¿Existe algún fondo de cobertura que utilice algoritmos basados ​​en aprendizaje automático para el comercio?

Sí hay.

Utilizamos algoritmos basados ​​en aprendizaje automático para determinar si algún jugador importante del mercado está reequilibrando o liquidando su cartera. Luego utilizamos esa información para predecir y comercializar acciones que van a mover mañana.

Por ejemplo, en el mes de noviembre (2013) probablemente descubrimos patrones de liquidación de nada menos que SAC Advisors que movieron miles de millones del mercado para canjear a sus clientes externos. Debido al plazo limitado (los inversores de SAC estaban cerrados hasta el final del año) y la liquidez inadecuada en los mercados tuvieron que dejar suficiente información sobre la mesa para permitirnos seguirlos de manera rentable.

Misma historia, año diferente. En octubre de 2015, se sintió “como si cientos de gestores de fondos gritaran de terror y de repente fueran silenciados”. Los administradores de fondos fueron humillados por completo en el tercer trimestre de 2015 con miles de millones de dólares reorganizados y / o retirados de las estrategias. Los rumores y las noticias de cierres de fondos abundan. El algoritmo que estamos utilizando no ha evidenciado condiciones tan propicias para la predicción de ML desde el colapso de 2011.

Por lo que estoy viendo, las personas tienen diferentes opiniones sobre lo que constituye el aprendizaje automático y qué herramientas son útiles para la gestión de la cartera. Todavía hay mucho trabajo por hacer en el área: la mayoría de la maquinaria predictiva utilizada en la industria sigue siendo bastante básica.

Si. Demasiados para enumerarlos aquí de manera integral. Y por mucho tiempo.

DE Shaw, Two Sigma, Point 72, Citadel, Tower, etc., etc. Cualquier lugar con una operación de negociación cuantitativa respetable a mitad de camino, y hay cientos, si no miles de estos grupos, desde operaciones unipersonales hasta megafondos como Man o Bridgewater. Ellos (nosotros) hemos estado usando técnicas de ML durante décadas, aunque simplemente fue considerado como “investigación” y no llamamos neuronas ni adjuntamos una imagen del Terminator a cada artículo sobre el tema. Lo que tenía (tiene) son sistemas que constantemente reciben nueva información del mercado y continuamente refinan modelos predictivos e iteran en este proceso en tiempo real con comentarios del mundo real.

Los fondos cuantitativos utilizan el aprendizaje automático estadístico en puestos de investigación relacionados con el diseño y el desarrollo de estrategias comerciales como:

• CTA, seguimiento de tendencias, reconocimiento de patrones, reversión a la media, impulso para productos lineales como Futures y Spot FX.
• Arbitraje estadístico, pares, correlación: predicción y optimización.
• Activos cruzados intradía y extra-día (estrategias de predicción de covarianza y precio) con períodos cortos de tenencia.
• Baja latencia y estrategias pasivas de creación de mercado basadas en el análisis de los libros centrales de órdenes de límite. Alta relación de mensaje a pedido.
• El banco lo utiliza para el análisis y la clasificación del flujo de pedidos con el fin de identificar clientes tóxicos, etc.
• He descubierto que a los fondos de cobertura y grupos de apoyo les gusta contratar personas con una comprensión no trivial de los temas que se enumeran a continuación. es decir, estudió en profundidad con una buena comprensión de las compensaciones y por qué debería usar un algoritmo o técnica sobre otro.
• Teoría estadística (probabilidad máxima, Bayes, minimax, métodos paramétricos versus no paramétricos, enfoques bayesianos versus no bayesianos, clasificación, regresión, estimación de densidad)
• Métodos paramétricos (Regresión lineal, Selección de modelo, Modelos lineales generalizados, Modelos de mezcla, Clasificación (lineal, logística, máquinas de vectores de soporte), Modelos gráficos, Predicción estructurada, Modelos de Markov ocultos)
• Métodos no paramétricos (regresión no paramétrica y estimación de densidad, clasificación no paramétrica, refuerzo, agrupamiento y reducción de dimensiones, PCA, métodos múltiples, curvas principales, métodos espectrales, Bootstrap y submuestreo, Bayes no paramétricos)
• Escasez (datos de alta dimensión y escasez, búsqueda de bases y el lazo revisado, escasez, consistencia, persistencia, algoritmos codiciosos para regresión lineal dispersa, escasez en regresión no paramétrica. Escasez en modelos gráficos, detección comprimida)
• Métodos del núcleo (núcleos Mercel, reproducción de espacios Hilbert del núcleo, relación con estadísticas no paramétricas, clasificación del núcleo, PCA del núcleo, pruebas de independencia del núcleo)
• Capacidad para comprender qué significan los datos y la naturaleza del problema y cómo probar la validez del resultado.
• Experimente la validación de estrategias contra correlaciones espurias o la enseñanza de algo para autovalidarse.
• La capacidad de configurar backtests y simulaciones a gran escala para probar estrategias en conjuntos de datos y hacer esto de manera eficiente.
• La capacidad de implementar un algoritmo o estrategia de manera eficiente en Python, R, C ++ o Java e intercambiar entre los idiomas para poder utilizar la mejor herramienta para el trabajo.

