خارج از جعبه: یادگیری ماشین نمی کرک بازار سهام — اما در اینجا هنگامی که سرمایه گذاران باید اعتماد AI

کسانی که با توجه به توزیع بیش از پول خود را به چنین برنامه هایی نیاز به پرسیدن سوال سخت در مورد آنچه به آنها یک "لبه" و — مهمتر از همه — این که آیا آن پایدار خواهد بود. علاوه بر این, جدی قانون از دستگاه های مبتنی بر تجارت وجود دارد این است که یک رابطه معکوس بین عملکرد و ظرفیت از یک برنامه. سیستماتیک هوش مصنوعی ماشین آلات مشمول همین قانون است.

برای روشن شدن نقش یادگیری ماشین در پیش بینی آن است که مفید به بپرسید که آیا آموزش یک سیستم هوش مصنوعی برای تجارت است مانند آموزش آن را چگونه به رانندگی یک ماشین. پاسخ این است که هیچ اما بررسی تفاوت های بسیار مهم در شکل گیری انتظارات واقع بینانه از هوش مصنوعی در بازارهای سرمایه.

با ماشین واقعا وجود دارد یک کد برای ترک خورده می شود. این مشکل تا حد زیادی شامل هندسه تغییر ناپذیر قوانین حرکت و شناخته شده جاده — همه موارد ثابت.

یک تغییر جزئی است که به تدریج رخ می دهد این است که اغلب اگر نه همه خودروها تبدیل خواهد شد خودمختار. اما این باید تنها یادگیری ماشین مشکل آسان تر به دلیل کاهش غیر قابل پیش بینی از انسان اپراتورها در جاده ها است.

در مرحله دوم آموزش داده گسترده هستند و با هم مخلوط از بسیاری از وسایل نقلیه تحت شرایط دنیای واقعی. در پنج سال خودمختار اتومبیل رانندگی بهتر از آنها در حال حاضر به لطف و حتی بیشتر داده و شاید در نهایت تبدیل شدن به خطا رایگان. هر پیشرفت در ناوبری ساخته شده است بر همکاری با جامعه پژوهش. ثابت هدف و به طور فزاینده ای بالا داده چگالی کرک کد.

بازارهای مالی هستند و نه ثابت. آنها تغییر در همه زمان ها, رانده می شود, سیاسی, اجتماعی, اقتصادی و یا حوادث طبیعی. داده ها محدود چگونه اغلب و چقدر به آینده ما می خواهیم به پیش بینی. همانطور که به روشنی در کتاب "فلش پسران" ماشین آلات قادر به یادگیری قابل پیش بینی الگوهای روزانه در بازارهای مالی که بوجود می آیند از اقدامات انسان و ماشین است. داده ها بسیار متراکم به این معنا که بیش از هشت ساعت در روز معاملاتی این دستگاه دارای 480 یک دقیقه ای نمونه که از آن برای یادگیری را یک دقیقه ای پیش بینی. در یک ماه بیش از 10,000 مشاهدات را از خانه یاد بگیرند.

اما اگر شما می خواهید به یادگیری را یک روز پیش بینی داده های نسبتا پراکنده بنابراین شما نیاز به اندازه کافی و سابقه طولانی در بسیاری از چیزهایی که بیش از شرایط مختلف برای ایجاد وفا مدل. تراکم داده ها از جمله افزایش خیلی بیشتر به آرامی در طول زمان نسبت به اتومبیل های بدون راننده.

به همان اندازه مهم بازارهای بسیار خصمانه در طبیعت به دو روش. اول هر بینش جدید و یا لبه کپی شده است به سرعت و رقابت به دور است. یکی در نتیجه می تواند استدلال می کنند که نقش هوش در بازارهای مالی نیست برای پیدا کردن جام مقدس, اما به یک فرایند است که می تواند تشخیص تغییر شرایط و فرصت ها و انطباق درآمده است. این باعث می شود پیش بینی مشکل بسیار سخت تر است.

