Gracias por el A2A.
Ray Dalio, CEO del fondo de cobertura más grande del mundo, Bridgewater, dijo una vez en una entrevista que construye sus ideas de inversión leyendo periódicos realmente viejos. En particular, volvería a los periódicos de períodos de eventos económicos importantes como la Gran Depresión, usaría esa información para formular una visión sobre el mercado, realizar un intercambio en papel y ver cómo se habría desempeñado el intercambio. Laeeth Isharc, uno de mis escritores favoritos de Quora y ex jefe de renta fija en Citadel, dijo algo similar sobre la lectura de periódicos viejos en varias de sus respuestas, como aquí, aquí, aquí y aquí.
Estaba realmente fascinado cuando me enteré por primera vez de este periódico. Pero luego me di cuenta de que esto no es muy diferente del aprendizaje automático. Lo que hacen los principales operadores discrecionales como Ray Dalio y Laeeth Isharc es entrenar su propio cerebro para convertirse en un mejor tomador de decisiones al estudiar historia. Lo que hacen los principales traders sistemáticos es que entrenan a la máquina para convertirse en un mejor tomador de decisiones analizando datos históricos.
- ¿Es difícil construir un simulador de planta de energía usando una enorme red neuronal artificial para fines de simulación y educación?
- ¿Cuál es la explicación simple del algoritmo de perceptrón multicapa en aprendizaje automático / minería de datos?
- ¿Cuántas personas perdieron su trabajo debido al aprendizaje automático?
- ¿Cuál es el método posible para crear artificialmente / científicamente una nueva especie humana?
- ¿Por qué es tan difícil hacer un traductor universal?
Los operadores sistemáticos ciertamente han ido en aumento en los últimos años, pero hay una razón por la que no han eclipsado por completo a los operadores discrecionales. Es porque hay ciertas cosas que las máquinas simplemente no pueden aprender mejor que los humanos. (Podría decirse que leer periódicos viejos para generar ideas macro de comercio es un ejemplo). De hecho, la distinción entre comerciantes discrecionales y comerciantes sistemáticos se ha vuelto más sutil. Se sabe que los primeros emplean el aprendizaje automático para buscar noticias relevantes con el fin de mejorar su productividad. El último, que es el grupo en el que estoy más calificado para comentar, ciertamente no pone a las máquinas a cargo de todo. Para ilustrar este punto, echemos un vistazo a los principios que los principales operadores sistemáticos acatan:
- Se adhieren a modelos simples. En general, prefieren los modelos lineales de la vieja escuela a los modelos complejos de IA, como las redes neuronales, y por buenas razones. La primera razón es que, en la práctica, el costo de este último no puede justificarse por su ligero rendimiento superior al anterior. De hecho, los modelos más complejos conllevan un mayor costo de investigación y desarrollo. Por ejemplo, la complejidad requerirá que pase más tiempo trabajando en los riesgos de sobreajuste. Mientras tanto, el mercado evolucionará y no lo esperará. La segunda razón es que los modelos complejos, debido a su falta de sentido común, corren un riesgo inexplicable y desastroso en ciertos momentos. David Siegel, cofundador de Two Sigma, dijo en una entrevista reciente que “la inteligencia artificial de hoy no tiene nada que se parezca al sentido común, y el sentido común es una característica clave de la inteligencia”. El sentido común es útil especialmente en tiempos de extrema condiciones de mercado, porque las condiciones de mercado extremas, por definición, rara vez se encuentran en los datos de la muestra y, por lo tanto, es menos probable que se manejen bien con modelos de caja negra complejos. Con un modelo lineal tradicional, puede aumentarlo más fácilmente con sentido común. Y esto se explicará en el próximo principio.
- Piensan en el sentido común como el mejor regularizador individual. (OK, estoy abusando un poco del término “sentido común”. Lo que el sentido común para los operadores experimentados puede no ser sentido común para los no comerciantes. Lo que realmente quiero decir con sentido común es, en términos de aprendizaje automático, conocimiento del dominio). mencionado anteriormente, el aprendizaje automático toma malas decisiones frente a eventos extremos, de los cuales no ha habido escasez en los últimos años. Con un modelo lineal tradicional, puede aumentarlo incorporando sentido común o tener el sentido común temporalmente. Por ejemplo, puede decir algo como “la regresión, debido a cualquier razón, tal vez multicolinealidad, produce un coeficiente no intuitivo, necesito trabajar en eso”. O, “Si un factor particular en mi combinación lineal de factores pierde un cierto cantidad de dinero, dejaré de comerciarlo y trataré de entender por qué ”. No hay vergüenza en decidir discrecionalmente que un sistema de comercio automatizado debe cerrarse; incluso lo mejor de lo mejor lo ha hecho. Citando un artículo de Bloomberg: “En agosto de 2007, el aumento de los impagos de hipotecas envió a varios de los mayores fondos de cobertura cuantitativa […] a una caída en picada. […] Los expertos dicen que la ruta le costó a Medallion casi $ 1 mil millones, alrededor de una quinta parte del fondo, en cuestión de días. Los ejecutivos de Renaissance, recelosos de que el caos continuo aniquilara su propio fondo, se prepararon para rechazar su propio dial de riesgo y comenzar a vender posiciones ”. Sí, estamos hablando de Renaissance Technologies, el indiscutible medallista de oro en el mundo de las acciones cuantitativas.
