Определение настроения рынка на основе систем искусственного интеллекта

          Трейдер  — это человек, каждую минуту следящий за новостями и на основе них принимающий быстрые решения.  Это стереотип, который укоренился у многих еще  с голливудских фильмов 80-х годов.

          Время идет, наступил век технологий и искусственного интеллекта. Как поменялся анализ рынка с массовым внедрением нейронных сетей, генетических алгоритмов в мир финансов? Изменилась ли значимость тех или иных новостей при принятии решений?

          Сегодня мы затронем лишь малую часть из того, что сейчас происходит в сфере искусственного интеллекта и машинного обучения.  Поговорим о «настроении рынка».  Итак...

          Что это, вообще, такое?

          Сам рынок, конечно, не обладает «настроениями», или какими-либо эмоциями. Это всего лишь механизм, сеть продавцов, покупателей и регуляторов.  Именно эти взаимосвязанные участники рынка, их намерения и поведение,  задают основной тон, или «настроение», в этом динамичном и изменчивом мире финансов.

          «Настроения» сегодня можно измерить, и именно благодаря возникновению социальных сетей и всего этого потока электронных публикаций на наших дисплеях.  Просто подсчитывая число позитивных и негативных сообщений по определенной теме, накопившихся за определенный период, можно оценивать расстановку сил.

           Анализ настроений (Sentiment Analysis) сейчас представляет собой целую отдельную область исследований, со своими методами, алгоритмами и библиотеками программ.  Есть и конкретные разработки, например, StockTweets (https://stocktwits.com/), или InfoTrie/FinSentS (http://www.infotrie.com/ ).

          Нет никаких сомнений в том, что отдельные трейдеры успешно используют Sentiment Analysis при совершении сделок. Хорошо известны также методы торговли, где сделки напрямую зависят от выхода финансовых новостей.

          Однако, с точки зрения практического трейдинга, здесь существует серьезная проблема.  Результаты Sentiment Analysis, как и любой прогноз, имеют вероятностный характер. Неучтенные факторы могут двинуть цены в обратном направлении.

          Мы использовали методы машинного обучения, чтобы попытаться выявить те самые факторы, которые не учитывает SentimentAnalysis.

          Как мы уже отметили выше, помимо продавцов и покупателей, в финансовой сети присутствует третья сила – регуляторы.  В нашей модели это Federal Reserve (https://www.federalreserve.gov/),  U.S. CFTC| U.S. COMMODITYFUTURESTRADINGCOMMISSION(www.cftc.gov/),крупные банки, фонды, государственные институты, и т.д.   Регуляторы, в отличие от продавцов и покупателей,  являются главным источником упорядоченной, структурированной информации в виде отчетов, статистики, цифр, новостей. Крупные участники рынка всегда ориентируются именно на информацию, исходящую от регуляторов.  Регуляторы могут формировать «настроение рынка», но сами совершенно свободны от «эмоционального шума», который выявляет Sentiment Analysis в социальных сетях.

          Система обработки данных, основанная на  нейронных сетях и алгоритме дерева решений (boosting algorithm), позволяет выявлять скрытые закономерности (паттерны) в потоке цифр, текстовых сообщений и визуальной информации. Используя эти алгоритмы, мы обнаружили,  что обработка периодических отчетов, публикуемых финансовыми институтами, позволяет прогнозировать движение цен в различных секторах рынка. Более того, по нашим данным, надежность такого прогноза выше, чем при использовании SentimentAnalysisи Google Trends.