Перевел пару околонаучных статей про использование ИИ в финансах (рефераты можно посмотреть тут). Одна от Египетских исследователей, посвящена машинному формированию аллокации пенсионного портфеля при наличии ограничений на потерю платёжеспособности. Мне не показалась статья убедительной. Вторая статья от китайцев. Они решили своего робоадвайзера научить кластеризировать паевые фонды (их в Китае более 3 тысяч), и в зависимости от клиентского профиля давать советы по формированию портфеля фондов для клиента. Вторым слоем там идёт прогнозирование результатов работы предложенного портфеля. Эта статья лучше, но всё равно не про меня.
Мне кажется задачу прогнозирования можно и нужно ставить искусственному интеллекту. Например, для метода Machin learning можно задать первоначальную кластеризацию приблизительную. Пусть это будут японские свечи. «Поглощение», «Молот», «Надгробие», «дожи стрекоза», «Утренняя» и «вечерняя» звёзды. Используя алгоритмы машинного обучения на блоке данных предыдущего периода ИИ учится определять эти паттерны, вычисляя заодно вероятность правильного прогноза для каждого. Это, конечно, две связанные стороны одной медали, однако мы понимаем, что если мы добились от ИИ того, что он находит нужный паттерн, и вероятность удачного прогноза по нему более 60%, это позволяет трейдеру строить игру с управлением доли капитала, вводимого в сделку. Тем более это важно, если вы торгуете не направлено, а строите опционную комбинацию. Как известно, справедливая цена опциона – это функция цены базисного актива, ставки финансирования (репо с ЦК), подразумеваемой волатильности и времени до экспирации. Блэк и Шольц считали, что вероятность отклонения доходности за определённый период базисного актива от нуля распределяется в виде логнормального графика. Колокол небезызвестный. И на основании этого явили миру свою формулу Бэка-Шоулза.
Используя её, мы можем цены, которые реально наблюдаем на рынке во всей линейке страйков, трансформировать в значения подразумеваемой волатильности. Если бы формула была идеальной, мы бы получили ровную линию – на всех страйках одна и та же волатильность. Ан нет, применив этот приём к реальным ценам, мы увидим вогнутую кривую, которая называется улыбкой волатильности. Трейдеры считают, что на крайних страйках вероятность такого значительного изменения цены базисного актива заметно выше, чем предсказывает теория. Почему так? Трейдеры научены горьким опытом потерь. Они знают, что любое очень сильное движение цены включает у участников торговли либо эйфорию, либо панику. И то и другое не вписывается в теорию.
Следующий шаг – получив улыбку волатильности мы можем её, используя всё ту же формулу, трансформировать в график распределения вероятностей отклонений доходности от нулевой. Тот же колокол, но с толстыми хвостами. Конечно, рынок может прогнозировать рост, тогда колокол сместится вправо на какое то время, или падение – тогда влево.
И тут последнее. У вас есть прогноз, что с вероятностью 60% рынок качнётся вверх и 40 %, что нет. Ваш график распределения вероятностей в этот момент не будет совпадать с тем, что считает по этому поводу рынок. Вы вправе построить опционную комбинацию, которая принесёт вам доход при любом исходе прогноза ИИ. 60% вероятности, что вы заработаете неплохо, и 40% что останетесь при своих или выиграете мало.
Да, рынок опционов позволяет строить комбинации, которые играют при любом направлении движения базисного актива. И если у вас в руках обученный ИИ, который говорит вам, что вот, сформировалось «надгробие», но вероятность правильной трактовки 55%, то вы знаете, что делать.
Что касается Deep learning подхода, то он такой же. Просто кластеризацию машина должна сделать сама. Выявить любые паттерны, где качество прогноза движения цены выше 50%. А дожами машина их назовет или не дожами не важно. Главное, что у вас в руках сильный инструмент выстраивания опционных беспроигрышных комбинаций!
