مدیریت نمونه کارها فعال با استفاده از یادگیری ماشین: مرز مالی بعدی.

قدرت انقلابی رایانه ها برای اولین بار در صحنه مدیریت نمونه کارها نزدیک به 40 سال پیش با اولین صندوق شاخص ظاهر شد. در سال 1975 با تنها 11 میلیون دلار دارایی راه اندازی شد ، اکنون به عنوان صندوق شاخص Vanguard 500 نامیده می شود و امروز بیش از 690 میلیارد دلار ارزش دارد.

چند سال بعد ، داوری آماری - یک استراتژی معاملاتی مبتنی بر داده های کمی کاوی ، آمار و اتوماسیون - به وجود آمد. چند سال پس از آن ، تجارت با فرکانس بالا-یک روش مبتنی بر الگوریتم ، که در کتاب مایکل لوئیس Flash Boys مشهور شد ، که می تواند هزاران معاملات در ثانیه را اجرا کند-معرفی شد. به گفته محققان ، رباتها اکنون تقریباً سه چهارم از کلیه معاملات سهام در ایالات متحده را انجام می دهند.

مدل های یادگیری ماشین مبتنی بر هوش مصنوعی (ML) آخرین نوآوری تکنولوژیکی برای رسیدن به صنعت مدیریت نمونه کارها هستند. و در حالی که ، حداقل تاکنون ، مدل های ML برای مدیران فعال سرمایه گذاری یک پاناسه نبوده اند ، آنها خود را با تقویت تصمیم گیری های انسانی در مورد فعالیت های مهم مانند تخصیص دارایی ، مدیریت ریسک و ساخت نمونه کارها ، ابزاری ارزشمند را به اثبات رسانده اند.

اما قبل از غواصی به جزئیات مربوط به نحوه ML به مدیران فعال نمونه کارها کمک می کند تا بازده سرمایه گذاری را برای مشتریان خود بهبود بخشند ، ارزش این را دارد که فقط در وهله اول مدیریت نمونه کارها را بررسی کنید.

مدیریت نمونه کارها چیست؟

مدیریت نمونه کارها عمل انتخاب و مدیریت سرمایه گذاری های مختلف است ، با اهداف دوقلوی حداکثر رساندن بازده ضمن به حداقل رساندن ریسک ، برای یک نهاد (خواه یک موسسه ، یک شرکت یا یک سرمایه گذار فردی). در حالی که برخی ترجیح می دهند سرمایه گذاری های خود را - به ویژه در دوره برنامه های معاملاتی و بازار خرده فروشی Manias - مدیریت کنند - برای مدیران نمونه کارها نظارت بر سبد دارایی های یک نهاد بسیار رایج است. به طور کلی ، دو نوع مدیریت نمونه کارها وجود دارد:

• : همچنین به عنوان سرمایه گذاری شاخص شناخته می شود ، سبک مدیریت وی به طور معمول شامل صندوق های شاخص یا صندوق های مبادله ای (ETF) است و کم و بیش نوع "مجموعه و فراموش" است.: همانطور که از نام آن پیداست ، این شامل یک مدیر نمونه کارها است که به طور فعال در تلاش برای یافتن آلفا ، یک حسن نفی صنعت برای عملکرد بهتر از بازار ، به طور فعال در حال خرید و فروش سهام است.

اگرچه مدیریت منفعل اخیراً به لطف مشاوران روبو و ETF های مدیریت شده منفعلانه محبوبیت زیادی پیدا کرده است ، اما مدیریت فعال اوراق بهادار و پشتیبانی بسیار شخصی تری را ارائه می دهد. انواع مدیریت نمونه کارها فعال شامل مدیریت نمونه کارها اختیاری (در جایی که مدیران سرمایه گذاری کنترل کامل بر تجارت و استراتژی معاملاتی دارند) یا مدیریت غیر اختیاری (جایی که مدیران مشاوره ارائه می دهند و مشتری در نهایت تصمیم می گیرد).

