AI w tradingu - 6 najgorętszych tematów (cz. 1 z 2)

15 sty

W tym artykule poznasz 6 najważniejszych i zarazem „najgorętszych” elementów, jakie dziś składają się na AI albo są kojarzone z AI w tradingu. Poznasz podstawy narzędzi, które ukształtują przyszłość tej branży. Najpierw stanie się to w największych i najbogatszych funduszach, a potem również w tych mniejszych. Narzędzia, które poznasz mogą nie być oczywiste – przyzwyczajeni jesteśmy do analizy fundamentalnej i technicznej, ale teraz weszliśmy w erę analizy danych.

Zapraszam Cię do podróży ze mną w bliższą i dalszą przyszłość inwestowania.

NLP
Natural Language Processing to wspólna nazwa wielu narzędzi do analizy tekstu pisanego i mówionego: dokumentów spółek, artykułów prasowych, newsów, analiz, stron www, postów social media, opinii o produktach firm.

Zaawansowane oprogramowanie NLP rozpoznaje kontekst do około tysiąca słów. To dużo a wkrótce będzie więcej.

NLP pozwala analizować wiele cech tekstu, na przykład:

• czy tekst na temat danej firmy jest pozytywny czy negatywny,
  
• czy jest jasny i przejrzysty czy mętny i zawiły,
  
• czy autorzy wyrażają się pozytywnie o przyszłości czy negatywnie.
  

Jeśli analizujemy teksty sprawozdań i wypowiedzi prasowe przedstawicieli spółek okazuje się, że wszystkie wymienione powyżej elementy mogą być dobrym wskaźnikiem informującym o przyszłych wynikach finansowych spółek.

Teksty w social media
Już teraz analiza wypowiedzi w social mediach i w serwisach zakupowych pozwala poznać sentyment – opinię o firmie, jej produktach co zwykle poprzedza wyniki finansowe. Czasem udaje się też znaleźć i przeanalizować sentyment różnych grup inwestorów na temat firmy i jej przyszłości co również ma wpływ na cenę akcji.

"The stripper"
Następnym olbrzymim krokiem ewolucji NLP będzie ekstrakcja wiedzy pisanej z milionów książek, artykułów naukowych i innych tekstów oraz pomoc w stworzeniu spójnych teorii funkcjonowania gospodarki, czy łańcuchów zaopatrzenia.

To da wgląd teoretyczny i praktyczny w czynniki, jakie mają wpływ na wyniki finansowe spółek, branż i wszelkie istotne dla nas procesy gospodarcze. Już dziś widzimy pierwsze przymiarki do stworzenia tego typu narzędzi i budowanych na tej podstawie spójnych teorii i modeli.

Tekst mówiony
Analiza słowa mówionego jest również w zasięgu NLP: wypowiedzi z newsów telewizyjnych, filmów, innych materiałów wideo, czy rozmów telefonicznych są automatycznie spisywane i podlegają takiej samej analizie jak treści pisane.

Dzięki temu mamy dzisiaj dostęp do wiedzy na temat poziomu wolumenu Forex. Systemy analizują nie tylko wolumen w głównych bankach i u brokerów, ale również wolumen jaki jest transferowany przez traderów przez telefon. Jeszcze w zeszłym roku dane na ten temat nie były dostępne w czasie rzeczywistym. Dowiem się, czy coś się już zmieniło i napiszę o tym w kolejnych numerach. Wiem, że były plany, aby i ten wolumen podawać w czasie rzeczywistym.

Machine Learning
ML to obecnie kilkadziesiąt metod maszynowego rozwiązywania problemów. Jak wygląda krok po kroku proces rozwiązywania problemu przez maszynę? W uproszczeniu:

1. proces składa się ze sformułowania problemu i przygotowania modelu matematycznego (specjalista),
   
2. zbierania i przygotowania danych (specjalista),
   
3. następnie wyboru jednego z rozwiązań ML (specjalista),
   
4. zasilenie software danymi
   
5. przetwarzanie danych (oprogramowanie typu Machine Learning),
   
6. na zakończenie mamy jeszcze interpretację otrzymanego wyniku (specjalista) – ktoś musi wytłumaczyć wynik w kategoriach nie-matematycznych.

