AI hisse senetleri kolayca büyük para kazanabilir mi? Çok naif
Xia Yi Yunzhong Derleyin ve organize edin
Qubit Üretildi | Genel Hesap QbitAI
Yapay zekanın insan stoklarının yerini almasına izin verin, ne harika bir hedef.
Makine öğrenimi teknolojisi, bilgisayarların, insanların önceden kural yazmasına gerek kalmadan verilerdeki kalıpları bulmasını sağlar. Robotlardan hava tahminlerine, dil çevirisine ve hatta sürüşe kadar, bu teknoloji birçok alanda ilerlemeyi teşvik ediyor.
Finans piyasasını kontrol etmek için neden kullanılamıyor?
Bu tür bir düşünce, yatırım şirketleri arasında bir silahlanma yarışını tetikledi.Zaten matematiğe büyük ölçüde bağlı olan fonlar, bulabilecekleri en iyi bilgisayar bilimcileri ve istatistikçileri için rekabet etmeye başladı.
Teknoloji ilk başta iyi performans gösterdi. Bu yıl en iyi performans gösteren iki hedge fonu olan Quantitative Investment Management LLC ve Teza Capital Management LLC bu yıl sırasıyla% 68 ve% 50 arttı ve her ikisi de makine öğreniminin bu kadar iyi performansa katkıda bulunduğunu söyledi.
Ancak, çok az şirket yatırımda makine öğrenimine tam olarak bahse girmeye devam ediyor.
Michael Kharitonov (Michael Kharitonov) için, makine öğrenimine dayalı bir riskten korunma fonu oluşturmak kolay değil: tahmin edilenden üç kat daha zor ve beklendiğinden üç kat daha uzun sürüyor.
"Temelde savaşırız ve kaybederiz." Dedi.
Kharitonov, makine öğrenimini tamamen benimseyen ilk yatırım şirketlerinden biri olan Voleon Group'un kurucu ortağıdır. Yıllar içindeki mücadelelerinden, diğer şirketlerin seçimlerini kabaca anlayabiliriz.
Makine öğrenimini finansal işlemlerde kullanmak için öncelikle net olmalıyız: bu teknolojinin diğer alanlardaki başarıları işlemler için geçerli olmayabilir. Finansal işlemler daha dağınık bir ortamdır ve kalıplar her zaman gizlidir.
Kharitonov, işlemleri en başından tahmin etmek için makine öğrenimini kullanmak istediklerini, ancak "işe yaramadığını" söyledi.
Kharitonov 54 yaşında ve ayrıca 43 yaşında bir kurucu ortağı Jon McAuliffe var. Bilgisayar Bilimi ve İstatistik alanında doktora yapmışlar ve her ikisi de en eski ve en başarılı kantitatif yatırım fonu D.E. Shaw Group'ta araştırmacı olarak çalıştı.
O dönemde bu yıl en zengin adamın tahtına oturan Bezos, Amazon'u kurmamıştı, Kharitonov'un patronuydu.
Kharitonov ve McAuliffe, öğrendikleri makine öğrenimi tekniklerinin doğası gereği yatırım için uygun olduğuna ve güvenilir metodolojik kılavuzluğa sahip olduğuna yıllardır ikna olmuşlardır. Ancak gençken bilgisayarlar yeterince hızlı değildi ve mevcut veri setleri yeterince büyük değildi.
2007'ye gelindiğinde, yeni veri kümeleri ve yeterince güçlü bilgisayarlar ortaya çıktı, bu nedenle Kharitonov ve McAuliffe, makine öğrenimine yatırım yapmak için Voleon'u kurdu. Şirket adının özel bir anlamı yoktur, bunun nedeni sadece alan adının tescil edilebilmesidir.
Finansman sürecinde, zeki kurumsal yatırımcılarla karşılaştılar.
Makine öğrenimi teknolojisi ile nicel ticaretin yaygın yöntemleri arasında bazı farklılıklar olduğunu bilmelisiniz.Bilim adamlarının hipotezler ortaya koymasını ve bilgisayarda yürütme için algoritmalar yazmasını gerektirmez. Bunun yerine, insanlar hesaplamaları için büyük miktarda veri sağlar ve kendi kalıplarını bulmasına izin verir. .
