Главное Свежее Вакансии Образование
227 0 В избр. Сохранено
Авторизуйтесь
Вход с паролем

Применение ИИ и больших данных в инвестициях: задачи и возможности

Применение ИИ и больших данных в Инвестициях: новые рубежи.

По словам многочисленных тяжеловесов отрасли, ИИ — это новое электричество. Журнал Economist поддержал лозунг "Данные — это новая нефть"(1). В этом разделе мы обсудим, как некоторые компании используют передовые возможности в управлении инвестициями.

ИИ: NLP, компьютерное зрение и распознавание голоса


За последние годы исследователи добились огромных успехов в создании совершенной «видящей, слышащей и понимающей» машины(2). В случае программ обработки естественного языка (NLP), компьютерного зрения и распознавания голоса ИИ используется для захвата текста, аудио и изображений из различных общедоступных источников и внутренних баз данных / баз данных поставщиков. Примеры включают расшифровку конференц-связи аналитиков и извлечение данных из документов эмитента для моделей оценки. В большинстве случаев программа автоматизирует то, что традиционно является ручной и повторяющейся задачей, выполняемой аналитиком. Мы ожидаем, что эти типы приложений будут все больше и больше использоваться в отрасли; они расширяют охват профессионалов в области инвестиций и повышают эффективность за счет объединения нескольких источников данных и их объединения в одну платформу.

Такие программы также увеличивают человеческий потенциал, высвобождая время, которое в противном случае тратится на ручной труд. Младшие аналитики обычно тратили большую часть своего исследовательского времени на поиск и ввод информации. Эти рутинные и повторяющиеся действия, вероятно, станут первыми, которые будут заменены программами искусственного интеллекта, которые имеют естественное преимущество в этом виде работы.

ИИ: машинное обучение и глубокое обучение



Машинное обучение — это общий термин для вычислительных методов и алгоритмов, которые позволяют машинам выявлять закономерности без явных инструкций программирования(3). Программы машинного обучения сами информируют себя, как интерпретировать входные данные и предсказывать выходы(4). Глубокое обучение — это тип машинного обучения, основанный на искусственных нейронных сетях (тип обучения, смоделированный на основе человеческого мозга).

Алгоритмы глубокого обучения (DL) часто применяются для улучшения результатов программ NLP, компьютерного зрения и распознавания голоса.

Они также могут помочь извлечь полезную информацию из больших массивов данных. Например, эти алгоритмы могут вывести определенные ключевые слова из стенограммы конференц-связи или определить настроение на основе неструктурированных данных, таких как социальные сети. Затем такая информация может быть преобразована в торговые сигналы или, проще говоря, предупреждения для обработки специалистами-аналитиками и менеджерами портфелей.

Программы ML и DL также популярны среди количественных (систематических) менеджеров, которые часто считают полезным применять эти методы для повышения эффективности своих количественных процессов. В отчете есть несколько случаев, подтверждающих эту точку зрения.

Традиционная статистика и эконометрика основаны на методах, впервые разработанных пару веков назад, и их применение в финансах часто включает модели линейной регрессии. Эти линейные модели эффективны во многих ситуациях. Тем не менее, по крайней мере, некоторые из сложностей реального мира могут быть лучше уловлены с помощью методов машинного обучения из-за их способности обрабатывать контекстные и нелинейные отношения, которые часто могут возникать в финансах. Например, методы машинного обучения могут быть более эффективными, чем линейные регрессии при наличии мультиколлинеарности (когда объясняющие переменные коррелированы)(5). В этих случаях методы ML и DL предоставляют инвестиционным менеджерам дополнительные инструменты, которые могут дать им преимущество(6).

(1) See www.economist.com/leaders/2017/05/06/the-worlds-most-valuable-resource-is-no-longer-oil-but-data.

(2) See Larry Cao, «Artificial Intelligence, Machine Learning, and Deep Learning: A Primer,» Enterprising Investor blog (13 February 2018):

https://blogs.cfainstitute.org/investor/2018/02/13/artificial-intelligence-machine-learning-and-deep-learning-in-investment-managementa-primer/.

(3) K.C. Rasekhschaffe and R.C. Jones, «Machine Learning for Stock Selection,» Financial Analysts Journal, vol. 75, no. 3 (Third Quarter 2019).

(4) Cao, «Artificial Intelligence, Machine Learning, and Deep Learning» (2018).

(5) See Rasekhschaffe and Jones (2019).

(6) For suggested further reading on machine learning, including types of ML algorithms and their applications, see the CFA Institute

Refresher Reading on «Machine Learning» (2020 Curriculum), available to CFA Institute members and charterholders at www.cfainstitute.org/en/membership/professional-development/refresher-readings/2020/machine-learning.

0
В избр. Сохранено
Авторизуйтесь
Вход с паролем
Комментарии
Выбрать файл
Блог проекта
Расскажите историю о создании или развитии проекта, поиске команды, проблемах и решениях
Написать
Личный блог
Продвигайте свои услуги или личный бренд через интересные кейсы и статьи
Написать

Spark использует cookie-файлы. С их помощью мы улучшаем работу нашего сайта и ваше взаимодействие с ним.