Sí, ciertamente Machine Learning será una buena herramienta para las personas que desean tomar decisiones de inversión informadas. Estos no son solo para los grandes, sino que estas tecnologías son las que democratizan las finanzas para las masas, para personas como usted y yo.
Estoy de acuerdo con Joseph Wang para QF, ya que dijo que puede no ser adecuado para invertir, pero ese no es el caso con Machine Learning, al menos después de avances y avances interesantes en los últimos años.
Para explicar, permítanme detallar rápidamente el escenario antes de estos avances y luego el uso actual de ML en Finanzas.
- ¿Cuál es la mejor manera de invertir Rs. 50,000 cada mes?
- ¿Qué debo hacer con $ 10, 000 para hacerlo crecer?
- ¿Cuál es la mejor manera de invertir $ 100,000? ¿Comprar una casa o invertir en acciones, bonos u oro?
- ¿Hay alguna manera de obtener ahorros o inversiones de alto interés compuesto fijo por un tiempo extremadamente largo (IE para mis bisnietos)?
- ¿Cuál es la mejor inversión que puede hacer con $ 1?
Enfoques ML de primera generación
(Nota: acabo de acuñar este término para explicar la diferencia: no está relacionado con el período de tiempo, es solo para notar si se usaron nuevos avances o no)
Me gusta llamar a los enfoques antes de los avances y avances a medida que se acerca la primera generación. Estos pueden ser aproximados crudamente como extensiones de modelos matemáticos de finanzas. En este enfoque, después de un extenso y laborioso trabajo de ciencia de datos, los analistas en general identificarán características de interés, características que jugaron / desempeñan un papel en el precio de la equidad, esas características entrarán en el modelo de capacitación. El modelo calibrado con éxito después de suficientes pruebas se utilizará para el uso en vivo para elegir las mejores acciones, acciones que proporcionarán un alto retorno de la inversión garantizado.
En este enfoque de primera generación, el quid del problema todavía recaía en manos de los “analistas eruditos” que identificaban las características. Además, las actividades de ciencia de datos – Ingeniería de características – que dieron como resultado las características se centraron principalmente en datos estructurados, a saber, datos fundamentales, cuantitativos y descriptivos.
Siempre es el caso de la falta de características, patrones o sentimientos que descarrilaron el rendimiento del modelo.
Avances
1. Minería de datos avanzada: las personas se dieron cuenta rápidamente de que los datos son el próximo petróleo. Se ha hecho un gran esfuerzo para obtener esa información adicional sobre las empresas que desean rastrear. Como hacer que las cámaras satelitales se dirijan al estacionamiento o al puerto de contenedores O a peinar masivamente los foros de usuarios o las redes sociales. Todos los datos disponibles ahora se procesan diligentemente para convertirse en información significativa que a su vez se convirtió en una característica vital.
Patente de Google ( http://www.google.com/patents/WO…)
Los resultados obtenidos mediante el análisis de imágenes están correlacionados con información no espacial útil para el comercio y el comercio. Por ejemplo, las imágenes de regiones de interés de la tierra se utilizan para contar artículos (por ejemplo, automóviles en el estacionamiento de una tienda para predecir los ingresos de la tienda), detectar eventos (por ejemplo, descargar un barco de contenedores o evaluar la finalización de un proyecto de construcción ), o cuantificar elementos (p. ej., el nivel del agua en un embalse, el área de una parcela agrícola).
2. Avances en la PNL: la competencia feroz para brindarnos un hermoso asistente personal, aunque embotellado en nuestro teléfono inteligente o tableta, dio lugar a muchos avances en este campo. Ahora los sistemas pueden comprender e identificar, desde un texto o audio, las entidades disponibles en el texto, el contexto, la intención y muchos más, como lo que captamos de un texto. Y estos avances llegaron a una órbita más alta acelerada después del avance de incrustación de palabras, a saber, word2vec, por el cual cualquier palabra puede convertirse en un número más significativo para la máquina.
