Инвесторы фондового рынка делают обоснованные предположения, анализируя данные. Они постоянно читают новости, изучают историю компании, отраслевые тенденции и т. д., чтобы понять тенденции рынка. Согласно «гипотезе эффективного маркетинга», фондовый рынок является случайным и непредсказуемым.

«Обезьяна с завязанными глазами, бросающая дротики в страницы финансовой газеты, может выбрать портфель, который будет работать так же хорошо, как портфель, тщательно отобранный экспертами». Бусрон Малкиэль

Но возникает вопрос, почему ведущие фирмы, такие как JPMorgan, Goldman Sachs, MorganStanley и citygroup, нанимают количественных аналитиков для разработки прогностических моделей. Количественный анализ учитывает множество факторов в своих прогнозах, таких как: прошлые цены, анализ настроений, дивиденды и рост продаж.

В финансах области количественного аналитика около 25 лет. Даже сейчас не до конца понята, принята и широко используется. Эта область изучает, как определенные переменные коррелируют с поведением цены акций. Еще в 1980-х годах были изобретены электронные таблицы, и фирмы начали моделировать финансовые показатели компаний. С повышением мощности компьютеров модели могли анализировать данные намного быстрее. В то время это было отречением, и люди были в восторге и начали демонстрировать свои открытия и техники на конференциях и семинарах. Но все это быстро утихло, когда фирмы поняли, что то, что работает, является очень ценным секретом. С тех пор самые успешные модели и методы ушли в подполье. Теперь с такими библиотеками, как TensorFlow, каждый может создавать мощные прогностические модели, обученные на большом наборе данных. У нас есть представление о торговом зале, наполненном адреналиновыми мужчинами с распущенными галстуками, которые бегают, что-то кричат ​​и постоянно разговаривают по телефону, но в наши дни вы, скорее всего, увидите экспертов по машинному обучению, тихо сидящих перед экранами компьютеров. Алгоритмическая, или управляемая компьютером, торговля в настоящее время составляет большую часть сделок — более 90% заказов. Сейчас мы живем в эпоху алгоритмов.

Однако текущие опубликованные случаи показывают, что машинное обучение может давать немного лучшие прогнозы, чем случайные. Типичные методы варьируются от использования простой механики опорных векторов для классификации и регрессии до более точных прогнозов нейронной сети с глубоким обучением.

Первоначально опубликовано на https://scienclick.com 17 марта 2019 г.