Negocios

Fintech: ¿Se puede aplicar el aprendizaje automático al comercio?

Un nuevo artículo académico, Machine Learning for Trading, es el primer estudio concluyente que muestra el éxito de una estrategia comercial basada en el aprendizaje automático.

El autor, Gordon Ritter, profesor asistente en el Programa de Matemáticas en Finanzas de la Universidad de Nueva York, construyó un sistema artificial que sabía que admitiría una estrategia rentable, para ver si una máquina podía encontrarlo.

Para entrenar un algoritmo de aprendizaje automático para que se comporte como un inversionista racional averso al riesgo, se requiere un aprendizaje de refuerzo apropiado, específicamente una técnica matemática llamada Q-learning (jugar algún tipo de juego en el que intentas la función de recompensa que puede ocurrir en algún momento en el futuro).

El agente de aprendizaje automático descubrió y explotó oportunidades de arbitraje en presencia de costos de transacción en una prueba de concepto de mercado simulado.

Ritter explicó: «Realmente quería responder a la pregunta, ¿el aprendizaje automático tiene alguna aplicación para el comercio, o ninguna aplicación? Es una especie de pregunta binaria. ¿Se puede aplicar el aprendizaje automático al problema del comercio?

«Razoné en un sistema que sé que admite una estrategia comercial rentable, porque lo construí de esa manera, si la máquina es capaz de encontrarlo. Si no, ¿cuáles serían las posibilidades en el mundo real donde ni siquiera necesita sepa que hay una estrategia rentable en el espacio que está mirando.

«Entonces, la respuesta a la suerte es sí. En el sistema en el que sabía que había una oportunidad rentable, la máquina aprendió a encontrarla. Por lo tanto, se pueden realizar más estudios».

No es raro escuchar tiendas cuantitativas sofisticadas que promocionan las oportunidades del aprendizaje automático, pero estas empresas en realidad no publican nada sobre qué tan bien funciona esto.

«Hasta donde yo sé, no ha habido ningún estudio concluyente que muestre algún éxito con una estrategia comercial basada en el aprendizaje automático. Creo que este documento es el primero», dijo Ritter.

«En términos de investigación académica publicada en revistas revisadas por pares, todavía no hay muchos estudios sobre la aplicación del aprendizaje automático al comercio. Pero creo que los habrá».

Como se mencionó, aprender Q es una forma de resolver un problema de recompensa retrasada en el que es posible que deba pensar en varias acciones por adelantado. Cualquiera que haya jugado ajedrez, Go o incluso Pac-Man estará familiarizado con la idea de que tienes que pensar en lo que sucederá en varios períodos de tiempo, y no solo en el próximo período de tiempo.

Ritter dijo: «No puedes ser miope y ganar estos juegos. Por lo tanto, el aprendizaje por refuerzo es un marco general para resolver ese tipo de problemas en los que tienes recompensas retrasadas o intentas maximizar las recompensas acumuladas con el paso del tiempo.

«El mismo tipo de cosas sucede en el comercio. Puede tomar una posición esperando una ganancia a largo plazo en esa posición y también es posible una pérdida a corto plazo, pero esperando una ganancia a largo plazo podría estar contento con eso. para hacer ese comercio».

Desde la década de 1950, la teoría económica de la elección de cartera y la maximización de la utilidad ha incluido diferentes enfoques del concepto de riesgo; las carteras se optimizan no solo para la ganancia esperada, sino también para la ganancia esperada menos la penalización por riesgo.

«Cuando configura el aprendizaje por refuerzo, debe tener algún tipo de puntaje», dijo Ritter. «Si es un juego, como un videojuego, podría ser el puntaje del juego. Pero, en general, el puntaje podría ser una noción más abstracta; podría ser cualquier cosa que desee maximizar con el tiempo. En una opción de cartera, no existe. un nuevo concepto, lo que desea maximizar con el tiempo es ganar menos penalización de riesgo «.

Una pregunta en boca de muchas personas cuando se trata de aprendizaje automático y automatización impulsada por IA es qué papel les quedará a los humanos.

Ritter tiene una visión astuta sobre esto: “Creo que es importante saber qué hace bien la persona y en qué no es bueno.

«Por ejemplo, todos sabemos que hacer una operación grande o una operación que es una gran fracción del volumen puede afectar el mercado; moverá el precio como resultado de su operación. Bueno, ¿cuánto?

«Los humanos no son muy buenos para responder esa pregunta. Esa es una mejor pregunta para un modelo matemático. Entonces, a veces nos hacen la pregunta, ¿significa esto que los humanos están hechos? Creo que la respuesta definitivamente es no».

«La gente probablemente sea buena para pensar en la idea de una nueva estrategia. Tome la tecnología en mi artículo, por ejemplo: ¿dónde deberíamos implementarla? ¿Qué deberíamos implementar? ¿Qué señal impulsa el comercio, en todo caso?

«Pero las personas no son buenas para interactuar con la microestructura; las personas no son buenas para mirar oferta y oferta y decir, creo que si ejecuto tantos puntos básicos, este es el impacto que voy a tener. Debería ser un decisión del tipo de dejar eso. con una máquina realmente».


Editorial TNH

Editorial de Tiempo de negocios. Revista que ofrece las últimas noticias, análisis en profundidad e ideas sobre temas internacionales, tecnología, negocios, cultura y política. Además de su presencia en línea y para móviles a través de la web para llevar actualidad de alta calidad a nuestros lectores.

Deja una respuesta

Tu dirección de correo electrónico no será publicada.

Botón volver arriba