Gépi tanulási algoritmusok tőzsdei kereskedéshez


Kutatásomban ezért azt vizsgálom, hogy a különböző adatbányászati modellek mennyire használhatóak az aktív portfóliókezelésben, külön kitérve a zajszűrő és hibrid módszerek alkalmazhatóságára. Célom az volt, hogy olyan árfolyam-előrejelzésen alapuló kereskedési stratégiát mutassak be, amely tranzakciós költségek mellett is eredményes lehet.

A fintech, vagyis pénzügyi technológiai vállalatok nagy része már elkezdte használni az AI-t, de a hagyományos bankszektor is masszív fejlesztésekbe kezdett, hogy időt takarítson meg, csökkentse a költségeket és javítsa a szolgáltatásait.

Az alábbiakban egy összefoglaló képet szeretnénk adni arról, hogy milyen terülteken jelentek már meg a "robotok" a pénzügyekben és várhatóan milyen irányban fog erősödni a szerepük.

  1. Háttér Bevezetés a Deep Learning kereskedésbe a fedezeti alapokban Az elmúlt években a mély neurális hálózatok rendkívül népszerűvé váltak.
  2. Forex bináris opciós kereskedési szoftver, amely működik
  3. Befektetés valutába etf vs részvények
  4. Mély tanulási kereskedési és fedezeti alapok - Háttér
  5. Bináris opció 80

Mielőtt erre rátérnénk egy rövid bekezdés erejéig nézzük meg mi az AI és gépi tanulás? AI és ML, avagy intelligencia és gépi tanulás A mesterséges intelligencia fogalma az as években jelent meg, többféle definíciója létezik, amelyekből itt található egy összefoglaló.

Algoritmus a kereskedésben

Mi most a wikipedia szócikkét használjuk, amely szerint az AI egy gép, program vagy mesterségesen létrehozott tudat által megnyilvánuló intelligencia. A rendszer a minták ún.

gépi tanulási algoritmusok tőzsdei kereskedéshez

A mesterséges intelligenciák több szempontból is megkülönböztethetők, az egyik ilyen besorolás gépi tanulási algoritmusok tőzsdei kereskedéshez gyenge és erős AI. Ilyen például az Apple Siri asszisztense vagy az online ügyfélszolgálati chat bot-ok csevegő robotok. Az erős mesterséges intelligenciák ezzel szemben önálló döntéseket hoznak, gondolkodásuk sokban hasonlít az emberére.

KBC Equitas

Fontos kiemelni, hogy amikor a jelen bejegyzésben robotokról beszélünk, akkor nem hagyományos, fizikai formában megjelenő gépeket értünk ezalatt, hanem számítógépes algoritmusokat. Persze nem kizárt, hogy előbb utóbb az ügyfélhívó és sorszám osztó oszlopokat előbb-utóbb emberi formájú robotok váltják a bankfiókokban feltéve, hogy lesznek még hagyományos bankfiókok.

Ennek a példának a kapcsán fontos megjegyezni, hogy egy egyszerű portfolió allokációs mechanizmust akár mi is létrehozhatunk hüvelykujj szabályok mentén, egyszerű arányokkal Excel táblában. Az, hogy mikortól tekinthetünk egy rendszert mesterséges intelligenciának, sok tényezőtől függ.

Általánosságban elmondható ,hogy attól lesz egy rendszer intelligens, ha minél inkább szimulálni tudja az emberi döntéseket, minél több olyan döntés befolyásoló paramétert figyelme tud venni, ami a valóságban a döntést befolyásolja és mindezt úgy teszi, hogy jó hatásfokú, releváns válaszokat ad! Ha emellett még tanulni is tud a rendszer és a korábbi döntései, valamint abból fakadó hibákat visszacsatolva.

A tőzsdei robotokról

Visszatérve a portfolió menedzsmentre, az intelligens rendszerek általában lekövetik a felhasználó céljaiban, jövedelmi viszonyaiban vagy éppen a piaci körülményekben beállt változásokat és az alapján akár új ajánlásokat is megfogalmaznak. Csalás felderítés, megelőzés A gépi tanulási algoritmusok tőzsdei kereskedéshez és biztosítási szektorban rendszeresek a visszaélések, a pénzintézetek jelentős költségeket takaríthatnak meg, ha ezeket felismerik vagy meg is előzik.

gépi tanulási algoritmusok tőzsdei kereskedéshez

Természetesen a csalásokat korábban is figyelték, de mivel nap szinten már több milliárd tranzakció történik a világban, ezért különösen nagy szerepe van a tranzakciók gyors és nagy volumenű, automatizált elemzésének.

