Нейросети

Друзья, если честно, в выходные я убился над статьей про Silicon Valley Bank (это однозначно главный хедлайнер новостей прошлой недели), так что на полноценный дайджест сил немного не осталось. Поэтому в этот раз будет скорее в формате «заголовки со ссылками», извиняйте.

Дефицит российского бюджета перевыполняет свои планы

Хорошая новость: дефицит бюджета РФ в феврале сократился вдвое по сравнению с январем. Плохая новость: накопленный за два месяца дефицит достиг 2,6 трлн рублей – это примерно 90% от размера дефицита, который планировался на весь 2023 год.

Минфин на всё это продолжает говорить, что «всё идет по плану» – но со стороны всё же возникает ощущение, что в данном случае план по дефициту перевыполняется уж слишком быстро.

Возвращение маленьких бумажных рублёнышей

Десять лет такого не было (с 2013 года), и вот опять: ЦБ снова стал печатать десяти- и пятирублевые банкноты. Говорят, что перерабатывать зеленые деревья в купюры нынче дешевле, чем чеканить звонкую монету (Ведьмак, уверен, не одобряет эту новость).

Я-то вообще, если честно, думал, что на волне новостей про начало обращения цифрового рубля – отныне нумизматические и бонистические новации наш Центробанк будет осуществлять исключительно на блокчейне, но вишь ты… (На всякий случай: бонисты не имеют никакого отношения к бонхедам – так называют чуваков, которые коллекционируют банкноты).

Сервис ResumeBuilder провел опрос среди 1000 руководителей крупных предприятий и выяснил, что спрос на использование нейросетей значительно вырос.

Прямо сейчас 66% из опрощенных компаний используют ChatGPT:

— для написания кода;
— для создания контента;
— для службы поддержки;
— для подведения итогов совещаний и документов.

Несмотря на то, что многие не афишируют этого — работу джунов активно замещают нейросетями, ведь нейросети лишены «человеческого фактора».

Вероятно в России уже к концу этого года жизнь среднестатистического офисного работника изменится.

Отсутствующую дыру в бюджете закрывают отсутствующими валютными резервами

В позапрошлом выпуске мы с вами обсуждали рекордный дефицит российского бюджета, который только за январь составил 1,8 трлн рублей – более половины дефицита, запланированного на весь 2023 год. А тут еще на прошедшем послании Федеральному собранию президент пообещал дополнительные меры социальной поддержки – от фонда помощи семьям военнослужащих до повышения размера минимальной оплаты труда.

• Прогнозирование цены активов: использование ChatGPT для анализа исторических данных и предсказания цены на финансовые активы.
• Технический анализ: использование ChatGPT для генерации технических индикаторов и прогнозирования трендов.
• Новостные аналитика: использование ChatGPT для сбора, анализа и синтеза новостей, связанных с финансовыми активами.
• Поиск торговых возможностей: использование ChatGPT для поиска возможных торговых идей на основе анализа рынка.
• Генерация торговых стратегий: использование ChatGPT для генерации торговых стратегий на основе анализа данных.
• Слежение за рынком: использование ChatGPT для отслеживания изменений на финансовых рынках и генерации алертов.
• Расчет показателей риска: использование ChatGPT для расчета финансовых показателей, таких как доходность, риск, коэффициент Шарпа и т.д.
• Оценка портфеля: использование ChatGPT для оценки эффективности торговых стратегий и портфелей.
• Анализ корпоративных финансов: использование ChatGPT для анализа финансовых отчетов компаний и прогнозирования их финансового развития.
• Коммуникация с клиентами: использование ChatGPT для общения с клиентами, ответа на вопросы и предоставления информации о торговых стратегиях.

У нас тут выросло целое поколение водителей, которые ничего не знают об устройстве автомобиля… целое поколение диетологов, врачей и прочих, которые ничего не знают по анатомии.
Теперь выросло целое поколение программистов, которые ничего не знают про работу компьютера.

