Forwarded from FRAT - Financial random academic thoughts
О машинном обучении и финансах.
Как известно, машинное обучение (machine learning, ML) удобно применять к работе с финансовыми рынками. Если вы хотите быстро реагировать на новости и пытаться обыграть рынок за счёт анализа большого количества информационных источников, то хорошо настроенные нейронные сети вполне могут быть полезны.
Примеры таких подходов многочисленны, и довольно хорошо просуммированы в отчёте Financial Stability Board http://www.fsb.org/wp-content/uploads/P011117.pdf
Бывают забавные упражнения в применении ML, которые показывают, что не всё гладко при чисто фундаментальном анализе: https://ftalphaville.ft.com/2017/10/26/2195292/machine-learning-the-market/
Как всегда, вопрос в качестве применения моделей, кто их делает, и насколько это применение в принципе возможно. Иногда можно сказать, что идея хороша, но сделана крайне непрофессионально и без экономического смысла. Вот, в частности, подробное обсуждение, почему можно неправильно применить стандартные модели ML, если не понимаешь, за что берёшься: http://zacharydavid.com/2017/08/06/fitting-to-noise-or-nothing-at-all-machine-learning-in-markets/
Идея текста выше - в гонке академических исследователей за статьями. Иногда эта гонка приводит к негодным методам в старых вопросах - например, предсказания доходностей, или выбора оптимального портфеля, или попытки доказать успешность активного управления. В результате появляются сложности с повторяемостью результатов - в том числе в случае применения ML.
Финансовые данные имеют довольно низкую информативность по отношению к волатильности. Дневные колебания доходности отдельной акции обычно около 2%, а средняя годовая доходность - порядка 10%. И можно так настроить сложные модели (ML как раз сложные), что они будут реагировать на шум, но не смогут выделять интересную информацию.
Поэтому я очень рад, что РЭШ наняла профессора маркетинга и анализа больших данных Дарью Дзябуру https://www.nes.ru/ru/events/#9078. Это значительно усилит команду исследователей и преподавателей, и поможет заниматься интересными направлениями ML в маркетинге, экономике и финансах.
Как известно, машинное обучение (machine learning, ML) удобно применять к работе с финансовыми рынками. Если вы хотите быстро реагировать на новости и пытаться обыграть рынок за счёт анализа большого количества информационных источников, то хорошо настроенные нейронные сети вполне могут быть полезны.
Примеры таких подходов многочисленны, и довольно хорошо просуммированы в отчёте Financial Stability Board http://www.fsb.org/wp-content/uploads/P011117.pdf
Бывают забавные упражнения в применении ML, которые показывают, что не всё гладко при чисто фундаментальном анализе: https://ftalphaville.ft.com/2017/10/26/2195292/machine-learning-the-market/
Как всегда, вопрос в качестве применения моделей, кто их делает, и насколько это применение в принципе возможно. Иногда можно сказать, что идея хороша, но сделана крайне непрофессионально и без экономического смысла. Вот, в частности, подробное обсуждение, почему можно неправильно применить стандартные модели ML, если не понимаешь, за что берёшься: http://zacharydavid.com/2017/08/06/fitting-to-noise-or-nothing-at-all-machine-learning-in-markets/
Идея текста выше - в гонке академических исследователей за статьями. Иногда эта гонка приводит к негодным методам в старых вопросах - например, предсказания доходностей, или выбора оптимального портфеля, или попытки доказать успешность активного управления. В результате появляются сложности с повторяемостью результатов - в том числе в случае применения ML.
Финансовые данные имеют довольно низкую информативность по отношению к волатильности. Дневные колебания доходности отдельной акции обычно около 2%, а средняя годовая доходность - порядка 10%. И можно так настроить сложные модели (ML как раз сложные), что они будут реагировать на шум, но не смогут выделять интересную информацию.
Поэтому я очень рад, что РЭШ наняла профессора маркетинга и анализа больших данных Дарью Дзябуру https://www.nes.ru/ru/events/#9078. Это значительно усилит команду исследователей и преподавателей, и поможет заниматься интересными направлениями ML в маркетинге, экономике и финансах.
Forwarded from Четкий БРОкер
Ребятишки тут вам подъехала охеренная статья. Всех нас интересуют технологии, и как оно все это работает. Так вот вам статейка о машинном обучение, лонгрид конечно но написано годно.
https://vas3k.ru/blog/machine_learning/
https://vas3k.ru/blog/machine_learning/
vas3k.blog
Машинное обучение для людей
None
Forwarded from Romanfinance | Роман Романович
Новая экономика: искусственный интеллект
Искусственный интеллект — разрушительная тема новой экономики, которая меняет сложившиеся порядки и экосистемы: финансы, автомобили, промышленность, медицина и образование изменятся до неузнаваемости в результате внедрения решений искусственного интеллекта.
Как на этом заработать - разобрал в новой статье
Новая экономика: искусственный интеллект
@romanfinance
Искусственный интеллект — разрушительная тема новой экономики, которая меняет сложившиеся порядки и экосистемы: финансы, автомобили, промышленность, медицина и образование изменятся до неузнаваемости в результате внедрения решений искусственного интеллекта.
Как на этом заработать - разобрал в новой статье
Новая экономика: искусственный интеллект
@romanfinance