A gépi tanulás segítségével a csalás felismerő rendszerek a kirívó, szokásostól eltérő tevékenységeket vagy magatartásokat anomáliákat észlelhetnek és felhívhatják a biztonsági szakemberek figyelmét befektetés blokkláncba, nem bitcoinba, megjelölhetik az ilyen tranzakciókat további kivizsgálás céljából. Tipikusan ilyen egyszerűbb példák a szokásoshoz képest kiugró bankkártya tranzakció, szokásosnál több alkalommal történő készpénz kivét ATM-ből stb.

gépi tanulási algoritmusok tőzsdei kereskedéshez

Az egyik legfőbb kihívás ezen rendszereknél ,hogy minél kevesebb legyen a téves riasztások aránya: itt is igaz, tehát, hogy annál intelligensebb a rendszer, minél nagyobb hatásfokkal dolgozik.

Hiteljóváhagyás, hitelezési kockázatok elbírálása A pénzügyi területen a hitelelbírálás az egyik legjobb példa a gépi tanulás alkalmazására. Különösen a nagyobb bankoknál vagy biztosítók esetében a gépi tanulási algoritmusokat több millió adat segítségével lehet tanítani.

gépi tanulási algoritmusok tőzsdei kereskedéshez

Például vállalati hitelfelvevők esetében az adott cége pénzügyi mutatói, tulajdonosi viszonyai, piaci helyzete stb. Ezek alapján a mesterséges intelligenciával felvértezett rendszerek osztályozhatják az adósokat, ajánlásokat tehetnek a hitel jóváhagyására, a fedezetekre vagy éppen a kamatszintre ebben a bejegyzésben egy neurális hálózat létrehozását mutattuk be a témához kapcsolódóan.

Blog Egyre inkább beférkőzik a mindennapjainkba a mesterséges intelligencia artificial intelligence, AIez már nem csak egy sci-fi filmekben emlegetett jövőbeli technológia, hanem a jelen. Erre támaszkodunk okostelefonunk használatakor, online vásárlásoknál és marketingnél, internetes keresésnél.

De ugyanígy talákozhatunk ezekkel a példákkal magánszamélyként is egy lakáshitel bírálata során vagy éppen egy biztosítás megkötésekor, ahol a mesterséges intelligencia a személyes adatianakt és kockázati profilunkat felmérve tesz ajánlást a biztosítás típusára vagy éppen annak díjára. Tőzsdei kereskedés, "high frequency trading" Az algoritmikus kereskedési rendszerek története az es évekig nyúlik vissza, amelyek az informatikai rendszerek és az adatbányászati algoritmusok fejlődésével, valamint a rendelkezésre álló adatok körének bővülésével szintén sokat fejlődtek.

Ezek a félig autonóm kereskedési rendszerek, a különböző tőzsdei indikátorokat és azok változásait folyamatosan monitorozva hoznak döntéseket és akár automatikusan generálnak üzletkötéseket. Ahogy ez a fentiekből is látszik, ezeken a felsorolt területeken a mestersége intelligencia már akár évtizedek óta jelen van.

gépi tanulási algoritmusok tőzsdei kereskedéshez

Kinek, milyen előnye származik ebből? Másrészt az AI hadrendbe állításával és a folyamatok automatizálásával jelentős költségmegtakarítás érhető el.

Bevezetés a Deep Learning kereskedésbe a fedezeti alapokban

Az érme másik oldala, hogy ezzel párhuzamosan bizonyos munkakörök megszűnnek, de legalábbis beszűkülnek a lehetőségek másrészt azonban új munkakörök is létre fognak jönni, mert például ezeket az AI vezérelt rendszereket fejleszteni kell, a tanulásukat és a működésüket felügyelni szükséges.

Ez mind szép, de mik a kockázatok? A teljesség igénye nélkül, az alábbi kockázatokkal és problémákkal kell számolni: a rosszul tanított vagy nem felügyelt "robotok" hibás vagy rosszul időzített döntéseiből eredő károk felelősségi kérdések a szervezeten belül - ha mesterséges intelligencia hoz meg bizonyos döntéseket, akkor ki a felelős a döntésekért?