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 reconocería una estrategia rentable, para ver si una máquina podía conseguirlo.

Para entrenar un algoritmo de aprendizaje automático para que se comporte como un inversionista razonablemente averso al riesgo, se requiere un aprendizaje reforzado adecuado, específicamente una técnica matemática llamada Q-learning (jugar algún tipo de juego en el que desea obtener la función de recompensa ‘puede ocurrir en un futuro determinado’). intervalos).

El agente de aprendizaje automático identificó y eliminó oportunidades de arbitraje en presencia de costos de transacción en prueba de conceptos de mercado simulados.

Ritter explicó: «Realmente quería responder a la pregunta, ¿el aprendizaje automático se aplica al comercio o no se aplica en absoluto? Una especie de pregunta binaria. ¿Se puede aplicar el aprendizaje automático al problema del comercio?

«Razoné en un sistema que conozco que reconoce una estrategia comercial rentable, porque lo construí de esa manera, ya sea que la máquina sea capaz de hacerlo. Si no, ¿qué posibilidades habría en el mundo real donde ni siquiera eres consciente de que hay una estrategia rentable en el espacio que está mirando.

«Entonces, la respuesta es suerte. En el sistema que sabía que era una oportunidad rentable, la máquina aprendió a encontrarla. Por lo tanto, es posible realizar más estudios».

No es raro escuchar tiendas de cantidades sofisticadas que respaldan las oportunidades de aprendizaje automático, pero estas empresas aún no publican nada sobre qué tan bien funciona esto.

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

«Desde el punto de vista de la investigación académica publicada en revistas revisadas por pares, hay pocos estudios sobre la aplicación del aprendizaje automático al comercio, todavía. 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 algunas medidas 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 algún período de tiempo, y no solo en el próximo período de tiempo.

Ritter dijo: «No puedes ser miope y ganar estos juegos. Entonces, el aprendizaje reforzado es un marco general para resolver ese tipo de problemas en los que tienes recompensas retrasadas o quieres maximizar las recompensas acumuladas con el tiempo».

«El mismo tipo de cosas suceden durante el comercio. Podrías tomar una posición esperando una ganancia a largo plazo en esa posición y también es posible una pérdida a corto plazo, pero cuando esperas una ganancia a largo plazo, puedes 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 penalizaciones de riesgo.

“Cuando configuras el aprendizaje reforzado, debes tener algún tipo de puntaje”, dijo Ritter. «Si es un juego, como un videojuego, podría ser la puntuación del juego. Pero, en general, la puntuación podría ser una noción más abstracta; podría ser cualquier cosa que quieras maximizar con el tiempo. En la selección de cartera no existe, una nuevo concepto, lo que se quiere maximizar con el tiempo es ganar menos penalización de riesgo».

El papel que le quedará a los humanos es una pregunta en boca de muchas personas sobre el aprendizaje automático y la automatización impulsada por la IA.

Ritter tiene una visión prudente al respecto: «Creo que es importante saber qué hace bien la gente y qué no. Por lo tanto, la gente generalmente no es buena para averiguar cuáles son los costos reales para ellos».

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

«La gente no es muy buena para responder esa pregunta. Esa es una mejor pregunta para un modelo matemático. Entonces, a veces se hace la pregunta, ¿significa esto que las personas están hechas? Creo que la respuesta no es segura».

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

«Pero las personas no son buenas interactuando con la microestructura; las personas no son buenas para mirar oferta y oferta y decir, creo que si ejecuto estos muchos conceptos básicos, este es el impacto que tendré para dejar ese tipo de cosas».


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