Машинное обучение может предсказывать будущее рынка
Согласно новому исследованию Корнеллского университета, основанному на огромном наборе данных, когда-либо использовавшемся в этой области, машинное обучение может оценивать эффективность математических инструментов, которые используют для прогнозирования движения финансовых рынков.
Модель также может предсказывать будущие движения рынка, тенденции развития, скачки продаж и возможные падения в оборотах, что является чрезвычайно сложной задачей из-за огромного количества информации на рынках и высокой нестабильности.
«Мы пытались использовать все возможности методов машинного обучения, чтобы не только оценить, насколько хорошо работают наши текущие методы и модели, но и помочь расширить их так, как мы никогда бы не смогли без машинного обучения», - сказала Морин. О'Хара, профессор в бизнес-колледже SC Johnson.
«Попытка оценить такие вещи с помощью стандартных методов - очень сложная задача, потому что базы данных очень большие. Прелесть машинного обучения в том, что это совершенно иной способ анализа данных» - говорит О'Хара.
Рынки генерируют огромные объемы данных, тратятся миллиарды долларов, чтобы добыть эти данные для построения шаблонов и пролить свет на будущее рынка. Компании используют различные алгоритмы, исследуя различные переменные и факторы, чтобы найти такие закономерности и спрогнозировать будущее.
В ходе исследования использовался Random forest — алгоритм машинного обучения, предложенный Лео Брейманом и Адель Катлер, заключающийся в использовании комитета решающих деревьев, чтобы лучше понять эффективность тех, или иных моделей, а также набор данных из 87 фьючерсных контрактов - соглашений о покупке или продаже активов в будущем по заранее установленным ценам.
«Наша выборка - это в основном все активные фьючерсные контракты по всему миру за пять лет, и мы используем каждую отдельную сделку - десятки миллионов из них - в нашем анализе», - сказал О'Хара. «Мы использовали машинное обучение, чтобы понять, насколько хорошо инструменты микроструктуры, разработанные для менее сложных рыночных условий, работают для прогнозирования будущего ценового процесса как в рамках контракта, так и в совокупности контрактами. Мы обнаружили, что некоторые из переменных работают очень хорошо, в то время как некоторые дают сбои.
Машинное обучение давно используется в финансах, но обычно как так называемый «черный ящик», в котором алгоритм искусственного интеллекта использует массивы данных для прогнозирования будущих закономерностей, но не показывает, как именно он делает свои определения. По словам О'Хара, этот метод может быть эффективным в краткосрочной перспективе, но не проливает света на то, что на самом деле вызывает рыночные модели.
Доступны огромные объемы архивных рыночных данных - каждая сделка регистрировалась с 1980-х годов - и ежедневно генерируются огромные объемы информации. Увеличенная вычислительная мощность и большая доступность данных позволили выполнять более детальный и всесторонний анализ, но эти наборы данных и вычислительная мощность, к сожалению, очень дорогостоящее удовольствие..