Si, toneladas. Usan muchos métodos. Uno de los más populares son los métodos lineales bastante simples que generan características que se pueden usar extremadamente rápido para el comercio de alta frecuencia.

Usar cosas como newswire y twitter en tiempo real también es importante.

Los modelos a largo plazo todavía están dominados por el modelado tradicional, según tengo entendido. Sin embargo, la optimización de la cartera es un área que permite entradas de aprendizaje automático (una fórmula matemática elige una cartera con los rendimientos más altos en la varianza más baja, en teoría.

Como he escrito en respuestas anteriores, el aprendizaje automático y la inteligencia artificial son solo palabras de moda. Para la persona normal, la IA y el aprendizaje automático son cosas geniales y místicas que están fuera de alcance. Es extremadamente exagerado e incomprendido. Ahora, ¿es fácil construir algoritmos usando el aprendizaje automático y la IA? Definitivamente no, y te lo puedo asegurar. Pero, ¿cómo son la IA y el aprendizaje automático en el campo de las finanzas? Un método que verá comúnmente utilizado por los traders de velocidad es la regresión lineal. Para el comercio de frecuencias más bajas, se centran más en la precisión de sus modelos para predecir movimientos a más largo plazo. Lo hacen analizando miles de artículos de noticias diariamente, buscando hilos de Twitter y otras tácticas de aprendizaje profundo. Ahora, ¿cómo se usa el aprendizaje automático? ¿Y qué es exactamente? Los programas de aprendizaje automático o las computadoras son sistemas que pueden adaptarse y aprender sobre su entorno sin que se les indique explícitamente. En el mundo de las finanzas, el aprendizaje automático se utiliza para generar señales para intercambios, y probar la hipótesis de las máquinas con un modelo estadístico ayuda a la máquina a decidir qué tan fuerte es la señal y si la estrategia que utilizó es rentable. Se sabe muy poco acerca de las estrategias de inteligencia artificial y aprendizaje automático en el mundo de las finanzas, ya que la mayoría de las empresas tienen solo un par de cosas pequeñas que han descubierto y explotado para ganar dinero, y revelar su estrategia los arruinaría por completo, como Lehman en 2008.

Entonces, ¿quién lo está haciendo realmente? Los principales que vienen a la mente son Renaissance Technologies y Rebellion Research. RenTec es muy solitario y reservado sobre sus operaciones, pero están utilizando inteligencia artificial y aprendizaje automático para producir retornos locos. Las personas que manejaban la IA en Renaissance estaban anteriormente en IBM, pero pronto desaparecieron y se encontraron haciendo millones en RenTec. Mi otro ejemplo es Rebellion Research, que ganó toneladas de dinero durante las secuelas de 2008 cuando la computadora decidió que había encontrado el fondo del mercado de valores de los Estados Unidos y había comprado todo.

