Как Искусственный Интеллект и Машинное Обучение оптимизируют риски в инвестициях?

Обзор

Оптимизированная аллокация (распределение) финансовых активов с учетом соотношения риск / доходность — одна из самых сложных задач в области финансов. Помимо свойств высокодоходных активов, сопряженных с высокими рисками, оптимизация также осложняется множеством «параметров настройки».

Здесь очень удобны процедуры из областей машинного обучения (ML) / искусственного интеллекта (AI) и управления финансовыми рисками (FRM), поскольку они позволяют прогнозировать возможные результаты, а также оценивать соответствующие риски. Объединив эти области знаний и добавив процедуры оптимизации, мы разработали инструмент для автоматической оптимизации финансовых активов.

При этом точечные прогнозы для данных портфелей и временных горизонтов также возможны в качестве оценки риска. Путем выполнения многомерного поиска рассчитываются оптимизированные портфели с заданными ограничениями Value at Risk рисковой стоимости (VaR).

Оптимизированное распределение (аллокация) финансовых активов

Согласно гипотезе эффективного рынка, вся доступная информация уже включена в цену каждого актива. Кроме того, согласно теории рациональных ожиданий (homo oeconomicus), эта информация является единственной основой цены.

Напротив, рынки не всегда рациональны, склонны к панике и спекуляциям и имеют разные фазы. Следовательно, желательно искать возможные шаблоны для лучших прогнозов и, следовательно, лучшей «альфы».

Кроме того, финансовые активы всегда «рискованные», т.е. инвестирование в эти активы может привести к убыткам. Один важный класс рисков — рассматриваемые здесь рыночные риски — проистекает из непредсказуемых колебаний цен.

Как показывает современная теория портфеля (MPT), чем выше доходность актива, тем выше риск. Это приводит к необходимости устанавливать допустимое отклонение риска для каждой инвестиции и использовать показатели риска (например, VaR) в качестве ключевого ингредиента для каждого инвестиционного решения.

Методы AI / ML и FRM как основа для автоматической оптимизации портфеля

Машинное обучение

В последние годы в области науки о данных произошли огромные достижения, которые привели к новому пониманию различных шаблонов.

Здесь подобласть машинного обучения (ML) предоставляет различные алгоритмы регрессии, которые также можно использовать для прогнозирования. Особо стоит упомянуть алгоритм «Elastic Net», алгоритм регрессии, который штрафует слишком большие числа, а также значения параметров и может использоваться для высококачественных прогнозов.

Подобласть глубокого обучения / искусственного интеллекта (ИИ) идет еще дальше, используя сложные («глубокие») нейронные сети, подходящие даже для сложного поведения.

Управление финансовыми рисками

Финансовые рынки характеризуются внутренними/неотъемлемыми рисками, которые невозможно предсказать, и которые остаются остаточными рисками, даже если используются передовые модели прогнозирования.

Однако управление финансовыми рисками (FRM) предоставляет мощные методы, такие как Монте-Карло и историческое моделирование, для количественной оценки и, таким образом, управления этими рисками.

На основе используемого подхода можно рассчитать распределения возможных значений активов, которые, в свою очередь, являются основой для таких показателей риска, как VaR.

Оптимизированное размещение (аллокация)

Как правило, оптимизированный портфель активов в том смысле, в котором он здесь используется, должен обеспечивать максимально возможную доходность и в то же время не превышать определенный риск для данного инвестиционного горизонта.

Это может быть достигнуто только при наличии достоверных и точных прогнозов соответствующих рыночных данных и, кроме того, надежных оценок рисков. Чтобы приблизить эту цель, необходима комбинация методов ML и FRM.

Чтобы найти оптимизированный портфель, необходим дополнительный процесс многомерного поиска. При этом необходимо рассчитать ожидания и риски для нескольких комбинаций активов, чтобы найти все больше и больше оптимизированных решений.