Tylko jeden element tego ciągu jest zautomatyzowany – piąty. Cała reszta wymaga wykorzystania wiedzy i doświadczenia specjalistów.

Dzisiaj prawdziwym silnikiem napędowym AI są… specjaliści. I jeszcze długo tak zostanie. „Prawdziwego AI” jest jeszcze bardzo, ale to bardzo mało.

Nie chciałem zaczynać tego cyklu tematycznego od opisywania narzędzi ML, wolałem pokazać ich obecne miejsce w całości. W przyszłości na pewno opiszę kilka rozwiązań Machine Learning i to w jaki sposób są wykorzystywane do tworzenia systemów tradingowych. Podam też przykłady takich systemów, abyś mógł wyrobić sobie własne zdanie o nich.

To, co warto i należy wiedzieć teraz to fakt, że mimo imponujących osiągnięć technologii związanych z AI, jest to zaledwie początek tej rewolucji.

Ona zmieni wszystko co znamy.

Jesteśmy dopiero w początku rewolucji AI. Ona zmieni wszystko co znamy.

XAI czyli Explainable AI
To obecnie chyba najgorętszy temat w AI.

Część narzędzi ML jest tak złożona, że nie wiemy, w jaki sposób maszyna uzyskała wynik, jak podjęła decyzję, czy jak wydała rekomendację.

Nazywamy je w skrócie „black box” – w środku jest ciemno i nie wiemy co tam się dzieje. Niemniej, matematyka stojąca za tym jest bardzo dobra, a wyniki często znakomite.

Mamy wynik, ale nie wiemy w jaki sposób został osiągnięty. Nie wiemy dlatego, że proces prowadzący do rezultatu jest bardzo złożony i ma wiele etapów. A jeśli nie rozumiemy „jak to działa” to pojawia się kilka problemów. Opiszę je dla przypadku, gdy mamy black-boxa, który podaje sygnały wejścia i wyjścia:

• poza prostym przydzieleniem niewielkiego % kapitału na pozycję zarzadzanie ryzykiem staje się problematyczne,
  
• mamy niewielką lub żadną kontrolę nad pozycją (poza wyjściem z niej),
  
• nie wykorzystamy w pełni narzędzia, któremu nie ufamy. A to jest problem, gdy w jego stworzenie wydaliśmy kilka milionów,
  
• nie wiemy, czy dana seria strat jest przejściowa, bo rynek się zmienił, czy może system przestał działać dla danego rynku i odtąd będzie on tylko tracił.
  

Ale, że rezultaty są dobre, to w taki, czy inny sposób będziemy starali się wyjaśnić, jak to działa. Dla funduszu zatrudniającego traderów problem ten jest jak najbardziej praktyczny.

Trader po siedemdziesiątce chciałby się dowiedzieć ile można zarobić na „black-boxie”
Dla przykładu weźmy tradera, który ma 75 lat, jest aktywny, a na dodatek jest współwłaścicielem funduszu. I chciałby dowiedzieć się, w jaki sposób działa „ta nowa rzecz”, bo może warto zwiększyć kapitał, który ta „nowa zabawka” ma do wykorzystania.

Ale jak, nie wiedząc co dzieje się w środku określić, ramy tradingowe? Jakie założyć ryzyko, rozsądne zaangażowanie kapitałowe, kiedy mogą wystąpić trudności i co zrobić, gdy się pojawią?

Co więcej, musimy przecież dostosować się do zakresu wiedzy i doświadczenia szefa. Nie możemy zacząć wykładu od geometrii rozmaitości różniczkowalnych i dywergencji Kullback – Leiblera dla rozkładów prawdopodobieństwa (taka matematyka może być tam użyta), jeśli on nie ma o tym pojęcia.