Tecnologías del Renacimiento – Wikipedia

Peter Brown

Robert Mercer (empresario) – Wikipedia

Definitivamente. Es bastante común usar ML para el comercio. Hay un sinfín de herramientas que puede utilizar, solo búsquelo y verá. Ahora la pregunta sería, ¿qué tipo de aprendizaje automático utilizan y en qué tipo de situaciones comerciales?

Obviamente, pero la pregunta es qué algoritmos usan para el reconocimiento de patrones y cómo se formatean los datos para que la computadora pueda entenderlos. Hay muchos algoritmos de aprendizaje automático. Por ejemplo, en la detección de spam, convierten el correo electrónico en una bolsa de palabras, que es una lista de palabras y el recuento de estas palabras, y pueden usar una máquina de vectores de soporte. Para clasificar los resultados en dos categorías: spam y no spam.

El problema de crear un algoritmo de negociación es similar, podría comprobar si un determinado punto de tiempo se ajusta a la condición de una operación, o no. Sin embargo, podría colocar un puntaje adicional en la probabilidad de que la operación funcione en función de decisiones pasadas para determinar el tamaño de la operación, y en función de los eventos posteriores decidir si salir total o parcialmente de la operación.

Pero en aras de la simplicidad, supongamos que el algoritmo simplemente decide si se realiza o no una operación. Este es, entonces, un problema de clasificación binaria con el aprendizaje supervisado (supervisado porque los datos anteriores mostrarán si este comercio hubiera funcionado en el pasado).

Estas son las listas wiki de algoritmos para la clasificación binaria:

• Árboles de decisión
• Bosques al azar
• Redes bayesianas
• Soporte de máquinas vectoriales
• Redes neuronales
• Regresión logística

Entonces, el truco para el algoritmo simplificado es elegir uno de estos algoritmos, luego convertir los datos del mercado a un formato que pueda usarse en los algoritmos y crear una entrada de compra o venta cuando se cumplan las condiciones.

Estoy pensando que posiblemente un árbol impulsado podría funcionar bien para esta situación. ¿Hay profesionales que puedan verificar el algoritmo que usan? Gracias.

-Rik

ML se usa en casi todas las facetas en estos días en el comercio, y probablemente la mayor parte del trabajo se realiza en el lado de la compra. Creo que es útil señalar que ML es muy amplio como George ha señalado y su uso se aplica ampliamente. Sin embargo, creo que su pregunta es si ML se usa para decidir qué comprar y vender, y diría que probablemente es raro y tiene un capital limitado asociado. Sin embargo, en esa nota, me aventuraría a suponer que una gran parte de las estrategias de compra basadas en cuant / algo tienen alguna forma de LD que se usa en algún punto del proceso de decisión o se utilizó para desarrollar los algo que hacen el comercio.
En estos días, se realizan avances y saltos en ML no necesariamente tomando decisiones comerciales, sino encontrando patrones en datos que pueden tener 10-20 dimensiones diferentes, que finalmente conducen a decisiones comerciales. Lo usamos para eliminar y analizar estimaciones de analistas de fuentes múltiples sobre EPS y # de ingresos.

Thomson Starmine intenta hacer este tipo de trabajo pero solo con una cantidad limitada de analistas (los que están en IBES), pero cuando va al público tiene que eliminar mucho pero con un conjunto de datos mucho más grande, y eso es cuando ML llega realmente, la vida se vuelve mucho más poderosa …

Sí, hay bastantes. En los Estados Unidos, es una tecnología bastante nueva, y muchas empresas están en la fase de I + D en este momento. Sin embargo, hay muchas nuevas empresas y sacudidas, particularmente en el sur de la Florida, Chicago y Nueva York (según los reclutadores que se ponen en contacto conmigo sobre puestos vacantes a través de LinkedIn y por teléfono). Muchos están invirtiendo fuertemente en el lado matemático del diseño de algoritmos, y una de las posiciones abiertas aquí es reclutar específicamente a los mejores estudiantes de doctorado en matemáticas (becarios de Putnam).