Одним из возможных методов оптимизации является алгоритм «стохастического градиентного спуска», который стремится сходиться к (по крайней мере, локальным) оптимумам. Кроме того, можно использовать обучение с подкреплением для тренировки нейронной сети поиску оптимизированных портфелей для заданных временных рядов рыночных данных; однако это требует огромного количества данных.

Наш подход к оптимизации портфеля с точки зрения риска и доходности

Принимая во внимание вышесказанное, мы разработали решение для автоматической оптимизации портфеля. Что касается задействованных подзадач, мы поступили следующим образом.

Расширенные прогнозы

На основе заданных временных рядов эндогенных (например, цен на акции) и экзогенных данных (например, процентных ставок) рассчитываются доходность и разница (для процентных ставок).

Алгоритм регрессии Elastic Net (а также тесты в выборке и вне выборки) применяется к этим данным для поиска возможных прогнозов. Если закономерностей нет, используются более простые процедуры. Доходность пересчитывается в абсолютные значения, чтобы получить точечные прогнозы.

Остаточные риски

Нет идеальных прогнозов, поскольку финансовые данные всегда подвержены случайным колебаниям. Чтобы оценить этот риск, наш инструмент анализирует распределение остатков модели (по сравнению с реальностью).

На основе остатков рассчитываются рыночные данные и сценарии стоимости.

Распределение сценариев стоимости, в свою очередь, используется для расчета рисковой стоимости (VaR) на заданном уровне надежности для каждого портфеля.

Автоматическая оптимизация

Наша программа рассчитывает предполагаемую доходность и VaR для каждого данного портфеля.

В этих расчетах применяется оптимизация стохастического градиентного спуска. В результате получается портфель с оптимизированной доходностью и VaR (с заданным уровнем достоверности) не выше указанной денежной суммы.

Вся процедура может применяться к преднамеренным инвестиционным горизонтам (например, дням, неделям, месяцам), если имеется достаточно данных.

Все остальные параметры модели — используемые рыночные данные, уровень достоверности VaR, сумма VaR, модель машинного обучения — можно свободно настраивать. Кроме того, можно указать, разрешены ли короткие позиции.

Таким образом, мы предоставляем автоматизированный оптимизатор портфеля с сознательно настраиваемыми аспектами риска и доходности.

Преимущества нашего автоматизированного оптимизатора портфеля

Преимущества нашего автоматизированного оптимизатора портфеля

Эффективность использования ресурсов

Наше приложение на основе Python не имеет особых требований к оборудованию и работает на обычных ноутбуках и настольных компьютерах.

Сам Python и используемые библиотеки находятся в свободном доступе. Когда все настроено и рыночные данные представлены в соответствующей форме, для использования требуются очень ограниченные временные ресурсы.

Таким образом, эксперты-портфолио значительно избавлены от утомительных подробных расчетов.

Увеличение скорости

Если ряды рыночных данных представлены в надлежащей форме (например, в таблицах Excel), каждый шаг — от расчета доходности до оценки модели и расчета рисков — выполняется полностью автоматически.

Хотя процедуры частично довольно интенсивно нагружают ЦП / ГП, могут выполняться за считанные минуты с использованием современных стандартных компьютеров.

Своевременная реакция рынка и повторные вычисления не вызывают проблем.

Объективность

Торговые стратегии часто являются не только хорошо охраняемым секретом, но и зачастую трудно оправданным.

Напротив, наш инструмент основан на четких спецификациях: просто найти портфель с наилучшей доходностью при заданном ограничении риска.

К тому же расчеты ведутся не в черном ящике. Каждый шаг виден и доступен для проверки.

Таким образом, можно значительно упростить обсуждения с инвесторами и аудиторами.

Расширяемость

Благодаря модульной структуре наш инструмент при желании может быть легко расширен. Модели библиотек Python разрабатываются активным сообществом и бесплатно.

Дальнейшие разработки могут включать:

• рассмотрение текстовых сообщений (Bloomberg или Twitter), для которых мы уже предлагаем отдельные модели,

• или использование передовых нейронных сетей, которые мы можем эффективно реализовать в рамках проекта.