В последние несколько лет машинное обучение и искусственный интеллект преобладали в цикле хайпов Gartner, и 2019 год не стал исключением.
Искусственный интеллект и машинное обучение создают возможности практически во всех секторах, включая количественные финансы. Хорошо известно, что машинное обучение - не новость для хедж-фондов. Я помню, как читал статьи о технологиях Renaissance Technologies, использующих AI / ML, в те дни, когда эти подходы не были повсеместными. В наши дни даже розничные количественные инвесторы используют методы AI / ML для стоимостного инвестирования.
AI и ML - это концепции информатики, уходящие корнями в математику и статистику. Хотя эти термины приобрели популярность в последнее время, они были широко распространены в академических кругах на протяжении десятилетий. Например, использование нейронных сетей для прогнозирования финансовых рынков является активной областью исследований с конца 1980-х годов [1].
Есть много причин, по которым методы AI / ML набирают обороты в последнее время, некоторые из них можно резюмировать следующим образом.
- Падение - это стоимость вычислений.
- Легкая доступность вычислительных ресурсов, таких как облачные вычисления одним щелчком мыши от Google, Amazon, Microsoft и т. Д.
- Свободно доступные библиотеки машинного обучения, такие как Scipy, Numpy, Scikit-learn, Theano, Tensorflow и т. Д.
- Доступность данных для облегчения обучения и тестирования алгоритмов машинного обучения.
Благодаря простоте использования подходов AI и ML, количественное инвестирование в розничную торговлю резко выросло. Такие сообщества, как Quantopian, QuantNet, QuantStart и т. Д., Все чаще обсуждают и упоминают подходы машинного обучения к инвестированию.
Одним из таких примеров является отчет, опубликованный Acadian asset. В этой интересной статье они демонстрируют применение ИИ и машинного обучения в квантовом инвестировании [2]. В отчете был предложен новый сигнал выбора акций, основанный на ML, и он был сравнен с хорошо известным сигналом выбора акций, предложенным Джозефом Пиотроски в его статье 2002 года «Инвестиции в ценность: использование исторической финансовой отчетности для отделения победителей от проигравших» [3].
В своей статье Пиотроски создал составной индикатор эффективности под названием F-Score, который обычно используется в качестве сигнала выбора акций. Этот индикатор был построен с использованием девяти показателей, представленных в финансовой отчетности каждой публичной компании. Чтобы нормализовать эти переменные в одном масштабе, Пиотроски преобразует их все в двоичные значения, 1 - положительное значение, а 0 - отрицательное. F-Score был рассчитан путем суммирования всех этих двоичных значений. Эти показатели показаны на картинке ниже. F-Score оценивался по шкале от 0 до 9. Значение 1 означает выигрышную ставку, а 0 означает проигравшую.
В тематическом исследовании Arcadian Asset выбрала девять характеристик, предложенных Пиотроски, в качестве характеристик для моделирования. Но вместо преобразования этих функций в двоичные значения и суммирования они использовали популярный подход машинного обучения под названием Random Forest. Случайный лес - это подход машинного обучения на основе ансамбля на основе дерева, который можно использовать для классификации и создания оценочных карт. Система показателей, созданная Arcadian с использованием этого подхода, называется ML F-Score.
Когда этот анализ проводился на широком спектре акций развитых рынков с 2013 по 2018 год, версия F-Score на основе ML демонстрирует большую эффективность в прогнозировании доходности акций на 1 месяц вперед, о чем свидетельствует более высокий коэффициент наклона на графике. ниже.
Я нашел это приложение ML упрощенным, но мощным. Он не предполагает использования нейронных сетей или других передовых подходов AI / ML для демонстрации значительного вклада этих подходов в розничное инвестирование. Это тематическое исследование действительно показывает, что методы Al и ML могут оказать глубокое влияние на принятие правильных решений, когда дело доходит до инвестирования в стоимость, даже с помощью упрощенных методов.
Использованная литература:
- SWALES, G.S. и YOON, Y .: Применение искусственных нейронных сетей для инвестиционного анализа. Журнал финансовых аналитиков, 1992 г., 48 (5)
- Https://www.acadian-asset.com/viewpoints/machine-learning-in-quant-investing-revolution-or-evolution
- Джозеф Р. Пиотроски, Инвестиции в стоимость: использование исторической финансовой отчетности для отделения победителей от проигравших, январь 2002 г.
