En forma de estudios de caso, ¿cómo utilizan las empresas financieras el aprendizaje automático?

Como científico que trabaja con ML y no sabe nada de finanzas, una vez intenté entender por qué los métodos modernos de ML parecen estar tan subutilizados en las finanzas. Después de todo, es solo predicción de series de tiempo. Es un tema de investigación activo, tenemos mejores y mejores algoritmos para eso, podría usarlos para predecir los precios futuros de las acciones mejor que los métodos actuales, y eso lo hará rico, ¿verdad?

Incorrecto. Mi conclusión fue que no había identificado correctamente la dificultad de todo el problema comercial. De hecho, puede utilizar algoritmos modernos de ML para la predicción del mercado de valores. Eso no es tan difícil, Mudit Raaj Gupta dio algunas referencias, y puede encontrar varios de estos sistemas descritos en detalle en libros, documentos e incluso documentos de estudiantes para tareas. Algunos de ellos dan resultados realmente agradables. El problema es que tener una idea de las acciones futuras es solo una pequeña parte del problema. No le dirá automáticamente cuándo comprar y cuándo vender para maximizar las ganancias. Ese es el problema más complicado. Resolverlo requiere un conocimiento avanzado de cómo funciona todo el entorno comercial, y depende de muchos, muchos factores que son mucho más complejos que el simple precio de las acciones. Son habilidades y experiencia específicas del dominio, y eso es lo que hace que un comerciante tenga éxito, mucho más que cierta capacidad de predecir los precios de las acciones a la perfección. Y eso es mucho más complicado de tratar como un problema de aprendizaje automático.

Para resumir, creo que el aprendizaje automático no se usa tanto en el comercio porque, de hecho, el comercio no es algo que se formalice fácilmente como un problema de aprendizaje automático, a pesar de que es contra intuitivo para un científico de la computación.

Machine Learning es utilizado por comerciantes cuantitativos o Quants para hacer predicciones en el comercio (mercado de valores)

El aprendizaje automático tiene muchas ventajas. Es el tema candente en este momento. Para un operador o administrador de fondos, la pregunta pertinente es “¿Cómo puedo aplicar esta nueva herramienta para generar más alfa?”.

Aquí hay una sesión grabada que lo ayudará a comprender los conceptos básicos de la aplicación de ML en el comercio:

Introducción al aprendizaje automático para las finanzas cuantitativas

En los últimos años, el aprendizaje automático ha sido la palabra de moda en el comercio algorítmico y las empresas cuantitativas. En su búsqueda para buscar el escurridizo alfa, varios fondos y empresas comerciales han adoptado el aprendizaje automático.

El aprendizaje automático gana popularidad en el comercio algorítmico

Las técnicas de aprendizaje automático pueden aplicarse al comercio utilizando lenguajes de programación como Python, R, C ++, etc. Los paquetes / bibliotecas de aprendizaje automático son desarrollados internamente por las empresas para su uso exclusivo o por terceros que lo ponen a disposición de la comunidad de usuarios. En los últimos años, el número de paquetes de aprendizaje automático ha aumentado sustancialmente, lo que ha ayudado a la comunidad de desarrolladores a acceder a diversas técnicas de aprendizaje automático y a aplicar las mismas a sus necesidades comerciales.

Fuente: análisis, minería de datos y ciencia de datos

Hay cientos de algoritmos ML, estos algoritmos se pueden clasificar en diferentes tipos dependiendo de cómo funcionen. Por ejemplo, los algoritmos de regresión se usan para modelar la relación entre variables; Los algoritmos de árbol de decisión construyen un modelo de decisiones y se usan en problemas de clasificación o regresión (Machine Learning: An Introduction to Decision Trees). De estos, algunos algoritmos se han vuelto populares entre los cuantos. Algunos de estos incluyen:

• Regresión lineal
• Regresión logística
• Bosques al azar (RM)
• Máquina de vectores de soporte (SVM)
• Vecino k más cercano (kNN)
• Árbol de clasificación y regresión (CARRITO)
• Aprendizaje profundo

Estos algoritmos de ML son utilizados por empresas comerciales para diferentes propósitos. Algunos de estos incluyen:

• Análisis del comportamiento histórico del mercado utilizando grandes conjuntos de datos.
• Determinar entradas óptimas (predictores) para una estrategia
• Determinar el conjunto óptimo de parámetros de estrategia
• Hacer predicciones comerciales, etc.

Aquí hay un par de ejemplos de aprendizaje automático para nuestros lectores:
Aprendizaje automático y su aplicación en los mercados de divisas [MODELO DE TRABAJO]
Modelado predictivo en R para el comercio algorítmico

Recursos para estudiar el aprendizaje automático

Mantenerse actualizado es de suma importancia en el mundo de hoy. Los profesionales y comerciantes que tienen la intención de ampliar sus conocimientos pueden tomar cursos de aprendizaje automático (a tiempo parcial o completo) que ofrecen algunos institutos conocidos. Esto puede ayudar a mejorar su carrera o proporcionarles herramientas adicionales en el desarrollo de estrategias comerciales para ellos o sus empresas.