Ktoś, kto nie ma problemu z szefem już myśli, że może odetchnąć spokojnie i nie zawracać sobie głowy wyjaśnianiami, jak działa jego cudowny black box. Niestety nie, bo na horyzoncie pojawiają się też inne osoby, które chciałyby się dowiedzieć „jak to działa”.

Jest kilka grup takich osób.

Kto chce lub musi wiedzieć, co dzieje się w środku
Pierwszą będą regulatorzy prawa i… sądy. Komisja Nadzoru Finansowego może chcieć się dowiedzieć, czy przypadkiem ostatnie duże pozycje (złożone przez „black boxa” – jak twierdzimy) nie są przykładem na insider trading?

Jeśli masz podobny pomysł na obronę w sądzie (przed oskarżeniem o insider trading) to wiedz, że to nie ma sensu. Możemy nie wiedzieć co jest w środku ale po zasymulowaniu warunków, w jakich powstał sygnał – sygnał musi się pojawić.

Dalej mamy dział zarzadzania ryzykiem też chciałby wiedzieć, jak to działa lub chociaż do czego jest podobne, bo jedyne, co im zostało to przypisanie do sygnału niewielkiej ilości kapitału.

Pozycja z black boxa jest jak samolot bez okien. Startujemy na komendę, lecimy bez możliwości określenia, gdzie jesteśmy i lądujemy na komendę. Jedyne, co ma nas zapewnić o bezpieczeństwie to statystyka, że np. pozycja jest zyskowna 6 razy na 10, czyli na każde 10 startów 4 razy mamy twarde lądowanie. Jest to średnio komfortowa sytuacja, choć czasem i to wystarczy.

Czy, aby system już nie przestał działać?
Ale mamy coś jeszcze mniej przyjemnego: jeśli nie znamy reguł podejmowania decyzji to nie możemy być pewni, czy dana seria strat nie jest już końcem działania systemu, bo rynek się zmienił i poprzednie reguły przestały działać.

Przerysowane? Powiedziałbym, że co najwyżej odrobinę.

Wykorzystanie rozmaitych narzędzi AI będzie tylko rosło, także black-boxów i jakoś trzeba sobie z tym poradzić. Największa fundusze już mają kilka recept, co zrobić. W przyszłych artykułach je opiszę.

Temat jest tym bardziej ważny, że dla przeważającej większości nie-matematyków, czyli traderów, portfolio managerów, C-level managerów praktycznie każde narzędzie AI/ML jest black boxem. Z jakiegoś powodu wyjaśnienia np. że mamy tu do czynienia z wielowymiarową rozmaitością różniczkowalną zanurzoną w przestrzeni wektorowej nie pomagają…

Dla większości traderów, portfolio managerów, C-level managerów praktycznie każde narzędzie AI/ML jest black boxem.

Interpretowalna AI (Explainable AI) mieści się w szerszym trendzie – przeważająca większość ludzi i traderów nie ma pojęcia, co robią nowe narzędzia.

Istnieje duża potrzeba wyjaśniania użytkownikom jak działają narzędzia AI/ML, co dają, jakie mają granice zastosowania i kiedy przestają działać.

Edukacja jest o tyle ważna, że w niedalekiej przyszłości przewaga konkurencyjna funduszu będzie powstawała na styku zespołu oraz narzędzi, systemów AI.

Przewaga konkurencyjna w przyszłości będzie zależeć od tzw. inteligencji strukturalnej firmy, największe fundusze już działają w tym kierunku choć nie potrafią tego tak zręcznie nazwać.

Przewaga konkurencyjna w przyszłości będzie zależeć od inteligencji strukturalnej firmy, największe fundusze już działają w tym kierunku choć nie potrafią tego tak zręcznie nazwać.

Jeśli podoba Ci się ten materiał - daj boosta 🚀 i/lub komentarz, żebyśmy wiedzieli by publikować dalej. Dzięki!