Sí, hay numerosos, utilizamos inteligencia artificial completa junto con inteligencia humana durante el desarrollo, también tenemos un fondo macro / micro público (amigos y familiares) que somos transparentes para dar una visión general (- Arquímedes | Invacio – 43% la última vez que revisé 5 semanas) también enumeramos algunos de los elementos que intervienen.

También existe Agnes 1: 0, pero esto fue sin (en ese momento) ninguna gestión de capital para la cual hubo un retorno del 240% en 4 días, pero esto podría haber sido fácilmente -240%, la gestión de capital es clave y establece reglas / parámetros para actuar en oficios.

Lo mejor de la IA en general (en nuestro caso) es la capacidad de ver todo en uno, desde datos derivados de satélites hasta sociales, económicos / fiscales, regionales, etc., todos precompilados, calificados y efectuados, etc.

Además, también hemos comenzado a mirar (soy el CVO, pero mi interés es únicamente la tecnología) en abrir ciertos elementos / punteros basados ​​en un enfoque transparente con Agnes 2: 0 (otro de nuestros AI).

Pero la gente piensa en AI + Finance y cree en los retornos rápidos, este desarrollo ha sido un esfuerzo de 5 años con un costo de 3.5 millones para llegar a la etapa en la que estamos buscando llegar al mercado con los más o menos 9 productos.

Pero es temprano, y un enfoque basado en código (etapa de procesamiento) no va a funcionar, necesita que todos los elementos (inc) Algos sean dinámicamente accesibles, que se ejecuten desde un sistema similar al aro, y modelado / proyección / markov, etc.todos trabajando juntos pero variables dinámicamente conducidos.

Aquí hay una lectura interesante basada en una estrategia comercial en ML que le enseñará a:

1. Cree un algoritmo de ML (aprendizaje automático) sin supervisión para predecir los regímenes.
2. Trace estos regímenes para visualizarlos.
3. Entrene un algoritmo de clasificador de vectores de soporte con el régimen como una de las características.
4. Utilice este algoritmo de clasificador de vectores de soporte para predecir la tendencia del día actual en la apertura del mercado.
5. Visualice el rendimiento de esta estrategia en los datos de prueba.
6. Código descargable para su beneficio

Comercio utilizando Machine Learning en Python SVM (Support Vector Machine)

Sí, Hedge Fund comenzó a utilizar Machine Learning / Deep Learning para procesar sus datos. Especialmente, esto es cierto para optimizar los costos de ejecución.

Para la asignación sistemática, puede echar un vistazo a ese documento que describe algunas de las técnicas utilizadas en Machine Learning:

https://goo.gl/w8EdyI

Sí, muchos, pero si alguno realmente funciona es otro asunto

La mayoría de los intentos fracasan y aquellos que lo hacen en vivo es discutible si vencen a comprar y mantener

Muchas CTA grandes, como Winton y Mann, ven el aprendizaje automático como una forma de atraer a los inversores cansados ​​después de casi una década de retornos muy pobres. Es en gran medida un ejercicio de marketing.

Para aquellos que publican rendimiento en el dominio público, podemos ver que los números son pobres

Desarrollé varios algos basados ​​en aprendizaje automático para mi trabajo en Active Equities Group en Blackrock para la gestión de cartera.

Gracias por el A2A.

Muchas compañías lo hacen. Una de esas compañías es Minance Capital, fundada por Anurag Bhatia.

Ciertamente. En Artificial Intelligence Capital Management utilizamos una serie de algoritmos de ML para encontrar activos de préstamos pares mal calificados en los que luego invertimos.

Sí, por favor lea esto ->

Fondo de cobertura de aprendizaje automático: inteligencia artificial, algotrading y fondos de cobertura