Aquí hay un blog sobre recursos de ML: recursos gratuitos para aprender el aprendizaje automático para el comercio

Otras áreas de investigación

Las técnicas de aprendizaje automático se aplican en varios mercados, como renta variable, derivados, Forex, etc. Los entusiastas del aprendizaje automático / Quants / Traders que pretenden aplicar técnicas de aprendizaje automático a la negociación también deben tener algunos conocimientos sobre temas relacionados como Programación, Estadísticas básicas, Mercado microestructura, análisis de sentimientos, análisis técnico, etc.

Competiciones de aprendizaje automático

Hay varios sitios que albergan competiciones de ML. Estas competiciones, aunque no están específicamente dirigidas a la aplicación de ML en el comercio, pueden dar una buena exposición a cuantos y comerciantes a diferentes problemas de ML a través de la participación en competiciones y foros y ayudar a expandir su conocimiento de ML. Algunos de los sitios populares de alojamiento de competencia ML incluyen:

• kaggle – ( https://www.kaggle.com/ )
• NUMERAI – ( https://numer.ai/ )
• Topcoder – ( https://www.topcoder.com/ )
• CrowdAnalytics – ( https://www.crowdanalytix.com/ )
• DrivenData – ( https://www.drivendata.org/ )

Fondos que utilizan técnicas de aprendizaje automático

Se dice que algunos fondos establecidos como Medallion Fund, Citadel, DE Shaw están utilizando técnicas de aprendizaje automático para el comercio. Sin embargo, la medida en que estas técnicas de LD se aplican en el comercio sigue siendo desconocida para los externos, y también lo hace la contribución de las estrategias de aprendizaje automático en el rendimiento general de estos fondos.

Hay algunos fondos de cobertura que han revelado el uso extensivo de técnicas de aprendizaje automático como parte de su estrategia central. Por ejemplo, Taaffeite Capital Management ( http://taaffeitecm.com/ ). Taaffeite Capital comercia de manera totalmente sistemática y automatizada utilizando sistemas de aprendizaje automático patentados. Aquí hay una lista de fondos y empresas comerciales que utilizan inteligencia artificial o aprendizaje automático.

Futuro del aprendizaje automático en el comercio

El auge de la tecnología y el comercio electrónico solo ha acelerado la tasa de comercio automatizado en los últimos años (el comercio automatizado de Goldman Sachs reemplaza a 600 operadores con 200 ingenieros). El aprendizaje automático ha encontrado una buena adopción en empresas globales, tanto grandes como pequeñas. Esto obtendrá un mayor impulso a medida que los quants experimenten con nuevos desarrollos en el aprendizaje automático con la ayuda de un hardware superior. Esto hace que sea imprescindible para los comerciantes y comerciantes obtener una buena comprensión del aprendizaje automático para seguir siendo productivos en el mundo comercial.

Fuente: Machine Learning para Quants y Traders – QuantInsti

Diría que el problema del uso del aprendizaje automático en Finanzas es que necesita definir adecuadamente el “éxito” de la predicción.

Es agradable encontrar patrones en series de tiempo financieras (por ejemplo, aprendizaje no supervisado), o poder clasificar patrones (por ejemplo, decidir si mañana o el próximo minuto será un repunte) pero el objetivo principal de una estrategia de negociación algorítmica es para ganar dinero !

Y muchas estrategias rentables pierden más de lo que ganan (es decir, no clasifique muy bien los patrones si usa una medida simple de éxito).

También construir una estrategia exitosa es mucho más difícil que descubrir y clasificar patrones.

Los patrones en el comercio se denominan ineficiencias. Y encontrar ineficiencias estadísticas y una forma rentable de explotarlas es el objetivo de algo trading. Y es bastante difícil porque todo el mundo está buscando estas ineficiencias, y una vez que mucha gente (o un gran jugador) intercambia una, deja de ser rentable.

Por ejemplo, las estrategias de reversión a la media solían ser geniales hace 15 años, pero ya no porque todo el mundo lo sabe y este tipo de ineficiencias ya no existen (bueno, al menos casi).

Hay varias aplicaciones de aprendizaje automático utilizadas por las empresas FinTech que se clasifican en diferentes subcategorías.

1. Análisis predictivo de puntajes de crédito y préstamos incobrables

Las empresas de la industria crediticia están utilizando el aprendizaje automático para predecir préstamos incobrables y para construir modelos de riesgo crediticio.

2. Toma de decisiones precisa

El procesamiento financiero y la toma de decisiones podrían mejorarse mediante tecnologías de aprendizaje automático que permiten a las computadoras procesar datos y tomar decisiones (como las relacionadas con el crédito) de manera más rápida y eficiente.

3. Extracción de contenido / información

La extracción de información ha sido una aplicación importante del aprendizaje automático. Implica la extracción de contenido web como artículos, publicaciones, documentos, etc.