اهداف هر دو سبک مدیریت نمونه کارها یکسان است: انتخاب بهترین استراتژی سرمایه گذاری بر اساس طیف وسیعی از عوامل از جمله درآمد ، افق زمانی و اشتها ریسک. این شامل تخصیص بهینه صندوق های سرمایه گذاری ، حداکثر رساندن بازده سرمایه گذاری (ROI) و بهینه سازی عوامل خطر با در نظر گرفتن اندازه گیری های مالی مانند شارپ یا نسبت پاداش به متغیر است.

مشکل بهینه سازی

عمل مدیریت نمونه کارها اساساً یک مشکل بهینه سازی است: شناسایی مؤثرترین راه حل از همه راه حل های ممکن. در مورد خاص مدیریت نمونه کارها ، این مشکل بهینه سازی به حداکثر رساندن بازده و ضمن به حداقل رساندن ریسک ، کاهش می یابد.

تحقیقات زیادی در حال حاضر به بررسی چگونگی دستیابی به بهترین تصمیم گیری مبتنی بر نمونه کارها پرداخته است. این کار با تئوری مدرن نمونه کارها (MPT) هری مارکوویتز در سال 1952 آغاز شد. یک سنگ بنای MPT مرزی کارآمد Markowitz است ، ابزاری برای تجسم نمونه کارها بهینه.

همانطور که در تصویر بالا نشان داده شده است ، مرزی کارآمد اثربخشی اوراق بهادار را بر اساس نرخ بازده محور y و ریسک در محور x طبقه بندی می کند (با فرض اینکه همه سرمایه گذاران می خواهند ریسک را کاهش دهند و ROI را به حداکثر برسانند).

به گفته Investopedia ، "یافتن کلیدی این مفهوم ، فواید تنوع ناشی از انحنای مرز کارآمد بود.""این انحنای در نشان دادن چگونگی تنوع ، مشخصات ریسک/پاداش نمونه کارها را بهبود می بخشد. همچنین نشان می دهد که بازده حاشیه ای کاهش می یابد. رابطه خطی نیست. به عبارت دیگر ، اضافه کردن ریسک بیشتر به یک نمونه کارها ، بازده مساوی به دست نمی آورد. "

چگونه داده ها و فناوری (از جمله یادگیری ماشین) در حال تغییر مدیریت نمونه کارها فعال هستند

ماهیت ریاضی مدیریت پورتفولیو به طور طبیعی خود را به راه حل ها و بهبودها با استفاده از داده ها و فناوری می رساند. کارشناسان معتقدند مدیران سرمایه گذاری فعال با استفاده از تکنیک های کمی علم داده، از جمله ML، به احتمال زیاد قادر خواهند بود آلفا را به روش های مقرون به صرفه تری پیدا کنند. همچنین به آنها اجازه می دهد تا با استراتژی های غیرفعال که هزینه کمتری دارند، به طور مؤثرتری رقابت کنند.

مشکل داده های بدون ساختار

همانطور که در بسیاری از رشته های دیگر وجود دارد، حجم داده هایی که اکنون در اختیار مدیران پورتفولیو قرار می گیرد، بسیار زیاد است تا تکنیک های تجزیه و تحلیل و جمع بندی دستی به طور مؤثر مدیریت شوند. علاوه بر این مشکل، داده های بدون ساختار که با تکنیک های تحلیل سنتی کار نمی کنند مانند گزارش های داخلی، مکاتبات، و حتی داده های رسانه های اجتماعی تا حد زیادی رایج ترین نوع اطلاعات هستند.

خوشبختانه، تکنیک های هوش مصنوعی و ML، از جمله پردازش زبان طبیعی (NLP)، می توانند تمام آن داده های بدون ساختار را در مقیاسی که قبلا تصور نمی شد، معنا کنند. برای مثال، مدل های NLP و ML می توانند داده های بدون ساختار را بخوانند و با استفاده از شناسایی موجودیت نام گذاری شده (NER) به داده های ساختاریافته تبدیل کنند. مدل های ML حتی می توانند داده های بدون ساختار مانند صداها یا تصاویر را تجزیه و تحلیل کنند.

