نامه ویرایشگر

برای بارگیری محتوا ، شماره PDF را بارگیری کنید ، باید آزمایش خود را به اشتراک کامل ارتقا دهید. لطفا برای انجام این کار با مدیر حساب خود تماس بگیرید.

خلاصه

توضیح وقایع گذشته و پیش بینی آینده مستلزم استنباط گاه به گاه قابل اعتماد است. در حالی که تئوری های مختلف علیت اقتصادی وجود دارد ، در امور مالی ، الگوریتم های یادگیری ماشین برای استنتاج گاه به گاه وجود نداشته است. یادگیری ماشین دوتایی ، یک رویکرد اخیراً توسعه یافته برای استنتاج علی که برای اصلاح تعصب در تجزیه و تحلیل آماری طراحی شده است ، امکان ارزیابی دقیق تر اثرات درمانی در حضور مخدوشان را فراهم می کند. جوزف سیمونیان در مقاله اصلی این شماره ، "تجزیه و تحلیل علی از آلودگی بازار: یک رویکرد یادگیری ماشین مضاعف" ، از یادگیری ماشین مضاعف برای مطالعه آلودگی بازار استفاده می کند. با توجه به متغیر درمان ، بازگشت هفتگی شاخص S& P 500 در زیر یک آستانه خاص و نتیجه بازده هفتگی در یک بازار بزرگ غیر آمریکایی ، نویسنده با استفاده از دیگر غیر آمریکایی ، هر بازار غیر آمریکایی را تجزیه و تحلیل می کند. بازارهای مورد توجه به عنوان مخدوش. بر اساس دو مطالعه موردی ، سیمونیان دریافت که یادگیری مضاعف ماشین یک تکنیک قوی و کارآمد برای تصحیح تعصب ارائه می دهد که می تواند برای پاسخ به سؤالات مربوط به استنباط علی در بازارهای مالی استفاده شود و نشان می دهد که چگونه می توان از این چارچوب برای روشن کردن مسری بازار استفاده کرد. وی همچنین گزارش می دهد که هنگام استفاده از یادگیری ماشین مضاعف برای آلودگی بازار در حضور مخدوشان ، اگرچه اثرات بی قید و شرط درمان رقیق می شود ، اما از نظر آماری قابل توجه هستند.

چندین مقاله در این ژورنال بر روی برچسب متا متمرکز شده است. در "برچسب زدن متا: کالیبراسیون و اندازه موقعیت" ، مایکل مایر ، ایلیا بارزی و ژاک فرانسوا ژوبرت نشان می دهند که چگونه می توان از برچسب زدن متا برای تعیین اندازه موقعیت یک تجارت استفاده کرد. رویکرد پیشنهادی نویسندگان با استفاده از یک مدل ثانویه شروع می شود که خروجی تولید می کند که می تواند به عنوان احتمال تخمین زده شده از یک تجارت سودآور تعبیر شود. با توجه به اینکه احتمال تخمین زده شده ، اندازه یک موقعیت قابل تعیین است. با این حال ، قبل از اندازه گیری موقعیت تجارت ، کالیبراسیون مدل برای نزدیک شدن برآورد مدل به احتمالات خلفی واقعی ضروری است. سپس نویسندگان (بر اساس معیارهایی از قبیل نسبت شارپ و حداکثر کاهش) ارزیابی از این احتمالات تخمین زده شده ، چه بدون کالیبراسیون و چه در کالیبره شده ، را در اندازه موقعیت ارزیابی می کنند. بر اساس این تجزیه و تحلیل ، بینش و راهنمایی برای موقعیت های اندازه توسط نویسندگان ارائه می شود که در مورد کدام الگوریتم ها در عمل اعمال می شود. نتایج آنها نشان می دهد که عملکرد روشهای اندازه گیری موقعیت ثابت می تواند با کالیبراسیون به میزان قابل توجهی بهبود یابد. روشهای تخمین عملکرد خود از داده های آموزش ، نویسندگان می دانند که آنها نمی توانند از کالیبراسیون احتمالی مزیت قابل توجهی کسب کنند.

