Инвестиционные фирмы все чаще используют технологии на каждом этапе цепочки создания ценности в управлении инвестициями - от улучшения их понимания клиентов до раскрытия новых источников дохода от принятого риска и более эффективного выполнения торговых сделок.

Методы машинного обучения, центральная часть этой технологии, являются основной темой этого чтения. Эти методы впервые появились в финансах в 1990-х годах и с тех пор процветали при взрывном росте объема компьютерных данных и дешевой вычислительной мощности.

Это чтение дает высокий уровень понимания машинного обучения (ML machine learning). Оно охватывает выбор ключевых алгоритмов ML и их применения в инвестициях.

Практикующие инвесторы должны обладать базовым пониманием типов инвестиционных проблем, которые может решать машинное обучение, а также представлением о том, как работают алгоритмы, и словарным запасом для взаимодействия с экспертами по машинному обучению и науке о данных.

Практикующие инвесторы не должны осваивать детали и математику машинного обучения, но как эксперты по инвестициям, они могут играть важную роль в реализации этих методов, имея возможность вводить соответствующие параметры модели, интерпретировать результаты модели и преобразовывать результаты в соответствующие инвестиционные действия.

Это чтение включает следующие разделы и темы:

  • Обзор машинного обучения в управлении инвестициями.
  • Определение машинного обучения и описание проблем, которые могут решать контролируемое и неконтролируемое обучение.
  • Оценка эффективности алгоритмов машинного обучения.
  • Ключевые алгоритмы контролируемого машинного обучения.
  • Ключевые алгоритмы неконтролируемого машинного обучения.
  • Нейронные сети, сети глубокого обучения и обучение с подкреплением.
  • Схема процесса принятия решений о выборе соответствующего алгоритма ML.

Машинное обучение и управление инвестициями.

Растущий объем и невероятное разнообразие данных, а также растущая экономическая ценность, полученная из этих данных, способствовали быстрому росту науки о данных.

Эта недавно появившаяся область сочетает в себе математику, информатику и бизнес-аналитику. Она также идет в новом направлении, которое опирается на машинное обучение - от основных функций обучения, которые соотносят связи между переменными, до расширенных нейронных сетей, имитирующих физические процессы, которые поглощают, упорядочивают и адаптируются к информации.

Машинное обучение имеет теоретические и практические последствия для управления инвестициями. Например, машинное обучение может потенциально изменить общепринятый разумный взгляд на премии за риск активов и реконфигурировать бизнес-процессы управления инвестициями.

Большие наборы данных и модели обучения уже влияют на практику управления инвестициями - от профилирования клиентов до распределения активов, выбора акций, формирования портфеля и управления рисками, а также ведения торговли.

Машинное обучение можно применять на каждом этапе цепочки создания стоимости актива и управления активами. Чат-боты способны отвечать на основные вопросы о пенсионных сбережениях, а также учиться на собственном опыте взаимодействия с инвесторами.

Методы машинного обучения могут использоваться для генерации альфа-сигналов, используемых при выборе ценных бумаг путем создания нелинейного прогноза для одного временного ряда, путем получения прогноза из набора предопределенных факторов или даже путем выбора входных сигналов из существующих или вновь найденных данных.

Например, исследователи, использующие текстовый анализ, обнаружили, что изменения в сравнении с прошлым годом в годовой (Форма 10-K) и ежеквартальной (Форма 10-Q) отчетности, особенно если это негативные изменения в разделах с комментариями руководства и раскрытием рисков, могут давать сильные прогнозы доходности акций.

Методы машинного обучения могут помочь вычислять целевые веса портфеля на основе ограничений клиента, а затем динамически взвешивать их, чтобы максимизировать коэффициент Шарпа.

Другим использованием методов машинного обучения является лучшая оценка дисперсионно-ковариационной матрицы посредством анализа главных компонент, что уменьшает количество переменных, необходимых для объяснения изменений в данных.

Исследования показывают, что решения машинного обучения превосходят оптимизацию анализа среднего и дисперсии при формировании портфеля. Методы машинного обучения уже создают лучшие инструменты управления потоком биржевых заявок с помощью нелинейных алгоритмов торговли, которые снижают затраты на реализацию решений портфеля.

Эти разработки вызвали эволюцию в автоматизации инструментов, процессов и работы бизнеса (например, роботы-советники).