در حالی که رویکرد "کیف کلمات" در گذشته رایج ترین بوده است، محققان اکنون از تکنیک های یادگیری عمیق و شبکه های عصبی برای ایجاد فرهنگ لغت منحصر به فرد از کلمات و عبارات مستعد خطر استفاده می کنند. این برای آموزش دقیق مدل های ML حیاتی است و فرصت های بیشتری را برای مدیران ایجاد کرده است تا ML را در موقعیت های دنیای واقعی به کار گیرند.

برخی از سرمایه گذاران نیز رویکرد سرمایه گذاری به اصطلاح «کمی» را اتخاذ کرده اند که شامل ترکیبی از تحقیقات کمی و بنیادی است.

ظهور ماشین ها در مدیریت فعال پورتفولیو

برخی در صنعت می گویند که پذیرش ML در فضای مدیریت پورتفولیو باعث کاهش محبوبیت فزاینده مدیریت منفعل پورتفولیو می شود، تا حدی به این دلیل که سرعت خام ML بسیار مناسب با صنعت سرمایه گذاری است. برای مثال، تحقیقات می گویند که تکنیک های ML در پیش بینی نکول اوراق قرضه حدود 10 درصد موفق تر از مدل های قبلی هستند.

به گفته رابرت پوزن و جاناتان روان از MIT، در حالی که ML نمی تواند جایگزین قضاوت انسانی شود، مزایای زیر را برای مدیران فعال پورتفولیو فراهم می کند:

• تشخیص الگوی: مدل های ML می توانند از طریق کوههای داده های ساختار یافته یا بدون ساختار برای کشف الگوهای و شناسایی اهداف عدالت ، از طریق کوههای ساختار یافته یا ساختار یافته حرکت کنند."به عنوان مثال ، به عنوان مثال ، ML می تواند از طریق ماده و سبک پاسخ های مدیر عاملان در تماس های سه ماهه شرکت های S& P 500 در طی 20 سال گذشته برای نشان دادن الگوهای و به دست آوردن بینش."
• استفاده از داده های بدون ساختار: همانطور که در بالا ذکر شد ، مدل های ML می توانند از داده ها استفاده و درک کنند که یک بار در بهترین حالت ناچیز فکر می کنند تا آنجا که تجزیه و تحلیل داده های بزرگ انجام می شود. Pozen و Ruane می گویند: "به عنوان مثال ، با بررسی میلیون ها عکس ماهواره ای در تقریباً در زمان واقعی ، الگوریتم های ML می توانند بازده محصولات زراعی چینی را در حالی که هنوز در مزارع یا تعداد اتومبیل های موجود در پارکینگ بسیاری از مراکز ایالات متحده در تعطیلات آخر هفته هستند ، پیش بینی کنند."بشر
• کاهش تعصب: در حالی که درست است که حتی مدل های ML نیز بسته به نحوه ساخت و آموزش آنها می توانند مغرضانه باشند ، این تعصب در مقایسه با برخی از تصمیم گیری های غیر منطقی که در بازارها اتفاق می افتد (از جمله از دست دادن و تأیید ضرر و زیان است. جانبداری). Pozen و Ruane می نویسد: "ML می تواند برای بازجویی از سابقه معاملات تاریخی مدیران نمونه کارها و تیم های تحلیلگر برای جستجوی الگوهای تجلی این تعصبات استفاده شود."

انواع تکنیک های ML مورد استفاده در مدیریت نمونه کارها فعال

به گفته درک اسنو از موسسه مالی کمی آکسفورد-مرد ، یادگیری ماشین مالی را می توان به چهار جریان مختلف تقسیم کرد: 1) پیش بینی قیمت دارایی. 2) پیش بینی رویداد (مانند ادغام و ادغام یا سایر اخبار مهم تجاری). 3) برآورد ارزش مواردی مانند درآمد آینده یا ارزش گذاری. و 4) فعالیتهای بهینه سازی سنتی تر مانند ساخت و ساز نمونه کارها/بهینه سازی و تصمیمات معاملات تاکتیکی در مورد زمان بندی و اندازه موقعیت.

مدیران نمونه کارها می توانند از مدل های ML در انزوا استفاده کنند یا آنها را با سایر مدل ها یا شبکه های عصبی برای بهبود اثربخشی ترکیب کنند ، رویکردی که به عنوان انباشت مدل شناخته می شود.