در "یک استراتژی معاملاتی عمیق برای بازارهای سهام" ، پاتریک Eggebrecht و Eva Lütkebohmert نشان می دهند که چگونه شبکه عصبی حلقوی (CNN)-حافظه کوتاه مدت (LSTM) می تواند برای شناسایی روندهای صعودی ترکیبات آموزش دیده باشد. سهام شاخص S& P 500. آنها با استفاده از داده های روزانه گزارش می دهند که استراتژی عمیق تر روند که بر اساس مدل یادگیری عمیق CNN-LSTM تدوین می شوند ، به طور قابل توجهی از شاخص S& P 500 بهتر عمل می کنند و بازده سالانه خارج از نمونه را تا 27. 3 ٪ و نسبت شارپ از آن ایجاد می کنند. 1. 35 ٪ در طی دوره ای که نویسندگان پس از اجازه هزینه های معامله آزمایش کردند. علاوه بر این ، نویسندگان دریافتند که مقیاس بندی نوسانات می تواند مشخصات بازده ریسک را بیشتر بهبود بخشد و حداکثر پیش بینی استراتژی عمیق پیروی از روند را کاهش دهد.

در تلاش برای راه حل در مورد چگونگی تنوع بخشیدن به بهترین نمونه کارها سرمایه گذاری ، تحقیقات در حال تغییر تمرکز از یک راه حل دارایی محور به یک عامل محور است. در حالی که این تمرکز در حال تغییر علاقه به استفاده از عوامل ضمنی شناسایی شده از طریق الگوریتم های یادگیری بدون نظارت است ، در مورد ثبات و اجرای این الگوریتم ها در زمینه تنوع ، موضوعاتی وجود دارد. این امر منجر به شکاف بین آنچه می توان به عنوان یک تمرین دانشگاهی در مقابل آنچه یک روش عملی قابل اجرا است مشاهده کرد. مقاله Francisco A. Ibanez ، "اوراق بهادار طیفی متنوع: یک رویکرد یادگیری بدون نظارت به تنوع ،" این شکاف را پر می کند. نویسنده این کار را با ارائه یک روش ساخت و سازه ساخت نمونه کارها با محوریت متنوع انجام می دهد که عوامل ضمنی را با استفاده از یک تجزیه با ارزش مفرد و به کارگیری خوشه بندی آگلومراتیوگرافی سلسله مراتبی برای مقابله با برخی از چالش های پیرامون اجرای آن مشخص می کند. بر اساس شبیه سازی مونت کارلو ، ایبانز می یابد که روش شناسی او پیشنهاد می کند عملکرد بهتر با ریسک را از نمونه نسبت به سایر رویکردهای متداول برای ایجاد یک نمونه کارها متنوع فراهم می کند.

در حالی که در بازارهای ناقص ، حصار عمیق ممکن است یک چارچوب همه کاره برای تعیین استراتژی بهینه محافظت باشد ، این موضوع در معرض مشکل وابستگی به عمل است که مانع آموزش کارآمد می شود. دلیل این امر این است که اقدامات مناسب برای محافظت در مرحله بعدی به عمل فعلی بستگی دارد. برای مقابله با این مسئله ، Shota Imaki ، Kentaro Imajo ، Katsuya Ito ، Kentaro Minami و Kei Nakagawa یک شبکه باند بدون فشار را پیشنهاد می کنند-یک معماری شبکه عصبی که آموزش سریع و ارزیابی دقیق استراتژی بهینه Hedging را تسهیل می کند-در مقاله آنها ""شبکه باند بدون تراکم: یک معماری شبکه عصبی برای محافظت از عمیق کارآمد. "به طور خاص ، معماری پیشنهادی شامل یک راه حل نظری است که به عنوان استراتژی باند بدون تراکم شناخته می شود ، که نشان داده شده است که وقتی عملکرد ابزار سرمایه گذار توسط ابزار نمایی مدل می شود ، برای گزینه های اروپایی مطلوب است. نویسندگان استدلال می کنند که در تئوری استراتژی پیشنهادی آنها برای طبقه گسترده ای از مشتقات (از جمله اگزوتیک مانند گزینه های جستجو) و عملکردهای ابزار فرض شده بهینه خواهد بود. نویسندگان همچنین به طور تجربی نشان می دهند که برای گزینه های اروپایی و بازگشت ، در مقایسه با یک شبکه استاندارد تغذیه رو به جلو ، رویکرد آنها به سرعت به یک استراتژی محافظت بهتر می رسد.

