TRADERS´GR 12/01

65 / 76

Βασικά
65
εφαρμογές που συνδύαζαν θεωρίες από τεχνητή νοημοσύνη,
ανώτερα μαθηματικά, προγραμματισμό και στατιστική, για
τη μοντελοποίηση των αγορών. Πολλοί πίστεψαν ότι είχε
βρεθεί το “Άγιο Δισκοπότηρο” στην υποδειγματοποίηση των
χρηματαγορών και ότι πολύ σύντομα θα αναπτύσσονταν
εξαιρετικά κερδοφόρα επενδυτικά συστήματα και στρατηγικές
μέσω του συνδυασμού υψηλής τεχνολογίας και εξελιγμένων
μαθηματικών αλγορίθμων. Αυτή η οπτική εναντιώνεται φυσικά
στη θεωρία των “Αποτελεσματικών Αγορών” (Fama 1970,
Fama 1991) που μας διδάσκει ότι κάτι τέτοιο είναι μάλλον
αδύνατο.
Πολλές έρευνες και εφαρμογές επικεντρώθηκαν
στα λεγόμενα “Νευρωνικά Δίκτυα” που είναι μαθηματικοί
αλγόριθμοι που μοντελοποιούν δεδομένα όπως ο ανθρώπινος
εγκέφαλος επεξεργάζεται τη γνώση (Refenes 1994, Refenes
et al. 1997), σε μαθηματικούς αλγορίθμους από τη θεωρία
Ανάλυσης Σημάτων (Ramsey 2002), στη θεωρία του “Χάους”,
δηλαδή των “μη γραμμικών δυναμικών συστημάτων” (Hsieh
1991) ή σε κάποιο συνδυασμό τους (Antoniou & Vorlow 2004).
Αν και οι πιλοτικές-ακαδημαϊκές εφαρμογές αυτές
υπόσχονταν αρχικά πολλά, δεν υπήρξε κάποιο “θεαματικό”
αποτέλεσμα, τουλάχιστον που να ανακοινώθηκε επιστημονικά
ή σε επίπεδο εμπορικό, της αγοράς. Οι λόγοι ήταν πολλοί. Η
υπολογιστική ισχύς των τότε συστημάτων ήταν αρκετά χαμηλή,
το λογισμικό δεν είχε αναπτυχθεί πλήρως, τα δεδομένα δεν
υπήρχαν σε ικανούς όγκους και το επιστημονικό υπόβαθρο
χρειάζονταν να αναπτυχθεί περισσότερο. Ωστόσο, οι πρώτες
ενδείξεις από πρώιμες εφαρμογές, ήταν πολύ θετικές.
Σταδιακά, ο αρχικός ενθουσιασμός του ‘90 μετατράπηκε
περισσότερο σε ακαδημαϊκό ενδιαφέρον. Οι επιστημονικές
μελέτες επικεντρώθηκαν σε πολλούς τομείς εφαρμογών
στην χρηματοοικονομική, από την ανάλυση και πρόβλεψη
της μεταβλητότητας των αγορών (Refenes & Holt 2001), τη
διάρθρωση των χαρτοφυλακίων (Zapranis & Refenes 1999),
τη βελτιστοποίησή τους (Trippi & Turban 1996, Shadbolt
2012), τη δημιουργία συστημάτων Πιστωτικού Κινδύνου (Zhao
& Chen 2009, Atiya 2001) κ.ά.
Από τον αλγοριθμικό
προγραμματισμό στη “Βαθιά Μάθηση”
Οι εφαρμογές “Βαθιάς Μάθησης” είναι στις μέρες μας ο
κλάδος αιχμής της “Μηχανικής Μάθησης” (machine learning),
δηλαδή του ευρύτερου επιστημονικού κλάδου της “Τεχνητής
Νοημοσύνης” (artificial intelligence) που ασχολείται με το πώς
μπορεί να μάθει ένα υπολογιστικό σύστημα. Εταιρείες έχουν
κάνει γενναία “ανοίγματα” προς την κατεύθυνση αυτή, όπως
η Google με την ανάπτυξη του “Google Brain Project”1 και την
αγορά της startup “Deepmind”2. Και άλλοι μεγάλοι παίχτες στην
αρένα της τεχνολογίας, των social media και του ηλεκτρονικού
εμπορίου όπως οι Ebay, Amazon, Facebook, Google, IBM,
Microsoft και Twitter προβαίνουν σε παρόμοιες πρωτοβουλίες
για την κατασκευή εφαρμογών μηχανικής ή βαθιάς μάθησης,
τεχνητής νοημοσύνης και “predictive analytics”.
To τελευταίο πεδίο αναφέρεται στην επεξεργασία
τεράστιων βάσεων δεδομένων και πληροφόρησης, συνήθως
με εξελιγμένους στατιστικούς αλγόριθμους ή μηχανικής
μάθησης, ώστε να ανιχνευθούν τυχόν δομές στα στοιχεία και
συσχετίσεις που θα επιτρέψουν ακριβέστερες προβλέψεις.
Οι στατιστικοί, μαθηματικοί και προγραμματιστές που
σχεδιάζουν και αναπτύσσουν λογισμικό για εφαρμογές
1 Βλέπε
2 Βλέπε
Ο στόχος μας είναι να διδάξουμε τη μηχανή με
παραδειγματισμό, όπως θα μαθαίναμε σε ένα
παιδάκι να ξεχωρίζει το ζεστό από το κρύο.