Кванты осваивают альтернативные источники информации

Фонды используют машинное обучение (machine learning), чтобы быстрее анализировать альтернативные источники данных.

Применение технологии распознавания лиц может ускорить считывание различных данных со спутниковых изображений (например, определение количества машин на парковке)

Первоисточник

Машинное обучение - один из инструментов в гонке вооружений квантов. Квантовые фонды (или фонды количественного инвестирования) применяют такие технологии как, например, распознавание изображений, чтобы быстрее конкурентов собирать данные и использовать их в своих инвестиционных стратегиях.

По оценке бостонского консультационного агентства Opimas, к 2020 г. фонды будут тратить $7 млрд в год на так называемые альтернативные источники информации: спутниковые изображения, социальные сети и др. Но выборка данных, содержащих полезную для инвестиционных стратегий информацию, может занять месяцы.

-    Чем дольше фонд будет обрабатывать новую информацию, тем выше риск, что конкуренты сделают это раньше, - говорит Эллиот Нома, управляющий директор Garrett Asset Management, нью-йоркской компании-консультанта по торговле сырьевыми активами.

-    Если одну и ту же «золотую информационную жилу» находят несколько компаний, начинается гонка, - говорит господин Нома. - Важно не только то, как быстро я могу получить данные, но и как скоро я смогу их обработать, чтобы применить в торговле.

Нома выступал на Саммите квантов в Нью-Йорке 11 июля 2017. По его словам, много средств тратится впустую. Если техники машинного обучения не находят ничего полезного в одних данных, фонд приступает к анализу следующих источников информации.

В последнем отчёте Greenwich Associates (инвестиционная компания, Стамфорд, США) сообщается: 4/5 инвесторов заинтересованы в покупке «альтернативных данных» (alternative data). Однако, предупреждают кванты из JP Morgan, управляющих на этом пути ожидает много тупиков: они могут тратить время на изучение данных, не содержащих «альфу». Такие данные могут генерировать торговые сигналы, обладающие малой инвестиционной ёмкостью или и вовсе быстро пропадающие. Стоимость получения данных может быть попросту больше, чем прибыль от них.

Ещё в апреле 2017 Уэсли Чан, директор по исследованию акций в Acadian Asset Management (инвестиционная компания, Бостон, США), сообщал порталу Risk.net, что пока 8 из 9 попыток построить доходную стратегию на основе альтернативных источников данных, заканчиваются неудачей.

Долгое время машинное обучение использовалось такими компаниями как Facebook для ускорения процесса анализа и сортировки изображений. Например, если у объекта есть нос, глаза и рот, алгоритм может быть обучен распознавать лицо.

Та же технология - feature extraction (извлечение ключевых понятий) - может быть применена к спутниковым снимкам для определение признаков, закладываемых в инвестиционные стратегии квантов: количество машин на парковке торгового центра или число посетителей у входа в магазин.

Когда аналогичной стратегии не существовало ранее, или значимость собранной информации неоднозначна, и люди соревнуются, использую одинаковых данные, машинной обучение - вот что даёт преимущество с точки зрения скорости

Эллиот Норма, Garrett Asset Management

В Garrett Asset Management недавно начали использовать возможности машинного обучения для анализа «неструктурированных данных», однако в компании уверены, эта технология поможет ускорять поиск полезной информации от нескольких лет и месяцев до нескольких дней и даже часов.

Другой участник Саммита квантов, Дилит Мадан, профессор финансовой математики в Бизнес-школе Robert H Smith при Мэрилендском университете, прокомментировал: автоматизация анализа больших объёмов данных - одно из лучших применений машинного обучения.

Однако попытки применить машинное обучение для создания предикативных моделей пока испытывают трудности. «Даже если модель успешная и чему-то научилась, через пять минут рынок изменился, и приходится учиться снова,» - добавил господин Мадан.

Находятся и те, кто сомневается в ценности альтернативных данных для квантовых фондов и потенциале машинного обучения как способа обработки данных. «Я не уверен, что машину можно научить креативности человеческого анализа,» - заявил менеджер одного из нью-йоркских квантовых хедж-фондов.

Снимки со спутника могут быть полезны для макро стратегий, добавил он, но оказаться «потерянным временем» для операций с акциями или, например, для фондов с крупными портфелями. Обычно спутниковые снимки фокусируются на нескольких точках, и данных недостаточно для моделирования, добавил он.

Первоисточник

Все новости
Предыдущая новость Следующая новость
Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, пользовательских данных (сведения о местоположении; тип и версия ОС; тип и версия Браузера; тип устройства и разрешение его экрана; источник откуда пришел на сайт пользователь; с какого сайта или по какой рекламе; язык ОС и Браузера; какие страницы открывает и на какие кнопки нажимает пользователь; ip-адрес) в целях функционирования сайта, проведения ретаргетинга и проведения статистических исследований и обзоров. Если вы не хотите, чтобы ваши данные обрабатывались, покиньте сайт.