3. Era del aprendizaje profundo: Mucho dijo y discutió sobre esta tecnología punzante de aprendizaje profundo. Para los recién llegados: un sistema vio miles de videos en YouTube y aprendió automáticamente cómo se verá un gato y ahora lo identifica a partir de cualquier imagen aleatoria que se le muestre. Esto es posible porque puede aprender las características que hacen al gato automáticamente.
La primera de ellas es la demostración de DeepMind, una startup de aprendizaje profundo adquirida por Google.
4. Big Data y Data Science: fiel al cuarto paradigma de la ciencia: la ciencia de datos, donde obtener montones y montones de datos (estructurados / no estructurados) para comprender patrones para modelar el fenómeno es la norma en cualquier dominio. Por lo tanto, la capacidad de almacenar, transferir y procesar estos enormes conjuntos de datos se volvió crítica en varios campos, resultó en tecnologías de mejora tremenda como Cloud PaaS / IaaS, almacenes de datos NoSQL, procesamiento distribuido (Hadoop), procesamiento de contenido no estructurado (UIMA), etc.
Enfoques de New Age ML
Cualquier intento de usar ML en el dominio de finanzas ahora ciertamente aprovecha los avances mencionados anteriormente.
- Obtenga la mayor cantidad de datos posible sobre la compañía / capital que desea rastrear.
- Vaya fuera de la caja para adivinar o aproximar la información a las personas internas.
- Dar importancia a los datos no estructurados disponibles en la red, como noticias, artículos, informes de análisis, transmisiones en redes sociales, etc.
- Automáticamente, extraiga características de importancia para la equidad / sector utilizando metodologías de aprendizaje profundo
- El uso de las características adquiridas a través del aprendizaje profundo (características de orden superior) crea modelos para predecir el rendimiento de las acciones a largo plazo
- Convierta estas predicciones como consejos de inversión para inversores interesados O úselo para administrar carteras / fondos de cobertura
Gente haciendo noticias en este espacio
-
Kensho – Empoderando a las instituciones financieras más grandes del mundo con tecnología que brinda transparencia a los mercados
-
Frente de riqueza: “Wealthfront elimina las conjeturas de la inversión sólida a largo plazo a través de la automatización sin esfuerzo”
-
Addepar: “Addepar es una empresa de tecnología. Hemos inventado y defendido soluciones innovadoras para las finanzas globales en forma de nuestro Gráfico Financiero, TransactionEffects, plataforma de datos y nuestra interfaz de usuario ”. De Palantir y hasta qué punto usan ML en esto, no estoy seguro.
-
Atigeo: los patrones utilizan CDI (Cooperative Distributed Inferencing) para modelar la dinámica de los procesos económicos subyacentes para pronosticar resultados financieros
-
Binatix: “Si bien las marcas de Silicon Valley utilizan herramientas de” aprendizaje profundo “para ayudar a las computadoras a reconocer imágenes de gatos y jugar juegos, una startup ha estado aplicando silenciosamente la tecnología de inteligencia artificial a objetivos más directos: ganar dinero”.
Como se afirma en sus sitios web o en las fuentes mencionadas, no estoy seguro de si utilizan todos los avances mencionados.
Recompensa por perseguir ML para usar en Finanzas
Para responder a su pregunta sobre el tema, creo que si está lo suficientemente motivado, continuará con ML durante los próximos 5 a 10 años, considerando que ML & Finance es una combinación potente y que lo alto que puede arrojar no es para corazones débiles, es decir. El riesgo asociado al comercio algorítmico. Esta línea es el descargo de responsabilidad para el artículo completo 🙂.
Y SÍ, será una curva de aprendizaje empinada para dominar los conceptos y algoritmos de ML para las personas que no tienen un buen respaldo en STEM como lo menciona Fabrizio Margaroli ( STEM es un acrónimo que se refiere a las disciplinas académicas de ciencia, tecnología, ingeniería y matemáticas).
Finalmente,
Estoy trabajando en el futuro sistema de ML en el que estamos tratando de aportar interpretabilidad a las características extraídas por los sistemas de aprendizaje profundo, convirtiendo así los sistemas de ML como sistemas WHITE BOX donde puede encontrar la razón detrás de la predicción. Esta idea forma el núcleo de nuestra startup, por lo tanto, cualquier sugerencia es bienvenida y será muy útil.