مدل های ML می توانند به مدیران نمونه کارها در اجرای تجارت ، تولید ایده ، طراحی فاکتور آلفا ، تخصیص دارایی ، اندازه موقعیت و آزمایش استراتژی کمک کنند. برف دو رویکرد ML را که اغلب به طور خاص برای ساخت نمونه کارها استفاده می شود ، تشریح می کند: یادگیری تقویت (RL) و یادگیری تحت نظارت (SL).

یادگیری تقویت در مقابل یادگیری نظارت شده

از آنجا که RL نوعی ML است که بر اساس اقدامات خود پاداش تجمعی را به عامل ML ارائه می دهد ، می تواند از مدیران نمونه کارها بهره مند شود. مدل های RL تحت یک سیاست از پیش تعریف شده کار می کنند و باید در محیط خود اقداماتی انجام دهند. در واقع ، به گفته برف ، RL تقریباً مناسب برای تجارت سهام است.

"در مقایسه با یادگیری نظارت شده که به این سؤال پاسخ می دهد ،" آیا فردا دارایی افزایش می یابد؟ "یادگیری تقویت کننده به این سؤال پاسخ می دهد ، "آیا امروز باید دارایی را بخرم؟""بنابراین الگوریتم یادگیری تقویت شده در حال حاضر به عنوان یک استراتژی تجارت بسته بندی شده است."

با این حال ، RL هنوز هم در بین مدیران نمونه کارها بسیار محبوب نیست زیرا این تکنیک به مقدار زیادی داده (بیش از SL) نیاز دارد و برای آموزش بیشتر طول می کشد ، می تواند برای آزمایش گران باشد و بسیار قدرت محاسباتی است.

به جای مشاهده و یادگیری از محیط خود ، مانند RL ، SL شامل استفاده از مجموعه داده های دارای برچسب یا حاشیه نویسی برای آموزش الگوریتم ها برای پیش بینی نتایج - در مورد مدیریت نمونه کارها ، اغلب قیمت های سهم آینده - یا طبقه بندی داده ها بر اساس ورودی های تغذیه شده به مدل MLبشرانواع یادگیری تحت نظارت شامل رگرسیون خطی و طبقه بندی است.

در حالی که SL به دلایلی که در بالا ذکر کردیم ، از RL و معمولاً استفاده می شود ، برخی از متخصصان پیش بینی ادغام تدریجی دو رویکرد برای مدیریت نمونه کارها را پیش بینی می کنند. اسنو می گوید: "من به طور همزمان انتظار دارم که در جبهه تجارت RL پیشرفت های زیادی داشته باشم ، به طوری که RL مزایای روشهای معاملات SL را در حالی که نقاط قوت خود را پشت سر نمی گذارد ، اتخاذ می کند.""از نظر مفهومی RL نوعی تغییر پارادایم را ارائه می دهد که در آن ما بیش از حد روی قدرت پیش بینی متمرکز نیستیم ، که یک کار کمکی است ، بلکه بهینه سازی اقدامات است که همیشه هدف اصلی بوده است."

اجرای مدیریت نمونه کارها با استفاده از ML؟Capestart می تواند کمک کند

ML و خدمات علوم داده CAPESTART و مجموعه داده های از پیش حاشیه نویسی برای امور مالی می توانند تصمیم گیری مدیران پرتفوی متخصص را تقویت کنند ، باعث افزایش قرار گرفتن در معرض ریسک و عملکرد کلی نمونه کارها برای مشتریان خود شوند. مدل های ML Capestart و مجموعه داده های آموزشی می توانند به کاهش ریسک ، تجزیه و تحلیل نمرات اعتباری ، بهبود ساخت و ساز نمونه کارها و اجرای تجارت در سمت فروش و حتی مدیریت تنوع و تخصیص اندازه موقعیت کمک کنند.

برای کسب اطلاعات بیشتر در مورد آنچه کارشناسان یادگیری ماشین Capestart و دانشمندان می توانند برای شما و مشتریان خود انجام دهند ، به ما فریاد بزنید یا امروز یک آزمایش رایگان را آغاز کنید.