Aslında bilgisayar tahmin yapmak için kendi algoritmasını yazıyor ama sorun şu ki, bilgisayar size bu sonuca nasıl geldiğini size söylemeyecek.
Piyasadaki sayısal fonlar, algoritmalarının ne yaptığını net bir şekilde açıklayabilir, ancak Voleon'un makine öğrenimi algoritmasının ne düşündüğünü yalnızca bilgisayar bilir.
Bu yöntemin doğasında var olan gizem, Voleon'un potansiyel yatırımcılara hisse senedi alıp satma nedenlerini açıklamasını engelliyor. Bilgisayarların bulduğu kalıplar, insanların anlayamayacağı kadar incedir.
Kharitonov, "Pek çok insan hiç ilgilenmedi, ancak sonunda makine öğreniminin potansiyelini anlayabilecek birini bulduk." Dedi.
2008'de küresel pazar mali krize saplandığında, Voleon gerçek ticarete başladı.
Şirket, sonraki iki yıl boyunca para kaybetti. 2009 yılında piyasadaki toparlanma yardımcı olmayacak.
Voleon'un kurucu ekibi orijinal yöne gitmekte ısrar etti ve makine öğreniminin en zor sorunlarından biriyle uğraştıklarına inanıyorlar. Para kazanmak için, sistemi geliştirmek için zaman harcamanız gerekiyor.
Karşılaştıkları temel sorun, piyasanın çok kaotik olmasıdır. Şimdiye kadar, makine öğrenimi sistemlerinin iyi performans gösterdiği alanların ortak bir özelliği var: modeller doğası gereği tekrarlayıcıdır, bu nedenle ayırt edilmeleri daha kolaydır. Bu, Go ve sürüş için geçerlidir.
Finans piyasası daha fazla gürültüye sahip, sürekli yeni olaylardan etkileniyor ve bu yeni olaylar arasındaki ilişki sürekli değişiyor.
Piyasanın öngörülemeyen doğası, yatırımcıların dünün bağlantısını yeni öğrendikleri ve yatırım yapmak için kullanmak isterlerse ortadan kalktığı anlamına da geliyor. Makine öğreniminin diğer uygulama senaryolarında böyle bir sorun yoktur. Örneğin, konuşma tanıma yapmak için makine öğrenimini kullanmak, insan konuşmasının temel doğası temelde değişmez.
Voleon'un yaratılışı bir anlamda diğer alanlardaki başarılı makine öğreniminden ilham almış olsa da, 2011'in sonunda Voleon'un kurucusu, diğer uygulamalardan ödünç aldığı teknolojinin çoğunu terk etmişti. Bunun yerine, kurucunun kendisi, asi pazar için bir sistemi özelleştirdi.
McAuliffe'nin temiz ofisinde raflara "Large Sample Theory Elements" ve "BDA3" gibi kitap rafları yerleştirilmiştir. Kharitonovun ofisi, parçalara ayırdığı devre kartlarının yanı sıra kağıt dolu kutularla doluydu.
Karşılaştıkları bir zorluk, 15 yıllık bir borsa simülasyonu çalıştırmak için saniye başına hisse senedi fiyatı değişikliklerini kullanmaları gerektiğidir. Bu terabaytlarca veriyi içerir. Voleon'un birkaç saat içinde simüle edilmesi gerekiyor, ancak günler hatta haftalar alıyorlar.
O sırada tüm şirkette 10 ila 12 kişi vardı. Ekip, daha fazla bilgi işlem gücü satın almaya ve bilgisayar oyunları için oluşturulmuş GPU'ları kullanmaya çalıştı. Ama yine de çok uzun sürüyor.
McAuliffe ofiste berbat bir şekilde aylar geçirdi. Sonunda bu sorunun üstesinden geldi. Temmuz 2012'de Voleon ikinci nesil platformu piyasaya sürdü.
Kharitonov, kaba kuvvet yöntemlerinin yararsız olduğunu ve standart tekniklerin yararsız olduğunu söyledi.