4. Detección de fraudes y gestión de identidad.

Con la ayuda del aprendizaje automático, las técnicas de detección de fraude pueden hacerse eficientes y efectivas. Las soluciones creadas pueden analizar datos históricos de transacciones para crear un modelo que pueda detectar patrones fraudulentos. Las empresas también están utilizando el aprendizaje automático para la autenticación biométrica.

5. Construyendo Algoritmo Comercial

El aprendizaje automático se utiliza en la creación de algoritmos para tomar decisiones comerciales. El comercio algorítmico, también llamado comercio de alta frecuencia, es el uso de sistemas automatizados para identificar señales verdaderas entre las cantidades masivas de datos que capturan la dinámica subyacente del mercado de valores. El aprendizaje automático proporciona herramientas poderosas para extraer patrones de las tendencias aparentemente del mercado.

Es un error común pensar que las compañías financieras pueden confiar por completo en el aprendizaje automático a los algoritmos de aprendizaje automático para predecir acciones futuras. Muchos de nosotros podríamos haber pensado en eso porque el aprendizaje automático está tan infrautilizado en las finanzas. Hubiera sido más fácil predecir el mercado de valores utilizando los algoritmos de aprendizaje automático para maximizar las ganancias.

Sin embargo, el aprendizaje automático es útil para las finanzas; pero no resuelve el problema por completo. Puede facilitar la predicción del futuro del mercado de valores. Pero solo resuelve una pequeña parte del problema. No le dirá exactamente qué acciones comprar y cuáles vender.

El aprendizaje automático en las finanzas puede ayudar a predecir alguna parte del futuro. Al igual que puede predecir préstamos incobrables y modelos de riesgo de crédito. También ayuda a tomar decisiones para el futuro. Las decisiones serán rápidas y eficientes todo el tiempo y lo ayudarán a analizar los datos rápidamente. El uso más importante del aprendizaje automático es que le informa con precisión sobre cómo un incidente puede cambiar el precio de las acciones mediante el financiamiento del comportamiento.

Las mejores herramientas para predecir el futuro

Aunque no puede resolver el asunto por completo, el aprendizaje automático puede considerarse como una de las mejores herramientas para predecir el futuro. Dado que los datos son manejados completamente por las máquinas, se vuelve más poderoso realizar todos los análisis numéricos. Eso fue cuando analizamos los datos antes de tomar las decisiones que son directamente fructíferas para un negocio.

1. Modelos de pronóstico de series de tiempo para estimar las tendencias futuras del mercado. Este es un problema muy difícil y no resuelto, y es probable que sea así por razones obvias. ¡Es el éxito marginal lo que importa aquí!
2. Calcule si se puede otorgar un préstamo y cuánto se puede otorgar.
3. Los sistemas de recomendación se utilizan para decidir qué productos ofrecer a qué clientes, por ejemplo, a una edad de 25 años frente a una de 65 años.
4. Estime el valor de los clientes en función de las transacciones y el perfil anteriores.
5. Detecta fraudes utilizando métodos de detección de anomalías.

• Determinar la calificación crediticia de un prestatario de un préstamo / hipoteca a partir de sus actividades en redes sociales, historial de transacciones, etc. (El aprendizaje supervisado, como las redes neuronales, se usa mucho).
• Optimización de cartera. (Programación lineal y no lineal, descenso de gradiente estocástico, algoritmos genéticos)
• Brindar respuestas altamente relevantes a preguntas relacionadas con la planificación financiera utilizando procesamiento de lenguaje natural y gráficos de conocimiento.
• Suscripción automatizada de préstamos.
• Sistemas automatizados de clasificación y separación de documentos financieros.

Por lo que he visto en la práctica, el aprendizaje automático no se usa realmente para el comercio directo. Ahora siempre tendrás esos tipos de científicos locos que están tratando de construir la próxima gran cosa.

Recuerdo haber escuchado una gran aplicación de un amigo que trabajaba en una mesa de negociación para un gran banco de inversión extranjera. Mencionó que su equipo de investigación estaba usando fotos satelitales de estacionamientos para los principales minoristas para contar la cantidad de automóviles como un factor para pronosticar las ganancias. Naturalmente, ML se aplicó para el conteo real.

El aprendizaje automático es una de las mejores herramientas para las predicciones, está directamente relacionado con nuestras capacidades computacionales (la especie humana), lo suficientemente potente como para realizar todos los análisis numéricos necesarios.

En mi opinión, una estrategia exitosa para simular los mercados bursátiles está trabajando en las características extraídas, y no directamente en los precios de las acciones, además, los fundamentos (como su nombre sugiere [sic]) son esenciales para ser incluidos. Cualquier modelo debe ser lo suficientemente flexible como para aprender de las nuevas tendencias. Siguiendo estas pautas, se puede alcanzar un buen rendimiento.

Lo he aplicado yo mismo en el portafolio en vivo y obteniendo buenos resultados al usarlo, mis estudiantes también lo hacen, prueban sus estrategias aquí. Backtesting | DSS y luego aplicar sus guardados. Ahora las universidades y los bancos lo están utilizando … si alguien interesado en desarrolladores de algos en este campo, por favor déjenme saber.