توسط ملانی لفکوویز ، دانشگاه کرنل11 آگوست 2020
طبق تحقیقات جدید دانشگاه کرنل مبتنی بر بزرگترین مجموعه داده ای که تاکنون در این زمینه استفاده شده است ، یادگیری ماشینی می تواند اثربخشی ابزارهای ریاضی مورد استفاده برای پیش بینی حرکت بازارهای مالی را ارزیابی کند.
مدل محققان همچنین می تواند تحرکات بازار آینده را پیش بینی کند ، به دلیل انبوه اطلاعات و عدم ثبات بازارها کاری که فوق العاده دشوار است .
مائورن اوهارا ، در دانشکده مديريت بازرگاني SC جانسون در این باره گفت: “آنچه ما در تلاش بودیم انجام دهیم این است که نه تنها قدرت تکنیک های یادگیری ماشینی را ارزیابی می کند که چگونه روش ها و مدل های فعلی ما به خوبی کار می کنند ، بلکه به ما کمک می کند تا این موارد را به روشی گسترش دهیم که هرگز بدون یادگیری ماشینی قادر به انجام آن نبودیم.”
اوهارا نویسنده کتاب “ریزساختار در عصر ماشین” است که در تاریخ 7 ژوئیه در “بررسی مطالعات مالی” منتشر شد.
اوهارا گفت: “تلاش برای انجام این نوع موارد با استفاده از تکنیک های استاندارد بسیار مشکل است ، زیرا پایگاههای داده ها بسیار بزرگ هستند. زیبایی یادگیری ماشینی این است که این روش متفاوتی برای تجزیه و تحلیل داده ها است.” وی گفت: “نکته اصلی که در این مقاله نشان می دهیم این است که در برخی موارد ، این خصوصیات ریزساختاری که به یک قرارداد متصل هستند ، بسیار قدرتمند بوده و می توانند حرکت سایر قرارداد ها را پیش بینی کنند. بنابراین می توانیم الگوی چگونگی تأثیر بازارها بر سایر بازارها را انتخاب کنیم. انجام این کار با استفاده از ابزارهای استاندارد بسیار دشوار است. “
بازارها مقادیر زیادی از داده ها را تولید می كنند و میلیارد ها دلار با استخراج این داده ها جابجا می شوند كه داده هایی برای الگوها برای روشن شدن رفتار بازار آینده است. شرکت های وال استریت و جاهای دیگر الگوریتم های مختلفی را با استفاده از متغیرها و فاکتورهای مختلف به کار می گیرند تا چنین الگویی را پیدا کنند و آینده را پیش بینی کنند.
در این تحقیق ، محققان از آنچه به عنوان یک الگوریتم یادگیری ماشینی بنام جنگل تصادفی شناخته می شود ، برای درک بهتر اثربخشی برخی از این مدلها استفاده کردند. آنها این ابزارها را با استفاده از مجموعه داده های 87 قرارداد آتی برای خرید یا فروش دارایی در آینده با قیمت های از پیش تعیین شده ارزیابی کردند.
اوهارا گفت: “نمونه ما اساساً تمام قراردادهای معاملات آتی در سراسر جهان به مدت پنج سال است و ما از هر تجارت منفردی – ده ها میلیون مورد از آنها – در تحلیل مان استفاده می کنیم.” “آنچه ما انجام دادیم این است كه از یادگیری ماشینی استفاده كنیم تا بفهمیم كه ابزارهای ریزساختار برای تنظیمات بازار كمتر پیچیده ، چگونه كار می كنند تا روند قیمت آینده را هم در داخل یك قرارداد و سپس به صورت جمعی در بین قراردادها پیش بینی كنیم. البته برخی از آنها چندان عالی نیستند. “
یادگیری ماشینی مدتهاست که در امور مالی مورد استفاده قرار می گیرد ، اما به طور معمول به عنوان “جعبه سیاهی” شناخته می شود ، که در آن یک الگوریتم هوش مصنوعی با خواندن داده ها برای پیش بینی الگوهای آینده استفاده می کند اما بدون آنکه مشخص کند چگونه و تعیین کننده های آن چیست. اوهارا گفت ، این روش می تواند در کوتاه مدت مؤثر باشد ، اما آنچه در واقع باعث ایجاد الگوهای بازار است ، فعلا دقیق نیست .
“استفاده ما برای یادگیری ماشینی این است: نظریه ای در مورد آنچه بازارها را به حرکت در می آورد وجود دارد ، بنابراین چگونه می توانم آن را امتحان کنم؟” او گفت. “چگونه می توانم واقعاً درک کنم که تئوری های من خوب هستند؟ و چگونه می توانم از آنچه از این روش یادگیری ماشینی آموخته ام استفاده کنم تا به من در ساخت مدل های بهتر کمک کند و چیزهایی را درک کنم که نمی توانم الگوبرداری کنم زیرا خیلی پیچیده است؟”
مقادیر زیادی از داده های بازار بصورت تاریخی موجود است – هر کسب و کار از دهه 1980 ثبت شده است – و روزانه حجم گسترده ای از اطلاعات تولید می شود. افزایش توان محاسباتی و در دسترس بودن بیشتر داده ها ، امکان انجام تجزیه و تحلیل های ریزدانه و جامع تر را فراهم آورده است ، اما این مجموعه داده ها و قدرت محاسباتی لازم برای تجزیه و تحلیل آنها ، می تواند برای محققان گران قیمت باشد.
در این تحقیق ، متخصصان صنعت مالی با محققان دانشگاهی همکاری می کنند تا داده ها و رایانه ها را برای مطالعه و همچنین تخصص در الگوریتم های یادگیری ماشینی مورد استفاده در عمل تهیه کنند.