دومین منبع سختی است که معاملات اندازه های بزرگتر دریافت نمی کند شما یک تخفیف عمده بلکه فقط مخالف است. ممکن است آن را نسبتا آسان به تجارت 100 سهام آی بی ام در قیمت های موجود در بسیاری از مواقع اما غیر ممکن است به تجارت 1,000 سهام در این قیمت. حضور در اندازه بازار باعث خصمانه. این قانون جهانی اعمال می شود به تمام دستگاه های مبتنی بر تجارت است.

شکل زیر طرح رابطه بين عملکرد و ظرفیت اندازه گیری شده توسط میلیون ها دلار سرمایه گذاری با استفاده از یک استاندارد risk-adjusted بازگشت اندازه گیری عملکرد در صنعت یعنی اطلاعات نسبت (که تقریبا 0.4 S&P 500 در دراز مدت). بزرگتر برگزاری دیگر آن باید برگزار شود. بنابراین داده های در دسترس برای یادگیری از sparser و نتایج نامشخص. عملکرد تنزل به سرعت با برگزاری دوره, به خصوص اگر شما نگه داشتن یک شبه. هیچ ناهار رایگان وجود دارد.

در اوایل 2000s من زد بالا-فرکانس برنامه ای است که به ندرت از دست داد اما آن را نمی تواند در مقیاس فراتر از چند میلیون دلار سرمایه است. نظارتی تغییر تغییر پویایی بازار و حذف لبه آن, اما آن را افزایش داد به برنامه دیگر اپراتورها که با حروف بزرگ در ساختار اثرات تغییر دهید. وجود دارد در حال حاضر تعداد انگشت شماری از اپراتورها از بالا-فرکانس برنامه های تغذیه در هر نقدینگی آنها می توانند به بهره برداری از, اما با فرکانس بالا معاملاتی است که امکان پذیر است مدل کسب و کار برای یک asset manager و یا به طور منظم و گذار. آن است که یک حیوان متفاوت است.

من آینده تحقیقات quantifies عدم اطمینان در تصمیم گیری رفتار از یادگیری ماشین سیستم های سراسر مشکلات مختلف. این توضیح می دهد که چرا یک مجموعه ای از مدل های پیش بینی برای رانندگی خودمختار هستند که آموزش دیده در تغییرات زیادی داده خواهد شد موافق است که یک جسم در مقابل یک عابر پیاده و نه یک درخت در حالی که مجموعه ای از مدل های آموزش دیده در تغییرات کوچک از بازار را در تاریخ به احتمال زیاد به اختلاف نظر در مورد فردا جهت بازار.

این ترجمه را به نامشخص رفتار هوش مصنوعی در سیستم های کم قابل پیش بینی دامنه مانند بازار سهام نسبت به چشم انداز.

اگر شما با توجه به هوش مصنوعی سیستم سرمایه گذاری, شما نیاز به انجام برخی از جدی مشق شب آغاز با خود واقعی ضبط آهنگ است. از خودتان بپرسید که آیا این برنامه بر اساس اندازه کافی متراکم داده های آموزش داده شده متوسط آن برگزاری دوره. آیا اپراتور باید به خوبی مشخص شده روند که همواره به پیروی از روش علمی? شما چه گفت در مورد قطعیت ذاتی در اطراف مدل و طیف وسیعی از نتایج عملکرد شما باید انتظار داشت ؟ چقدر عملکرد تنزل اگر اپراتور افزایش ظرفیت? در نهایت بر اساس لبه به احتمال زیاد باقی بماند در آینده و یا آن را در معرض خطر بودن رقابت در دور?

سرمایه گذاری نیست مگر اینکه شما پاسخ روشن به این پرسش ها. شما می خواهید به سرمایه گذاری نمی كنند.

Vasant دهار استاد دانشگاه نیویورک استرن دانشکده بازرگانی و مدیر دکتری برنامه در مرکز اطلاعات علمی. او بنیانگذار SCT مدیریت سرمایه یک ماشین-یادگیری مبتنی بر نظام مند صندوق های تامینی در شهر نیویورک است.