¿Cuán ampliamente adoptado es el aprendizaje automático en el comercio?

Los extractos a continuación están organizados en cuatro secciones que claramente dan la respuesta a la pregunta dada.

1. Impacto general de la inteligencia artificial y el aprendizaje automático en el comercio

La Inteligencia Artificial (IA) permite reemplazar a los humanos con máquinas. En la década de 1980, la investigación de IA se centró principalmente en sistemas expertos y lógica difusa. Con el poder computacional cada vez más barato, el uso de máquinas para resolver problemas de optimización a gran escala se volvió económicamente factible. Como resultado de los avances en hardware y software, hoy en día la IA se enfoca en el uso de redes neuronales y otros métodos de aprendizaje para identificar y analizar predictores, también conocidos como características o factores, que tienen valor económico y pueden usarse con clasificadores para desarrollar Modelos rentables. Esta aplicación particular de IA a menudo se conoce como Machine Learning (ML).

La aplicación de métodos para desarrollar estrategias comerciales basadas en IA, tanto en plazos cortos como para inversiones a largo plazo, está ganando popularidad y hay algunos fondos de cobertura que son muy activos en este campo. Sin embargo, la amplia aceptación de esta nueva tecnología es lenta debido a varios factores, siendo el más importante que la IA requiere inversión en nuevas herramientas y talento humano. La mayoría de los fondos utilizan análisis fundamentales porque esto es lo que los gerentes aprenden en sus programas de MBA. No hay muchos fondos de cobertura que dependan únicamente de la IA. La aplicación de IA está creciendo a nivel minorista, pero la mayoría de los comerciantes todavía utilizan métodos que se propusieron a mediados del siglo XX, incluido el análisis técnico tradicional, porque son fáciles de aprender y aplicar.

Tenga en cuenta que AI y ML no solo se utilizan para desarrollar estrategias comerciales, sino también en otras áreas, por ejemplo, para desarrollar algos de búsqueda de liquidez y sugerir carteras a los clientes. Por lo tanto, con las aplicaciones de IA ganando terreno, la cantidad de humanos involucrados en las decisiones comerciales y de inversión disminuye y esto obviamente afecta los mercados y la acción del precio. Es temprano para especular sobre los efectos generales que esta nueva tecnología tendrá en la industria, pero es posible que el uso extensivo de la IA resulte en mercados más eficientes con menor volatilidad durante períodos prolongados de tiempo seguidos de picos de volatilidad ocasionales debido a cambios en el régimen. Esto es posible porque el impacto de la evaluación subjetiva de la información por parte de los humanos se minimizará y con eso el ruido asociado. Pero eso queda por ver en la práctica.

2. Impacto de la inteligencia artificial y el aprendizaje automático en la generación alfa

Durante estas fases iniciales de la adopción de la tecnología de IA, habrá oportunidades para quienes la entiendan y sepan cómo gestionar sus riesgos. Un problema con las estrategias comerciales basadas en IA es que pueden generar modelos que son peores que los aleatorios. Trataré de explicar lo que quiero decir con esto: el análisis técnico tradicional es un método de negociación no rentable porque las estrategias basadas en patrones de gráficos e indicadores obtienen sus retornos de una distribución con media cero antes de cualquier costo de transacción. Algunos comerciantes siempre se encontrarán en la cola derecha de la distribución y esto da la falsa impresión de que estos métodos tienen valor económico. Mi investigación muestra que, especialmente en los mercados de futuros y de divisas, la rentabilidad a largo plazo es difícil de lograr, sin importar qué método se use, porque estos mercados están diseñados para beneficiar a los creadores de mercado. Sin embargo, en períodos de tiempo más cortos, algunos comerciantes pueden obtener grandes ganancias en los mercados apalancados debido a la suerte. Luego, estos operadores atribuyen su éxito a sus estrategias y habilidades, más que a la suerte.

Con AI y ML, hay efectos adicionales, como el equilibrio de sesgo-varianza. El sesgo de minería de datos puede dar lugar a estrategias que se sobreajustan a datos pasados ​​pero que fallan inmediatamente en datos nuevos, o estrategias que son demasiado simples y no capturan señales importantes en los datos que tienen valor económico. El resultado de esta compensación es estrategias peores que aleatorias y un sesgo negativo en la distribución de los rendimientos de estos operadores, incluso antes de que se agregue el costo de la transacción. Esto presenta una oportunidad de obtener ganancias para grandes fondos e inversores en la era de la flexibilización post-cuantitativa. Sin embargo, a medida que los traders de IA peor que al azar están siendo retirados del mercado y solo quedan aquellos con modelos robustos, la batalla por las ganancias se volverá intensa. Es demasiado pronto para especular si los comerciantes de IA o los grandes inversores ganarán esta batalla.

También me gustaría mencionar un error común en esta área: algunas personas creen que el valor está en los algos ML utilizados. Esto no es verdad. El verdadero valor está en los predictores utilizados, también conocidos como características o factores. Los algoritmos de ML no pueden encontrar oro donde no hay ninguno. Un problema es que la mayoría de los profesionales de ML utilizan los mismos predictores e intentan desarrollar modelos de manera iterativa que produzcan los mejores resultados. Este proceso está plagado de sesgos de minería de datos y finalmente falla. En pocas palabras, el sesgo de extracción de datos resulta de la práctica peligrosa de usar datos varias veces con muchos modelos hasta que los resultados sean aceptables en las muestras de capacitación y prueba. Mi investigación en esta área indica que si un clasificador simple, como la Regresión logística binaria, no funciona satisfactoriamente con un conjunto dado de predictores, entonces es muy probable que no haya un valor económico. Por lo tanto, el éxito depende de lo que se llama ingeniería de características , y esto es tanto una ciencia como un arte que requiere conocimiento, experiencia e imaginación para crear características que tengan un valor económico y solo un pequeño porcentaje de profesionales puede hacerlo.