Apostolos G. Katsafados ، George N. Leledakis ، Emmanouil G. Pyrgiotakis ، Ion Androutsopoulos ، Ilias Chalkidis و Manos Fergadiotis از چندین الگوریتم یادگیری ماشین استفاده می کنند تا پیش بینی کنند که آیا یک پیشنهاد عمومی اولیه (IPO) کم خواهد شد یا نه ، و همچنین عظمت و نهاز زیر قیمت. نویسندگان در مقاله خود ، "اطلاعات متنی و زیر قیمت IPO: یک رویکرد یادگیری ماشین" ، دریافتند که اطلاعات متنی به دست آمده از پرونده های SEC S-1 می تواند متغیرهای مالی را به منظور بهبود دقت پیش بینی هرگونه سوءاستفاده IPO تکمیل کند. الگوریتم های ماشین می توانند این کار را انجام دهند زیرا آنها از هر دو منبع داده (یعنی متغیرهای مالی و پرونده های S-1) برای تولید تخمین های دقیق تر استفاده می کنند. بر اساس نمونه ای از 2،481 IPOS ایالات متحده ، آنها گزارش می دهند که بهترین مدل عملکردی که فقط از متغیرهای مالی استفاده می کند ، دقت 67. 5 ٪ را دارد ، در حالی که بهترین مدل با هر دو منبع داده 6. 1 ٪ را بهبود بخشید. در مقایسه با یک مدل سنتی برای پیش بینی زیر قیمت IPO ، یک مدل رگرسیون لجستیک ، یادگیری ماشین دقت پیش بینی را 2. 5 ٪ بهبود بخشید. هنگامی که نویسندگان براساس پیش بینی به دست آمده از مدلهای یادگیری ماشین خارج از نمونه ، نمونه کارها از IPO را ایجاد کردند ، این استراتژی به طور متوسط 27. 9 ٪ بازده حاصل شد.

در بازارهای واقعی که با معاملات زمان گسسته با هزینه ها مشخص می شوند ، محافظت کامل و به موقع برای مدیریت ریسک با استفاده از مشتقات مانند گزینه ها یک کار غیرممکن است. پنگ لیو در "بررسی در مورد محافظت از مشتق با استفاده از یادگیری تقویت" ، بررسی کاملی از استفاده از تکنیک های یادگیری تقویت کننده هنگام استفاده از مشتقات برای محافظت از آن ارائه می دهد. به طور خاص ، نویسنده توضیح می دهد که چگونه می توان از الگوریتم های یادگیری تقویت کننده مختلف برای یادگیری موقعیت بهینه محافظت بر اساس شرایط بازار استفاده کرد. این یک راه حل خودکار مدیریت ریسک ارائه می دهد که ضمن در نظر گرفتن پویایی بازار و هرگونه محدودیت معاملات ، استراتژی های بهینه محافظت را ارائه می دهد.

در مقاله آخر ، "پیشرفت رویکردهای یادگیری ماشین برای تصمیم گیری مالی و تجزیه و تحلیل سری زمانی: بحث پانل ،" Nino Antulov-Fantulin و Petter N. Kolm یک بحث پانل در مورد کارشناسان صنعت در مورد تأثیر پیشرفت های اخیر در دستگاه ارائه می دهندیادگیری در مورد تصمیم گیری ، تجزیه و تحلیل داده محور و مدل سازی سری زمانی در امور مالی. این چهار هیئت مدیره متخصص در (1) تحولات اخیر یادگیری عمیق ، (2) تصورات غلط و چالش های رایج در استفاده از یادگیری ماشین در امور مالی ، و (3) فرصت ها و جهت های تحقیق جدید متمرکز شده اند.

Francesco A. Fabozzi

1. Francesco A. Fabozzi
   1. سردبیر