Даже выросло целое поколение солнечных людей, которые думают, что компьютер работает также как и мозг человека. Отсюда же всякие вживление чипов, нейросети и т.д.

Я вас разочарую! Компьютер — он работает как калькулятор. Он просто считает! Английское слово computer — вычислитель.

Начнем с истории ЭВМ!
Первый компьютер был механическим.
В 1623 году Блез Паскаль (Французский религиозный философ, писатель, математик и физик Блез Паскаль родился в Клермон-Ферране в семье высокообразованного юриста) создает действующую машину «Паскалину»

Она считает механически при помощи колесиков

Сижу как-то раз за рюмкой чая (это было за год, два или три до моего прихода на Smart-Lab} и приходит мне в голову мысль — а почему бы не попробовать прогнозировать котировки.
Прогноз, естественно, на ТФ 1м, который я использую. Время прогноза пусть будет — 5 минут — вполне достаточное для моих сделок, а недостаточно, так прогноз можно и повторить на следующие 5 минут. Архивы котировок по фьючерсам SBRF и GAZR тоже имеются, минимум за год-два за последние 3 месяца перед экспирацией — хватит и на отладку и на проверку.
Все есть, только как реализовать прогнозирование? — ни одной мысли.
Собственно, не особо мне это было и нужно, рабочая система у меня уже была и меня она вполне устраивала, но мысль о прогнозировании засела, и я время от времени ее думал.
Ничего сколь-нибудь конструктивного в голову не приходило, и было решено для прогнозирования использовать нейросеть, тем более, незадолго до того я немного занимался машинным обучением и нейросетями в том числе.
От использования каких-либо предикторов сразу отказался. Плюс 2-3 слоя к нейросети, и если в данных есть какие-либо взаимосвязи, НС сама внутри себя построит нужные ей предикторы. В общем, подаем на НС поток цен 15-20 отсчетов Vc={C(t0-20),C(t0-19),...C(t0)}, нормируем их к динам диапазону НС — Vcn={c(t0-20),c(t0-19,… c(t0-1), 0} — c(t0) у нас всегда = 0, и пусть НС сама мучается с прогнозированием и поиском c(t0+5). И еще, у всякого метода есть область применимости, потому нельзя учить чему попало. Для этого из обучающей и проверочных последовательностей по возможности исключаем области истории, где прогнозирование невозможно. Иначе получим нечто такое.

  Таки собрался дописать вторую часть своих результатов применения трансформеров для предсказания на российском фондовом рынке. Может и хорошо что не спешил, так как пафос первой части о трансформерах дающих какие то уникальные результаты по сравнению с другими архитектурами нейросетей, оказался несколько преувеличенным, по крайней мере LSTM дал вполне сравнимый результат с трансформерами. Потом я попробовал градиентный бустинг, дерево решений и вновь получил схожий результат. Так что подавайте в нейросеть правильные признаки и многие модели покажут положительный результат. Тем не менее, раз я начал с трансформерах, и так как их архитектура хорошо отражает рынкок, о них и продолжу. 
  Для любителей вопросов о «таймфреймах, на чем обучал, какие акции, что в качестве таргета, какие параметры, время удержании позиции» итп итд. Акции МосБиржы, из числа наиболее ликвидных. Данные у меня с 2011 до 2021 (и это увы необходимость, так как именно с 2011 года время работы биржи стало 9 часов). Прогнозы строил следующим образом — выкидывал один год (это out-sample), а из оставшихся делал разбивку на train и test. Таким образом получил 10 одногодичных прогнозов. Для меня важно получить доходность на сделку пусть поменьше, но чтобы прибыльность подтверждалась на как можно большем диапазоне, и на всех акциях. Такое чтобы для каждой акции своя модель — для меня неприемлемо. И само собой никаких убыточных годов, как минимум. Знаю многие меняют системы каждые 3 года и для них это нормально, я предпочитаю вылавливать аномалии которые работают десятилетиями. Тут я никого не учу, рынок сам рассудит.