- Adquieren y estudian implacablemente nuevos conjuntos de datos. Si está en las finanzas el tiempo suficiente, se dará cuenta de que los precios de los activos están influenciados por una gran cantidad de factores independientes. Como resultado, el estudio de conjuntos de datos nuevos y alternativos tendrá una mejor oportunidad de rendir frutos que intentar extraer más provecho de un conjunto de datos existente, o tratar de encontrar un mejor método de conjunto para combinar las señales existentes. Pero la clave aquí es que decidir qué conjuntos de datos mirar no es aprendizaje automático. Es aprendizaje humano. Nuevamente es regularización basada en el sentido común. Puede ser un experto en aprendizaje profundo, pero si no comprende cómo funcionan los mercados, terminará inyectando datos irrelevantes en sus modelos. La consecuencia de esto es que sus modelos son débiles, incluso en muestra, o están excesivamente equipados.
Hablando de aprendizaje profundo, actualmente hay un nivel loco de exageración y FOMO a su alrededor. Pero como alguien que está razonablemente bien conectado en la industria comercial, no conozco a nadie que haya utilizado con éxito el aprendizaje profundo para superar sus modelos lineales de la vieja escuela. Claro, puedes ganar dinero usando el aprendizaje profundo, pero ¿es realmente mejor? Lo que sucede con el aprendizaje automático en general es que son completamente empíricos. Nadie puede predecir si un modelo en particular funcionará o no para un problema en particular; la gente solo puede encontrar explicaciones después de haberlo intentado. El aprendizaje profundo se ha demostrado en problemas como el reconocimiento de imágenes y la reproducción, pero ciertamente no en el comercio. Mi explicación posterior es que no es un buen modelo para datos extremadamente ruidosos, como las series de tiempo financieras. Había entrevistado a varios académicos respetados de aprendizaje profundo, incluidos algunos compañeros coroanos, dándoles un conjunto de datos financieros para que los miraran. Tienden a aturdirse por el nivel de ruido en los datos y sospechan rápidamente que no es posible construir un modelo predictivo con ellos. En cierto modo, tienen razón: si simplemente arroja estos datos a un modelo de aprendizaje profundo, inevitablemente se sobreajustará, sin importar cuántas técnicas de regularización intente. Pero de nuevo, no tienes que usar el aprendizaje profundo. Puede probar un modelo mucho más simple y utilizar el conocimiento del dominio para regularizarlo. Al final del día, el comercio es un juego divertido donde es posible ganar dinero con un R cuadrado de 0.01. Pero no hace falta decir que tiene que ser un R-cuadrado fuera de muestra de 0.01.
Última palabra de precaución. A partir de hoy, el aprendizaje automático es menos importante en las finanzas cuantitativas de lo que piensan los extraños. La razón por la que escuchas sobre la palabra de moda todo el tiempo es porque suena sexy y, por lo tanto, atrae dinero y talento. Por supuesto, hay algunas organizaciones a gran escala y startups bien financiadas que están invirtiendo en proyectos de investigación y desarrollo de vanguardia. puntería comprender conjuntos de datos cualitativos no estructurados como el discurso de Janet Yellen. Pero dudo mucho que hayan valido la pena todavía, ya que todavía hay muchas frutas más bajas para obtener en conjuntos de datos cuantitativos estructurados. Sin embargo, en el futuro, el aprendizaje automático probablemente tendrá un lugar mucho más grande en esta industria, porque su capacidad de aprender continuará mejorando y superará casi inevitablemente la capacidad de aprendizaje de los humanos. En particular, todos podemos esperar el día en que las máquinas finalmente puedan usar tanto sentido común como los humanos. Y para eso, probablemente necesitemos algoritmos que puedan aprender de una cantidad increíble de datos cualitativos, porque el sentido común de los humanos se desarrolla a través de años de experiencia personal y miles de años de evolución.
