сколько людей посещает различные магазины. Между тем, алгоритмы обработки естественного языка выполняют анализ настроений по сообщениям в социальных сетях и обсуждениях на форумах, чтобы узнать, с какими проблемами сталкиваются клиенты брендов.

Проблемы торговли на основе искуственного интеллекта

В то время как машинное обучение действительно дает большие перспективы в области финансов и торговли, в ближайшие годы ему еще предстоит преодолеть несколько препятствий. Скептики сомневаются в том, что кроме ИИ человеческого уровня, что-лио еще сможет обрабатывать все неочевидные параметры, влияющие на финансовые рынки, такие как новостные события, политика, экономика и, например, стихийные бедствия. В Man Group фонд AHL получил 15 процентов прибыли через три года с момента привлечения искусственного интеллекта, что почти вдвое превышает средний показатель по отрасли. Но это все еще отстает от S & P 500.

Хедж-фондам, использующим искусственный интеллект, также придется преодолевать проблемы, присущие этой технологии. Это, например, отсутствие прозрачности. Поскольку алгоритмы ИИ поглощают больше данных и становятся более изощренными, инженерам, которые их создают, сложнее и труднее объяснить механику, лежащую в основе их функциональности. Это может стать проблемой, когда вы должны объяснить своим клиентам, почему ваш алгоритм принял неправильное решение и принес им ущерб. Man Group убеждены, что людские ресурсы в аналитике должны создать инструменты, которые помогут в будущем инженерам исследовать решения, принятые алгоритмами.

Фирмы также должны быть осторожны с данными, которые они приобретают, поскольку они могут включать информацию, полученную от потребителей. Алгоритмы машинного обучения часто связывают информацию способами, которые могут вызвать проблемы конфиденциальности.

Агрессивное использование больших данных также угрожает подтолкнуть хедж-фонды к проблемам юридического характера. Хотя использование общедоступных данных не считается инсайдерской торговлей, определение того, какие данные считаются общедоступными и юридически безопасными для использования в алгоритмах, не совсем ясно.

Тем не менее, сторонники машинного обучения и искусственного интеллекта не сомневаются, что алгоритмы - это будущее торговли. Как считает Эрик Шмидт (Eric Schmidt), бывший генеральный директор Google и нынешний исполнительный председатель Alphabet, через 50 лет торговля не будет проводиться без компьютеров, анализирующих данные и рыночные сигналы.