67 / 76
Βασικά
67
αλγόριθμος μηχανικής μάθησης, σπάνια θα λάβουμε σωστά
συμπεράσματα. Επομένως η εξαγωγή χαρακτηριστικών
είναι ένα κρίσιμο στάδιο της μηχανικής μάθησης. Αυτό θέτει
μια τεράστια πρόκληση για τον προγραμματιστή, και η
αποτελεσματικότητα της όλης επεξεργασίας των δεδομένων,
για την κατάληξη σε κάποιο συμπέρασμα, εξαρτάται σε μεγάλο
βαθμό από το πόσο διορατικός είναι.
Η βαθιά μάθηση είναι μια από τις μόνες μεθόδους
με τις οποίες μπορούμε να παρακάμψουμε κάποιες από
τις προκλήσεις της εξαγωγής χαρακτηριστικών, όπως
περιγράφηκαν παραπάνω. Αυτό ισχύει επειδή τα βαθιά
μοντέλα μάθησης είναι ικανά να μάθουν να επικεντρώνονται
στα σωστά χαρακτηριστικά και να τα ανιχνεύουν από μόνα
τους, απαιτώντας λίγη καθοδήγηση από τον προγραμματιστή.
Αυτό κάνει λοιπόν τη βαθιά μάθηση ένα εξαιρετικά ισχυρό
εργαλείο για τη σύγχρονη μηχανική μάθηση.
Από όσα αναφέραμε παραπάνω, η δύναμη της βαθιάς
μάθησης έγκειται στο ότι μπορούμε να “διαχειριστούμε”
τεράστιο όγκο χρηματοοικονομικών δεδομένων και να
επιτρέψουμε ταυτόχρονα σε αλγορίθμους να “μάθουν”
από αυτά τα δεδομένα. Κάτι που θα έπαιρνε εκατοντάδες
ανθρωποώρες σε εκατοντάδες ίσως επενδυτικούς αναλυτές,
ένα υπολογιστικό σύστημα το κάνει σε λίγες ώρες ή λεπτά,
καταλήγει σε συμπεράσματα και προτείνει λύσεις ή συστήνει
στρατηγικές. Παράλληλα, η επεξεργασία δεδομένων και
οι όποιες προβλέψεις που θα υπολογιστούν με βάση
την πληροφόρηση που θα διαθέτουμε, γίνονται μέσω
αλγορίθμων που έχουν φέρει πολύ καλά αποτελέσματα
σε άλλες πειθαρχίες και δύσκολες εφαρμογές όπως την
αναγνώριση εικόνων, ήχου και γλώσσας, τις μεταφράσεις
κ.ά. Επιπλέον, η προσέγγιση αυτή έχει χρησιμοποιηθεί
πολύ λίγο στο χώρο της χρηματοοικονομικής, επομένως
ενδέχεται να ανιχνεύσει νέες ανωμαλίες της αγοράς (“market
anomalies”) που να είναι οικονομικά εκμεταλλεύσιμες και να
αποφέρουν στους επενδυτές σημαντικά κέρδη. Και όλα αυτά
χωρίς την ανάγκη εφαρμογής μιας νέας επενδυτικής θεωρίας
εφόσον οι αλγόριθμοι βαθιάς μάθησης θα ανακαλύπτουν
στα δεδομένα δομές που δεν έχουν μελετηθεί ή εξηγηθεί
ποτέ στο παρελθόν.
Εφαρμογές στην Χρηματοοικονομική
Το πεδίο εφαρμογών της βαθιάς μάθησης στη
χρηματοοικονομική είναι εξαιρετικά ευρύ και προβάλλει μεγάλες
προκλήσεις. Στις μέρες μας πλέον υπάρχει μια τεράστια
πληροφόρηση καθημερινά για τις οικονομικές εξελίξεις και
τις αγορές, τόσο ποσοτική όσο και ποιοτική. Οι περισσότερες
εφαρμογές της βαθιάς μάθησης δανείζονται πολλά στοιχεία από
τον κλάδο της Τεχνητής Νοημοσύνης και της “Υπολογιστικής
Νοημοσύνης” (“Computational Intelligence”, βλέπε Cavalcante
et al. 2016). Η λογική πίσω από όλες τις εφαρμογές είναι να
συνδυαστεί η γνώση με την πληροφόρηση που αντλούμε,
με κάποιον τρόπο, ώστε οι προβλέψεις να είναι πιο ακριβείς
και, συνεπώς, το ρίσκο της επενδυτικής απόφασης να είναι
μικρότερο.
Στο πεδίο των εφαρμογών που αφορούν στην καλύτερη
διάρθρωση του χαρτοφυλακίου ή την αλγοριθμική επενδυτική,
οι εφαρμογές της βαθιάς μάθησης μπορούν να χωριστούν σε
5 κατηγορίες. Η πρώτη κατηγορία αφορά στην μικρο-δομή
των αγορών (Market Microstructure) και επικεντρώνονται
στο order-book ή σε trading υψηλών συχνοτήτων (tick by
tick, ή ανά λεπτό κλπ). Πολλές εφαρμογές αποσκοπούν στην
καλύτερη δυνατή πρόβλεψη των bid-ask spreads και στο
πώς συμπεριφέρονται οι τιμές σε πολύ υψηλές συχνότητες,
ανάλογα με την κατάσταση της αγοράς. Άλλες εφαρμογές
επικεντρώνονται στην πρόβλεψη της κατεύθυνσης των τιμών
(πτωτικά ή ανοδικά) στα επόμενα λεπτά λειτουργίας της
αγοράς (σε spot και futures) ενώ άλλες στην ενδοσυνεδριακή
απόδοση των μετοχών σε σχέση με την διάμεση απόδοσή
τους ιστορικά. Τα αποτελέσματα σε αυτήν την κατηγορία είναι
σε γενική κλίμακα “σχετικά” καλά, χωρίς όμως να οδηγούν σε
Μια άλλη μεγάλη κατηγορία εφαρμογών
είναι αφιερωμένη στην διάρθρωση και
βελτιστοποίηση χαρτοφυλακίων.