3. Impacto de la inteligencia artificial y el aprendizaje automático en el análisis técnico.

Tenemos que hacer una distinción entre el análisis técnico tradicional y el cuantitativo porque todos los métodos que se basan en el análisis de series de precios y volúmenes se incluyen en este tema. El análisis técnico tradicional, es decir, patrones de gráficos, algunos indicadores simples, ciertas teorías de la acción del precio, etc., no fue efectivo para comenzar. Además de unos pocos esfuerzos incompletos de alcance y alcance limitados, las publicaciones que promocionaban estos métodos nunca presentaron sus expectativas estadísticas a más largo plazo, sino que solo ofrecían promesas de que si se usaba esta o aquella regla habría potencial de ganancias. Dado que las ganancias y pérdidas en los mercados siguen cierta distribución estadística, siempre hubo quienes atribuyeron su suerte a estos métodos. Al mismo tiempo, toda una industria se desarrolló en torno a estos métodos porque eran fáciles de aprender. Desafortunadamente, muchos pensaron que podrían beneficiarse al usar mejores métodos conocidos por todos los demás y el resultado fue una transferencia masiva de riqueza de estos comerciantes ingenuos a creadores de mercado y otros profesionales bien informados.

A principios de la década de 1990, algunos profesionales del mercado se dieron cuenta de que una gran cantidad de comerciantes minoristas comerciaban utilizando estos métodos ingenuos. Algunos desarrollaron sistemas expertos en inteligencia artificial y algos para identificar las formaciones por adelantado y luego comerciar contra ellas, lo que provocó en el proceso la volatilidad que los comerciantes minoristas, también conocidos como manos débiles, no pudieron hacer frente. De una manera más fundamental, el fracaso del análisis técnico tradicional puede atribuirse a la desaparición de la alta correlación serial de los mercados a partir de la década de 1990. Básicamente, fue la alta correlación en serie lo que ofreció la impresión errónea de que estos métodos funcionaron. Hoy en día, con pocas excepciones, los mercados están revertiendo la media, no dejando lugar a métodos de análisis técnicos simples para trabajar. Sin embargo, algunos métodos de análisis técnico cuantitativo a menudo funcionan bien, como la reversión a la media y los modelos de arbitraje estadístico, incluidos los algoritmos de ML que utilizan características con valor económico.

Tenga en cuenta que este tipo de arbitraje es poco probable que se repita en el caso de AI y ML debido a la gran variedad de modelos y al hecho de que la mayoría se mantienen como propietarios, pero el principal problema con esta nueva tecnología no es el sesgo de confirmación, como en el caso de análisis técnico tradicional, pero sesgo de minería de datos.

En mi opinión, observar el mercado y mirar gráficos se está convirtiendo en un proceso obsoleto. El futuro del comercio se trata de procesar información, desarrollar y validar modelos en tiempo real. El fondo de cobertura del futuro no dependerá del análisis gráfico. Algunos todavía hacen esto porque están en el límite de transición donde las viejas formas se encuentran con una nueva era. Muchos operadores que no estén familiarizados con la IA tendrán dificultades para competir en el futuro y se retirarán.

4. Ganadores y perdedores de la nueva tecnología comercial.

La aplicación de IA cambiará el comercio de muchas maneras y esto ya está sucediendo. Los inversores pueden descubrir pronto que los rendimientos a mediano plazo estarán muy por debajo de las expectativas después de que expire la tendencia actual causada por QE. Si este escenario se materializa, los inversores tendrán que volver a la antigua forma de encontrar un buen asesor financiero que pueda sugerir una combinación de cartera y elegir valores que apreciarán su valor. En algunos casos, el asesor será un programa de IA y este proceso se ejecutará en línea.

Los comerciantes deben familiarizarse con esta nueva tecnología. La mayoría de los comerciantes todavía están luchando con los viejos métodos y solo esperan que “comprar el chapuzón” funcione y proporcione ganancias durante unos años más.

Uno de los problemas es el riesgo moral cultivado por el banco central con el apoyo directo de los mercados financieros en los últimos ocho años. Muchos comerciantes e inversores ahora creen que los mercados bajistas no son posibles porque el banco central estará allí para redistribuir sus pérdidas a todos los demás, aunque pueden mantener sus ganancias. Como resultado, la mayoría de los participantes del mercado no están preparados para el próximo gran cambio de régimen del mercado y pueden enfrentar pérdidas devastadoras.

Hay excelentes recursos en la web sobre ML, AI y comercio. La mejor forma de aprender es tratando de resolver algunos problemas prácticos. Pero creo que la transición para la mayoría de los comerciantes no será posible. La combinación de habilidades requeridas para comprender y aplicar las reglas de IA excluye al 95% de los traders acostumbrados a dibujar líneas en gráficos y observar promedios móviles.

Los inversores deben hacer su propia investigación y consultar a un asesor financiero competente que esté familiarizado con estos nuevos desarrollos. Cada inversor tiene un perfil de aversión al riesgo diferente y es difícil ofrecer pautas generales. Pronto habrá una proliferación de robo-asesores y la selección de uno que se adapte a necesidades y objetivos particulares puede resultar una tarea difícil.

Cualquier persona que no esté familiarizada con ML e IA y su relación con el comercio y la inversión puede encontrar más rentable consultar a un profesional que esté actualizado en esta área en lugar de embarcarse en un viaje de lectura de libros y artículos, que es algo que se puede hacer. después de que se entiendan los conceptos básicos. Espero haber proporcionado una idea general en esta presentación que pueda servir como punto de partida en este esfuerzo interesante y potencialmente gratificante.