Можно ли научить искусственный интеллект предсказывать цены на бирже?

Мы побеседовали со специалистом, который занимается Data Scientist, и узнали много вещей, связанных с возможностью применения искусственного интеллекта в биржевой торговле. 

Во времена, когда слышатся лозунги: «Нейросети будут с нами надолго», возникает большой вопрос насчёт применения этих технологий для предсказания цен на бирже. Так как зачастую будущее движение цены — это огромный массив данных, которые влияют на ценообразование компании, а, как для многих известно, модели машинного обучения в разы быстрее обрабатывают биг дату.

Как я уже упомянул, самым заманчивым применением искусственного интеллекта в контексте финансовых рынков является его способность предсказывать будущие цены активов. Несмотря на то, что достичь высокой точности в этих предсказаниях пока не удается, многие крупные игроки финансового сектора, включая ведущие банки, инвестиционные фонды и прочие значимые организации, активно инвестируют ресурсы в разработку и совершенствование технологий машинного обучения.

Разработка систем искусственного интеллекта, способных спрогнозировать будущую цену актива требует больших вложений, так как задействованы команды высококвалифицированных специалистов, а про стоимость самой инфраструктуры я вообще молчу. Стартовые вложения для начала исследований в этой области начинается от 1 миллиона долларов. Да, ровно столько надо, чтобы попытаться предсказать цену актива. Тут как в лотерее, если повезёт, и вы найдёте золотую жилу, то потенциальная отдача способна окупить все затраты с лихвой, поскольку даже незначительное преимущество в способности предвидеть ценовые движения может принести огромную прибыль.

И всё же, ситуация не так однозначна. Существует мнение, согласно которому участие человека на финансовом рынке невозможно полностью заменить искусственным интеллектом. В то же время, значительное количество людей убеждено, что развитие искусственного интеллекта в конечном итоге приведет к тому, что трейдеры окажутся не востребованы. Этот вопрос стал предметом оживленных обсуждений на обеих наших конференциях "Профессиональные инвестиции" и “Тюльпаномания”, однако консенсус так и не был найден. 

На предсказание цены влияют три фактора: 

1) известные экономико-математические факторы — на рынках присутствуют закономерности, поддающиеся анализу (например, выходят данные по инфляции, которые определённым образом влияют на цену актива)

2) неизвестные экономико-математические факторы — труднодоступные или недоступные данные (например, инсайдерская торговля, или спутниковые снимки плантаций и логистических терминалов)

3) белый шум — информация не поддающаяся анализу и прогнозу (к примеру, хаотичные действия физлиц, не имеющие отношения к финансово-экономическим факторам).

Когда мы пытаемся предсказать движение цен, у нас возникает проблема — мы не в состоянии учесть влияние белого шума и неизвестных экономико-математических факторов. Ввиду этого, мы не можем использовать классические подходы машинного обучения, например, алгоритмы для прогнозирования временных рядов. 

В данный момент эффективные подходы к решению задачи предсказания биржевых котировок позволяют достигать точности (accuracy) в районе 60%. Конечно, нам бы хотелось получать прогнозы с точностью 100%, но этот результат не достижим. Можно сказать, что к задаче предсказания биржевых котировок существует 2 варианта подходов.

1 вариант — Фундаментальный

Мы анализируем сентименты новостного потока, макроэкономические показатели, данные отчетности и мультипликаторы. Наша цель — скормить искусственному интеллекту всю эту информацию, чтобы он смог выявить закономерности при помощи методов машинного обучения.

Нашёл на просторах интернета такую интересную статистику торговли ChatGPT на основе новостного потока, которая показывает зависимость итоговых показателей от сложности выбранной стратегии:

Зеленая кривая — стратегия, которая покупала акции с хорошими новостями на основе анализа ChatGPT 3.5. 

Красная линия — стратегия, которая продавала акции с плохими новостями на основе анализа ChatGPT 3.5. 

Светло-голубая кривая — стратегия, которая покупала акции с хорошими новостями и продавала акции с плохими новостями на основе анализа ChatGPT 3.5. 

Темно-голубая кривая — стратегия, которая покупала акции с хорошими новостями и продавала акции с плохими новостями на основе ChatGPT 4.

Черная, фиолетовая и желтая кривые — стратегии пассивного инвестирования с разным распределением капитала.

Отталкиваясь от полученной информации, я обратился к историческим данным, которые показывают рост количества информации. 

Экспоненциальный взлет данных натолкнул меня на мысль, что с каждым годом точность торговых стратегий на основе новостного сентимента будет расти, главное — научить модель машинного обучения отличать фальшивую информацию от настоящей.

2 вариант — Технический

Мы ищем закономерности в движениях цен, изучаем стохастические процессы, пробуем найти повторяющиеся паттерны. Однако, ключевой проблемой является то, что такие паттерны появляются лишь эпизодически, что делает невозможным предсказание будущей цены в каждый момент времени.

Перспективным подходом выглядит построение торговой системы на основе группы различных паттернов. Это предполагает не просто распознавание отдельных, изолированных паттернов, но и понимание их взаимодействия в совокупности.

Существуют и другие подходы. Они подразумевают использование машинного обучения не для прогноза цены, а, например, для управления риском и далее. Сейчас чаще это сводится к просьбе к ChatGPT  написать код для торговли на математических индикаторов. И даже у кого-то он работает и получается забрать прибыль.

Отдельной задачей машинного обучения является не только извлечение значимых данных из огромного количества информации, но и адаптация к меняющимся рыночным условиям, распознавание новых паттернов по мере их появления и интеграции в алгоритм в реальном времени. 

Также стоит отметить, что некоторые придерживаются мнения, что трейдера отличает от искусственного интеллекта наличие “чуйки”, которая иногда сподвигает заходить нас в сделки или наоборот ограничивает от них. Тут всё тривиально просто, наше поведение на рынке, формируемое бессознательным, также создаёт определённые закономерности, на базе которых мы можем обучить нейросеть. Можно сказать, что искусственный интеллект также как и человек будет обладать “чуйкой”, хотя на самом деле он просто определяет формирующиеся паттерны. 

Более того, уже сейчас существует возможность, используя технологии машинного обучения и анализируя примеры рыночных ситуаций, которые мы ей “скормим” в достаточном количестве, создать ML-модель, которая будет торговать аналогичным трейдеру образом, а возможно, даже эффективнее, поскольку она не подвержена влиянию эмоций.

В заключении стоит отметить, что на текущем этапе развития технологий в публичном доступе, ещё не существует искусственного интеллекта, способного эффективно предсказывать будущие цены. А закрытые наработки больших игроков вряд ли станут доступны общественности, ведь они дают реальное преимущество в торговле.

Отвечая на главный вопрос, хочется сказать, что уже сейчас с помощью искусственного интеллекта можно предсказывать цены с точностью порядка 60% (accuracy), а главной задачей, над которой стоит работать, является повышение данной величины при помощи комплексных подходов, объединяющих различные данные, модели и подходы. Задача предсказания биржевых котировок является «Священным Граалем» для дата саентистов и квантов, которая ждет своих героев. Дерзайте!

Если хочешь получать больше информации про высокочастотную торговлю, арбитраж и профессиональный трейдинг, то переходи в наш telegram-канал: @viking_algotraders