Yeni ticaret sistemleri daha fazla kar ve daha fazla yatırımcı ilgisi getirdi. Bir yatırımcıya göre, amiral gemisi fonunda 2011'de küçük bir toparlanmanın ardından, Voleon'un 2012'deki performansı% 34,9 ve 2013'te% 46,3 oldu.
Ancak, iki yıl sonra, Voleon geçen yıl Waterloo'ya maruz kaldı ve% 9'dan fazlasını kaybetti. Bu da bazı yatırımcıların endişelenmesine neden oldu.
"Hiçbir şey bir gerilemeden daha düşündürücü olamaz. Geçen yıl çok şey öğrendik" dedi Kharitonov.
Bu yıl geçen yıldan daha iyi. 1.8 milyar doları yöneten şirketin amiral gemisi fonu bu yılın Ekim ayı itibarıyla yaklaşık% 4.5 arttı. Kuruluşundan bu yana, yıllık getiri oranı yaklaşık% 10,5 olmuştur.
Performans ve karmaşık stratejilerdeki dalgalanmalar ... Voleon'un gelişimini durdurmadı. Fon, yatırım hedeflerini genişletiyor. Yatırım hedefleri ABD ve Avrupa borsaları ile sınırlı olmayıp, Berkeley'deki California Üniversitesi yakınlarında bir bina da içeriyor.
Makine öğrenimi teknolojisinin yardımıyla, Voleon her gün 1 milyar doların üzerinde hisse senedi ticareti yapıyor. Bu süreçte hisse senedi alma veya satma nedenleriyle ilgilenmezler.
Kharitonov, bir makine öğrenimi sistemi ne kadar öngörülebilirse, insanların ne yapacağını anlamalarının o kadar zor olacağını söyledi. İnsan düşüncesinin esas olarak üç boyutlu durumlarla başa çıkmak için kullanıldığı teorileri vardır ve düzinelerce hatta yüzlerce boyutlu görevler, makine öğrenimi sistemlerinin mükemmel olduğu alanlardır. Bu boyutlar arasındaki ilişki genellikle doğrusal değildir.
McAuliffe, "Bu, olanları dikkate almayacağımız anlamına gelmiyor," dedi. Voleon'un araştırmacıları, tahmin sistemindeki çeşitli girdilerin ağırlıklarını incelemek ve aşırı uyum gibi sorunları çözmek için "karışıklıklar" tasarlayacaklar.
Voleon'un bilgisayarı ilişkileri sadece finansal bilgilerde değil, aynı zamanda finansal olmayan verilerde de arar. Bunlara uydu görüntüleri, nakliye bildirimleri, kredi kartı makbuzları, sosyal medya duyguları ve daha fazlası dahildir. Bu hedef veriler, belirli bir endüstrinin sağlık durumunu veya emtia arzındaki değişiklikleri bulmaya yardımcı olabilir.
Açıkçası, hiç kimse ne tür veriler kullandıklarını ve değerlendirmeyi nasıl yaptıklarını açıklamayacaktır. Voleon aynıdır, kendi teknolojisini ve gizlilik politikasını dikkatlice korur.
Bu "gizemli" mekanizma yatırımcıları tedirgin ediyor Kharitonov bu duyguyu anlıyor, ancak bilgisayarların insanlardan çok daha az hata yaptığına inanıyor.
"Finansal tahmin alanında makine öğreniminin uygulanması hala erken aşamalarında," dedi: "Her şey daha yeni başladı."
Önerilen Kaynaklar
-
Her kar elde edebildiğinizde, dibini kendiniz almayı öğrenin, bu AI hisse senedi tanrısı en iyi hedge fonlarını korkuttu
-
Üçüncü risk hedge fon dalgası: Silikon Vadisi ve Wall Street hiç bu kadar yakın olmamıştı
-
Barclays: Hedge Fund AI ve Büyük Veri Çalışma Kılavuzu
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzünde "işe alım" kelimesiyle yanıt verin.
Qubit QbitAI · Toutiao İmzalama Yazarı
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin
